Center Loss Function Untuk Meningkatkan Performa Deteksi Masker Wajah Menggunakan Faster Regional Convolutional Neural Network

FARHAN RENALDI N, Dr. Agus Sihabuddin, S.Si., M.Kom.

2022 | Skripsi | S1 ILMU KOMPUTER

Sistem deteksi masker wajah telah banyak dibangun oleh peneliti-peneliti sebagai salah satu upaya pengawasan pemakaian masker di kala pandemi COVID-19. Namun, sebagian besar sistem deteksi masker masih memiliki kekurangan, yaitu kesulitan dalam mengkategorikan penggunaan masker wajah yang tidak benar dengan penggunaan masker wajah yang benar. Oleh karena itu, kekuatan diskriminatif model deteksi masker perlu ditingkatkan agar dapat lebih mudah mengkategorikan kedua kelas tersebut. Salah satu cara meningkatkan performa sistem deteksi yaitu dengan memilih loss function yang tepat. Arsitektur Faster-RCNN pada umumnya menggunakan softmax loss sebagai loss function untuk klasifikasi objek pada sistem deteksi. Pada penelitian ini, akan dibangun model sistem deteksi masker menggunakan arsitektur Faster-RCNN dengan modifikasi loss function menggunakan center loss. Center loss yang digunakan diharapkan mampu meningkatkan performa akurasi sistem deteksi masker dalam mendeteksi penggunaan masker yang benar, tidak benar, dan tidak menggunakan masker, dimana center loss merupakan loss function untuk memperjelas batasan antar-kelas dan mendekatkan fitur-fitur intra-kelas yang dapat meningkatkan kemampuan diskriminatif model. Pada penelitian ini, model Faster-RCNN dengan center loss dengan nilai lambda sebesar 0.0003 dan lr_center sebesar 0.25 menghasilkan mAP latihan dan validasi sebesar 76.95% dan 66.60%, lebih baik daripada model dengan softmax loss dengan mAP sebesar 75.01% dan 64.65%. Selain itu, model dengan center loss memiliki kemampuan diskriminatif yang lebih baik, yang ditandakan dengan kerapatan antar kelas yang lebih padat dan jarak antar kelas yang lebih renggang pada distribusi fitur mendalamnya.

Many researchers have built face mask detection systems for monitoring the usage of face masks during the COVID-19 pandemic. However, most of the mask detection systems still have drawbacks, namely the difficulty in categorizing the incorrect usage of face mask with the correct one. Therefore, the discriminatory power of the mask detection model needs to be improved in order to more easily categorize the two classes. One way to improve the performance of the detection system is to choose the right loss function. Faster-RCNN architecture generally uses softmax loss as the loss function for classifying objects in detection systems. In this study, a mask detection system model will be built using the Faster-RCNN architecture with modified loss function using center loss. The center loss used is hypothesized to improve the accuracy of the mask detection system in detecting the use of masks that are correct, incorrect, and not using masks, whereas the center loss is a loss function to clarify boundaries between classes and bring together intra-class features that can improve the discriminatory ability of the model. In this research, the Faster-RCNN model with center loss with lambda value of 0.0003 and lr_center of 0.25 produced training and validation mAPs of 76.95% and 66.60% respectively, better than the model with softmax loss with mAPs of 75.01% and 64.65%. In addition, models with center loss have better discriminative power, which is indicated by denser intra-class compactness and inter-class distance that are more sparse in the distribution of deep features.

Kata Kunci : center loss, deteksi masker, deteksi objek, Faster-RCNN, masker wajah