Electronic Theses and Dissertation

Pengenalan wajah atau face recognition merupakan salah satu teknologi biometrik andal yang menggunakan kecerdasan buatan dan visi komputer untuk mengidentifikasi dan memverifikasi identitas individu berdasarkan fitur wajah. teknologi ini berkembang pesat dan telah banyak diintegrasikan ke dalam sistem keamanan, kontrol akses, forensik, dan perangkat seluler. namun, pengenalan wajah pada berbagai usia masih menjadi tantangan yang terbuka untuk dikaji lebih lanjut. penuaan wajah terjadi pada setiap individu dan memengaruhi bentuk serta tekstur wajah, misalnya warna kulit dan kerutan, sehingga perbedaan antara citra wajah pencarian dan citra wajah referensi dari individu yang sama dapat menurunkan kinerja sistem pengenalan wajah. penelitian ini bertujuan mengembangkan metode cerdas pengenalan wajah berbasis deep learning yang berkinerja tinggi dengan pendekatan rentang usia melalui tiga tahapan. tahap pertama meningkatkan kinerja model estimasi usia dengan memodifikasi arsitektur cnn multi-task yang dikembangkan oleh cao et al. (2020) dan mivolo (kuprashevich & tolstykh, 2023). tahap kedua memodifikasi pipeline sistem cerdas pengenalan wajah, yaitu model estimasi usia hasil modifikasi menentukan rentang usia individu, kemudian model pengenalan wajah berbasis resnet50 yang dilatih pada rentang usia tersebut mengenali wajah individu yang diinput. tahap terakhir mengembangkan prototipe yang menggabungkan kedua model hasil modifikasi untuk menguji keandalan sistem pada platform mobile android. ketiga tahapan tersebut direalisasikan melalui lima penelitian. modifikasi awal arsitektur cnn multi-task estimasi usia melalui ekspansi lapisan dense bertingkat dan substitusi fungsi aktivasi leakyrelu menghasilkan mae 5,40. temuan tersebut mendorong pengembangan arsitektur hybrid volo-swin transformer terintegrasi yolov8 untuk deteksi wajah pada tahap pra-pemrosesan, yang mencapai mae 4,31 pada set uji independen dan mengungguli acuan mivolo pada konfigurasi yang sama. pada sisi pengenalan wajah, augmentasi data berbasis hyperstyle termodifikasi terbukti meningkatkan kinerja model pengenalan wajah, sementara model resnet50 yang dilatih secara tersegmentasi per kelompok usia (≤30 tahun, 31–40 tahun, dan >40 tahun) secara konsisten mengungguli model tanpa segmentasi usia. kedua model hasil modifikasi selanjutnya diintegrasikan ke dalam aplikasi faceinsight, yaitu prototipe sistem pengenalan wajah berbasis rentang usia pada platform mobile android yang didukung web service rest api, di mana hasil estimasi usia menentukan pemilihan model pengenalan wajah yang sesuai. hasil penelitian menunjukkan bahwa pendekatan rentang usia mampu meningkatkan kinerja sistem cerdas pengenalan wajah dibandingkan pendekatan tanpa segmentasi usia. luaran penelitian ini mencakup publikasi pada jurnal internasional bereputasi, prosiding internasional, presentasi konferensi internasional, serta satu surat pencatatan ciptaan (hki) atas aplikasi faceinsight.

Face recognition is a reliable biometric technology that leverages artificial intelligence and computer vision to identify and verify individuals based on facial features. It has advanced rapidly in recent years and is now widely integrated into security systems, access control, forensics, and mobile devices. Nevertheless, recognizing faces across different ages remains an open challenge. Facial aging occurs in every individual and alters both facial shape and texture, such as skin tone and wrinkles, and the resulting discrepancy between a probe image and a reference image of the same individual can degrade recognition performance. This research aims to develop a high-performing intelligent face recognition method based on deep learning using an age-range approach, pursued through three stages. The first stage improves facial age estimation by modifying the multi-task CNN architectures developed by Cao et al. (2020) and MiVOLO (Kuprashevich & Tolstykh, 2023). The second stage modifies the face recognition pipeline, in which the modified age estimation model determines an individual's age range, after which a ResNet50-based model trained on that age range recognizes the input face. The final stage develops a prototype integrating both modified models to evaluate the system's reliability on the Android mobile platform.These stages were realized through five studies. The initial modification of the multi-task CNN age estimation architecture, through stacked dense layer expansion and LeakyReLU substitution, achieved an MAE of 5.40. This motivated a hybrid VOLO-Swin Transformer architecture integrated with YOLOv8 for face detection during preprocessing, achieving an MAE of 4.31 on an independent test set and outperforming the MiVOLO baseline under the same configuration. For face recognition, modified HyperStyle-based data augmentation improved model performance, while ResNet50 models trained separately for each age group (≤30, 31–40, and >40 years) consistently outperformed a single model trained without age segmentation. Both models were integrated into FaceInsight, a prototype age-range-based face recognition system on the Android platform supported by a REST API web service, in which the estimated age determines the selection of the corresponding recognition model. The results demonstrate that the age-range approach improves intelligent face recognition performance compared with an approach without age segmentation. The research outputs include publications in reputable international journals, an international conference proceeding, an international conference presentation, and one registered Copyright Certificate (HKI) for the FaceInsight application.