Keren, Mahasiswa UNY Buat Aplikasi Pendeteksi Usia Melalui Foto Wajah

“Model snapshot ensemble dapat meningkatkan nilai F1 score serta memperkecil Mean Square Error (MSE) dengan lebih efisien,” paparnya.

F1 score digunakan untuk mengukur seberapa akurat model yang digunakan, semakin nilainya mendekati 1 atau 100% maka model semakin baik. Sedangkan MSE mengukur keakuratan usia, semakin kecil nilainya maka model yang dikembangkan semakin baik.

Model snapshot ensemble yang telah dibangun dapat diaplikasikan pada gambar lain di luar data training dan data testing. Proses implementasi diawali dengan ekstraksi wajah menggunakan MTCNN, rescale gambar ke dalam rentang prediksi dari snapshot model dan checkpoint model yang menghasilkan meta feature, dan prediksi menggunakan LightGBM dari meta feature yang dihasilkan.

LightGBM digunakan sebagai base model karena LightGBM dapat menghasilkan akurasi yang lebih baik dibandingkan dengan model gradient boosting lainnya pada kasus home credit.

Selain itu, LightGBM juga berjalan 20 kali lebih cepat dibandingkan dengan model gradient boosting konvensional. “Kami rekomendasikan untuk menambah data training, terutama pada citra dengan usia di bawah 15 tahun dan di atas 45 tahun, juga menggunakan model snapshot ensemble jika fokus pada performa dan model single CNN jika fokus pada kecepatan,” kata Syukron.

Prediksi usia pada seseorang dapat diketahui melalui citra dengan bantuan machine learning. Model yang dapat digunakan dalam prediksi usia adalah model snapshot ensemble yang terbukti dapat memberikan hasil lebih baik dengan memberikan nilai MSE lebih kecil dibandingkan dengan model CNN individual.

Karya ini berhasil mendapatkan juara 3 pada Big Data Challenge, salah satu bidang pada perlombaan Statistika Ria dan Festival Sains Data (SATRIA DATA) yang diselenggarakan Pusat Prestasi Nasional (Puspresnas) Kemendikbudristek akhir November lalu.

Hal ini merupakan salah satu upaya UNY dalam agenda pembangunan berkelanjutan pada bidang pendidikan bermutu.