NextGeners masih ingat dengan salah satu film animasi Disney pada akhir tahun 2017 lalu yaitu Coco, dalam film tersebut terlihat sebuah teknologi Face Recognition, dimana para orang yang sudah meninggal dan berbentuk tengkorak, harus menggunakan face recognition untuk melewati gerbang di land of death. Mungkin NextGeners heran jika sudah menonton film tersebut bagaimana bisa sebuah dunia arwah memiliki teknologi face recognition? Pastinya NextGeners tidak mau kalah dong untuk mengenal teknologi ini, karena dibalik teknologi tersebut terdapat sebuah ilmu matematika yang berhubungan dengan face recognition, salah satunya dikenal dengan metode Linear Discriminant Analysis (LDA), penasaran kan? Kalo gitu simak artikel yang sudah STEM-Z buat sampai akhir ya.
Linear Discriminant Analysis (LDA) merupakan salah satu metode pengenalan wajah yang lebih dikenal sebagai Fisher’s Linear Discriminant, metode ini ditemukan oleh Ronald A. Fisher. Linear Discriminant Analysis (LDA) adalah metode ekstraksi fitur dengan perpaduan dari perhitungan operasi matematika dan statistika yang memberlakukan properti statistik terpisah untuk tiap obyek. Tujuan metode LDA adalah mencari proyeksi linier (yang biasa disebut dengan ‘fisherimage’) untuk memaksimumkan matriks kovarian antar kelas (between-class covariance matrix), agar anggota di dalam kelas lebih terkumpul penyebarannya dan pada akhirnya dapat meningkatkan keberhasilan pengenalan.
LDA memilih fitur yang memaksimalkan rasio dari antar kelas dan menyebar ke dalam kelas. Menurut Etemad & Chellappa (1997:4), didefinisikan sebagai :
Dimana m adalah rata-rata total dari keseluruhan image dan mi adalah rata-rata image pada kelas ke-i. SB yang dimaskud adalah between class scatter matrix dan within class scatter matrix SW didefinisikan sebagai:
Jika Sw non-tunggal, proyeksi optimal dipilih dari matriks dengan kolom ortonormal yang memaksimalkan rasio dari determinan between class scatter matrix dengan determinan dari within class scatter matrix.
Dimana Wopt adalah himpunan vektor-vektor eigen umum dari dan Sw sesuai dengan nilai eigen terbesar λ :
Kebanyakan C-1 nonzero menyimpulkan nilai eigen, dimana C adalah jumlah kelas. Linear Discriminant Analysis (LDA) secara luas digunakan untuk menemukan kombinasi linear fitur sambil menjaga kelas keterpisahan. Telah diketahui bahwa tujuan dari LDA adalah untuk memaksimalkan between class scatter matrix sekaligus miminimalkan tersebarnya di dalam kelas.
Pendekatan LDA mirip dengan metode Eigenface, yang menggunakan proyeksi gambar pelatihan ke sub ruang. Test Images diproyeksikan ke dalam subspace yang sama dan diidentifikasi menggunakan ukuran kesamaan. Kalau kalian ingin tahu, face recoginiton ini bisa diaplikasikan juga di industri asuransi, dimana teknologi face recognition dapat mengetahui sifat seseorang berdasarkan wajahnya yang sudah dibuat algoritmanya.
Apakah NextGeners sudah mendapatkan gambaran bagaimana Linear Discriminant Analysis dapat di implementasikan ke dalam face recognition? Mungkin lebih mudahnya NextGeners dapat melakukan uji coba menggunakan aplikasi Matlab. Metode untuk face recognition tidak hanya LDA, terdapat metode-metode lainnya yang bisa NextGeners pelajari. Sangat banyak peluang yang bisa diambil dari face recognition ini, seperti meramal wajah seseorang hanya melalui teknologi face recognition.
Kita tunggu NextGeners untuk berinovasi di bidang Business Mathematics
Sumber Referensi:
http://library.binus.ac.id/eColls/eThesisdoc/Bab2/2012-1-00178-IF%20Bab2001.pdf
https://en.wikipedia.org/wiki/Linear_discriminant_analysis
Sumber Gambar:
http://www.wallsttv.com
[…] Pada awalnya Google Arts & Culture adalah sebuah museum seni dan budaya virtual yang bisa dikunjungi oleh para pengunjung secara online. Aplikasi ini sudah ada sejak beberapa tahun lalu, namun kembali viral karena aplikasi ini menyematkan Artificial Intelligence (AI) pada fitur pencocokan wajah dengan lukisan para seniman. Pasti kalian sudah tahu, jika salah satu ilmu AI yang di terapkan ada pengenalan wajah (face recognition). […]