Peningkatan Performa Pengenalan Wajah pada Gambar Low-Resolution Menggunakan Metode Super-Resolution

Rohim, Muhammad Imaduddin Abdur; Nisa, Auliati; Hindratno, Muhammad Nurkhoiri; Fajri, Radhiyatul; Wibowanto, Gembong Satrio; Lestriandoko, Nova Hadi; Normakristagaluh, Pesigrihastamadya

doi:10.25126/jtiik.20241117947

Open access Jurnal SINTA 2

Peningkatan Performa Pengenalan Wajah pada Gambar Low-Resolution Menggunakan Metode Super-Resolution

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) · Vol. 11 No. 1 (2024) · pp. 199–208

DOI: 10.25126/jtiik.20241117947
ISSN: 2528-6579, 2355-7699
Published: 2024-02-29
Publisher: Fakultas Ilmu Komputer, Universitas Brawijaya
Language: en
License: creativecommons.org/licenses/by-sa/4.0

Abstract

Bahasa Indonesia

Kartu Tanda Penduduk Elektronik (KTP-el) merupakan identitas wajib bagi penduduk Indonesia. Penyimpanan pada cip KTP-el yang mana selain digunakan untuk menyimpan gambar potret wajah individu, juga harus dapat menyimpan identitas lain seperti biodata, tanda tangan, dan sidik jari kiri dan kanan. Keterbatasan tersebut mengharuskan gambar potret wajah disimpan pada ukuran low-resolution (LR) sehingga sistem pengenalan wajah tidak optimal. Dalam penelitian ini, kami menggunakan Poznan University of Technology (PUT) Face database yang terdiri atas 200 gambar dari 100 individu. Data tersebut dilakukan proses down sampling menggunakan bicubic interpolation untuk menghasilkan data LR. Kami menginvestigasi penggunaan metode super-resolution (SR) berbasis deep learning, termasuk DFDNet, LapSRN, GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN, dan FaceSPARNet. Hal ini bertujuan untuk meningkatkan kualitas gambar LR. Evaluasi performa dilakukan dengan menggunakan matriks False Rejection Rate(FRR) pada beberapa tingkatan False Acceptance Rate (FAR). Hasil penelitian menunjukkan bahwa beberapa metode SR terutama FaceSPARNet menunjukkan peningkatan performa face recognition hingga 2%. Sedangkan, metode SR yang berbasis GAN (GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN) cenderung meningkatkan false reject rate. Penelitian ini menunjukkan bahwa metode SR dari kategori General Basic CNN-based FSR dapat digunakan untuk meningkatkan kinerja face recognition pada gambar LR, seperti pada KTP-el.

English

Keywords

Collaboration network of the authors

20 authors · 100 co-authorship links · 13 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

National Research and Innovation Agency
Institut Teknologi Sepuluh Nopember
Badan Pengkajian dan Penerapan Teknologi

Different organisations
Same organisation
Affiliation unknown
Thicker line = more joint articles · bigger circle = more articles

Show as table

Co-author	Organisation	Joint articles
Agus Zainal Arifin	Institut Teknologi Sepuluh Nopember	1
Rachmawan Atmaji Perdana	Badan Pengkajian dan Penerapan Teknologi	1
Tanzi Mubaroq Santoso	National Research and Innovation Agency	1
Topan Try Harmanda	National Research and Innovation Agency	1
Friyogi Resvy Mahda	National Research and Innovation Agency	1
Yahya Andreas Lapian	National Research and Innovation Agency	1
Monica Dwi W. S.	National Research and Innovation Agency	1
Dionysius Aldion Renata	National Research and Innovation Agency	1
Prasetyo Aji	National Research and Innovation Agency	1
Meidy Layooari	National Research and Innovation Agency	1
Kusnanda Supriatna	National Research and Innovation Agency	1
Rully Kusumajaya	National Research and Innovation Agency	1
Mohammad Hamdani	National Research and Innovation Agency	1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://jtiik.ub.ac.id/index.php/jtiik/en/oai, first harvested 27 Okt 2026, last seen 27 Okt 2026.

Original metadata (oai_dc)

<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="id">Peningkatan Performa Pengenalan Wajah pada Gambar Low-Resolution Menggunakan Metode Super-Resolution</dc:title>
	<dc:title xml:lang="en">Peningkatan Performa Pengenalan Wajah pada Gambar Low-Resolution Menggunakan Metode Super-Resolution</dc:title>
	<dc:creator xml:lang="id">Rohim, Muhammad Imaduddin Abdur</dc:creator>
	<dc:creator xml:lang="id">Nisa, Auliati</dc:creator>
	<dc:creator xml:lang="id">Hindratno, Muhammad Nurkhoiri </dc:creator>
	<dc:creator xml:lang="id">Fajri, Radhiyatul</dc:creator>
	<dc:creator xml:lang="id">Wibowanto, Gembong Satrio</dc:creator>
	<dc:creator xml:lang="id">Lestriandoko, Nova Hadi</dc:creator>
	<dc:creator xml:lang="id">Normakristagaluh, Pesigrihastamadya</dc:creator>
	<dc:subject xml:lang="id">downsampling</dc:subject>
	<dc:subject xml:lang="id">low-resolution</dc:subject>
	<dc:subject xml:lang="id">super-resolution </dc:subject>
	<dc:subject xml:lang="id">pengenalan wajah </dc:subject>
	<dc:subject xml:lang="id">gambar potret wajah</dc:subject>
	<dc:subject xml:lang="en">downsampling</dc:subject>
	<dc:subject xml:lang="en">low-resolution</dc:subject>
	<dc:subject xml:lang="en">super-resolution</dc:subject>
	<dc:subject xml:lang="en">pengenalan wajah</dc:subject>
	<dc:subject xml:lang="en">gambar potret wajah</dc:subject>
	<dc:description xml:lang="id">Kartu Tanda Penduduk Elektronik (KTP-el) merupakan identitas wajib bagi penduduk Indonesia. Penyimpanan pada cip KTP-el yang mana selain digunakan untuk menyimpan gambar potret wajah individu, juga harus dapat menyimpan identitas lain seperti biodata, tanda tangan, dan sidik jari kiri dan kanan. Keterbatasan tersebut mengharuskan gambar potret wajah disimpan pada ukuran low-resolution (LR) sehingga sistem pengenalan wajah tidak optimal. Dalam penelitian ini, kami menggunakan Poznan University of Technology (PUT) Face database yang terdiri atas 200 gambar dari 100 individu. Data tersebut dilakukan proses down sampling menggunakan bicubic interpolation untuk menghasilkan data LR. Kami menginvestigasi penggunaan metode super-resolution (SR) berbasis deep learning, termasuk DFDNet, LapSRN, GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN, dan FaceSPARNet. Hal ini bertujuan untuk meningkatkan kualitas gambar LR. Evaluasi performa dilakukan dengan menggunakan matriks False Rejection Rate(FRR) pada beberapa tingkatan False Acceptance Rate (FAR). Hasil penelitian menunjukkan bahwa beberapa metode SR terutama FaceSPARNet menunjukkan peningkatan performa face recognition hingga 2%. Sedangkan, metode SR yang berbasis GAN (GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN) cenderung meningkatkan false reject rate. Penelitian ini menunjukkan bahwa metode SR dari kategori General Basic CNN-based FSR dapat digunakan untuk meningkatkan kinerja face recognition pada gambar LR, seperti pada KTP-el.</dc:description>
	<dc:description xml:lang="en">Kartu Tanda Penduduk Elektronik (KTP-el) merupakan identitas wajib bagi penduduk Indonesia. Penyimpanan pada cip KTP-el yang mana selain digunakan untuk menyimpan gambar potret wajah individu, juga harus dapat menyimpan identitas lain seperti biodata, tanda tangan, dan sidik jari kiri dan kanan. Keterbatasan tersebut mengharuskan gambar potret wajah disimpan pada ukuran low-resolution (LR) sehingga sistem pengenalan wajah tidak optimal. Dalam penelitian ini, kami menggunakan Poznan University of Technology (PUT) Face database yang terdiri atas 200 gambar dari 100 individu. Data tersebut dilakukan proses down sampling menggunakan bicubic interpolation untuk menghasilkan data LR. Kami menginvestigasi penggunaan metode super-resolution (SR) berbasis deep learning, termasuk DFDNet, LapSRN, GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN, dan FaceSPARNet. Hal ini bertujuan untuk meningkatkan kualitas gambar LR. Evaluasi performa dilakukan dengan menggunakan matriks False Rejection Rate(FRR) pada beberapa tingkatan False Acceptance Rate (FAR). Hasil penelitian menunjukkan bahwa beberapa metode SR terutama FaceSPARNet menunjukkan peningkatan performa face recognition hingga 2%. Sedangkan, metode SR yang berbasis GAN (GFPGAN, Real-ESRGAN, Real-ESRGAN+GFPGAN) cenderung meningkatkan false reject rate. Penelitian ini menunjukkan bahwa metode SR dari kategori General Basic CNN-based FSR dapat digunakan untuk meningkatkan kinerja face recognition pada gambar LR, seperti pada KTP-el.</dc:description>
	<dc:publisher xml:lang="en">Fakultas Ilmu Komputer, Universitas Brawijaya</dc:publisher>
	<dc:date>2024-02-29</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://jtiik.ub.ac.id/index.php/jtiik/article/view/7947</dc:identifier>
	<dc:identifier>10.25126/jtiik.20241117947</dc:identifier>
	<dc:source xml:lang="id">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol 11 No 1: Februari 2024; 199-208</dc:source>
	<dc:source xml:lang="en">Jurnal Teknologi Informasi dan Ilmu Komputer; Vol. 11 No. 1: Februari 2024; 199-208</dc:source>
	<dc:source>2528-6579</dc:source>
	<dc:source>2355-7699</dc:source>
	<dc:source>10.25126/jtiik.2024111</dc:source>
	<dc:language>en</dc:language>
	<dc:language>id</dc:language>
	<dc:relation>https://jtiik.ub.ac.id/index.php/jtiik/article/view/7947/1272</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2024 Jurnal Teknologi Informasi dan Ilmu Komputer</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>