      Bingung dengan judul diatas? Pertanyaan ini seringkali menjadi perdebatan antara ayah dan ibu. Sebenarnya genetik siapa yang lebih dominan. Bahkan keluarga besar dan tetangga juga mengajukan pertanyaan yang sama. Daripada berdebat kusir, gunakanlah Artificial Intelligence (AI) untuk menjawabnya. AI adalah sebuah terobosan teknologi yang dapat digunakan untuk memecahkan masalah-masalah dengan perhitungan yang cukup rumit.
      Dalam buku karangan Prof. Dr. IR. Imam Robandi, M.T (Profesor of Faculty of Intelligent Electrical and Informatics Technology, Institute Teknologi Sepuluh November) dalam buku berjudul, "ARTIFICIAL INTELLIGENCE-Mengupas Rekayasa Kecerdasan Tiruan", algoritma genetika mempelajari teori evolusi yaitu kromosom, kawin silang(crossover), dan mutasi. Artinya semua genetik dapat dimodelkan untuk kemudian dikawin-silangkan sehingga mendapatkan kromosom baru atau kromosom yang dominan. Hal itu yang menjadi dasar bahwa pertanyaan tentang diantara kromosom ayah atau ibu bisa dipecahkan.
      Seiring berjalan waktu, bagaimana jika kita tidak mengetahui bentuk kromosom kita?Lantas apa yang harus kita lakukan? Setelah kita mengetahui bahwa ada dasar algoritma genetika maka jawabannya adalah permodelan secara visual atau grafis. Pemodelan grafis menggunakan teknologi face recognition atau pengenalan wajah. Teknologi pengenalan wajah dapat membantu penggunanya dalam mengenali identitas diri seseorang. Oleh karena itu, artikel ini bertujuan untuk menjelaskan bagaimana teknologi pengenalan wajah dapat digunakan, menjabarkan kontribusi-kontribusi yang ditawarkannya, dan juga menguraikan tantangan yang harus dihadapi untuk menerapkannya. Metode pengenalan wajah ini , digunakan untuk mengenali "kromosom" yang dimodelkan dengan bentuk wajah. Lantas hanya butuh satu gambar wajah?Tentu tidak, karena semakin banyak ekspresi wajah dengan berbagai sudut tentu akan lebih memudahkan untuk dijadikan sebuah "kromosom".
Teknologi pengenalan wajah bergantung pada data biometrik. Adapun langkah-langkah tersebut terdiri dari:
- Deteksi Wajah:
Sebuah sistem yang mendeteksi keberadaan wajah dalam gambar ataupun video. Semakin banyak sudut foto akan semakin memudahkan sistem dalam mengenali dan membuat satu kromosom untuk dikenali sebagai kromosom "A" - Ekstraksi Fitur:
Sistem ini memungkinkan untuk membuat wajah menjadi beberapa sudut tertentu. Semakin banyak data, maka sistem akan semakin valid dalam melakukan pencocokan terhadap wajah yang akan dikenali. Teknologi ini biasanya memanfaatkan deep learning . - Pencocokan:
Dalam proses pencocokan , validitas data hasil training wajah asli merupakan kunci. Proses sistem membandingkan fitur yang diekstraksi. Data wajah yang valid akan dijadikan referensi untuk dicocokkan dengan wajah yang akan diuji. - Keputusan Akhir:
Keluaran ini dapat mencakup klaim verifikasi identitas, bersama dengan wajah yang tidak ada dalam basis data. Semakin tinggi nilai, maka artinya wajah yang diuji akan semakin mirip dengan wajah aslinya.
     Setelah dilakukan teori tentang metode pengenalan wajah, penulis mencoba mengaplikasikannya. Dari beberapa referensi internet, untuk pengaplikasian deteksi wajah dapat dilakukan melalui beberapa software ataupun aplikasi. Tentunya dengan coding menggunakan bahasa pemrograman python. Adapaun urutan untuk deteksi wajah adalah sebagai berikut :
- Pertama yang dilakukan adalah mengumpulkan foto wajah ibu (sebagai foto valid kromosom A) dan wajah ayah (foto valid kromosom B). Penulis mengumpulkan masing-masing kromosom sebanyak 10 foto dengan pose yang berbeda-beda. (raut muka senyum , sedih, tertawa, melirik, menengok).
- Dengan menggunakan software app.roboflow.com, wajah ayah dan ibu dapat diduplikasi. Semisal ada 20 wajah akan diduplikasi dengan mode : blur, rotate, shadow. Ketika dilakukan deteksi wajah, 20 wajah dapat menjadi 150 wajah baru dengan model yang telah dipilih. Dalam software ini dilakukan labelling/klasifikasi gambar. Semakin banyak kondisi klasifikasi gambar maka semakin tinggi validitas. Foto yang sudah diklasifikasi disebut dengan dataset. Dataset akan dibagi menjadi 75% train set, 20% valid set, dan 5% test set.
- Kemudian dataset dilakukan training. Fase training dapat menggunakan beberapa platform online semisal google colab. Untuk platform offline dapat coding menggunakan software visual code studio. Training data pada platform google colab memiliki beberapa kelebihan diantaranya mudah dalam penggunaan. Selain itu jika memerlukan fungsi tertentu dapat diunduh secara online. Platform ini juga mendukung dalam konteks pengolahan data gambar dan machine learning. Google colab memiliki kemampuan untuk membandingkan algoritma atau arsitektur model. Seorang peneliti atau mahasiswa dapat:
- Menguji berbagai model pembelajaran mendalam, misalnya model CNN (Convolutional Neural Network), model ResNet, dan model EfficientNet.
- Dataset: 75% dilakukan training untuk mengukur seberapa validitas data tersebut.
     Epoch sebuah istilah yang merujuk pada satu siklus putaran penuh. Model memproses semua dataset training untuk mengubah bobot-bobot hasil perbandingan dengan validitas data yang tersedia. Epoch merupakan salahsatu parameter yang cukup penting dalam model training. Epoch pada mode training adalah :
- Mengukur kinerja model: Lossses menunjukkan seberapa baik model mempelajari data. Nilai losses yang lebih rendah berarti model memiliki prediksi yang lebih akurat.
- Perbaikan bobot: Losses digunakan dalam algoritma optimisasi untuk memperbarui bobot model.
- Indikator training: Losses pada epoch membantu menentukan apakah model mengalami overfitting, underfitting, atau berada pada titik optimal.
Semakin banyak model yang training, semakin besar validitas data. Didalam mode training, wajah model training akan dibandingkan dengan wajah model valid. Semakin banyak epoch, artinya semakin banyak training dilakukan. Hal ini akan membuat dataset hasil training akan semakin baik jika diuji.
     Setelah dataset dilakukan training, selanjutnya akan dilakukan pengujian menggunakan live camera. Hal ini dapat dilakukan dengan web-camera eksternal atau kamera laptop. Dengan menggunakan software berupa Visual Code Studio maka pertanyaan kemiripan sang anak terhadap ayah-ibunya dapat terjawab.
      Dari penerapan AI oleh penulis , maka dapat terlihat bahwa anak kedua mempunyai kemiripan dengan ayahnya sebesar 65%. Hal ini semakin meyakinkan bahwa kemiripan secara fisik lebih banyak diwariskan oleh genetik ayah. Penerapan pengenalan wajah dengan algoritma genetika, memungkinkan kita mencari silsilah keluarga. Sistem ini juga bs dilakukan untuk ahli forensik rumah sakit. Hal ini dilakukan dalam rangka pengenalan wajah keluarga pasien.
      Pengenalan wajah merupakan salahsatu cara penerapan AI dalam kehidupan. Dimana masalah yang kompleks dapat dibuat menjadi mudah. Salah satu pengaplikasian pengenalan wajah yang telah dikembangkan adalah metode tiket masuk di stasiun ataupun bandara. Penumpang tidak lagi menunjukkan tiket, hanya dengan mennjukkan wajah ke kamera, secara otomatis sistem akan membaca , menampilkan informasi booking code sekaligus membuka gate masuk ke stasiun atau bandara. Selain mendukung keakuratan data, metode face reconition juga mendukung kecepatan dalam rangka efisiensi waktu saat proses masuk ke stasiun atau bandara.
