Menebak usia seseorang dari wajah adalah hal yang tampak mudah bagi manusia. Namun, bagi komputer, gambar hanyalah representasi numerik dari piksel. Untuk membuat sistem kecerdasan buatan (Artificial Intelligence/AI) mampu memperkirakan usia seseorang dari gambar wajah, dibutuhkan serangkaian proses pengolahan citra dan pembelajaran mesin yang saling terintegrasi.

Langkah awal dimulai dari proses ekstraksi fitur, yaitu tahap untuk mengidentifikasi informasi penting dari gambar yang berkaitan dengan usia, seperti kerutan, tekstur kulit, atau kontur wajah. Ekstraksi fitur sangat krusial karena AI tidak dapat memahami gambar secara langsung, melainkan harus dibantu dengan transformasi data visual menjadi bentuk numerik yang bermakna.

Beberapa pendekatan digunakan untuk proses ekstraksi ini. Salah satunya adalah Discrete Cosine Transform (DCT), yang mengubah citra dari domain spasial menjadi domain frekuensi, sehingga pola-pola halus pada wajah dapat ditangkap lebih efisien. Pendekatan lain adalah melalui Deep Convolutional Neural Network (CNN), seperti VGG16, ResNet50, atau Xception, yang mampu secara otomatis mempelajari fitur visual kompleks dari dataset gambar wajah.

Setelah fitur berhasil diperoleh, tantangan berikutnya adalah menyusun konfigurasi model yang optimal agar prediksi usia menjadi lebih akurat. Untuk keperluan ini, algoritma Particle Swarm Optimization (PSO) digunakan. PSO merupakan metode optimasi berbasis populasi yang meniru perilaku sosial kawanan burung dalam mencari solusi terbaik, seperti pemilihan jumlah neuron, bobot koneksi, atau parameter lainnya dalam jaringan saraf.

Proses lengkap ini dapat divisualisasikan dalam diagram berikut yang menggambarkan alur sistem pembelajaran mesin untuk prediksi usia berbasis gambar wajah:

Pembelajaran untuk Estimasi Usia dari Wajah

Fitur yang telah diekstraksi dan dioptimasi kemudian diproses oleh model prediktif, misalnya Artificial Neural Network (ANN) atau lapisan fully connected dalam CNN. Model ini akan mempelajari hubungan antara pola visual pada wajah dengan usia sebenarnya dari individu, sehingga dapat menghasilkan estimasi usia yang cukup akurat untuk wajah baru yang belum dikenali.

Pendekatan ini telah diterapkan setidaknya dalam dua penelitian. Penelitian pertama menggunakan metode DCT dan ANN dalam ISRITI 2022, sedangkan pendekatan kedua mengombinasikan pretrained CNN dengan PSO dan dipublikasikan dalam ICOBAR 2023. Keduanya menunjukkan bahwa AI mampu memprediksi usia dengan tingkat akurasi yang kompetitif.

Teknologi age estimation ini memiliki berbagai aplikasi praktis, mulai dari sistem verifikasi usia digital, pengawasan anak, keamanan publik, hingga analisis demografis dan kesehatan masyarakat. Ke depan, pengembangan teknik ekstraksi dan optimasi fitur diharapkan dapat meningkatkan akurasi sekaligus efisiensi pemrosesan sistem ini.

Referensi:

[1] S. Y. Prasetyo et al., “Age Estimation from Face Image using Discrete Cosine Transform Feature and Artificial Neural Network,” ISRITI 2022. Link
[2] N. H. Muliawan et al., “Age estimation through facial images using Deep CNN Pretrained Model and Particle Swarm Optimization,” E3S Web of Conferences, 2023. Link