Optimasi Sistem Klasifikasi Foto Arsip IPB pada Penggunaan Masker dan Variasi Iluminasi Menggunakan NICLAHE dan EUM

Abstract

Digitalisasi arsip foto dokumentasi IPB memerlukan dukungan sistem klasifikasi otomatis yang andal untuk mendukung kelengkapan metadata, khususnya identitas tokoh yang memiliki nilai historis. Namun, sistem sebelumnya yang menggunakan YOLOv8, FaceNet, dan cosine similarity masih menghadapi tantangan spesifik pada oklusi akibat wajah bermasker, serta belum adanya tahapan prapemrosesan untuk menangani variasi iluminasi pada citra arsip. Penelitian ini bertujuan memperkuat sistem sebelumnya dengan metode usulan mencakup penerapan NICLAHE sebagai tahap prapemrosesan baru untuk menormalkan variasi iluminasi. Selanjutnya, fine tuning YOLOv8 agar mampu mendeteksi dan mengklasifikasikan wajah bermasker. Khusus untuk wajah bermasker, Embedding Unmasking Model (EUM) diterapkan untuk memulihkan fitur pada ruang embedding FaceNet tanpa melatih ulang model. Pengujian terhadap 93 data wajah uji membuktikan bahwa sistem usulan berhasil meningkatkan akurasi dari 61,29% menjadi 78,49%. Peningkatan performa sebesar 17,2% ini menunjukkan bahwa metode usulan adalah solusi yang andal untuk sistem klasifikasi arsip IPB.

The digitization of IPB's documentary photo archives requires a reliable automatic classification system to ensure metadata completeness, particularly regarding the identities of historically significant figures. However, the previous system, which utilized YOLOv8, FaceNet, and cosine similarity, still encounters specific challenges related to occlusion caused by masked faces, as well as the absence of a preprocessing stage to handle illumination variations in the archive images. This research aims to enhance the previous system by proposing a method that includes the implementation of NICLAHE as a novel preprocessing stage to normalize illumination variations. Subsequently, YOLOv8 was fine-tuned to detect and classify masked faces. Specifically for masked faces, the Embedding Unmasking Model (EUM) was applied to restore features within the FaceNet embedding space without retraining the model. Testing on 93 facial test images demonstrated that the proposed system successfully increased the accuracy from 61.29% to 78.49%. This performance improvement of 17.2% proves the proposed method to be a highly reliable solution for the IPB archive classification system.