Optimasi Hyperparameter pada Penerapan Ensemble Regression Tree untuk Simulasi Pewarnaan Bibir

Abstrak

Teknologi membantu kita dalam banyak aktifitas dan terus mengalami kemajuan sehingga aktivitas lebih efisien, penggunaan waktu yang lebih hemat, sumberdaya yang lebih sedikit dan juga informasi serta hiburan lebih mudah didapatkan. Teknologi Machine Learning adalah bidang yang paling cepat berkembang dalam ilmu komputer yang penggunaannya mencakup berbagai bidang seperti pemasaran, perawatan kesehatan, manufaktur, keamanan informasi dan transportasi. Salah satu metodemachine learning adalah Ensemble Regression Tree (ERT) yang telah berhasil mendeteksi fitur wajah pada bagian alis, mata, hidung dan bibir. Akan tetapi, belum ditemukan penggunaan metode ERT untuk mendeteksi spesifik area bibir saja. Maka akan dilakukan penelitian untuk ekstraksi dataset anotasi fitur wajah dari dataset iBUG 300W dengan fitur 68 titik wajah menjadi 20 titik area bibir. Hasil dari ekstraksi tersebut yaitu error rate berkurang, penggunaan resource lebih sedikit, fitur bibir dapatterdeteksi dan simulasi pewarnaan bibir berhasil dilakukan dengan menggunakan konfigurasi nilai hyperparameter yaitu tree = 4,regularization = 0,25, cascade = 8, feature pool = 500, oversampling = 40 dan translation jitter = 0. Dari pengamatan juga diketahui bahwa penghematan resource hardisk sebesar 69,36%, RAM 30,8% dan CPU 3,8%; mengurangi error rate sebesar 0,058%; serta meningkatkan inference speed sebesar 39%.