Kajian Literatur Multimedia Retrieval : Machine Learning Untuk Pengenalan Wajah

Mahdianta Pandia

doi:10.55338/jikomsi.v7i1.2758

Authors

Mahdianta Pandia, Universitas Sumatera Utara, Medan, Indonesia, Indonesia

DOI:

https://doi.org/10.55338/jikomsi.v7i1.2758

Keywords:

Multimedia Retrieval, Meachine Learning, Deep Learning, Supervised Learning

Abstract

Multimedia retrieval adalah pencarian dan temu kembali mengenai informasi yang terkandung pada konten multimedia. Konten multimedia terdiri dari gambar, teks, video, suara atau kombinasi dari keempatnya. Konten multimedia khususnya foto diupload lebih dari lebih dari 1,2 triliun foto dan video digital diambil setiap tahunnya. Delapan puluh lima (85) % dari konten multimedia tersebut diambil menggunakan smartphone dan langsung di upload ke media sosial. Penumpukan konten multimedia akan terus bertambah setiap tahunya, sehingga memutuhkan waktu untuk menelusurinya kembali di media penyimpanan yang digunakan. Multimedia retrieval dapat mengklasifikasikan koten tersebut berdasarkan pemilik wajah dari konten tersebut. Pengenalan wajah dapat dilakukan dengan baik menggunakan artificial intelligence. Perkembangan artificial intelligence juga terus berkembang hingga munculnya teknologi machine learning. Saat ini banyak dilakukan penelitian mengenai multimedia retrieval menggunakan machine learning yang didukung dengan algoritma AI yang lain, seperti deep learning. Pada kajian literatur ini akan melakukan kajian tentang multimedia retrieval, machine learning dan algoritma yang digunakan dalam penegnalan wajah sehingga diproleh kesimpulan Tingkat keberhasilan metode multimedia retrieval dan machine learning untuk mengenali wajah.

Downloads

Download data is not yet available.

References

A.-C. P. H.-P. C. T.-N. T. Thuong-Cang Phan, “Content-Based Video Big Data Retrieval with Extensive Features and Deep Learning,” Applied Sciens , Vol. %1 dari %212, 6753., pp. 1-26, 2022.

P. B. S. N. Neeraj Kumar, “FaceTracer: A Search Engine for Large Collections of Images with Faces,” European Conference on Computer Vision, p. pp 340–353, 2008.

Z. L. X. Z. Jinhui Tang, “Supervised Deep Hashing For Scalable Faceimage Retrieval,” Pattern Recognition, vol. 75, pp. 25-32, 2018.

W. S. E. D. T. D. Nurul Fajriyah, “Implementasi Teknologi Big Data Di Era Digital,” Jurnal Informatika, vol. 1, pp. 1-7, 2022.

F. E. P. M. K. M. H. Stefan Wagenpfeil, “AI-Based Semantic Multimedia Indexing and Retrieval for Social Media on Smartphones,” https://www.mdpi.com/, vol. 12, pp. 1-30, 2021.

N. L. A. W. S. T. Kirana Rukmayuninda Ririh, “Studi Komparasi Dan Analisis Swot Pada Implementasi Kecerdasan Buatan (Artificial Intelligence) Di Indonesia,” Jurnal Teknik Industri, vol. 15, pp. 122-133, 2020.

J. Putra, Pengenalan konsep pembelajaran mesin dan deep learning (Tokyo. Jepang, 2019), Tokyo. Jepang, 2019.

S. M. G. B. S. A. M. A. C. Mohammed Amin Belarbi, “A New Comparative Study of Dimensionality Reduction Methods in Large-Scale Image Retrieval,” Big data and cognitive computing, vol. 6, pp. 1-22, 2022.

G. H. Vasile-Daniel Păvăloaia, “Tracking Unauthorized Access Using Machine Learning and PCA for Face Recognition Developments,” Information, vol. 14, pp. 1-19, 2023.

R. F. R. d. E. M. Y. Syauqi Sabili, “Verifikasi Wajah Menggunakan Deep Metric Learning pada Data Wajah dengan Disparitas,” JURNAL TEKNIK ITS, vol. 10, pp. 432-437, 2021.

A. R. U. S. J. A. N. A. N. I. R. Afshan Latif, Content-Based Image Retrieval and Feature Extraction: A Comprehensive Review, Hindawi, 2019.

C. R. C. T. Antonio Maria Rinaldi, A Knowledge-Driven Multimedia Retrieval System Based on Semantics and Deep Features, MDI, 2020.

M. R. K. K. S. T. M. M. S. P. Ishan Ratn Pandey, Face Recognition Using Machine Learning, International Research Journal of Engineering and Technology, 2019.

M. I. I. R. T. K. M. A. Fahima Tabassum, “Human face recognition with combination of DWT and machine learning,” Journal of King Saud University – Computer and Information Sciences, vol. 34, 2022.

H. AliElmahmudi, “Deep face recognition using imperfect facial data,” Future Generation Computer Systems, 2019.