1 • Model
Facenet - ArcFace - DeepFace
Menilai kekuatan embedding dan kompatibilitas pipeline.
- Facenet untuk baseline stabil.
- ArcFace (ArchNet) demi margin angular lebih tajam.
- DeepFace sebagai toolkit lintas model.
2 • Pipeline
Detect → Align → Normalize
Pastikan wajah sejajar sebelum diekstraksi.
- Detector MTCNN / RetinaFace.
- Normalization mempengaruhi representasi.
- Represent & Verify pakai cosine / euclidean.
3 • Infrastruktur
Mandiri vs API
Pertimbangan biaya per hit vs investasi GPU.
- API lokal: BiznetGio, Verihubs, Nodeflux.
- Global: Azure, AWS Rekognition, dkk.
- Self-host GPU bisa turunkan latensi 10s → 1s.
4 • Use Case
Presensi Online
Target implementasi adalah aplikasi absensi internal.
- Hitungan biaya harus murah, hindari API mahal.
- Perlu pipeline verifikasi wajah anti-spoof.
- Kombinasi model memberi fleksibilitas.
Artikel: Insight Seminggu Oprek
Catatan ini bersumber dari posting Facebook tentang eksperimen face recognition bareng Pak Mohamad Habibi. Tujuannya adalah mencari komposisi model dan infrastruktur yang presisi namun tetap hemat untuk proyek presensi online.
1. Variasi Model
Terdapat banyak pilihan model embedding wajah. Facenet menawarkan referensi kuat, ArcFace/ArchNet meningkatkan separasi kelas, sementara DeepFace berperan sebagai framework serbaguna untuk mencoba berbagai backbone sekaligus.
2. Pipeline Teknis
Workflow utamanya: detect, align, normalize, represent, verify. Tahap align dan normalize krusial untuk menjaga konsistensi. Di tahap verify, kami bereksperimen dengan metrik cosine similarity dan threshold adaptif.
3. Biaya & Infrastruktur
Karena ingin solusi murah, self-host menjadi opsi menarik. Memanfaatkan GPU internal mampu memangkas proses dari 10 detik menjadi 1 detik. Namun tetap dibandingkan dengan layanan API lokal seperti BiznetGio, Verihubs, Nodeflux serta opsi global (Azure, dsb) untuk tolok ukur.
4. Manfaat dan Tantangan
Banyak insight baru minggu ini: memilih metode deteksi yang tepat, trade-off akurasi vs kecepatan, dan menjaga biaya tetap ramah. Tantangan berikutnya adalah menambahkan modul anti-spoof serta orkestrasi deployment.
Repo Referensi: