Salah satu perkembangan signifikan dalam teknologi Artificial Intelligence saat ini adalah face recognition, yang memungkinkan sistem untuk memproses informasi visual dari wajah manusia secara kompleks. Teknologi ini telah menjadi komponen penting dalam ekosistem perangkat pintar yang terhubung dengan internet, dengan keunggulan utama dalam otentikasi dan pengenalan identitas (Lawrence et al., 1997). Penggunaannya kini meluas, tidak hanya pada ponsel pintar dan sistem keamanan, tetapi juga dalam manajemen akses fasilitas dan proses identifikasi di berbagai sektor publik dan swasta (Kortli et al., 2020).

Dalam ranah pendidikan, potensi face recognition semakin diperhitungkan, terutama melalui pendekatan lanjutan yang mengintegrasikan Deep Neural Networks (DNN). Teknologi DNN, yang merupakan bagian dari deep learning berbasis jaringan saraf tiruan, memungkinkan pengenalan pola secara hierarkis menyerupai cara kerja otak manusia (Abudarham et al., 2021; Kartali et al., 2018). Dalam konteks ini, DNN menjadi sarana yang menjanjikan untuk menganalisis secara realtime, membuka peluang baru dalam evaluasi kesejahteraan psikologis, analisis sentimen, dan pemantauan keterlibatan belajar di kelas.

Keunggulan utama DNN terletak pada dua aspek: kemampuannya dalam meniru proses kognitif manusia dalam memproses visual, serta fleksibilitas untuk dilatih terhadap data kontekstual yang spesifik di bidang pendidikan. Berbagai studi menunjukkan bahwa penggunaan DNN telah menghasilkan peningkatan akurasi dalam pengenalan ekspresi dan emosi (Adjabi et al., 2020), yang dapat dimanfaatkan untuk menciptakan sistem intervensi psikopedagogis berbasis data. Meski demikian, tantangan tetap ada, terutama dalam mengelola kompleksitas parameter yang memengaruhi performa model. Oleh karena itu, penelitian lanjutan perlu dilakukan untuk mengoptimalkan penerapan DNN dalam mendukung pendidikan yang responsif, inklusif, dan berpusat pada kesejahteraan individu (Nawaz, 2020).

Referensi

Abudarham, N., Grosbard, I., & Yovel, G. (2021). Face Recognition Depends on Specialized Mechanisms Tuned to View-Invariant Facial Features: Insights from Deep Neural Networks Optimized for Face or Object Recognition. Cognitive Science, 45(9). https://doi.org/10.1111/cogs.13031

Adjabi, I., Ouahabi, A., Benzaoui, A., & Taleb-Ahmed, A. (2020). Past, present, and future of face recognition: A review. Electronics, 9(8), 1188.

Kartali, A., Roglic, M., Barjaktarovic, M., Duric-Jovicic, M., & Jankovic, M. M. (2018). Realtime Algorithms for Facial Emotion Recognition: A Comparison of Different Approaches. 2018 14th Symposium on Neural Networks and Applications, NEUREL 2018, 27–30. https://doi.org/10.1109/NEUREL.2018.8587011

Kortli, Y., Jridi, M., Al Falou, A., & Atri, M. (2020). Face recognition systems: A survey. Sensors, 20(2), 342.

Lawrence, S., Giles, L., Tsoi, A. C., & Back, A. D. (1997). Face Recognition: A Convolutional Neural-Network Approach. IEEE Transactions on Neural Networks, 8(1). https://doi.org/10.1016/j.gene.2017.06.018

Nawaz, N. (2020). Artificial intelligence applications for face recognition in recruitment process. Journal of Management Information and Decision Sciences, 23, 499–509.