Klasifikasi Bentuk Wajah Manusia menggunakan Arsitektur Neural Network Inception-ResNet v2

Tasyanita, Jessica (2023) Klasifikasi Bentuk Wajah Manusia menggunakan Arsitektur Neural Network Inception-ResNet v2. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000043-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (6MB) | Request a copy

Abstract

Manusia terlahir memiliki bentuk wajah yang beragam, mulai dari bulat, oval, dan lain sebagainya. Saat ini, teknologi mulai berkembang dan banyak memanfaatkan deteksi wajah untuk berbagai macam sitem. Penggunaan bentuk wajah manusia ini dapat diaplikasikan pada banyak bidang komersil seperti kaca mata, bentuk rambut, perhiasan, dan lain sebagainya yang sesuai dengan bentuk wajah tertentu. Perkembangan machine learning telah berkembang menjadi deep learning dan transfer learning dengan menggunakan pre-trained model yang dilatih pada dataset besar untuk menciptakan model dengan performa tinggi dengan keunggulan yang menjadi motivasi untuk memanfaatkan hal tersebut pada pengembangan Tugas Akhir ini. Inception v3 dan ResNet terbukti menjadi metode transfer learning yang unggul dalam mengurangi kompleksitas jaringan saraf konvolusi dan mengatasi degradasi kinerja melalui penggunaan blok residual. Pada penelitian ini, Inception-ResNet v2 digunakan untuk meningkatkan performa dengan menggabungkan kelebihan keduanya, menciptakan solusi yang lebih kuat dan efektif dalam pengenalan gambar. Penelitian untuk klasifikasi bentuk wajah sebelumnya telah menerapkan berbagai metode seperti Inception v3, Keypoint, MTCNN, FaceNet, Region Similarity, Correlation, dan Fractal Dimensions. Namun, pada penelitian ini, penggunaan Inception- ResNet v2 yang menggabungkan kelebihan Inception dan ResNet, meningkatkan performa secara signifikan dalam pengenalan dan klasifikasi wajah, membawa kemajuan baru dalam penelitian ini. Penelitian ini dilakukan dengan membandingkan hasil akurasi antar metode dan dengan tiga dataset berbeda untuk mendapatkan hasil yang terbaik. Hasil penelitian menunjukkan identifikasi bentuk wajah pada dataset dengan 4000 wajah menggunakan metode Inception- ResNet-v2 mengungguli metode Inception dan ResNet dengan akurasi testing masing-masing metode adalah 57% untuk Inception v3, 74% untuk ResNet v2 152, dan 79% untuk Inception- ResNet v2. Hasil ini menunjukkan efektivitas temuan dari penelitian ini membuka peluang baru untuk penelitian dan pengembangan di bidang klasifikasi bentuk wajah dan bidang terkait.
================================================================================================================================
Humans are born with diverse facial shapes, ranging from round to oval and beyond. Currently, technology is advancing and utilizing facial detection for various systems. The use
of human facial shapes can be applied to many commercial fields such as eyeglasses, hairstyles, jewelry, and more, tailored to specific facial shapes. The development of machine learning has evolved into deep learning and transfer learning, utilizing pre-trained models trained on large datasets to create high-performance models, which serves as motivation for leveraging these advancements in this Final Project. Inception v3 and ResNet have proven to be superior transfer learning methods in reducing the complexity of convolutional neural networks and overcoming performance degradation through the use of residual blocks. In this study, Inception-ResNet v2 is used to enhance performance by combining the strengths of both methods, resulting in a more robust and effective image recognition solution. Previous research on facial shape classification has implemented various methods such as Inception v3, Keypoint, MTCNN, FaceNet, Region Similarity, Correlation, and Fractal Dimensions. However, in this study, the utilization of Inception-ResNet v2, which combines the strengths of Inception and ResNet, significantly improves performance in facial recognition and classification, introducing new advancements. This study was conducted by comparing accuracy results between methods and with three different datasets to get the best results. The research findings demonstrate that facial shape identification with 4000 faces dataset using the Inception-ResNet v2 method outperforms Inception and ResNet, with testing accuracies of 57% for Inception v3, 74% for ResNet v2 152, and 79% for Inception-ResNet v2. These results highlight the effectiveness of this research and open new opportunities for further exploration and development in facial shape classification and related fields.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Klasifikasi, Bentuk Wajah, Inception v3, ResNet, Inception-ResNet v2
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions:	Faculty of Information Technology > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Jessica Tasyanita
Date Deposited:	27 Jul 2023 20:58
Last Modified:	27 Jul 2023 20:58
URI:	http://repository.its.ac.id/id/eprint/99584

Actions (login required)

View Item