Klasifikasi Citra Wajah Menggunakan Arsitektur Convolutional Neural Network Serta Transfer Learning Inception V3 dan Visual Geometry Group (VGG-16)

Winarti, Yuliana Indah Sri (2025) Klasifikasi Citra Wajah Menggunakan Arsitektur Convolutional Neural Network Serta Transfer Learning Inception V3 dan Visual Geometry Group (VGG-16). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211095-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (21MB) | Request a copy

Abstract

Identifikasi citra wajah merupakan topik penelitian yang semakin populer dalam bidang kecerdasan buatan (Artificial Intelligence) karena manfaatnya yang luas, baik dalam sektor keamanan maupun kesehatan. Peningkatan jumlah unggahan foto dan video di media sosial menuntut sistem otomatis yang mampu menganalisis dan memahami data wajah secara efisien. Selain itu, pasar pengenalan wajah global menunjukkan pertumbuhan signifikan, dari nilai sebesar 3 miliar USD pada tahun 2019 dan diproyeksikan meningkat menjadi 13 miliar USD pada tahun 2028. Hal ini mencerminkan tingginya permintaan terhadap teknologi yang dapat menganalisis karakteristik wajah untuk mendukung pemasaran dan meningkatkan pengalaman pengguna. Penelitian ini bertujuan untuk melakukan prediksi citra wajah berdasarkan tiga jenis tugas, yaitu kategori usia, jenis kelamin, dan ekspresi, dengan menggunakan tiga pendekatan pemodelan yaitu Convolutional Neural Network (CNN), Transfer Learning dengan arsitektur Inception V3, dan Transfer Learning dengan arsitektur VGG-16. Hasil penelitian menunjukkan bahwa model CNN dengan augmentasi merupakan model terbaik dalam memprediksi ketiga tugas tersebut. Model ini mencapai akurasi sebesar 74,12% untuk kategori usia, 87,08% untuk jenis kelamin, dan 73,60% untuk ekspresi. Nilai loss yang diperoleh masing-masing sebesar 0,5119; 0,3066; dan 0,8378. Selain itu, nilai AUC (Area Under Curve) berkisar antara 0,83 hingga 0,95, yang menunjukkan kemampuan model dalam membedakan kelas dilakukan dengan baik dan konsisten. Diharapkan hasil dari penelitian ini dapat diimplementasikan dalam sistem pendukung di bidang keamanan dan kesehatan untuk membantu mengidentifikasi individu dan memahami kondisi mereka secara lebih akurat.
====================================================================================================================================
Facial image recognition has become an increasingly popular research topic in the field of Artificial Intelligence due to its wide range of applications in both security and healthcare sectors. The growing number of photos and videos uploaded to social media platforms has created a demand for automated systems capable of efficiently analyzing and interpreting facial data. Moreover, the global facial recognition market has shown significant growth, increasing from a valuation of USD 3 billion in 2019 to a projected USD 13 billion by 2028. This reflects the high demand for technologies that can analyze facial characteristics to support marketing strategies and enhance user experience. This study aims to predict facial attributes based on three tasks: age group classification, gender classification, and facial expression recognition, using three modeling approaches: Convolutional Neural Network (CNN), Transfer Learning with the Inception V3 architecture, and Transfer Learning with the VGG-16 architecture. The results show that the augmented CNN model outperforms the other approaches in predicting all three tasks. This model achieved an accuracy of 74.12% for age classification, 87.08% for gender classification, and 73.60% for facial expression recognition. The corresponding loss values were 0.5119, 0.3066, and 0.8378, respectively. Additionally, the Area Under Curve (AUC) values ranged from 0.82 to 0.95, indicating the model’s strong and consistent ability to distinguish between classes. The findings of this study are expected to be applicable in support systems within security and healthcare domains to help accurately identify individuals and understand their conditions more effectively.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Citra Wajah, CNN, Inception V3, VGG-16, CNN, Face Image, Inception V3, VGG-16
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Yuliana Indah Sri Winarti
Date Deposited:	01 Aug 2025 09:17
Last Modified:	01 Aug 2025 09:17
URI:	http://repository.its.ac.id/id/eprint/126196

Actions (login required)

View Item