Electronic Theses and Dissertation

Gender adalah salah satu informasi penting yang banyak digunakan dalam berbagai macam bidang salah satu nya teknologi biometrik. Klasifikasi gender merupakan tugas yang mudah bagi manusia yang melihat dengan mata namun sulit bagi komputer untuk mengklasifikasikan wajah laki-laki dan perempuan karena beragam fitur gender. Wajah dapat membantu mengetahui hal-hal seperti usia, karakter, ekspresi dan gender. Penelitian ini mengusulkan penggunaan metode CNN untuk mengklasifikasikan gender dengan menggunakan dua arsitektur jaringan yaitu EfficientNet-B0 dan ResNet-50. Pada penelitian ini algoritma CNN di implementasikan untuk mengklasifikasi gender berdasarkan citra wajah yang telah di input pada sistem. Ada 2 proses yang dilakukan yaitu tanpa preprocessing (langsung diolah oleh algoritma CNN) dan menggunakan preprocessing (dilakukan proses koreksi gamma). Penelitian ini bertujuan untuk membangun model deep learning dengan dataset yang sama, namun jenis citra yang berbeda yaitu: (1) citra grayscale, (2) citra grayscale dengan koreksi gamma, (3) citra HSV, dan 4) citra HSV dengan koreksi gamma pada komponen Value dalam mengklasifikasi gender. Hasil pengujian menunjukkan bahwa model yang dibangun memiliki performa yang lebih baik pada citra grayscale dengan koreksi gamma. Pada epoch 400 arsitektur EfficientNet-B0 gamma citra grayscale menghasilkan accuracy sebesar 94.50% Sedangkan pada citra berwarna arsitektur EfficientNet-B0 dengan koreksi gamma pada komponen Value menghasilkan accuracy sebesar 93.50%. Pada epoch 200 ResNet-50 gamma citra grayscale menghasilkan accuracy sebesar 93.50% sedangkan pada citra berwarna arsitektur ResNet-50 dengan koreksi gamma pada komponen Value menghasilkan accuracy sebesar 91.00%.

Kata Kunci: Wajah, Gender, Convolutional Neural Network, EfficientNet-B0, ResNet-50

Gender is an important piece of information that is widely used in various fields, one of which is biometric technology. Gender classification is an easy task for human eyes but it is difficult for computers to classify male and female faces due to the variety of gender features. Faces can help you find out things like age, character, expression and gender. This research proposes the use of the CNN method to classify gender using two network architectures, namely EfficientNet-B0 and ResNet-50. In this research, the CNN algorithm will be implemented to classify gender based on facial images that have been input into the system. There are 2 processes carried out, namely without preprocessing (the image is directly processed by the CNN algorithm) and using preprocessing (a gamma correction process is carried out). This research aims to build a deep learning model with the same dataset, but different types of images, namely: (1) grayscale images, (2) grayscale images with gamma correction, (3) HSV images, and 4) HSV images with gamma correction on Value components in classifying gender. The test results show that the model built has better performance on grayscale images with gamma correction. At epoch 400 the EfficientNet-B0 gamma grayscale image architecture produces an accuracy of 94.50%. Meanwhile, on color images the EfficientNet-B0 architecture with gamma correction in the Value component produces an accuracy of 93.50%. In epoch 200 ResNet-50 gamma grayscale images produce an accuracy of 93.50%, while in color images the ResNet-50 architecture with gamma correction in the Value component produces an accuracy of 91.00%. Keywords: Face, Gender, Convolutional Neural Network, EfficientNet-B0, ResNet-50