<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="113805">
 <titleInfo>
  <title>SINTESIS WAJAH MENGGUNAKAN ARSITEKTUR HYPERSTYLE TERMODIFIKASI</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>MUHAMMAD CHAIDIR</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Prog. Studi Magister Kecerdasan Buatan</publisher>
   <dateIssued>2023</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Theses</form>
  <extent></extent>
 </physicalDescription>
 <note>Face recognition telah menjadi teknik biometrik terkemuka dalam identifikasi dan otentikasi wajah manusia karena dianggap paling stabil dalam menentukan identitas seseorang. Ketersediaan data citra wajah pelatihan yang besar menjadi kunci untuk peningkatan efektivitas model dalam mengidentifikasi wajah selain arsitektur deep learning yang optimal. Pelabelan koleksi data citra wajah secara manual telah dilakukan namun tidak efektif karena membutuhkan waktu dan biaya yang sangat besar. Oleh karena itu, augmentasi data citra wajah dengan memanfaatkan arsitektur HyperStyle menjadi solusi permasalahan tersebut. Model ResNet-50 yang dilatih dengan gabungan dataset original FaceScrub dan dataset hasil sintesis HyperStyle Age dan HyperStyle Smile sehingga total citra sebanyak 44.000 meningkatkan kinerja model dengan F1-Score 79%, naik signifikan dibandingkan dengan model yang dilatih dengan dataset original FaceScrub, yaitu F1-Score 63%. Selain itu model ResNet-50 terbukti andal dengan F1-Score 82% dibandingkan model CNN lainnya dengan masing-masing F1-Score yaitu VGGNet-16 (60%), MobileNetV3Small (65%), SEResNet18 (81%). Modifikasi HyperStyle pada sisi pre-processing dan post-processing juga memberikan hasil yang menjanjikan terhadap kinerja model. Model ResNet-50 yang dilatih dengan gabungan dataset original FaceScrub dan dataset hasil sintesis HyperStyle termodifikasi memperoleh F1-Score 83%.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>113805</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-08-29 16:45:07</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-08-30 10:00:43</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>