<?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="116135">
 <titleInfo>
  <title>KLASIFIKASI USIA BERDASARKAN CITRA WAJAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN)</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Rosmawinda</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>Fakultas Teknik Komputer</publisher>
   <dateIssued>2023</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Wajah memiliki karakteristik tertentu yang menyimpan informasi penting mengenai usia sesorang. Usia dapat diklasifikasikan dengan mengamati gambar secara visual dan mengidentifikasi wajah berdasarkan fitur seperti jarak mata, panjang hidung, jarak bibir, dan lain- lain. Manusia memiliki kemampuan mengelompokkan usia seseorang hanya dengan melirik atau melihat wajah seseorang. Namun, manusia juga memiliki keterbatasan indra penglihatan, sehingga tidak menutup kemungkinan manusia bisa saja keliru dalam mengklasifikasi usia seseorang. Penelitian ini bertujuan untuk membangun model deep learning dengan dataset yang sama, namun jenis citra yang berbeda yaitu citra grayscale dan citra image sharpening dalam mengklasifikasi usia. Model ini menggunakan dua arsitektur yaitu EfficientNetB0 dan ResNet-50. Hasil pengujian menunjukkan bahwa model yang dibangun memiliki performa yang baik. Pada citra grayscale&#13;
dengan arsitektur EfficientNet-B0 dengan epoch 200 menghasilkan accuracy sebesar 88,04%, precision 88,77%, recall 88,04%, dan f1-score 87,62%. EfficientNet-B0 dengan epoch 300 accuracy sebesar 85,71%, precision 86,82%, recall 85,71%, dan f1-score 84,41%. EfficientNet-B0 early stop menghasilkan accuracy sebesar 80,18%, precision 80,25%, recall 80,18%, dan f1-score 79,61%. ResNet-50 menghasilkan accuracy sebesar 88,39%, precision 89,49%, recall 88,39%, dan f1-score 87,39%. Pada citra sharpening dengan arsitektur EfficientNet-B0 epoch 200 menghasilkan accuracy sebesar 88,21%, precision&#13;
88,76%, recall 88,21%, dan f1-score 88,61%. EfficientNet-B0 dengan epoch 300 accuracy sebesar 86,79%, precision 88,33%, recall 86,79%, dan f1-score 85,41%. EfficientNet-B0 early stop menghasilkan accuracy sebesar 80,18%, precision 81,19%, recall 80,18%, dan f1-score 79,14%. ResNet-50 menghasilkan accuracy sebesar 88,57%, precision 89,22%, recall 88,57%, dan f1-score 88,05%. Dengan menggunakan algoritma pre-processing image sharpening, citra yang dihasilkanmemiliki ketajaman yang tinggi dan terlihat lebih baik dalam menampilkan fiturpada citra sehingga mampu menghasilkan model performa yang lebih baik</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>116135</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-09-25 14:51:19</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-09-25 16:30:32</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>