Nawal Aufa Primary Author mixed material bibliography Banda Aceh Fakultas Teknik Elektro dan Komputer 2023

Skripsi

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 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 118726 2023-12-26 20:13:23 2023-12-27 11:38:32 machine generated