<?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="163427">
 <titleInfo>
  <title>PENERAPAN CNN PADA KLASIFIKASI ETNIS ACEH DAN ETNIS NON-ACEH BERDASARKAN CITRA WAJAH</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>ASHIFA MULYANA</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</publisher>
   <dateIssued>2025</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Etnis merupakan konsep yang mencakup kesamaan budaya dan identitas melalui nilai-nilai budaya yang mempengaruhi perilaku dan cara berpikir. Telah banyak dilakukan penelitian tentang klasifikasi etnis di beberapa tempat dan di berbagai belahan dunia, namun penelitian tentang klasifikasi etnis Aceh berdasarkan citra wajah belum pernah dilakukan. Penelitian ini mengangkat tema klasifikasi etnis Aceh dan etnis non-Aceh. Selanjutnya, pengklasifikasian etnis secara manual umumnya sulit dilakukan karena keterbatasan kemampuan manusia dalam menangkap perbedaan detail fitur wajah dari individu etnis yang diklasifikasikan. Oleh karena itu, penelitian ini bertujuan membangun model deep learning yang dapat mengklasifikasikan individu-individu etnis Aceh dan etnis non-Aceh. Model dibangun dengan menggunakan algoritma Convolutional Neural Network (CNN) khususnya arsitektur ResNet dan VGG, serta dengan memanfaatkan dataset primer yang berisi citra wajah individu etnis Aceh dan etnis non-Aceh. Dataset yang dibangun untuk penelitian ini terdiri dari 1.000 citra wajah individu yang terbagi merata ke dalam dua kelas etnis Aceh dan etnis non-Aceh. Hasil penelitian menunjukkan bahwa model terbaik diperoleh dari arsitektur ResNet50 dengan learning rate 0,001 pada epoch ke-80, yang berhasil mencapai akurasi klasifikasi sebesar 89,00%; precision 87,80%; recall 95,00%, dan F1-score 91,24%. Hasil penelitian ini diharapkan dapat membantu pendataan etnis Aceh serta mendukung pelestarian budaya lokal.</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>163427</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-07-18 15:28:20</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-07-18 15:48:36</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>