Optimasi Face Gender Recognition Menggunakan VGG-16 dengan Integrasi Spatial Attention Block dan Channel Attention Block
Tahun 2025 · Penulis: Leonardus Virmus Danar Kusuma Putra
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Pengenalan gender dari wajah merupakan salah satu tantangan dalam bidang pengenalan citra wajah yang penting dalam berbagai aplikasi, seperti sistem keamanan, personalisasi layanan, dan interaksi manusia dan komputer. Model VGG-16 sering digunakan dalam tugas ini karena arsitekturnya yang dalam dan efisien. Namun, VGG-16 memiliki keterbatasan dalam mempertahankan informasi spasial yang penting untuk klasifikasi wajah, terutama dalam kondisi pencahayaan, ekspresi, dan sudut wajah yang bervariasi. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi gender dari wajah dengan mengintegrasikan CBAM ke dalam arsitektur VGG-16. Fokus utama adalah untuk mengevaluasi seberapa besar pengaruh penambahan modul perhatian terhadap peningkatan akurasi dan stabilitas model dalam mengenali gender pada berbagai kondisi. Model VGG-16 digunakan sebagai dasar, kemudian ditambahkan CBAM yang terdiri dari Channel Attention Block dan Spatial Attention Block pada beberapa blok konvolusi. Berbagai skenario pelatihan diuji, termasuk penggunaan CBAM pada seluruh blok konvolusi (blok 1 hingga blok 5) dan fine-tuning pada blok 2 hingga blok 5. Dataset yang digunakan adalah Labeled Faces in the Wild, dengan eksperimen dilakukan pada empat fold untuk mengukur performa secara menyeluruh. Model awal tanpa CBAM menunjukkan akurasi bervariasi antar fold, dengan nilai terendah sebesar 82,13% dan tertinggi mencapai 88,72%. Setelah penerapan CBAM dan fine-tuning, terjadi peningkatan signifikan pada performa model. Skenario terbaik menghasilkan akurasi tertinggi sebesar 91,78% pada fold kedua, dan akurasi lainnya juga konsisten tinggi, berkisar antara 90,04% hingga 90,89%. Selain itu, metrik evaluasi lain seperti Precision, Recall, dan F1-Score juga menunjukkan peningkatan, yang menandakan kemampuan model yang lebih baik dalam mengenali fitur wajah yang relevan untuk klasifikasi gender.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,876
Tahun 2025 · Penulis: Hannan Amar
Analisis Penggabungan Fitur VGG-16 dengan Rotation Invariant Uniform Local Binary Pattern untuk Pengenalan Ekspresi Wajah
Pengenalan ekspresi wajah merupakan tantangan penting dalam bidang kecerdasan buatan akibat tingginya komplekstitas visual, terutama pada ekspresi yang memiliki kemiripan seperti marah dan jijik. Penelitian ini mengusulkan metode feature fusion yang menggabung
- Cosine 0,850
Tahun 2026 · Penulis: Farisca Ega Rahmawati
Optimasi Model VGG-16 Menggunakan Attention Double Branch dan Support Vector Machine (SVM) untuk Pengenalan Ekspresi Wajah pada Kondisi Occlusion
Penelitian ini bertujuan untuk meningkatkan kinerja sistem Facial Expression Recognition (FER) pada kondisi wajah yang mengalami occlusion, khususnya akibat penggunaan masker dan variasi pencahayaan pada lingkungan nyata (*in-the-wild*). Dataset yang digunakan
- Cosine 0,821
Tahun 2026 · Penulis: Lintang Tamariz
Peningkatan Kinerja Model Bilstm untuk Klasifikasi Depresi pada Platform Sosial Media X melalui Penerapan Dropout Layer
Depresi merupakan gangguan kesehatan mental yang sering tidak terdeteksi secara dini akibat rendahnya kesadaran dan stigma sosial. Media sosial X menjadi sumber data potensial karena pengguna kerap mengekspresikan kondisi emosionalnya melalui unggahan teks sec