Analisis Performa DenseNet201 dengan Variasi Optimizer untuk Klasifikasi Usia Berdasarkan Citra Wajah
Tahun 2026 · Penulis: Alfina Halisa Firdhaus
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Klasifikasi usia berdasarkan citra wajah merupakan salah satu permasalahan pada bidang computer vision. Selain arsitektur model, pemilihan optimizer juga berperan penting dalam menentukan performa dan stabilitas proses pelatihan. Penelitian ini bertujuan untuk menganalisis pengaruh variasi optimizer, yaitu Adam, Adamax, dan Nadam, terhadap performa arsitektur DenseNet201 dalam tugas klasifikasi usia berbasis citra wajah. Dataset yang digunakan adalah UTKFace yang terdiri dari 23.708 citra wajah dengan rentang usia 1 hingga 116 tahun, yang kemudian dikelompokkan menjadi lima kelas usia, yaitu Bayi dan Balita, Anak-anak, Remaja, Dewasa, dan Lansia. Data diproses melalui tahap preprocessing berupa resize menjadi 224×224 piksel dan normalisasi Min–Max, serta augmentasi data untuk meningkatkan variasi citra. Model dilatih menggunakan batch size 32 dan maksimum 50 epoch dengan mekanisme early stopping. Hasil penelitian menunjukkan bahwa ketiga optimizer menghasilkan accuracy testing yang relatif serupa, yaitu sekitar 83%, dengan Adam memperoleh nilai tertinggi sebesar 83,40%. Perbedaan terlihat pada stabilitas pelatihan dan pola perubahan loss, di mana Adamax menunjukkan accuracy gap dan fluktuasi validation loss yang paling kecil. Secara keseluruhan, variasi optimizer tidak memberikan perbedaan signifikan terhadap akurasi global, namun berpengaruh terhadap konsistensi pembelajaran dan performa pada kelas usia minoritas.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,795
Tahun 2026 · Penulis: Almas Firdaus
Pengaruh Augmentasi Data pada Fine-Tuning Model IndoBERT dalam Analisis Sentimen
Ketidakseimbangan kelas adalah salah satu tantangan utama dalam analisis sentimen karena model klasifikasi cenderung mendukung kelas mayoritas, mengakibatkan kinerja yang lebih rendah pada kelas minoritas. Penelitian ini bertujuan untuk meningkatkan kinerja an
- Cosine 0,782
Tahun 2025 · Penulis: Dejan Putra Pratama
Analisis Performa VGG-New dengan Variasi Loss Fungsi Untuk Ekspresi Facial Dikenali Fakulta
Facial Expression Recognition merupakan bidang penelitian yang krusial dalam interaksi manusia-komputer, namun performanya sangat bergantung pada pemilihan model dan loss function yang tepat. Permasalahan utama di dalam penelitian adalah untuk menentukan loss
- Cosine 0,779
Tahun 2026 · Penulis: Anung Firdauzy Putra Sukatma
Analisis Hasil Klasifikasi Pergerakan Harga Emas Menggunakan Naïve Bayes Berbasis Tick Volume-Based Bars
Penelitian ini bertujuan untuk menganalisis karakteristik distribusi data harga emas yang dibentuk menggunakan Tick Volume-Based Bars, mengkaji pengaruhnya terhadap pembentukan fitur indikator teknikal dan distribusi kelas, serta mengevaluasi kinerja algoritma