View of Klasifikasi Pengenalan Wajah Untuk Mengetahui Jenis Kelamin Menggunakan Metode Convolutional Neural Network

DOI: 10.35957/algoritme.xxxx ◼43

Klasifikasi Pengenalan Wajah Untuk Mengetahui Jenis Kelamin Menggunakan Metode Convolutional

Neural Network

Muhammad Akbar Satriawan*¹, Wijang Widhiarso²

1,2Universitas Multi Data Palembang, Jl. Rajawali No. 14 Palembang, 0711-037600

3Informatika, Fakultas Ilmu Komputer dan Rekayasa, Palembang e-mail: *¹akbarsatriawan13@gmail.com, ²wijang@mdp.ac.id

Abstrak

Wajah merupakan komponen yang paling mudah dikenali dan seringkali menjadi pusat perhatian orang lain dalam tubuh manusia. Sering terjadinya kesulitan dalam membedakan dan menganalisis citra wajah dengan jumlah yang banyak secara manual karena banyaknya kemiripan antara laki-laki dan perempuan sehingga memperlambat proses identifikasi jenis kelamin. Maka penelitian ini dibuat untuk memperbaiki masalah tersebut dengan menggunakan metode CNN. Dataset yang digunakan terdapat 2280 citra yang terdiri dari train, valid dan test.

Proses penelitian meliputi pra-pemrosesan data, inisialisasi model, pelatihan model, validasi dan penyetelan hyperparameter, serta evaluasi performa model. Hasil pengujian menunjukkan peningkatan akurasi dan penurunan loss seiring dengan bertambahnya iterasi pelatihan. Dalam penelitian ini, diperoleh hasil dengan tingkat akurasi sebesar 92%, yang menunjukkan efektivitas penggunaan Convolutional Neural Network (CNN) dengan arsitektur ResNet-50 dalam memproses dan mengklasifikasikan gambar wajah pria dan wanita.

Kata kunci— CNN, Deep Learning, Jenis Kelamin, ResNet-50, Wajah.

Abstract

The face is the component that is most easily recognized and is often the center of attention of other people in the human body. There are often difficulties in distinguishing and analyzing large numbers of facial images manually due to the large number of similarities between males and females, which slows down the process of gender identification. This research was made to fix this problem by using the CNN method. The dataset used is 2280 images consisting of train, valid and test. The research process includes data pre-processing, model initialization, model training, hyperparameter validation and adjustment, and model performance evaluation. The test results show an increase in accuracy and a decrease in loss as training iterations increase. In this study, results were obtained with an accuracy rate of 92%, which shows the effectiveness of using a Convolutional Neural Network (CNN) with the ResNet-50 architecture in processing and classifying male and female facial images.

Keywords— CNN, Deep Learning, Faces, Gender, ResNet-50.

This is an open-access article under the CC-BY-CA license

1. PENDAHULUAN

ajah sebagai bagian dari tubuh manusia yang paling mudah dikenali dan paling sering dilihat oleh orang lain. Wajah juga merupakan sarana penting dalam berkomunikasi dan mengekspresikan emosi. Dunia teknologi, mengalami perkembangan yang semangkin hari semangkin canggih. Penerapannya perkembangan teknologi ini banyak diterapkan dalam kehidupan sehari-hari seperti pemanfaatan sistem pengolahan citra seperti sistem pengenalan wajah[1].

Dalam beberapa waktu terakhir sistem pengenalan, identifikasi mulai banyak diciptakan dan dikembangkan sebagai bahan dan menjadi bagian dari sebuah sistem keamanan seperti deteksi wajah yang merupakan tahapan awal dalam melakukan pengenalan wajah. Pada bagian bidang keamanan di bandara, computer vision telah digunakan untuk mengenali wajah seseorang melalui analisis mata dan untuk memeriksa apakah orang tersebut terlibat dalam tindakan kejahatan atau merupakan pelaku kejahatan[2]. Manusia tergolong sebagai individu yang memiliki berbagai ciri yang khas, ciri tersebut dapat digunakan sebagai pengenalan atau identitas seseorang[3]. Dalam mengenali identitas seseorang, terdapat berbagai banyak metode yang dapat digunakan seperti dengan sandi rahasia, kartu identitas, dan juga nomor yang unik akan namun dari metode tersebut memiliki kekurangan seperti kata sandi dapat terlupakan, kartu identitas rawan hilang, dan nomor unik pun terkadang terlupakan[4]. Untuk kesalahan tersebut dapat dihilangkan dengan membuat sistem pengenalan seseorang melalui mata, sidik jari, bahkan wajah[5]. Data wajah dapat diperoleh melalui citra karena merupakan informasi unik yang dimiliki oleh banyak orang. Pengenalan ekspresi wajah menjadi penting seiring dengan meningkatnya teknologi yang ada pada komputer, telepon genggam, robot dan sebagainya[6].

Data tersebut dapat mencakup bentuk wajah, hidung, mata, mulut, jenis kelamin, ekspresi, dan perkiraan umur.

Selain itu, informasi tambahan seperti rambut, kumis, jenggot, dan alis juga dapat diperoleh melalui analisis citra wajah[7]. Sering terjadinya kesulitan dalam membedakan dan menganalisis citra wajah dengan jumlah yang banyak secara manual karena banyaknya kemiripan dan penyamaran laki-laki dan perempuan, sehingga memperlambat proses identifikasi jenis kelamin yang sulit dibedakan secara fisik. Untuk membedakan jenis kelamin pada manusia, dapat dilakukan melalui analisis citra wajah manusia dengan menggunakan pendekatan deep learning.

Citra wajah pada konteks ini merujuk pada gambar atau foto yang digunakan sebagai data untuk membedakan jenis kelamin manusia.

CNN (Convolutional Neural Network) adalah salah satu dari algoritma deep learning yang terdiri dari neuron 3D yang tersusun dalam lapisan-lapisan. Neuron ini memiliki tiga dimensi, yaitu lebar, tinggi, dan kedalaman[8]. Lebar dan tinggi menunjukkan ukuran lapisan yang terdiri dari kumpulan neuron, sedangkan kedalaman menunjukkan jumlah lapisan yang terdiri dari kumpulan neuron tersebut[8]. Proses utama pada CNN adalah konvolusi, yaitu proses mengambil informasi dari area kecil dalam gambar dan menghitung konvolusi antara area tersebut dan filter untuk menghasilkan fitur-fitur tertentu. Proses ini dilakukan oleh lapisan-lapisan yang terdiri dari neuron-neuron dalam CNN.

Dalam penelitian ini akan menggunakan metode arsitektur ResNet-50, arsitektur tersebut telah menjadi sistem pelatihan yang efisien dengan dilengkapi shortcut connection sehingga dapat mencegah sistem kehilangan informasi selama pelatihan[9]. Pada konsep shortcut connection memiliki kaitannya dengan masalah vanishing gradient yang muncul ketika mencoba untuk memperdalam struktur jaringan. Namun, untuk meningkatkan kinerja jaringan, penambahan lapisan saja tidak cukup dilakukan. Semakin dalam suatu jaringan, semakin besar kemungkinan munculnya masalah vanishing gradient yang menyebabkan gradient menjadi sangat kecil dan mengakibatkan penurunan performa atau akurasi[9].

Penelitian [10] di tahun 2023 yang dilakukan Notasonda Soni Putra, Benedika Ferdian Hutabarat & Ulfa Khaira dengan judul “Implementasi Algoritma Convolutional Neural Network untuk Identifikasi Jenis Kelamin dan Ras” pada penelitian tersebut dilakukan dengan data jenis

W

kelamin 36.000 citra dan 27.000 citra ras. hasil pengujian pada ras tersebut didapatkan dengan rata-rata sebesar 82% dan 94% untuk pengujian jenis kelamin.

Pada pemelitian [9] tahun 2020 yang dilakukan Faiz Nashrullah, Suryo Adhi Wibowo &

Gelar Budiman dengan judul “Investigasi Parameter Epoch pada Arsitektur ResNet-50 untuk Klasifikasi Pornografi” pada pengujian tersebut, dilakukan berbagai konfigurasi epoch dan ditemukan bahwa semakin banyak epoch, performa sistem cenderung meningkat. Sistem mencapai hasil terbaik pada konfigurasi epoch 60 dengan tingkat akurasi mencapai 91,033%.

Pada penelitian [11] tahun 2021 yang dilakukan Arif Bastanta Sinuhaji, Aji Gautama Putrada & Hilal Hudan Nuha dengan judul “Klasifikasi Gambar dari Prototipe Camera Trap menggunakan Model ResNet-50 untuk mendeteksi Satwa dilindungi” pada eksperimen tersebut, terdapat beberapa dataset dengan fitur yang berbeda pada setiap skenario. Dari eksperimen tersebut, ditemukan model yang paling optimal dengan tingkat akurasi training mencapai 99,34%

dan tingkat akurasi testing mencapai 90,43%.

Ruang lingkup penelitian ini, yaitu wajah yang diklasifikasi sebanyak 2 jenis wajah, dengan total citra sebanyak 2280 wajah. Objek adalah citra wajah dari dataset mrinalini yang dapat diakses pada laman https://www.kaggle.com/datasets/gmlmrinalini/genderdetectionface dengan format jpg yang terbagi menjadi 70% data latih, 15% data uji, dan 15% data validasi.

Metode yang diterapkan menggunakan CNN dengan model Resnet-50. Bahasa pemrograman yang diterapkan menggunakan Python. Tujuan penelitian ini untuk melakukan penerapan dan mengetahui hasil akurasi dari klasifikasi metode Convolutional Neural Network untuk mengetahui jenis kelamin.

2. METODE PENELITIAN

Berikut ini beberapa tahapan-tahapan yang dilakukan untuk mengklasifikasikan wajah menggunakan Convolutional Neural Network untuk mengetahui jenis kelamin yang dapat dilihat pada gambar 1.

Gambar 1. Metode Penelitian 2.1 Studi Literatur

Pada tahap ini akan melakukan pembelajaran dengan membaca dan mempelajari jurnal- jurnal yang terkait dengan topik klasifikasi citra wajah untuk pengenalan jenis kelamin menggunakan metode Convolutional Neural Network dengan menggunakan model ResNet-50.

2. 2 Mengumpulkan Data

Peneliti akan mengumpulkan data berupa citra wajah yang akan di ambil dari kaggle yang dibuat oleh mrinalini dengan nama gender-detection-face. dataset tersebut memiliki 2280 citra wajah yang telah terbagi menjadi 70% data latih, 15% data uji, dan 15% data validasi.

2. 3 Merancang Program

Pada tahap ini peneliti akan menyusun program penelitian yang terstruktur dan sistematis berdasarkan tujuan dari penelitian dengan bahasa pemrograman python dan library dari CNN serta arsitektur Resnet-50 untuk klasifikasi citra yang dapat dilihat pada gambar 2.

Studi Literatur Mengumpulkan Data

Merancang Program

Implementa si

Menguji Program

Analisis Hasil Pengujian

Gambar 2. Perancangan Program

1. Dataset wajah yang terdiri dari 2280 citra yang telah terbagi menjadi 70% data latih, 15%

data uji, dan 15% data validasi. Setalah terbagi jumlah dataset menjadi 1600 data latih, 340 data uji, dan 340 data validasi. Dengan data rincian pembagian ditunjukan pada tabel 1.

Tabel 1. Rincian Dataset

2. Pra-pemrosesan data seperti resizing citra ke 224x224 pixel [12], dan menggunakan teknik augmentasi meliputi: 20% shear_range, 180 derajat rotation_range, 10% zoom_range, 1%

width_shift_range, 1% height_shift_range untuk mempersiapkan data sebelum dimasukkan ke dalam model. Teknik augmentasi ini digunakan untuk menciptakan variasi dalam dataset pelatihan, yang membantu model untuk belajar lebih baik dan mampu mengenali pola-pola yang berbeda dalam data. Dengan menerapkan teknik augmentasi, model dapat menjadi lebih tahan terhadap variasi dalam data uji dan lebih umum dalam melakukan klasifikasi yang akurat. Hasil tersebut dapat dilihat pada gambar 3.

Gambar 3. Hasil Praprocesing dan Augmentasi

3. Inisialisasi model mengatur arsitektur ResNet-50. Penentuan jumlah layer, ukuran kernel, pooling, dan fungsi aktivasi ini mengacu pada standar yang telah ditetapkan dalam library ResNet-50. Dengan mengikuti konfigurasi ini, tujuan penelitian dapat dicapai dengan memanfaatkan keunggulan arsitektur ResNet-50 dalam pengenalan gambar.

4. Pelatihan model menggunakan data pelatihan. Model diberikan input gambar dan label yang

Dataset Jumlah Citra Laki-Laki Perempuan

Data Latih 1600 800 800

Data Uji 340 170 170

Data Validasi 340 170 170

dapat mempelajari pola dan fitur yang relevan. Selanjutnya, dilakukan validasi dan penyetelan hyperparameter untuk meningkatkan performa model. Data validasi digunakan untuk mengukur kinerja model dan penyetelan hyperparameter seperti learning rate, jumlah epoch, atau fungsi optimasi dilakukan untuk mencapai hasil yang lebih baik. Parameter yang akan digunakan dapat dilihat pada tabel 2.

Tabel 2. Parameter Klasifikasi Wajah

Layer (Type) Output Shape Param

resnet50 (Functional) (None, 7, 7, 2048) 23587712 global_average_pooling2d

(GlobalAveragePooling2D) (None, 2048) 0 flatten (Flatten) (None, 2048) 0

dense (Dense) (None, 64) 131136

dropout (Dropout) (None, 64) 0

Dense_1 (Dense) (None, 32) 2080

Dropout_1 (Dropout) (None, 32) 0

Dense_2 (Dense) (None, 2) 66

5. Evaluasi performa model menggunakan data pengujian yang tidak pernah dilihat sebelumnya yaitu menggunakan data test. Hal ini dilakukan untuk mengukur akurasi, precision, recall, F1-score, dan metrik evaluasi lainnya untuk mengevaluasi sejauh mana model dapat melakukan klasifikasi yang akurat.

6. Prediksi data baru melibatkan penggunaan model yang telah dibangun untuk melakukan prediksi pada citra wajah yang belum pernah dilihat sebelumnya menggunakan library gradio sebagai interface, output yang akan dihasilkan terdapat persen antara man dan woman.

2. 4 Implementasi

Di tahap implementasi ini hasil program yang telah di rancang sebelumnya untuk dipakai dalam klasifikasi pengenalan wajah agar dapat membedakan wajah laki-laki atau perempuan menggunakan algoritma CNN dan arsitektur ResNet-50.

2. 5 Menguji Program

Tahap ini program akan di uji menggunakan data tes yang telah disediakan sebelumnya yaitu pada folder tes, program akan membandingkan citra wajah laki-laki atau perempuan dalam bentuk tingkat akurasi. Hasil tersebut akan dijelaskan pada tahap selanjutnya.

2. 6 Analisis Hasil Pengujian

Hasil yang telah di uji coba oleh program akan menghasilkan akurasi, presisi, recall dan f1-score. hasil tersebut didapatkan dengan metode confusion matrix. Accuracy adalah metrik evaluasi yang digunakan untuk mengukur seberapa akurat model dalam memprediksi label kelas pada data uji. Precision adalah metrik evaluasi yang digunakan untuk mengukur seberapa presisi model dalam memprediksi label kelas positif. Recall mengukur kemampuan model untuk mengidentifikasi instance positif dengan benar. F1-score adalah metrik evaluasi yang mengkombinasikan precision dan recall untuk mengukur kinerja keseluruhan model pada dataset yang tidak seimbang dengan jumlah kelas yang berbeda. Rumus akurasi, presisi, recall dan f1- score dapat dilihat pada : 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = (𝑇𝑃 + 𝑇𝑁) / (𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁), 𝑃𝑟𝑒𝑠𝑖𝑠𝑖 = 𝑇𝑃 / (𝑇𝑃 + 𝐹𝑃), 𝑅𝑒𝑐𝑎𝑙𝑙 = 𝑇𝑃 / (𝑇𝑃 + 𝐹𝑁), 𝐹1 − 𝑠𝑐𝑜𝑟𝑒 = 2 ∗ (𝑃𝑟𝑒𝑠𝑖𝑠𝑖 ∗ 𝑅𝑒𝑐𝑎𝑙𝑙) / (𝑃𝑟𝑒𝑠𝑖𝑠𝑖 + 𝑅𝑒𝑐𝑎𝑙𝑙).

TP: True Positives (instance positif yang diprediksi dengan benar), TN: True Negatives (instance negatif yang diprediksi dengan benar), FP: False Positives (instance negatif yang salah diprediksi sebagai positif), FN: False Negatives (instance positif yang salah diprediksi sebagai negatif).

3. HASIL DAN PEMBAHASAN

Sebelum melakukan pelatihan terdapat tahapan yang akan dilakukan oleh program untuk mengelolah dataset sebelum di latih untuk mendapatkan akurasi yang lebih baik, resize ukuran ke 224x224 pixel untuk mengikuti masukan standar oleh ResNet-50, pemilihan ukuran gambar tersebut didasarkan untuk memperoleh proses komputasi yang lebih cepat dan mengurangi jumlah parameter yang besar, selanjutnya dilakukan proses augmentasi kesemua citra, Untuk parameter yang digunakan pada penelitian ini yaitu parameter yang sudah disediakan dan menjadi standar dari library ResNet-50, parameter klasifikasi wajah, dilanjutkan dengan hyperparameter menggunakan 30 epoch, pemilihan 30 epoch untuk pelatihan model bertujuan untuk memberikan kesempatan yang cukup bagi model untuk belajar dari data pelatihan melalui beberapa iterasi.

Pada awal proses pelatihan, model secara bertahap memperbaiki parameter dan bobotnya berdasarkan kesalahan atau kerugian yang dihasilkan. Oleh karena itu, pemilihan 30 epoch bisa menjadi pilihan terbaik sebagai titik di mana model telah mendapatkan cukup peluang untuk belajar tanpa risiko overfitting. Hasil Pelatihan dalam epoch 10,20 dan 30 dapat dilihat pada gambar 4.

Gambar 4. Hasil Pelatihan Epoch

Dengan memanfaatkan optimisasi Adam dan learning rate 0.0001, model akan melakukan penyesuaian pada parameter-parameter dengan tujuan untuk meminimalkan fungsi kerugian pada setiap iterasi pelatihan[13]. fungsi softmax dengan jumlah 2 kelas yaitu man dan woman, library untuk kerugian yang digunakan dalam pelatihan yaitu categorical_crossentropy.

Fungsi categorical_crossentropy menghitung kerugian atau perbedaan antara distribusi probabilitas prediksi yang dihasilkan oleh model dan distribusi probabilitas target yang sebenarnya. Secara matematis, fungsi categorical_crossentropy dapat dijelaskan sebagai berikut.

Jika y adalah distribusi probabilitas yang sebenarnya dan y_hat adalah distribusi probabilitas prediksi, maka fungsi categorical_crossentropy didefinisikan

J(y, y_hat) = −Σ(y ∗ log(y_hat))

Dalam fungsi ini, algoritma dari probabilitas prediksi yang benar (y_hat) digunakan untuk mengukur perbedaan antara distribusi probabilitas prediksi dan distribusi probabilitas yang sebenarnya. Hasil perkalian tersebut kemudian dijumlahkan dan dikalikan dengan -1 untuk menghasilkan nilai kerugian yang positif.

Hasil pengujian yang telah dilakukan terhadap model Convolutional Neural Network (CNN) yang diimplementasikan merupakan evaluasi terhadap kinerja dan efektivitas model dalam menjalankan tugas yang telah ditentukan.

Proses pelatihan model melibatkan pemanfaatan dataset pelatihan yang telah

0 0.2 0.4 0.6 0.8 1

10 Epoch 20 Epoch 30 Epoch

Hasil Pelatihan dalam Epoch

Acc Val_Acc Loss Loss_Val

mengidentifikasi dan memahami pola serta fitur yang signifikan dalam data. Selama proses pelatihan, model akan melewati serangkaian epoch, di mana parameter dan bobot model akan disesuaikan berdasarkan kesalahan atau kerugian yang dihasilkan pada setiap iterasi. Hasil akurasi dan loss pada pelatihan tersebut dapat dilihat pada gambar 5.

Gambar 5. Akurasi dan Loss Pelatihan Model

Accuracy merupakan persentase prediksi yang benar dari keseluruhan data pelatihan.

Pada setiap iterasi, akurasi meningkat dari 0.5611 hingga mencapai 0.9000 pada iterasi ke-27. Hal ini menunjukkan bahwa model secara bertahap meningkatkan kemampuannya dalam memprediksi dengan benar pada data pelatihan. val_accuracy merupakan persentase prediksi yang benar dari data validasi yang tidak digunakan dalam pelatihan model. Pada setiap iterasi, akurasi validasi juga mengalami peningkatan dari 0.7312 hingga mencapai 0.9406 pada iterasi ke-26. Hal ini menunjukkan bahwa model secara bertahap memperbaiki kemampuannya dalam melakukan prediksi yang akurat pada data validasi. Kedua metrik evaluasi menunjukkan peningkatan secara keseluruhan seiring dengan meningkatnya jumlah iterasi. Terdapat beberapa fluktuasi di beberapa iterasi, di mana akurasi atau akurasi validasi mungkin mengalami penurunan sementara sebelum kembali meningkat. Namun, secara umum, terlihat adanya tren peningkatan yang stabil.

Dalam grafik loss, terlihat bahwa nilai kerugian atau kesalahan secara keseluruhan menurun seiring dengan bertambahnya iterasi. Hal ini menunjukkan bahwa model semakin baik dalam meminimalkan kesalahan atau kerugian dalam proses pelatihan. Sementara itu, val_loss juga menunjukkan tren penurunan yang stabil, yang menunjukkan bahwa model cenderung menghasilkan prediksi yang lebih akurat pada data validasi seiring dengan bertambahnya iterasi.

Pada model dilakukan menggunakan beberapa metrik, seperti akurasi (accuracy), presisi (precision), recall, dan F1-score. Metrik tersebut dapat kita lihat pada gambar 6 Confusion Matrix Evaluasi ResNet-50.

Gambar 6. Confucion Matrix Evaluasi ResNet-50

0 0.2 0.4 0.6 0.8 1

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Akurasi dan Loss dari Pelatihan Model

Acc Val_Acc Loss Val_Loss

Dalam kelas man, presisi sebesar 0.90 mengindikasikan bahwa 90% dari prediksi yang diklasifikasikan sebagai kelas man adalah benar. Recall sebesar 0.94 menunjukkan bahwa 94%

dari data yang sebenarnya merupakan kelas man dapat diidentifikasi dengan benar oleh model.

F1-score sebesar 0.92 adalah sebuah ukuran gabungan antara presisi dan recall, yang mencerminkan tingkat keselarasan antara keduanya.

Sementara itu, dalam kelas woman, presisi sebesar 0.94 menunjukkan bahwa 94% dari prediksi yang diklasifikasikan sebagai kelas woman adalah benar. Recall sebesar 0.89 menunjukkan bahwa 89% dari data yang sebenarnya merupakan kelas woman dapat diidentifikasi dengan benar oleh model. F1-score sebesar 0.92 juga merupakan ukuran keselarasan antara presisi dan recall untuk kelas woman. Penjelasan tersebut dapat kita lihat pada tabel 3.

Tabel 3. Evaluasi Performa ResNet-50 pada Wajah Precission Recall F1-Score Support

0 0.90 0.94 0.92 170

1 0.94 0.89 0.92 170

Accuracy 0.92 340

Penggunaan model yang telah dilatih sebelumnya untuk melakukan prediksi pada data yang belum pernah dilihat sebelumnya. Proses ini melibatkan penerapan model terlatih untuk memperoleh prediksi pada dataset baru yang belum terkena proses pelatihan sebelumnya.

Tujuannya menguji kemampuan model dalam menggeneralisasi pola dan fitur yang telah dipelajari selama proses pelatihan terhadap data baru yang belum pernah dihadapi sebelumnya.

Dalam menerapkan itu, peneliti dibantu dengan library dari gradio yang akan membuat sebuah interface dalam bentuk web. Contoh dalam penggunaan prediksi data baru dapat dilihat pada gambar 7.

Gambar 7. Hasil Prediksi Data Baru

Gradio akan menggunakan model ResNet-50 yang telah dilatih sebelumnya untuk memproses gambar tersebut dan menghasilkan prediksi tentang apakah gambar tersebut menggambarkan seorang man atau seorang woman. Hasil prediksi akan ditampilkan dalam bentuk persentase kecocokan antara man dan wanita. Dalam contoh yang ditunjukkan pada Gambar 4.3, hasil prediksi menunjukkan bahwa pada gambar pertama terdapat kemiripan sebesar 89% dengan seorang pria (man) dan 11% dengan seorang wanita (woman). Sedangkan pada gambar kedua, hasil prediksi menunjukkan bahwa terdapat kemiripan sebesar 81% dengan seorang wanita (woman) dan 19% dengan seorang pria (man).

4. KESIMPULAN

Penelitian ini juga memiliki tujuan untuk mengungkap fitur-fitur penting dalam citra wajah yang berperan dalam klasifikasi gender. Dengan memanfaatkan arsitektur CNN yang kompleks seperti ResNet-50, harapannya adalah dapat mengidentifikasi dan menggunakan fitur- fitur yang relevan dalam proses klasifikasi tersebut. Model klasifikasi gender yang telah dikembangkan dapat digunakan dalam berbagai sektor dan teknologi.

Pada pelatihan data yang dilakukan dengan 30 epoch dan optimizer Adam telah mencapai akurasi dengan nilai 92% pada data uji. Hasil dari penelitian ini menunjukkan bahwa model CNN dengan arsitektur ResNet-50 dapat menjadi alat yang efektif dalam memproses dan mengklasifikasikan data gambar wajah pria (man) ataupun wanita (woman).

5. SARAN

Berdasarkan hasil penelitian yang telah dipresentasikan, terdapat beberapa rekomendasi yang dapat diajukan untuk penelitian ini agar dapat dikembangkan lebih lanjut:

1. Selain menggunakan arsitektur ResNet-50, penelitian ini dapat mencoba eksplorasi arsitektur model lainnya seperti VGG, Inception, atau EfficientNet. Melakukan perbandingan kinerja antara berbagai arsitektur dapat membantu dalam memahami model mana yang paling cocok untuk tugas pengklasifikasian gambar yang diteliti.

2. Meskipun telah dilakukan evaluasi performa model menggunakan berbagai metrik, melakukan evaluasi yang lebih luas dan mempertimbangkan aspek lain seperti waktu eksekusi, penggunaan memori, atau efisiensi komputasi dapat memberikan wawasan yang lebih lengkap tentang kinerja model.

3. Selain itu rekomendasi yang diajukan dengan menggunakan dataset citra wajah lebih banyak lagi, mulai dari berbagai jenis ras sehingga nantinya program dapat mengenali dan mendeteksi dari semua citra wajah dan ras yang ada.

DAFTAR PUSTAKA

[1] A. Arifandi. “Identifikasi Dan Prediksi Umur Serta Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Algoritma Convolutional Neural Network(CNN)”, Jurnal Sains dan Teknologi-Universitas PGRI Kanjuruhan Malang, vol. 4, no. 2, p. 2022.

[2] T. Cut Al-Saidina Zulkhaidi, E. Maria, P. “Pengenalan Pola Bentuk Wajah dengan OpenCV,” Studi Teknologi Rekayasa Perangkat Lunak, and P. Pertanian Negeri Samarinda (JURTI), vol. 3, no. 2, 2019.

[3] K. Mujib, A. Hidayatno, and D. T. Prakoso, “Pengenalan Wajah Menggunakan Local Binary Pattern (LBP) Dan Support Vector Machine (SVM)”, 2018.

[4] “M. Naurah, “Pengenalan Wajah Dengan Latar Belakang Bebas Menggunakan Template Matching Dan Local Banry Pattern (LPB)”, 2019.

[5] A. Wulan, “Deep Learning Untuk Deteksi Wajah Yang Berhijab Menggunakan Algoritma Cnn Dengan Tensorflow”, 2020.

[6] D. Alamsyah and D. Pratama, “Implementasi Convolutional Neural Networks (CNN) Untuk Klasifikasi Ekspresi Citra Wajah Pada Fer-2013 Dataset,” Jurnal Teknologi Informasi, vol. 4, no. 2, 2020.

[7] F. D. Adinata and J. Arifin, “Klasifikasi Jenis Kelamin Wajah Bermasker Menggunakan Algoritma Supervised Learning”, Jurnal Media Informatika Budidarma, vol. 6, no. 1, p.

229, Jan. 2022, doi: 10.30865/mib.v6i1.3377.

[8] R. Firdaus, Joni Satria, and B. Baidarus, “Klasifikasi Jenis Kelamin Berdasarkan Gambar Mata Menggunakan Algoritma Convolutional Neural Network (CNN),” Jurnal CoSciTech (Computer Science and Information Technology), vol. 3, no. 3, pp. 267–273, Dec. 2022, doi: 10.37859/coscitech.v3i3.4360.

[9] F. Nashrullah, S. A. Wibowo, and D. G. Budiman, “Investigasi Parameter Epoch Pada Arsitektur ResNet-50 Untuk Klasifikasi Pornografi”, Journal of Computer, Electronic, and Telecommunication, 2020.

[10] N. S. Putra, B. F. Hutabarat, and U. Khaira, “Implementasi Algoritma Convolutional Neural Network Untuk Identifikasi Jenis Kelamin Dan Ras,” Jurnal Pendidikan Teknologi Informasi, vol. 3, no. 1, pp. 82–93, Feb. 2023, doi: 10.51454/decode.v3i1.123, 2023.

[11] A. B. Sinuhaji, A. Gautama Putrada, and H. H. Nuha, “Klasifikasi Gambar dari Prototipe Camera Trap Menggunakan Model ResNet-50 untuk Mendeteksi Satwa Dilindungi”, 2021.

[12] N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50”, Jurnal Teknik Informatika (Jutif), vol. 1, no. 2, pp. 61–68, Dec. 2020, doi: 10.20884/1.jutif.2020.1.2.18.

[13] Tilawah, S. (2020, 05 31). Adam Optimizer. Retrieved from Medium:

https://medium.com/@saritilawah9/adam-optimizer-80cc267522a