Keywords
EfficientNet-B4
klasifikasi wajah
PyTorch
transfer learning
How to Cite
Abstract
Klasifikasi bentuk wajah merupakan komponen penting dalam sistem rekomendasi produk personalisasi seperti kacamata atau kosmetik. Penelitian ini bertujuan untuk mengembangkan sistem ini bertujuan untuk mengembangkan sistem klasifikasi bentuk wajah otomatis menggunakan srditektur EffiientNet-B4 dengan pendekatan transfer learning pada framework PyTorch. Dataset yang digunakan terdiri dari lima kelas bentuk wajah yaitu oval, round, heart, square dan oblong, yang diambil dari dataset publik. Model dilatih menggunakan augmentasi data, normalisasi, mixed precision training, dan scheduler learning rate. Hasil evaluasi menunjukan bahwa model berhasil mencapai akurasi validasi sebesar 81% dan F1-score rata-rata yang tinggi pada seluruh kelas. Studi ini menunjukan bahwa arsitektur EfficientNet-B4 efektis digunakan dalam tugas klasifikasi bentuk wajah dan dapat digunakan sebagai dasar untuk sistem rekomendasi sebagai dasar untuk sistem rekomendasi berbasis wajah dimasa depan.
References
[1] Y. Taigman, M. A. Ranzato, T. Aviv, and M. Park, “Taigman_DeepFace_Closing_the_2014_CVPR_paper”, doi: 10.1109/CVPR.2014.220.
[2] S. Pokhrel, “SISTEM REKOMENDASI FRAME KACAMATA BERDASARKAN BENTUK WAJAH MENGGUNAKAN DEEP LEARNING DENGAN METODE COVOLUTIONAL NEURAL NETWORK ARSITEKTUR RESNET-50,” Αγαη, vol. 15, no. 1, pp. 37–48, 2024, [Online]. Available: https://repository.unissula.ac.id/37527/1/Teknik Informatika_32602000033_fullpdf.pdf
[3] S. Young, F. Natalia, S. Sudirman, and C. S. Ko, “Eyeglasses frame selection based on oval face shape using convolutional neural network,” ICIC Express Lett. Part B Appl., vol. 10, no. 8, pp. 707–715, 2019, doi: 10.24507/icicelb.10.08.707.
[4] N. Dewi and F. Ismawan, “Implementasi Deep Learning Menggunakan Cnn Untuk Sistem Pengenalan Wajah,” Fakt. Exacta, vol. 14, no. 1, p. 34, 2021, doi: 10.30998/faktorexacta.v14i1.8989.
[5] M. E. Prasetyo, M. R. Faza, R. Pratama, S. N. H. Alhabsy, H. Purwanti, and A. P. A. Masa, “Klasifikasi Ragam Kendaraan Menggunakan Metode Convolutional Neural Network (Cnn),” Adopsi Teknol. dan Sist. Inf., vol. 2, no. 2, pp. 142–148, 2023, doi: 10.30872/atasi.v2i2.1156.
[6] R. Adityatama and A. T. Putra, “Image classification of Human Face Shapes Using Convolutional Neural Network Xception Architecture with Transfer Learning,” Recursive J. Informatics, vol. 1, no. 2, pp. 102–109, 2023, doi: 10.15294/rji.v1i2.70774.
[7] Q. V. Le Mingxing Tan, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks Mingxing,” Can. J. Emerg. Med., vol. 15, no. 3, p. 190, 2019.
[8] R. Adolph, “Penerapan Efficient-Net Dalam Mengklasifikasikan Kanker Kulit,” Penerapan Effic. Dalam Mengklasifikasikan Kanker Kulit, pp. 1–23, 2016, [Online]. Available: https://jurnal.unprimdn.ac.id/index.php/ISBN/article/view/5405
[9] A. Paszke et al., “PyTorch: An imperative style, high-performance deep learning library. In Advances in Neural Information Processing Systems,” NeurIPS, no. NeurIPS, pp. 8026–8037, 2019.
[10] I. Loshchilov and F. Hutter, “Decoupled weight decay regularization,” 7th Int. Conf. Learn. Represent. ICLR 2019, 2019.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 John Christofel Wicaksono, Julian Sahertian, Rony Heri Irawan