Detail Cantuman

Tujuan dari penelitian ini adalah untuk membandingkan hasil kinerja arsitektur ResNet152 dan DenseNet121 dalam mengklasifikasikan wajah berdasarkan etnis. Etnis yang diklasifikasikan terdiri dari 4 kelas: Putih, Hitam, India, dan Asia. Penelitian ini dilakukan dengan menggunakan ukuran batch 32, dengan Optimizer Nadam, Optimizer Adam, dan tingkat pembelajaran 0.0001 dan 0.001. Dalam tugas klasifikasi wajah berdasarkan etnis, kedua arsitektur ResNet152 dan DenseNet121 menunjukkan tingkat akurasi yang identik, yaitu 78,75%. Meskipun terdapat perbedaan dalam nilai presisi, ResNet152 tetap memiliki nilai presisi yang lebih tinggi yaitu 79,75%, dibandingkan dengan nilai presisi DenseNet121 sebesar 79,51%. Konsistensi nilai recall tetap pada 78,75% untuk kedua arsitektur. Dalam hal F1-Score, terdapat perbedaan yang jelas antara kedua kerangka kerja tersebut. ResNet memperlihatkan supremasi dengan nilai lebih tinggi yaitu 79,25%, sementara DenseNet121 mencapai nilai 79,13%. Oleh karena itu, dapat disimpulkan bahwa ResNet152 lebih unggul daripada DenseNet121 dalam memberikan hasil kinerja yang lebih baik untuk tugas klasifikasi wajah berdasarkan ras.