Detail Cantuman

IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA

GHOZY IMADUDDIN / 15-2018-117 - Personal Name
0415068801 - Yusup Miftahuddin, S.Kom., MT - Personal Name
Text English 2025 Teknik Informatika : FTI

Klasifikasi wajah adalah bidang yang telah menarik perhatian besar dalam penelitian pembelajaran mesin dan pengolahan citra dalam beberapa dekade terakhir, Namun sering kali terdapat kelemahan seperti kurang akuratnya suatu sistem untuk mengklasifikaasi wajah pada suatu gambar. Hadirlah salah satu jawaban dari masalah tersebut yaitu Mobilenet, Mobilenet merupakan arsitektur model Convolutional Neural Network yang aplikasinya digunakan untuk perangkat Mobile, Dasar dari pembuatan Mobilenet adalah deptwise separable convolution yang membuat arsitektur ini memiliki beban yang rendah dan cocok digunakan pada perangkat mobile. Penelitian dilakukan dengan mengidentifikasi 3 kelas jenis gambar dengan menggunakan arsitektur MobileNetV3 dengan penambahan metode data balancing untuk mendapatkan akurasi terbaik. Hasil terbaik dari penelitian ini diperoleh dari model arsitektur MobileNetV3-Large dengan metode oversampling dan hyperparameter learning rate 0.00001, batch size 32, epoch 25, dan optimizer ADAM. Berdasarkan hasil dari evaluasi performa model didapatkan akurasi sebesar 0.9667 pada pengujian dengan dataset berjumlah 25.317 yang telah di oversampling.

Face clasification is a field that has been a trend in machine learning research and digital image processing in the last past decade. But usually there is a weakness like a less accurate system for detecting face within an image. Now there is a solution for that problem, MobileNet is one of an architecture that uses Convolutional Neural Network Model that can be used for mobile devices, The base of MobileNet development was Depthwise Separable Convolution that made this architecture light and fit well for mobile device. This research has done by identifying 3 class of picture using MobileNetV3 architecture that use an additional data balancing method to reach a desireable accuracy. The best result comes from MobileNetV3-Large model with the research done by using oversampling and hyperparameter tuning the learning rate to 1 x 10⁻⁵, batch size 32, epoch 25, and ADAM optimizer. Based on the result from model performance evaluation the accuracy is 96.67% and for the testing was done using a 25,317 dataset that has been oversampled.

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	GHOZY IMADUDDIN / 15-2018-117 - Personal Name 0415068801 - Yusup Miftahuddin, S.Kom., MT - Personal Name
No. Panggil	856IF/25
Subyek	MobilenetV3 data balancing, oversampling & undersampling, Mobi data balancing, oversampling & undersampling
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Teknik Informatika
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA().Teknik Informatika:FTI

Chicago Style

.IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA().Teknik Informatika:FTI,2025.Text

MLA Style

.IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA().Teknik Informatika:FTI,2025.Text

Turabian Style

.IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA().Teknik Informatika:FTI,2025.Text

Detail Cantuman

IMPLEMENTASI DATA BALANCING UNTUK MENINGKATKAN AKURASI MOBILENETV3 DALAM MENGHITUNG JUMLAH WAJAH MANUSIA

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address