Analisis Pemilihan Optimizer dalam Arsitektur Convolution Neural Network VGG16 dan Inception untuk Sistem Pengenalan Wajah

Abstract

Penggunaan sistem pengenalan wajah semakin meningkat dewasa ini karena itu penting untuk menemukan cara yang optimal dalam meningkatkan akurasi pengenalan wajah. Pengenalan wajah memanfaatkan arsitektur Convolution Neural Network (CNN), tersusun dari lapisan-lapisan konvolusi yang diikuti oleh fully connected layer. Lapisan konvolusi ini yang bertanggungjawab atas proses ekstraksi fitur pada citra yang akan digunakan untuk klasifikasi citra tersebut. Pada penelitian ini diuji dua jenis arsitektur CNN yaitu VGG16 dan Inception untuk mengukur akurasi pengenalan wajah. Faktor lain seperti hyperparameter juga memegang andil tingkat akurasi model. Hyperparameter yang diuji pada penelitian kali ini adalah jenis optimizer dan pengaruh perubahan learning rate pada akurasi. Optimizer bekerja dengan cara mengubah nilai bobot dan bias saat proses backpropagation dengan tujuan menghasilkan nilai error yang minimum. Setiap optimizer memiliki algoritma yang unik. Pengujian menggunakan 2 dataset yaitu Komnet dan Yale, serta melakukan pengujian pengaruh preprocessing MCLAHE terhadap akurasi. Hasil akurasi tertinggi yang dicapai adalah arsitektur Inception dengan optimizer AdaDelta pada dataset Komnet+MCLAHE. Akurasi pada tahap pelatihan mencapai 98%. Rata-rata akurasi setelah model diuji dengan 10-fold cross validation adalah 99.3%.