KLASIFIKASI KELOMPOK USIA BERDASARKAN CITRA WAJAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN OPTIMASI PARTICLE SWARM OPTIMIZATION

SAPUTRA, ANUGRAHA GALIH (2026) KLASIFIKASI KELOMPOK USIA BERDASARKAN CITRA WAJAH MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN OPTIMASI PARTICLE SWARM OPTIMIZATION. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123220119_Cover - Anugraha Galih S.pdf Download (101kB)
	Text 123220119_Abstrak - Anugraha Galih S.pdf Download (106kB)
	Text 123220119_Halaman Pengesahan - Anugraha Galih S.pdf Download (173kB)
	Text 123220119_Daftar Isi - Anugraha Galih S.pdf Download (163kB)
	Text 123220119_Daftar Pustaka - Anugraha Galih S.pdf Download (172kB)
	Text 123220119_Fulltext - Anugraha Galih S.pdf Restricted to Repository staff only Download (4MB)

Abstract

Klasifikasi kelompok usia berdasarkan citra wajah merupakan tantangan dalam visi
komputer akibat kemiripan karakteristik visual antar kelompok usia, terutama pada fase
transisi. Pendekatan Convolutional Neural Network (CNN) terbukti efektif mengekstraksi
fitur spasial wajah, namun performa model ini sangat bergantung pada pemilihan
hyperparameter yang sering kali tidak optimal jika disetel secara manual. Penelitian ini
menerapkan algoritma Particle Swarm Optimization (PSO) untuk mengoptimasi
hyperparameter
CNN guna meningkatkan performa klasifikasi usia serta
mengimplementasikan model ke dalam aplikasi deteksi usia berbasis realtime.
Metode penelitian menggunakan UTKFace Cropped Dataset yang berisi 23.708 citra
wajah. Evaluasi kinerja model dilakukan melalui dua skenario pengujian. Skenario pertama
mengklasifikasikan data ke dalam empat kelas usia, yaitu Child (0–12 tahun), Teenager (13
18 tahun), Adult (19–40 tahun), dan Old (di atas 40 tahun). Skenario kedua
mengklasifikasikan data ke dalam lima kelas usia, yaitu Child, Teenager, Adult, Middle Age,
dan Old. Tahapan pra-pemrosesan meliputi pengubahan ukuran citra menjadi 150×150
piksel, normalisasi nilai piksel, serta augmentasi data secara online untuk mencegah
overfitting. Algoritma PSO ditugaskan mencari kombinasi optimal pada empat parameter
utama, yaitu learning rate, dropout CNN, dropout dense, dan jumlah dense unit. Model hasil
pelatihan kemudian diimplementasikan ke dalam aplikasi berbasis Streamlit untuk
melakukan pengujian citra statis dan deteksi usia realtime menggunakan webcam.
Hasil penelitian membuktikan bahwa PSO berhasil meningkatkan performa
klasifikasi dibandingkan model CNN baseline pada kedua skenario. Pada skenario pertama
(empat kelas), tingkat akurasi meningkat dari 83,87% pada model baseline menjadi 83,99%
setelah dioptimasi dengan PSO, dengan F1-Score mencapai 74,88%. Pada skenario kedua
(lima kelas), tingkat akurasi model meningkat dari 79,20% menjadi 80,34%, dengan metrik
precision mencapai 73,42%, recall sebesar 67,88%, dan F1-Score sebesar 69,51%. Meskipun
peningkatan akurasi yang diperoleh relatif kecil, model hasil optimasi menunjukkan
performa evaluasi yang lebih baik dibandingkan model baseline dan berhasil
diimplementasikan secara fungsional ke dalam aplikasi deteksi usia realtime. Secara
keseluruhan, integrasi PSO mampu memberikan fine-tuning terhadap hyperparameter CNN
sehingga menghasilkan model yang lebih optimal, meskipun penanganan terhadap
ketidakseimbangan data pada kelas minoritas, khususnya kelas teenager, masih menjadi
aspek penting untuk pengembangan penelitian mendatang.
Kata Kunci: Klasifikasi Kelompok Usia, Convolutional Neural Network, Particle Swarm
Optimization, Computer Vision, Citra Wajah, Hyperparameter Optimization, Realtime
Detection

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	ANUGRAHA GALIH SAPUTRA (Penulis-123220119) ; Bambang Yuwono (Pembimbing)
Uncontrolled Keywords:	Klasifikasi Kelompok Usia, Convolutional Neural Network, Particle Swarm Optimization, Computer Vision, Citra Wajah, Hyperparameter Optimization, Realtime Detection
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	02 Sep 2026 02:20
Last Modified:	02 Sep 2026 02:20
URI:	http://eprints.upnyk.ac.id/id/eprint/49278

Actions (login required)

View Item