Article Per Year (5 Year)
p-Index From 2021 - 2026
1.817
P-Index
This Author published in this journals
All Journal CESS (Journal of Computer Engineering, System and Science) JURNAL TEKNOLOGI DAN OPEN SOURCE Journal of Computer Networks, Architecture and High Performance Computing Jurnal Kolaboratif Sains Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Jurnal Ilmiah Sistem Informasi dan Ilmu Komputer Journal Of Informatics And Busisnes Jurnal Ilmu Komputer dan Sistem Informasi
Mhd. Furqan
Unknown Affiliation
Religion Agriculture, Biological Sciences & Forestry Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Environmental Science Health Professions Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Library & Information Science Medicine & Pharmacology Nursing Public Health Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Klasifikasi Rentang Usia Berdasarkan Citra Wajah Menggunakan Convolutional Neural Network Nazifa Edilia, Fazila; Tiara Amanda Lestari; M. Rifqi Arrafi; Fauhan Alfarizi Saragih; Adli Rahman Harun Harahap; Mhd. Furqan
Jurnal Sistem Informasi Triguna Dharma (JURSI TGD) Vol. 5 No. 1 (2026): EDISI JANUARI 2026
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jursi.v5i1.12424

Abstract

Klasifikasi usia berbasis citra wajah memegang peran krusial dalam berbagai bidang, mulai dari sistem keamanan hingga analisis pasar digital. Dalam studi ini, dikembangkan pendekatan klasifikasi menggunakan Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mengkategorikan usia ke dalam empat kelompok: anak, remaja, dewasa, dan lansia. Sebanyak 3.250 citra wajah dari platform Kaggle diproses melalui tahap normalisasi dan augmentasi guna meningkatkan variasi dan mengurangi overfitting. Hasil pengujian menunjukkan bahwa model yang dibangun dengan teknik transfer learning ini mencapai akurasi 84% pada data validasi, dengan performa terbaik di kelas dewasa. Namun demikian, kelas dengan data lebih sedikit menunjukkan kinerja lebih rendah, mengisyaratkan perlunya penanganan khusus untuk ketidakseimbangan data. Temuan ini memperkuat potensi CNN untuk klasifikasi usia, sekaligus menyoroti pentingnya strategi data yang lebih berimbang.
Co-Authors Adli Rahman Harun Harahap Aina Nur Nabila Alvi Nur Ilmi Br Ginting Alwi Syahputra Dimas Aqila Aptanta Fauhan Alfarizi Saragih Hasibuan, Suci Adina Ramadani Khairi, Mhd Galih Lubis , Aidil Halim M. Rifqi Arrafi Manihuruk , Selly Novia Meutia Nanda Muhammad Farhan Muhammad Irfan Gurning Nazifa Edilia, Fazila Prananda, Dimas Raka Ritonga, Abdul Rois Rusma Riansyah Siti Saniah Tiara Amanda Lestari Windi Imelda Putri