<![CDATA[Identifikasi wajah yang didukung oleh deep learning memegang peranan krusial dalam berbagai aplikasi, termasuk sistem keamanan, autentikasi, serta verifikasi identitas. Akan tetapi, performa model pada dataset in-the-wild masih terkendala oleh variasi kondisi pencahayaan, perbedaan pose, ekspresi wajah yang beragam, dan kerumitan latar belakang. Penelitian ini bertujuan menganalisis peningkatan performa model InceptionResNetV2 melalui optimasi hyperparameter pada tugas identifikasi wajah, menggunakan dataset primer yang terdiri dari 5.180 citra wajah dari 153 individu dalam kondisi in‑the‑wild. Model ini dibangun menggunakan pendekatan transfer learning dengan memanfaatkan bobot awal dari ImageNet dan dilakukan fine-tuning pada 50 lapisan terakhir. Proses optimasi hyperparameter dilakukan dengan metode grid search, menggunakan kombinasi learning rate 0.001 dan 0.0005, serta batch size 8 dan 16. Evaluasi performa model dilakukan dengan mengukur metrik accuracy, precision, recall, dan f1-score, yang didukung oleh analisis confusion matrix dan visualisasi kasus prediksi. Hasil penelitian memperlihatkan bahwa model yang telah dioptimasi berhasil meningkatkan akurasi dari 0.8830 menjadi 0.9148, dengan peningkatan yang konsisten pada precision (dari 0.9063 menjadi 0.9249), recall (dari 0.9016 menjadi 0.9302), dan f1-score (dari 0.8839 menjadi 0.9139). Analisis confusion matrix menunjukkan peningkatan jumlah prediksi yang benar di berbagai kelas, sementara visualisasi improvement case membuktikan kemampuan model dalam memperbaiki kesalahan prediksi pada kondisi yang kompleks. Uji statistik McNemar menghasilkan nilai p sebesar 0.000639 (< 0.05), yang mengindikasikan bahwa peningkatan performa ini signifikan secara statistik. Dengan demikian, optimasi hyperparameter terbukti efektif dalam meningkatkan kinerja model pada dataset in-the-wild.]]>
Copyrights © 2026
