@mastersthesis{universitasamikomyogyakarta31733,
            year = {2025},
           title = {EVALUASI PENGARUH FINE-TUNING LAYER TERHADAP
AKURASI PENGENALAN WAJAH BERBASIS
CONVOLUTIONAL NEURAL NETWORK (CNN)},
           month = {September},
          author = {TOMMY SARAWAN},
          school = {Universitas AMIKOM Yogyakarta},
             url = {https://eprints.amikom.ac.id/id/eprint/31733/},
        abstract = {Pesatnya kemajuan kecerdasan buatan dan deep learning, sehingga pengenalan wajah 
berbasis Convolutional Neural Network (CNN) menghadapi tantangan nyata ketika berhadapan
dengan data berukuran terbatas dan sangat bervariasi. dalam konteks ini, penelitian terdahulu
menyatakan transfer learning dengan fine-tuning mampu meningkatkan akurasi karena
menyesuaikan fitur pralatih dengan karakteristik domain target. Penelitian ini berfokus pada
peningkatan akurasi pengenalan wajah melalui pembandingan strategi fine-tuning pada dua
arsitektur CNN yaitu MobileNetV2 dan ResNetV2. Dataset yang digunakan terdiri atas 16 aktor
dengan masing-masing 100 citra. Seluruh citra diproses melalui tahapan cropping otomatis
berbasis Haar Cascade, pembersihan data, pembagian data, dan augmentasi untuk memperkuat
generalisasi model. Penelitian ini merancang empat skenario pelatihan dimana dua pada
MobileNetV2 dan dua pada ResNetV2 dengan variasi jumlah layer pralatih yang dibuka untuk difine-tune.

Hasil pelatihan akan dievaluasi menggunakan confusion matrix. Hasil menunjukkan
MobileNetV2 dengan fine-tuning pada 50 layer terakhir memberikan performa terbaik dengan
akurasi mencapai 91\%, presisi 92\%, recall 91\% melampaui ResNetV2 pada konfigurasi
terbaiknya mencapai akurasi 89\%, presisi 89\%, recall 90\%. Temuan ini menegaskan bahwa
membuka sebagian besar layer akhir untuk menyesuaikan representasi fitur terhadap variasi
wajah dapat meningkatkan akurasi model.},
        keywords = {Pengenalan wajah, CNN, transfer learning, fine-tuning. face recognition.}
}