%A David Chandra Putra Rianto
%X Sistem pengenalan wajah menggunakan biometrik kini memiliki peran
penting dalam keamanan dan verifikasi digital, tetapi tantangan utama yang sering
muncul adalah mencari keseimbangan yang ideal antara ketepatan pengenalan dan
efisiensi pemrosesan. Kesalahan dalam pemilihan struktur model dapat
menyebabkan rendahnya kehandalan sistem keamanan atau meningkatnya beban
pemrosesan data. Penelitian ini berfokus pada penyelesaian masalah tersebut
melalui analisis perbandingan kinerja dari tiga arsitektur model algoritma
Convolutional Neural Network (CNN), yakni ResNet50, MobileNetV2, dan
VGG16. Pendekatan yang digunakan dalam penelitian ini adalah Transfer Learning
pada dataset wajah yang bersifat publik, yang mencakup langkah-langkah seperti
pra-pemrosesan gambar, pelatihan model, dan evaluasi menggunakan matriks
kebingungan. Hasil dari studi menunjukkan bahwa ResNet50 menghasilkan kinerja
terbaik dengan akurasi mencapai 99,62% dan tingkat presisi yang sangat unggul,
diikuti oleh VGG16 yang memiliki akurasi 98,85%. Sementara itu, MobileNetV2
memperoleh akurasi 80,92% dengan desain model yang lebih ramping. Penemuan
ini memberikan dampak yang signifikan bagi pengembang perangkat lunak dan
peneliti di bidang visi komputer dalam memilih arsitektur yang sesuai dengan
kebutuhan penggunaan. Di mana ResNet50 direkomendasikan untuk sistem
keamanan yang sangat penting, sedangkan MobileNetV2 cocok digunakan di
lingkungan dengan sumber daya komputasi yang terbatas.
%T PERBANDINGAN KINERJA ALGORITMA KLASIFIKASI
DALAM SISTEM PENGENALAN WAJAH
%I Universitas AMIKOM Yogyakarta
%K Pengenalan Wajah, CNN, Transfer Learning, ResNet50, Akurasi, Face Recognition, Biometrics
%D 2025
%L universitasamikomyogyakarta31892