Pengembangan Arsitektur ResNet-18 untuk klasifikasi wajah

INDONESIA:

Penelitian ini bertujuan memperoleh model hasil pengembangan ResNet-18 yang optimal untuk klasifikasi wajah serta mengevaluasi performanya pada dataset Extended Yale Face Database B. Pengembangan arsitektur dilakukan secara bertahap melalui modifikasi convolution layer awal, pengujian penggunaan max-pooling awal, dan penerapan dropout. Dataset dibagi menjadi data training, validation, dan testing dengan rasio 70:10:20. Model dilatih menggunakan learning rate sebesar 0.001, batch size sebesar 32, dan jumlah epoch sebanyak 50. Hasil penelitian menunjukkan bahwa konfigurasi terbaik diperoleh pada arsitektur Modifikasi ResNet-18 yang menggunakan convolution layer awal dengan kernel berukuran 5×5, stride 2, zero padding dan channel berjumlah 32, mempertahankan max-pooling awal, serta menerapkan dropout sebelum fully connected layer. Model akhir berhasil memperoleh accuracy sebesar 98.36% dan F1-score sebesar 98.37%.

ENGLISH:

This study aims to develop an optimal modified ResNet-18 model for face classification and evaluate its performance on the Extended Yale Face Database B dataset. The architecture was developed sequentially through modifications to the initial convolution layer, evaluation of the initial max-pooling operation, and the application of dropout. The dataset was divided into training, validation, and testing sets with a ratio of 70:10:20. The model was trained using a learning rate of 0.001, a batch size of 32, and 50 epochs. The results showed that the best configuration was achieved by the modified ResNet-18 architecture employing an initial convolution layer with a 3×3 kernel, stride of 1, zero padding, and 32 output channels, while retaining the initial max-pooling layer, and applying dropout before the fully connected layer. The final model achieved 98.36% accuracy and 98.37% F1-score.

ARABIC:

هدفت هذه الدراسة إلى تطوير نموذج ResNet-١٨ معدل ومحسن لتصنيف الأوجه، وتقييم أدائه على مجموعة بيانات Extended Yale Face Database B. تم تطوير البنية تدريجيًا من خلال إجراء تعديلات على طبقة الالتفاف الأولية، وتقييم طبقة التجميع الأقصى الأولي، وتطبيق تقنية التعطيل العشوائي. تم تقسيم مجموعة البيانات إلى مجموعات للتدريب والتحقق والاختبار بنسبة ٧٠٪ : ١٠٪ : ٢٠٪. تم تدريب النموذج باستخدام معدل تعلم قدره ٠.٠٠١، وحجم دفعة قدرها ٣٢، ولمدة ٥٠ حقبة تدريبية. أظهرت النتائج أن أفضل أداء تحقق باستخدام بنية ResNet-١٨ المعدلة التي اعتمدت على طبقة التفاف أولية بنواة ٣×٣، وخطوة ١، وحشو صفري، و٣٢ قناة إخراج، مع الاحتفاظ بطبقة التجميع الأقصى الأولي، وتطبيق طبقة التعطيل العشوائي قبل الطبقة المتصلة بالكامل. حقق النموذج النهائي دقةً بلغت ٩٨.٣٦٪، وبلغت قيمة مقياس F1 نسبة ٩٨.٣٧٪.