Optimasi Face Gender Recognition Menggunakan VGG-16 dengan Integrasi Spatial Attention Block dan Channel Attention Block

Abstract

Pengenalan gender dari wajah merupakan salah satu tantangan dalam bidang pengenalan citra wajah yang penting dalam berbagai aplikasi, seperti sistem keamanan, personalisasi layanan, dan interaksi manusia dan komputer. Model VGG-16 sering digunakan dalam tugas ini karena arsitekturnya yang dalam dan efisien. Namun, VGG-16 memiliki keterbatasan dalam mempertahankan informasi spasial yang penting untuk klasifikasi wajah, terutama dalam kondisi pencahayaan, ekspresi, dan sudut wajah yang bervariasi. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi gender dari wajah dengan mengintegrasikan CBAM ke dalam arsitektur VGG-16. Fokus utama adalah untuk mengevaluasi seberapa besar pengaruh penambahan modul perhatian terhadap peningkatan akurasi dan stabilitas model dalam mengenali gender pada berbagai kondisi. Model VGG-16 digunakan sebagai dasar, kemudian ditambahkan CBAM yang terdiri dari Channel Attention Block dan Spatial Attention Block pada beberapa blok konvolusi. Berbagai skenario pelatihan diuji, termasuk penggunaan CBAM pada seluruh blok konvolusi (blok 1 hingga blok 5) dan fine-tuning pada blok 2 hingga blok 5. Dataset yang digunakan adalah Labeled Faces in the Wild, dengan eksperimen dilakukan pada empat fold untuk mengukur performa secara menyeluruh. Model awal tanpa CBAM menunjukkan akurasi bervariasi antar fold, dengan nilai terendah sebesar 82,13% dan tertinggi mencapai 88,72%. Setelah penerapan CBAM dan fine-tuning, terjadi peningkatan signifikan pada performa model. Skenario terbaik menghasilkan akurasi tertinggi sebesar 91,78% pada fold kedua, dan akurasi lainnya juga konsisten tinggi, berkisar antara 90,04% hingga 90,89%. Selain itu, metrik evaluasi lain seperti Precision, Recall, dan F1-Score juga menunjukkan peningkatan, yang menandakan kemampuan model yang lebih baik dalam mengenali fitur wajah yang relevan untuk klasifikasi gender.