Analisis Performa DenseNet201 dengan Variasi Optimizer untuk Klasifikasi Usia Berdasarkan Citra Wajah

Abstract

Klasifikasi usia berdasarkan citra wajah merupakan salah satu permasalahan pada bidang computer vision. Selain arsitektur model, pemilihan optimizer juga berperan penting dalam menentukan performa dan stabilitas proses pelatihan. Penelitian ini bertujuan untuk menganalisis pengaruh variasi optimizer, yaitu Adam, Adamax, dan Nadam, terhadap performa arsitektur DenseNet201 dalam tugas klasifikasi usia berbasis citra wajah. Dataset yang digunakan adalah UTKFace yang terdiri dari 23.708 citra wajah dengan rentang usia 1 hingga 116 tahun, yang kemudian dikelompokkan menjadi lima kelas usia, yaitu Bayi dan Balita, Anak-anak, Remaja, Dewasa, dan Lansia. Data diproses melalui tahap preprocessing berupa resize menjadi 224×224 piksel dan normalisasi Min–Max, serta augmentasi data untuk meningkatkan variasi citra. Model dilatih menggunakan batch size 32 dan maksimum 50 epoch dengan mekanisme early stopping. Hasil penelitian menunjukkan bahwa ketiga optimizer menghasilkan accuracy testing yang relatif serupa, yaitu sekitar 83%, dengan Adam memperoleh nilai tertinggi sebesar 83,40%. Perbedaan terlihat pada stabilitas pelatihan dan pola perubahan loss, di mana Adamax menunjukkan accuracy gap dan fluktuasi validation loss yang paling kecil. Secara keseluruhan, variasi optimizer tidak memberikan perbedaan signifikan terhadap akurasi global, namun berpengaruh terhadap konsistensi pembelajaran dan performa pada kelas usia minoritas.