KLASIFIKASI RAS WAJAH BERBASIS EMBEDDING FACENET DAN SUPPORT VECTOR MACHINE

Authors

DOI:

https://doi.org/10.46576/djtechno.v7i2.8880

Abstract

Klasifikasi ras wajah merupakan salah satu permasalahan dalam bidang pengenalan pola citra yang memiliki potensi penerapan luas, mulai dari sistem verifikasi identitas hingga analisis demografis melalui data visual. Keterbatasan metode konvensional seperti PCA dan LBP dalam menangani variasi citra wajah mendorong pengembangan pendekatan yang lebih optimal. Penelitian ini bertujuan membangun sistem klasifikasi ras wajah menggunakan kombinasi model FaceNet sebagai ekstraktor fitur dan Support Vector Machine (SVM) sebagai pengklasifikasi. Dataset FairFace digunakan dengan empat kategori ras, yaitu Black, East Asian, Indian, dan White, dengan total 2.800 citra yang terbagi menjadi 2.400 data latih dan 400 data validasi secara seimbang. Model FaceNet berbasis InceptionResNetV1 pretrained menghasilkan embedding wajah berdimensi 512, yang selanjutnya diklasifikasikan menggunakan SVM berkonfigurasi kernel RBF. Hasil evaluasi menunjukkan akurasi validasi sebesar 88,75% dengan macro average F1-score 0,8875. Kelas East Asian mencatat performa tertinggi (F1-score 0,9500) sedangkan kelas Indian memperoleh nilai terendah (0,8200). Pendekatan ini memanfaatkan representasi pretrained sehingga dapat diterapkan pada kondisi data terbatas tanpa memerlukan pelatihan model dari awal.

References

F. D. Adhinata and J. Arifin, “Klasifikasi Jenis Kelamin Wajah Bermasker Menggunakan Algoritma Supervised Learning,” vol. 6, pp. 229–235, 2022, doi: 10.30865/mib.v6i1.3377.

I. P. Pratama and N. K. Ningrum, “Face Recognition Using MTCNN Face Detection, ResNetV1 Feature Embeddings, and SVM Classification,” vol. 9, no. 5, pp. 2049–2058, 2025, [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

W. W. Muhammad Akbar Satriawan, “Klasifikasi Pengenalan Wajah Untuk Mengetahui Jenis Kelamin Menggunakan Metode Convolutional Neural Network,” vol. 4, no. 1, pp. 43–52, 2023, doi: 10.35957/algoritme.xxxx.

K. Q. F. I Putu Agus Aryawan, I Nyoman Purnama, “Analisis Perbandingan Algoritma CNN dan SVM pada Klasifikasi Ekspresi Wajah,” vol. 9, pp. 399–408, 2023.

M. S. Sri Wahyuni, “Penerapan Algoritma Deep Learning untuk Sistem Absensi Kehadiran Deteksi Wajah di PT Karya Komponen Presisi,” Springer, vol. 7, no. 1, pp. 12–21, 2022, [Online]. Available: https://www.simantik.fst-panca-sakti.ac.id/

Siswanti Sri Desy, Puspita Heni, Ubaya Huda, Selly, and Herdiana Dina, “Deteksi Wajah Tersamar Menggunakan Metode VGGFace dan SVM,” Ris. dan E-Jurnal Manaj. Inform. Komput., vol. 9, no. 2, pp. 512–527, 2025.

A. T. Akbar, S. Saifullah, and H. Prapcoyo, “Klasifikasi Ekspresi Wajah Menggunakan Convolutional Neural Network,” J. Teknol. Inf. dan Ilmu Komput., vol. 11, no. 6, pp. 1399–1412, 2024, doi: 10.25126/jtiik.2024118888.

A. P. Meldyantono, “Implementasi Sistem Absensi Berbasis Pengenalan Wajah Menggunakan Metode CNN dan Model FACENET,” vol. 02, no. 25, 2025.

Faricsyah, Rayhan Syahputra, Jefrey Setiawan, Ema Damayanti, “Implementasi Deep Learning untuk Sistem Absensi dengan Integrasi Data Identitas Menggunakan MTCNN, FaceNet, dan SVC,” vol. 5, no. 2, pp. 182–192, 2025, [Online]. Available: https://jurnal.umpar.ac.id/index.php/sylog

M. F. Naufal, “Analisis Perbandingan Algoritma SVM, KNN, CNN untuk Klasifikasi Citra Cuaca,” vol. 8, no. 2, 2021, doi: 10.25126/jtiik.202184553.

K. Anwar, “Sistem Deteksi Wajah Berbasis Deep Learning Menggunakan Convolutional Neural Network (CNN),” vol. 1, no. 2, pp. 46–52, 2025, doi: https://doi.org/10.70716/jocsit.v1i2.258.

M. R. Rachmansyah, B. Rahmat, and H. E. Wahanani, “Penggunaan Deep Convolutional Neural Network (CNN) Model FaceNet untuk Fungsi Face Recognition pada Reverse Image Search,” vol. 5, no. 2, pp. 52–57, 2025.

D. I. Rifki Kosasih, Iffatul Mardhiyah, “Penerapan Algoritma Support Vector Machine Dalam Pengenalan Wajah Berdasarkan Fitur Isomap,” J. Comput. Eng. Syst. Sci., vol. 10, no. 1, pp. 299–311, 2025, doi: DOI: https://doi.org/10.24114/cess.v11i1.68568.

N. Nurjihan, Saniyyah Wafa, Faturrahman and I. M. Wiguna, “Pengenalan Pola Ekspresi Wajah Untuk Pengolahan Citra Menggunakan Metode Convolutional Neural Network,” vol. 11, no. 4, 2024, [Online]. Available: http://jurnal.mdp.ac.id

A. Faizah, S. Imron, A. Rahel, P. Rewur, J. N. Makasunggal, and P. H. Saputro, “Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah,” vol. 4221, no. 4, pp. 13–24, 2025.

M. K. Insani and D. B. Santoso, “Perbandingan Kinerja Model Pre-Trained CNN (VGG16 , RESNET, dan INCEPTIONV3) untuk Aplikasi Pengenalan Wajah pada Sistem Absensi Karyawan,” vol. 5, no. 3, pp. 2612–2622, 2024, doi: https://journal.stmiki.ac.id/index.php/jimik/.

A. A. Achyar, “Identifikasi Ras Wajah dengan Menggunakan Metode Deep Learning Model Keras,” 2022.

G. P. D. Kisowo, “Perbandingan Akurasi CNN dan SVM Untuk Deteksi dan Klasifikasi Aktivitas Merokok,” vol. 2, no. 3, pp. 48–55, 2024, doi: https://doi.org/10.62951/router.v2i3.145.

Merry Anggraeni and H. A. Damanik, “Implementasi Arsitektur MTCNN pada Kelas Dimensi Piksel Berbeda dan Plotting Multi-Wajah pada Hasil Deteksi,” J. Pekommas, vol. 10, no. 1, pp. 91–104, 2025, doi: 10.56873/jpkm.v9i1.5843.

R. Nurpadilah and T. Setiyaningsih, “Perancangan Aplikasi Absensi dan Pengawasan Ruangan dengan Pengenalan Wajah menggunakan metode Convolutional Neural Network,” J. TIFDA (Technology Inf. Data Anal., vol. 2, no. 1, pp. 13–18, 2025, doi: 10.70491/tifda.v2i1.81.

Downloads

Published

2026-07-28

Issue

Vol. 7 No. 2 (2026): Agustus

Section

Articles

License

Pernyataan Hak Cipta dan Lisensi

  1. Hak Cipta atas naskah-naskah karya ilmiah di dalam Jurnal ini dipegang oleh Penulis.
  2. Penulis menyerahkan hak saat pertama kali mempublikasi Naskah karya ilmiahnya dan secara bersamaan Penulis memberikan izin/lisensi dengan mengacu pada  Creative Commons Attribution-ShareAlike 4.0 International License kepada pihak lain untuk menyebarkan karya ilmiahnya tersebut dengan tetap mencantumkan penghargaan bagi penulis dan Djtechno sebagai media Publikasi pertama atas karya tersebut.
  3. Hal-hal yang berkaitan dengan non-eksklusivitas pendistribusian Jurnal yang menerbitkan karya ilmiah penulis dapat diperjanjikan secara terpisah (contoh: permintaan untuk menempatkan karya yang dimaksud pada perpustakaan suatu institusi atau menerbitkannya sebagai buku) dengan Penulis sebagai salah satu pihak perjanjian dan dengan penghargaan pada Djtechno sebagai media publikasi pertama atas karya dimaksud.
  4. Penulis dapat dan diharapkan untuk mengumumkan karyanya secara online (misalnya pada Repositori atau pada laman Organisai/Institusinya) sejak sebelum dan selama proses pengumpulan naskah, sebab upaya tersebut dapat meningkatkan pertukaran citasi lebih awal dan dengan cakupan yang lebih luas.