Hanura, I Gde Made (2026) KLASIFIKASI JENIS KELAMIN BERBASIS CITRA MATA MANUSIA DENGAN PENDEKATAN VISION TRANSFORMER (VIT). Undergraduate thesis, Universitas Pendidikan Ganesha.
![[img]](http://repo.undiksha.ac.id/style/images/fileicons/text.png) |
Text (COVER)
2215101062-COVER.pdf Download (1MB) |
|
Text (ABSTRAK)
2215101062-ABSTRAK.pdf Download (347kB) |
|
Text (BAB 1 PENDAHULUAN)
2215101062-BAB 1 PENDAHULUAN.pdf Download (479kB) |
|
Text (BAB 2 KAJIAN TEORI)
2215101062-BAB 2 KAJIAN TEORI.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 3 METODELOGI PENELITIAN)
2215101062-BAB 3 METODELOGI PENELITIAN.pdf Restricted to Repository staff only Download (879kB) | Request a copy |
|
Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101062-BAB 4 HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy |
|
Text (BAB 5 PENUTUP)
22151010662-BAB 5 PENUTUP.pdf Restricted to Repository staff only Download (407kB) | Request a copy |
|
Text (DAFTAR PUSTAKA)
2215101062-DAFTAR PUSTAKA.pdf Download (430kB) |
|
Text (LAMPIRAN)
2215101062-LAMPIRAN.pdf Download (1MB) |
Abstract
Penelitian ini mengembangkan dan mengevaluasi model Vision Transformer (ViT-B/16) melalui pendekatan fine-tuning untuk klasifikasi jenis kelamin berbasis citra mata manusia. Keterbatasan wajah tertutup (masker, cadar, maupun helm) menjadi tantangan tersendiri bagi sistem pengenalan gender berbasis wajah konvensional, sehingga citra mata dipilih sebagai alternatif fitur biometrik yang tetap dapat diakses meskipun sebagian besar wajah tertutup. Dataset sekunder yang digunakan berasal dari Kaggle dengan judul "Female and Male Eyes", terdiri dari 11.525 citra mata (5.202 citra wanita dan 6.323 citra pria) berresolusi 60×60 piksel,dibagi dengan rasio 80:20 menjadi data latih dan data uji, kemudian data latih dibagi kembali menjadi data pelatihan akhir dan data validasi. Sebagai pelengkap,dikumpulkan pula 100 citra mata primer dari 50 responden (25 pria dan 25 wanita) melalui pengambilan data langsung. Eksperimen dilakukan dengan menguji variasi jumlah Transformer block yang dibuka (unfreeze) serta penerapan Layer-wise Learning rate Decay (LLRD), dengan metrik evaluasi berupa akurasi, precision, recall, dan F1-score. Hasil menunjukkan konfigurasi terbaik diperoleh dengan membuka 10 Transformer block (B5) tanpa LLRD (D0), yang mencapai akurasi tertinggi sebesar 96,79% pada data sekunder dengan waktu pelatihan paling efisien (konvergen pada epoch ke-7, ±93 menit). Model yang dilatih hanya dengan data sekunder (Model A) memperoleh akurasi 96,79%, Macro Precision 0,9695, Macro Recall 0,9660, dan Macro F1-score 0,9675. Setelah sebagian kecil data primer ditambahkan ke dalam data latih (Model B), performa pada data sekunder meningkat menjadi akurasi 97,05%, Macro Precision 0,9712, Macro Recall 0,9693, dan Macro F1-score 0,9702. Namun, pengujian pada data primer menunjukkan penurunan performa yang signifikan, yaitu akurasi 61,00% pada Model A dan meningkat menjadi 62,50% pada Model B,mengindikasikan bahwa Vision Transformer masih menghadapi keterbatasan generalisasi terhadap variasi kondisi dunia nyata meskipun performanya sangat baik pada data dengan distribusi serupa data latih. Temuan ini mendukung pengembangan sistem klasifikasi jenis kelamin berbasis citra mata yang lebih robust terhadap kondisi data primer di masa mendatang.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Uncontrolled Keywords: | Citra Mata, Fine-Tuning, Jenis Kelamin, Klasifikasi, Vision Transformer |
| Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science |
| Divisions: | Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1) |
| Depositing User: | I Gde Made Hanura |
| Date Deposited: | 06 Aug 2026 23:53 |
| Last Modified: | 06 Aug 2026 23:53 |
| URI: | http://repo.undiksha.ac.id/id/eprint/32119 |
Actions (login required)
 |
View Item |