PENGEMBANGAN SIAMESE NEURAL NETWORK DALAM IMPLEMENTASI FACE RECOGNITION

Abstrak

Pengenalan wajah merupakan salah satu teknologi biometrik yang terus berkembang, terutama untuk aplikasi verifikasi identitas yang cepat dan akurat. Penelitian ini mengembangkan sistem face recognition menggunakan arsitektur Siamese Neural Network (SNN) dengan ekstraktor fitur SqueezeNet dan menggunakan fungsi loss contrastive loss. Dataset yang digunakan terdiri dari 1200 gambar wajah milik 30 orang, dengan berbagai sudut pandang dan kondisi pencahayaan. Eksperimen dilakukan dengan empat kombinasi hyperparameter, mencakup variasi optimizer (SGD dan Adam) serta learning rate (0,01 dan 0,001). Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh saat menggunakan learning rate 0,001, baik dengan optimizer SGD maupun Adam, dengan nilai F1-score sebesar 1,00. Model ini juga menunjukkan kecepatan dan akurasi tinggi dalam proses verifikasi wajah, menjadikannya cocok untuk implementasi pada perangkat mobile dan aplikasi presensi berbasis wajah.

Face recognition is a rapidly evolving biometric technology, especially for fast and accurate identity verification applications. This study develops a face recognition system using the Siamese Neural Network (SNN) architecture, employing SqueezeNet as the feature extractor and contrastive loss as the loss function. The dataset consists of 450 face images from 30 individuals, captured from various angles and under uniform lighting conditions. Experiments were conducted using four hyperparameter combinations, including variations in optimizers (SGD and Adam) and learning rates (0.01 and 0.001). The results show that the best configuration was achieved using a learning rate of 0.001 with either SGD or Adam, resulting in an F1-score of 1.00. The model demonstrated high speed and accuracy in face verification, making it suitable for implementation on mobile devices and face-based attendance applications.