Abstract
Klasifikasi wajah manusia merupakan bidang penelitian penting dalam pengenalan pola dan computer vision, dengan fokus pada informasi seperti jenis kelamin, usia, ras, dan ekspresi wajah. Penelitian ini bertujuan untuk meningkatkan klasifikasi multi-label wajah manusia menggunakan convolutional neural network (CNN). Metode tradisional seperti Local Binary Pattern (LBP) dan Random K-Nearest Neighbor (KNN) menunjukkan keterbatasan dalam akurasi dan ketergantungan pada ekstraksi fitur manual, sementara metode CNN yang lebih modern menunjukkan peningkatan akurasi yang signifikan. Penelitian ini bertujuan meningkatkan klasifikasi multi-label wajah manusia berdasarkan usia, gender, dan ras menggunakan convolutional neural network (CNN). Menggunakan dataset UTKFace, model CNN diuji dengan berbagai arsitektur dan teknik augmentasi data. Hasil terbaik menunjukkan akurasi 82.98% untuk usia, 90.36% untuk gender, dan 79.48% untuk ras. Penggunaan augmentasi data dan peningkatan jumlah filter CNN secara signifikan meningkatkan akurasi model. Meskipun ada tantangan dalam mengklasifikasikan usia "teenager" dan ras "Indian" serta "Others" akibat distribusi data yang tidak seimbang, hasil ini menunjukkan potensi besar CNN dalam klasifikasi multi-label wajah manusia. Pengembangan lebih lanjut direkomendasikan dengan fine-tuning arsitektur CNN dan eksplorasi metode augmentasi data serta transfer learning.