KOMPARASI DYNAMIC RANGE DAN FLOAT16 QUANTIZATION PADA MODEL MOBILEFACENET UNTUK VERIFIKASI WAJAH MENGGUNAKAN TENSORFLOW LITE

Abstract

Pengenalan wajah berbasis kecerdasan buatan telah banyak diadopsi dalam aplikasi presensi dan autentikasi digital, namun implementasinya pada perangkat mobile kelas menengah ke bawah masih menghadapi tantangan efisiensi yang signifikan. Penelitian ini menerapkan pendekatan post-training quantization, yaitu teknik kompresi model yang dilakukan setelah proses pelatihan selesai tanpa memerlukan pelatihan ulang, untuk mengoptimalkan model MobileFaceNet agar dapat dijalankan secara efisien pada perangkat dengan sumber daya komputasi terbatas. Dua metode kuantisasi dari kerangka kerja TensorFlow Lite dievaluasi secara komparatif, yaitu dynamic range quantization yang mengonversi bobot model dari 32-bit floating-point menjadi 8-bit integer, serta float16 quantization yang mengonversi bobot menjadi 16-bit floating-point. Model dilatih menggunakan dataset CASIA-WebFace dengan fungsi kerugian ArcFace dan dievaluasi menggunakan protokol verifikasi standar Labeled Faces in the Wild (LFW) dengan skema 10-fold cross validation terhadap 6.000 pasang citra wajah. Hasil eksperimen menunjukkan bahwa dynamic range quantization menghasilkan rasio kompresi sebesar 3,32× dari 3,83 MB menjadi 1,15 MB, sedangkan float16 quantization menghasilkan rasio kompresi sebesar 1,96× menjadi 1,95 MB. Model baseline mencapai akurasi 90,88%, dynamic range 90,83%, dan float16 90,90% dengan penurunan akurasi relatif <1% terhadap baseline. Ketiga model memiliki nilai Area Under Curve (AUC) sebesar 0,958 yang menunjukkan kemampuan diskriminasi setara. Temuan ini mengindikasikan bahwa post-training quantization, khususnya dynamic range untuk kompresi maksimal dan float16 untuk stabilitas akurasi, merupakan strategi kompresi yang efektif untuk implementasi pengenalan wajah pada perangkat mobile kelas menengah ke bawah.