PERBANDINGAN OPTIMIZER ADAM, RMSPROP, DAN SGD DALAM PREDIKSI KEPRIBADIAN BERBASIS OPENFACE

Abstract

Identifikasi kepribadian tradisional yang mengandalkan kuesioner subjektif memiliki keterbatasan dalam reliabilitas dan efisiensi. Penelitian ini mengembangkan pendekatan objektif berbasis video wajah dengan memanfaatkan model deep learning untuk mengklasifikasikan lima dimensi kepribadian OCEAN (Openness, Conscientiousness, Extraversion, Agreeableness, Neuroticism). Fokus utama penelitian adalah membandingkan efektivitas tiga optimizer utama (Adam, RMSProp, dan SGD) pada arsitektur OpenFace untuk menentukan solusi paling optimal. Metode yang digunakan meliputi: deteksi wajah presisi dengan MTCNN, ekstraksi fitur menggunakan OpenFace, dan analisis temporal melalui LSTM pada dataset 10.000 sampel video. Hasil eksperimen menunjukkan bahwa ketiga optimizer mencapai akurasi setara (±88.15%), namun RMSProp unggul dalam efisiensi komputasi dengan waktu pelatihan tercepat (3m 23.3s) dibandingkan Adam (5m 49.8s) dan SGD (6m 23.9s). Temuan krusial mengungkap bahwa pendekatan tanpa optimizer justru lebih cepat (3m 41.7s) namun kurang stabil, menunjukkan kompleksitas unik dalam optimasi model berbasis video. Penelitian ini tidak hanya membuktikan validitas pendekatan berbasis video sebagai alternatif kuesioner konvensional, tetapi juga menetapkan RMSProp sebagai pilihan optimal untuk sistem klasifikasi kepribadian real-time, dengan rekomendasi khusus untuk peningkatan kualitas dataset guna mengatasi tantangan frame tidak ideal.