SISTEM KLASIFIKASI WAJAH BERBASIS MOOD PADA APLIKASI MOOD TRACKER UKDW

Edwin Mahendra (2024) SISTEM KLASIFIKASI WAJAH BERBASIS MOOD PADA APLIKASI MOOD TRACKER UKDW. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71200541_bab1_bab5_daftarpustaka.pdf Download (5MB)
	Text (Skripsi Informatika) 71200541_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Teknologi pengenalan emosi melalui ekspresi wajah memiliki potensi luas dalam aplikasi seperti interaksi manusia-komputer dan pendeteksian stres. Penelitian ini bertujuan mengembangkan model pengenalan emosi wajah menggunakan arsitektur Convolutional Neural Network (CNN) dan mengevaluasi pengaruh penggunaan berbagai dataset seperti FER2013, CK+, dan IMED terhadap kinerja model. Penelitian melibatkan pengumpulan dataset, pengembangan model CNN, dan evaluasi kinerja model. Dataset yang digunakan mencakup FER2013 dengan 35.887 citra, CK+ dengan 981 citra, dan IMED dengan 9.183 citra. Model dilatih menggunakan data dari masing-masing dataset secara terpisah serta kombinasi beberapa dataset. Pelatihan dilakukan di Google Colab menggunakan GPU T4. Hasil penelitian menunjukkan bahwa dataset CK+ dan IMED menghasilkan akurasi validasi yang tinggi, mencapai 97% dan 98.59%. Sementara itu, dataset FER2013 menunjukkan akurasi validasi yang lebih rendah, yaitu 72.26%. Ketika dataset FER2013 dicampur dengan dataset lain, akurasi model cenderung menurun. Penambahan lapisan konvolusi dengan filter yang lebih besar serta penerapan mekanisme callback seperti ReduceLROnPlateau dan EarlyStopping telah terbukti membantu dalam mengoptimalkan proses pembelajaran. Pada percobaan kedua dengan mengurangi jumlah gambar pada dataset FER2013, akurasi validasi meningkat menjadi 78.81%. Percobaan ketiga yang menambahkan lapisan konvolusi baru menghasilkan peningkatan akurasi validasi menjadi 79.59%. Penelitian ini menunjukkan bahwa kualitas dan konsistensi dataset sangat mempengaruhi performa model pengenalan emosi wajah. Arsitektur CNN yang digunakan mampu melakukan klasifikasi emosi wajah dengan baik, dengan rata-rata precision, recall, dan f1-score 71%.

Actions (login required)

View Item