Pengembangan Model Pendeteksi Ekspresi Wajah Menggunakan Jaringan Saraf Konvolusi dengan Akurasi Tinggi

Nova Ariyanto(1), Syafaa Annest Pratama(2*), Maulana Maulana(3), Dhendra Marutho(4)


(1) Program Studi Informatika, Universitas Muhammadiyah Semarang
(2) Program Studi Informatika, Universitas Muhammadiyah Semarang
(3) Program Studi Informatika, Universitas Muhammadiyah Semarang
(4) Program Studi Informatika, Universitas Muhammadiyah Semarang
(*) Corresponding Author

Abstract


Penelitian ini bertujuan untuk mengembangkan model pengenalan ekspresi wajah menggunakan metode jaringan saraf konvolusi dengan akurasi tinggi. Model ini dirancang untuk mengenali tujuh ekspresi wajah manusia, yaitu senang, sedih, jijik, marah, takut, terkejut, dan netral. Dataset yang digunakan dalam penelitian ini berasal dari CK+, yang terdiri dari gambar wajah dengan variasi ekspresi yang berbeda. Proses preprocessing meliputi resizing, cropping, dan normalisasi gambar untuk meningkatkan kualitas data. Arsitektur CNN yang diusulkan terdiri dari beberapa lapisan konvolusi, pooling, dan fully connected, dengan menggunakan optimizer Adam dan learning rate yang disesuaikan. Hasil pelatihan menunjukkan bahwa model mencapai akurasi sebesar 73% dengan nilai loss sebesar 0.8375 setelah 50 epoch. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian ini menunjukkan bahwa CNN efektif dalam mengenali ekspresi wajah manusia, dengan potensi aplikasi dalam bidang interaksi manusia dan komputer, robotika, dan pemantauan emosi. Untuk penelitian selanjutnya, disarankan untuk menerapkan transfer learning dan menggunakan dataset yang lebih besar untuk meningkatkan akurasi dan generalisasi model.

Full Text:

PDF

References


P. Ekman and W. V. Friesen, "Constants across cultures in the face and emotion," Journal of Personality and Social Psychology, vol. 17, no. 2, pp. 124–129, 1971.

M. S. Bartlett et al., "Automatic recognition of facial actions in spontaneous expressions," Journal of Multimedia, vol. 1, no. 6, pp. 22–35, 2006.

A. Mehrabian, "Communication without words," Psychology Today, vol. 2, no. 4, pp. 53–56, 1968.

T. Ojala, M. Pietikäinen, and D. Harwood, "A comparative study of texture measures with classification based on featured distributions," Pattern Recognition, vol. 29, no. 1, pp. 51–59, 1996.

Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, no. 7553, pp. 436–444, 2015.

A. Krizhevsky, I. Sutskever, and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," Advances in Neural Information Processing Systems, vol. 25, pp. 1097–1105, 2012.

P. Lucey et al., "The extended Cohn-Kanade dataset (CK+): A complete dataset for action unit and emotion-specified expression," IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 94–101, 2010.

A. Mollahosseini, D. Chan, and M. H. Mahoor, "Going deeper in facial expression recognition using deep neural networks," IEEE Winter Conference on Applications of Computer Vision (WACV), pp. 1–10, 2016.


Article Metrics

Abstract view : 36 times
PDF - 12 times

DOI: https://doi.org/10.26714/jkti.v3i1.13965

Refbacks

  • There are currently no refbacks.


=======================================================================================

Penerbit:

  • JKTI | Jurnal Komputer dan Teknologi Informasi
  • Program Studi S1 Informatika,  Unimus| Universitas Muhammadiyah Semarang
  • Sekretariat: Gedung Kuliah Bersama II (GKB II) Lantai 7,  Jl. Kedungmundu Raya No 18 Semarang
  • email: informatika@unimus.ac.id, Phone: + +62 813 2504 3677
  • e-ISSN: 2986-7592

Paper Template: Download

View My Stats

------------------------------------------------------------------------------------------------------------------------------------------------------