PENGARUH HYPERPARAMETER PADA ARSITEKTUR INCEPTIONRESNET-V2 UNTUK PENGENALAN EKSPRESI WAJAH

ISWARI, SABRINA DIAN (2024) PENGARUH HYPERPARAMETER PADA ARSITEKTUR INCEPTIONRESNET-V2 UNTUK PENGENALAN EKSPRESI WAJAH. Other thesis, UPN "Veteran" Yogyakarta.

[thumbnail of Abstrak.pdf] Text
Abstrak.pdf

Download (235kB)
[thumbnail of Cover.pdf] Text
Cover.pdf

Download (199kB)
[thumbnail of Daftar Isi.pdf] Text
Daftar Isi.pdf

Download (221kB)
[thumbnail of Daftar Pustaka.pdf] Text
Daftar Pustaka.pdf

Download (189kB)
[thumbnail of HALAMAN PENGESAHAN PEMBIMBING.pdf] Text
HALAMAN PENGESAHAN PEMBIMBING.pdf

Download (224kB)
[thumbnail of HALAMAN PENGESAHAN PENGUJI.pdf] Text
HALAMAN PENGESAHAN PENGUJI.pdf

Download (224kB)
[thumbnail of SKRIPSI FULL_SabrinaDianIswari_123190036.pdf] Text
SKRIPSI FULL_SabrinaDianIswari_123190036.pdf
Restricted to Repository staff only

Download (3MB)

Abstract

Tujuan: Mengetahui pengaruh hyperparameter pada arsitektur InceptionResnetV2 terhadap
tingkat akurasi dalam pengenalan ekspresi wajah menggunakan dataset FER2013.
Perancangan/metode/pendekatan: Komunikasi manusia melibatkan ekspresi emosi yang
merupakan bagian penting dalam proses interaksi sosial. Emosi mempengaruhi perilaku
manusia dan dapat diekspresikan melalui berbagai cara, termasuk ekspresi wajah.
Pengembangan teknologi dalam pengenalan ekspresi wajah (FER) terus berlanjut, dengan
model-model berbasis machine learning seperti Convolutional Neural Network (CNN)
menjadi fokus utama. Salah satu arsitektur CNN yang mendapat perhatian adalah
InceptionResnet-V2, yang menggabungkan fitur-fitur dari inception dan resnet untuk
meningkatkan performa.
Hasil: Pada penelitian menunjukkan bahwa setiap hyperparameter yang diuji memiliki
pengaruh yang signifikan terhadap performa model. Pengujian dilakukan sebanyak 16 kali
dengan kombinasi epoch 25 dan 50, batch size 32 dan 64, learning rate 0.001 dan 0.0001,
dan optimizer Nadam dan Adam menggunakan dataset FER2013. Hasil pengujian
menunjukkan bahwa hasil paling optimal pada pengujian ke-12 dengan kombinasi
hyperparameter epoch 50, batch size 32, learning rate 0.0001, dan optimizer Nadam,
menghasilkan akurasi tertinggi sebesar 76%. Kesimpulan ini menunjukkan bahwa
pengaturan hyperparameter yang tepat sangat penting dalam meningkatkan kinerja model
FER untuk pengenalan ekspresi wajah menggunakan dataset FER2013.
Kata Kunci: Hyperparameter, Optimizer, Pengenalan ekspresi wajah, Convolutional
Neural Network, InceptionResnetV2

Item Type: Thesis (Other)
Uncontrolled Keywords: Hyperparameter, Optimizer, Pengenalan ekspresi wajah, Convolutional Neural Network, InceptionResnetV2
Subjects: T Technology > T Technology (General)
Divisions: Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User: A.Md Apriliani Kusuma Wardhani
Date Deposited: 20 May 2024 07:22
Last Modified: 20 May 2024 07:22
URI: http://eprints.upnyk.ac.id/id/eprint/39481

Actions (login required)

View Item View Item