SINAGA, DANIEL HASIANDO (2025) KLASIFIKASI COMPOUND FACIAL EXPRESSIONS MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNET. Skripsi thesis, UPN Veteran Yogyakarta.
![]() |
Text
1_Skripsi Full_123210047_Daniel Hasiando Sinaga.pdf Restricted to Repository staff only Download (4MB) |
![]() |
Text
2_Cover_123210047_Daniel Hasiando Sinaga.pdf Download (166kB) |
![]() |
Text
3_Abstrak_123210047_Daniel Hasiando Sinaga.pdf Download (236kB) |
![]() |
Text
4_Halaman Pengesahan_123210047_Daniel Hasiando Sinaga.pdf Download (810kB) |
![]() |
Text
5_Daftar Isi_123210047_Daniel Hasiando Sinaga.pdf Download (282kB) |
![]() |
Text
6_Daftar Pustaka_123210047_Daniel Hasiando Sinaga.pdf Download (192kB) |
Abstract
Penelitian pengenalan ekspresi wajah umumnya masih terfokus pada emosi dasar,
padahal interaksi manusia di dunia nyata lebih sering menampilkan ekspresi wajah majemuk
(Compound Facial Expressions), yaitu gabungan dari dua atau lebih emosi dasar.
Pengenalan ekspresi majemuk atau Compound Expression Recognition (CER) merupakan
tantangan signifikan karena fitur visualnya yang subtil dan ambigu. Solusi yang ada saat ini,
seperti ensemble learning, sering kali membutuhkan sumber daya komputasi yang besar
sehingga tidak efisien untuk implementasi praktis. Di sisi lain, arsitektur modern yang
dirancang untuk efisiensi seperti EfficientNetV2 masih jarang dieksplorasi untuk tugas CER
yang kompleks ini. Oleh karena itu, penelitian ini bertujuan mengisi kesenjangan tersebut
dengan mengevaluasi secara sistematis kinerja arsitektur EfficientNetV2-S sebagai solusi
yang akurat sekaligus efisien secara komputasi untuk mengatasi permasalahan klasifikasi
ekspresi wajah majemuk.
Metode penelitian yang digunakan adalah eksperimen kuantitatif dengan
mengimplementasikan model Convolutional Neural Network (CNN). Penelitian ini
memanfaatkan subset ekspresi majemuk dari dataset publik Real-world Affective Faces
Database (RAF-DB) yang berisi 3.954 citra dalam 11 kelas emosi. Dataset dibagi secara
terstratifikasi menjadi 80% data latih, 10% validasi, dan 10% uji. Proses pra-pemrosesan
data meliputi pengubahan ukuran seluruh citra menjadi 224x224 piksel dan penerapan teknik
augmentasi data pada set pelatihan untuk meningkatkan variasi. Model utama dibangun
menggunakan arsitektur EfficientNetV2-S dengan pendekatan transfer learning dari bobot
ImageNet. Kinerja model ini kemudian dievaluasi melalui 24 skenario pengujian
hyperparameter yang berbeda dan dibandingkan secara langsung dengan arsitektur generasi
sebelumnya, yaitu EfficientNet-B0, untuk memvalidasi keunggulannya.
Hasil penelitian membuktikan bahwa arsitektur EfficientNetV2-S merupakan solusi
yang kompetitif. Konfigurasi terbaiknya mencapai akurasi pengujian sebesar 60.85%,
terbukti lebih unggul dibandingkan EfficientNet-B0 (58.8%) dan dicapai dengan waktu
komputasi yang lebih singkat. Temuan paling signifikan adalah bahwa performa optimal
diperoleh tanpa melakukan fine-tuning, yang mengindikasikan bahwa bobot pra-terlatih dari
ImageNet sudah sangat efektif sebagai pengekstraksi fitur tetap. Meskipun demikian,
teridentifikasi adanya tantangan overfitting yang ditandai oleh kesenjangan antara akurasi
pelatihan yang tinggi dan akurasi validasi yang stagnan. Sebagai kontribusi utama, model
ini mencapai nilai rata-rata diagonal confusion matrix (average) sebesar 45.95%, sebuah
hasil yang mampu bersaing dengan penelitian rujukan pada dataset RAF-DB, sekaligus
membuktikan potensinya sebagai alternatif modern yang efisien.
.
Kata Kunci: Ekspresi Wajah Majemuk, Convolutional Neural Network, EfficientNetV2,
Transfer Learning
Item Type: | Tugas Akhir (Skripsi) |
---|---|
Uncontrolled Keywords: | Ekspresi Wajah Majemuk, Convolutional Neural Network, EfficientNetV2, Transfer Learning |
Subjek: | Z Bibliography. Library Science. Information Resources > ZA Information resources |
Divisions: | Fakultas Teknik Industri > (S1) Informatika |
Depositing User: | Eko Yuli |
Date Deposited: | 24 Sep 2025 10:02 |
Last Modified: | 24 Sep 2025 10:02 |
URI: | http://eprints.upnyk.ac.id/id/eprint/43843 |
Actions (login required)
![]() |
View Item |