Shinta Nursobah Chairani, . (2026) Analisis Komparatif Performa ResNet dan InceptionV3 dalam Deteksi Emosi Berbasis Transfer Learning untuk Optimalisasi Akurasi dan Waktu Inferensi dalam Terapi Alexithymia. Skripsi thesis, Universitas Pembangunan Nasional "Veteran" Yogyakarta.
|
Text
123220074_Cover - Shinta Nursobah Chairani.pdf Download (168kB) |
|
|
Text
123220074_Abstrak - Shinta Nursobah Chairani.pdf Download (239kB) |
|
|
Text
123220074_Daftar Isi - Shinta Nursobah Chairani.pdf Download (284kB) |
|
|
Text
123220074_Halaman Pengesahan - Shinta Nursobah Chairani.pdf Download (2MB) |
|
|
Text
123220074_Daftar Pustaka - Shinta Nursobah Chairani.pdf Download (216kB) |
|
|
Text
123220074_Fulltext - Shinta Nursobah Chairani.pdf Restricted to Repository staff only Download (6MB) |
Abstract
Alexithymia merupakan gangguan psikologis yang ditandai oleh kesulitan individu dalam mengenali, memahami, dan mengungkapkan emosinya sendiri. Kondisi ini berdampak langsung pada kemampuan penderita berkomunikasi dengan orang-orang di sekitarnya, sehingga interaksi sosial sehari-hari sering kali terhambat. Untuk mengatasi keterbatasan tersebut, penderita membutuhkan alat bantu yang dapat mengidentifikasi emosi secara langsung (real-time) ketika berinteraksi dengan pendamping atau orang terdekat. Teknologi Facial Emotion Recognition (FER) berbasis kecerdasan buatan menjadi salah satu solusi yang berpotensi menjawab kebutuhan ini. Meskipun demikian, sebagian besar penelitian FER yang telah dilakukan selama ini lebih berfokus pada peningkatan akurasi model, sementara aspek waktu inferensi (inference time) kerap luput dari perhatian. Padahal, dalam konteks interaksi sehari-hari, sistem yang merespons secara lambat justru berpotensi mengganggu kelancaran komunikasi sosial penderita alexithymia. Berdasarkan kesenjangan tersebut, penelitian ini menghadirkan analisis komparatif secara sistematis untuk menentukan arsitektur model yang paling optimal, yakni arsitektur yang mampu menyeimbangkan akurasi tinggi dengan latensi rendah, sebagai landasan pengembangan alat bantu yang efektif dan andal bagi penderita alexithymia.
Penelitian ini membandingkan kinerja dua arsitektur, yaitu ResNet-50 dan InceptionV3, yang keduanya dikembangkan menggunakan pendekatan transfer learning pada dataset RAF-DB in-the-wild yang berjumlah 15.339 gambar. Tahap awal penelitian dimulai dengan pengumpulan data, dilanjutkan dengan proses praproses berupa deteksi dan pemotongan otomatis area wajah menggunakan Haar-Cascade Classifier. Selanjutnya, data dibagi dengan proporsi 80:10:10 untuk mencegah terjadinya kebocoran data (data leakage) antara data latih, validasi, dan uji. Guna mengatasi ketidakseimbangan jumlah data pada tiap kelas emosi, diterapkan teknik hybrid resampling sehingga setiap kelas memiliki jumlah gambar yang setara, yaitu 1.968 gambar per kelas. Kedua arsitektur kemudian diuji melalui 12 skenario eksperimen dengan variasi parameter, meliputi learning rate, dropout, dan jumlah lapisan yang dibuka (unfreeze layer).
Hasil pengujian menunjukkan bahwa arsitektur ResNet-50 secara konsisten unggul dibandingkan InceptionV3, baik dari segi akurasi maupun kecepatan pemrosesan. Akurasi tertinggi yang dicapai ResNet-50 adalah sebesar 84,62% pada Skenario 2, yaitu pada kombinasi dropout 0,5/0,4, learning rate tertentu, serta 20% unfreeze layer, dengan waktu inferensi yang tergolong efisien, yakni 223,72 ms per gambar. Sebagai perbandingan, InceptionV3 hanya mencapai akurasi 83,31% dengan waktu inferensi yang lebih lama, yaitu 288,44 ms. Analisis Pareto Frontier menunjukkan bahwa ResNet-50 memberikan keseimbangan terbaik antara akurasi dan latensi.
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Uncontrolled Keywords: | Alexithymia, Facial Emotion Recognition, ResNet-50, InceptionV3, Transfer Learning |
| Subjek: | Q Science > QA Mathematics > QA76 Computer software |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | UPA Perpustakaan |
| Date Deposited: | 06 Nov 2026 06:23 |
| Last Modified: | 06 Nov 2026 06:23 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/50191 |
Actions (login required)
![]() |
View Item |
