IMPLEMENTASI MODEL VGGFACE DAN SUPPORT VECTOR MACHINE PADA KLASIFIKASI EKSPRESI WAJAH COMPOUND

Aziz, Alfian Rizki Mughni (2024) IMPLEMENTASI MODEL VGGFACE DAN SUPPORT VECTOR MACHINE PADA KLASIFIKASI EKSPRESI WAJAH COMPOUND. Other thesis, UPN "Veteran" Yogyakarta.

	Text SKRIPSI_123200050_Alfian Rizki Mughni Aziz.pdf Restricted to Repository staff only Download (2MB)
	Text Cover.pdf Download (162kB)
	Text Abstrak.pdf Download (193kB)
	Text Lembar Pengesahan.pdf Download (611kB)
	Text Daftar Isi.pdf Download (180kB)
	Text Daftar Pustaka.pdf Download (173kB)

Abstract

Ekspresi wajah merupakan bentuk komunikasi non-verbal yang signifikan dalam
interaksi sosial manusia karena mampu menyampaikan berbagai emosi, baik emosi dasar
maupun emosi kompleks atau compound. Meskipun teknologi pengenalan ekspresi wajah
telah berkembang pesat, model berbasis jaringan saraf seperti CNN dan DLP-CNN masih
menghadapi kendala dalam hal waktu pelatihan yang lama dan tingginya kebutuhan
komputasi. Sebagai solusi, transfer learning dengan model pra-pelatihan seperti VGGFace
dapat digunakan untuk ekstraksi fitur, dikombinasikan dengan Support Vector Machine
(SVM) untuk klasifikasi. Penelitian ini bertujuan mengembangkan model yang lebih cepat
dalam pelatihan dan lebih hemat sumber daya komputasi dengan menggabungkan VGGFace
dan SVM untuk klasifikasi ekspresi wajah compound.
Dalam penelitian ini, digunakan dataset RAF-DB compound expression, di mana
preprocessing dilakukan melalui resize dan normalisasi sebelum data diolah lebih lanjut.
Fitur diekstraksi menggunakan VGGFace, lalu data hasil ekstraksi digunakan untuk melatih
model klasifikasi SVM. Proses pelatihan dibagi berdasarkan pembagian data training dan
testing, penggunaan class_weight, serta pengujian empat jenis kernel SVM. Evaluasi model
dilakukan berdasarkan waktu ekstraksi fitur, durasi pelatihan SVM, akurasi keseluruhan, dan
akurasi rata-rata.
Hasil penelitian menunjukkan bahwa kombinasi VGGFace dan SVM memberikan
kinerja terbaik dengan pembagian data training sebesar 80%, menggunakan class_weight,
dan kernel Sigmoid. Total waktu untuk ekstraksi fitur dan pelatihan SVM adalah 1414 detik,
jauh lebih cepat dibandingkan metode DLP-CNN sebelumnya yang membutuhkan sekitar 3
jam. Meskipun akurasi rata-rata model VGGFace-SVM mencapai 41%, sedikit lebih rendah
dibandingkan metode pada penelitian sebelumnya, model ini lebih stabil dan konsisten
karena memiliki nilai standar deviasi yang lebih rendah. Hal ini menunjukkan bahwa
pendekatan ini dapat menjadi alternatif yang efisien untuk pengenalan ekspresi wajah
compound.
Kata Kunci : Ekspresi Compound, Komputasi, Transfer Learning, VGGFace, Support
Vector Machine

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ekspresi Compound, Komputasi, Transfer Learning, VGGFace, Support Vector Machine
Subjects:	H Social Sciences > H Social Sciences (General) T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Engineering Sciences
Depositing User:	A.Md.SI Indah Lestari Wulan Aji
Date Deposited:	12 Nov 2024 02:38
Last Modified:	12 Nov 2024 02:38
URI:	http://eprints.upnyk.ac.id/id/eprint/41608

Actions (login required)

View Item