PENGEMBANGAN APLIKASI CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN PENDEKATAN VGG16 DAN KUANTUM SERTA PERBANDINGAN KINERJA DALAM KLASIFIKASI EMOSI PADA DATASET RAF-DB

Safitri, Andita Ayu (2024) PENGEMBANGAN APLIKASI CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN PENDEKATAN VGG16 DAN KUANTUM SERTA PERBANDINGAN KINERJA DALAM KLASIFIKASI EMOSI PADA DATASET RAF-DB. Other thesis, UPN "Veteran" Yogyakarta.

	Text Halaman Judul_123200118.pdf Download (192kB)
	Text Abstrak_123200118.pdf Download (11kB)
	Text Halaman pengesahan_123200118.pdf Download (432kB)
	Text Daftar Isi_123200118.pdf Download (67kB)
	Text Daftar Pustaka_123200118.pdf Download (85kB)
	Text Skripsi Full Text_123200118.pdf Restricted to Repository staff only Download (6MB)

Abstract

Sistem klasifikasi emosi menjadi salah satu hal penting seiring dengan
perkembangan teknologi. Sistem ini dibutuhkan untuk mengatasi berbagai hal seperti deteksi
dini kesehatan mental maupun dalam bidang keamanan. Salah satu metode yang banyak
digunakan dalam sistem klasifikasi emosi yaitu Convolutional Neural Networks (CNN).
Metode ini telah terbukti unggul dalam kemampuannya mengenali gambar dengan
memanfaatkan kemampuan ekstraksi fiturnya yang kuat, khusunya penggunaan arsitektur
VGG16. Kemudian, teori kuantum muncul sebagai solusi mengatasi keterbatasan metode
CNN dalam hal akurasi yang tergolong masih rendah dan waktu eksekusi yang relatif lama.
Penelitian ini secara khusus memfokuskan pada perbandingan kinerja dari kedua metode
yaitu metode VGG16 dan Hybrid-Quantum.
Pengujian klasifikasi emosi wajah menggunakan dataset Real-World Affective Faces
(RAF-DB) dengan 2 subset yaitu basic dan compound. Penelitian menggunakan tiga
hyperparameter yaitu epoch (70 dan 100), learning rate (0,001 dan 0,0001), dan batch size
(16 dan 64). Hasil penelitian menyatakan bahwa model pendekatan kuantum yang
memanfaatkan prinsip superposisi dan entanglement dapat meningkatkan akurasi dengan
rata-rata peningkatan sebesar 4.60% pada subset basic dan 4.47% pada subset compound.
Sedangkan, waktu komputasi mengalami penurunan sebesar 22.11% pada subset basic, dan
6.20% pada subset compound. Hal ini menunjukkan bahwa subset basic mengalami
peningkatan akurasi sekaligus penurunan waktu komputasi secara signifikan.
Kata Kunci: Ekspresi Wajah, Klasifikasi Emosi, Convolutional Neural Network (CNN),
Hybrid-Quantum, Real-World Affective Faces (RAF-DB)

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Ekspresi Wajah, Klasifikasi Emosi, Convolutional Neural Network (CNN), Hybrid-Quantum, Real-World Affective Faces (RAF-DB)
Subjects:	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:	05 Mar 2025 01:27
Last Modified:	05 Mar 2025 01:27
URI:	http://eprints.upnyk.ac.id/id/eprint/42183

Actions (login required)

View Item