KOMPARASI KINERJA SUPPORT VECTOR MACHINE DAN HYBRID QUANTUM SUPPORT VECTOR MACHINE DALAM PREDIKSI EMOSI BERBASIS PENGENALAN EKSPRESI WAJAH

SETIAWAN, ARNETA JUNIAR (2025) KOMPARASI KINERJA SUPPORT VECTOR MACHINE DAN HYBRID QUANTUM SUPPORT VECTOR MACHINE DALAM PREDIKSI EMOSI BERBASIS PENGENALAN EKSPRESI WAJAH. Other thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123200108_Arneta Juniar Setiawan.pdf Download (146kB)
	Text 3_Abstrak_123200108_Arneta Juniar Setiawan.pdf Download (17kB)
	Text 4_Halaman Pengesahan_123200108_Arneta Juniar Setiawan.pdf Download (439kB)
	Text 5_Daftar Isi_123200108_Arneta Juniar Setiawan.pdf Download (57kB)
	Text 6_Daftar Pustaka_123200108_Arneta Juniar Setiawan.pdf Download (148kB)
	Text 1_Skripsi Full_123200108_Arneta Juniar Setiawan.pdf Restricted to Repository staff only Download (6MB)

Abstract

Ekspresi wajah manusia menjadi kunci penting dalam interaksi sosial sehari-hari.
Dalam kehidupan nyata emosi manusia lebih kompleks untuk bisa direpresentasikan dengan
satu emosi saja. Wajah manusia mampu menyampaikan pesan-pesan kompleks yang berupa
tumpang tindih antara dua emosi, penyembunyian emosi dengan emosi lain yang tidak
dirasakan, penilaian negatif terhadap suatu emosi, atau kombinasi dari enam ekspresi dasar.
Sehingga pengenalan ekspresi wajah menjadi tantangan bagi para peneliti. Penelitian ini
bertujuan untuk membandingkan kinerja model Support Vector Machine (SVM) dan model
Hybrid Quantum Support Vector Machine (HQSVM) dalam mengklasifikasikan emosi
berdasarkan pengenalan ekspresi wajah dengan menggunakan sebuah dataset ekspresi wajah
dari RAF-DB yang memiliki dua subset yaitu emosi dasar (basic) dan emosi
majemuk/kompleks (compound).
Penelitian ini menerapkan algoritma Hybrid Quantum SVM dan SVM klasik untuk
membandingkan kinerja yang dihasilkan oleh kedua model tersebut. Metodologi penelitian
mencakup identifikasi masalah, studi literatur, pengumpulan data, data preprocessing,
perancangan sistem, implementasi, dan evaluasi. Data yang diperoleh melewati proses
augmentasi untuk menciptakan variasi dan jumlah data yang lebih banyak. Selanjutnya,
dilakukan ekstraksi fitur menggunakan Histogram of Oriented Gradients (HOG) dan
dilakukan reduksi fitur menggunakan Principal Component Analysis (PCA). Untuk model
SVM klasik, data akan langsung dilatih menggunakan algoritma SVM, sedangkan untuk
model Hybrid Quantum SVM data akan melalui proses ekstraksi fitur kuantum
menggunakan sirkuit kuantum kemudian baru dilatih menggunakan algoritma SVM.
Hasil penelitian menunjukkan bahwa model Hybrid Quantum SVM memiliki akurasi
sedikit lebih tinggi pada sebagian besar pengujian daripada model SVM. Model SVM
menghasilkan akurasi 64% dengan dataset basic dan 53% dengan dataset compound.
Sedangkan Hybrid QSVM menghasilkan akurasi 65% dengan dataset basic dan 55% dengan
dataset compound. Akan tetapi, model Hybrid QSVM memerlukan waktu komputasi lebih
lama dibandingkan model SVM karena memiliki langkah tambahan untuk ekstraksi fitur
kuantum. Hasil klasifikasi emosi kompleks (compound) yang lebih buruk dibandingkan
dengan klasifikasi emosi dasar (basic) menunjukkan bahwa emosi kompleks lebih sulit
dikenali. Jika dibandingkan dari segi kinerja, HQSVM menunjukkan hasil yang sedikit lebih
baik dibandingkan dengan SVM klasik, terutama dalam mengklasifikasikan ekspresi emosi
yang kompleks. Namun, keunggulan performa HQSVM belum cukup signifikan untuk
membenarkan penggunaan komputasi kuantum dalam kondisi saat ini, mengingat proses
komputasinya lebih kompleks dan memerlukan sumber daya yang lebih besar.
Kata kunci: Prediksi Emosi, Pengenalan Ekspresi Wajah, SVM-HOG, Hybrid Quantum
SVM

Item Type:	Thesis (Other)
Additional Information:	ARNETA JUNIAR SETIAWAN (123200108) ; Mangaras Yanu Florestiyanto (Pembimbing)
Uncontrolled Keywords:	Prediksi Emosi, Pengenalan Ekspresi Wajah, SVM-HOG, Hybrid Quantum SVM
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:	26 May 2025 02:52
Last Modified:	26 May 2025 02:52
URI:	http://eprints.upnyk.ac.id/id/eprint/42597

Actions (login required)

View Item