Implementasi Algoritma Convolutional Neural Network Arsitektur Mobilenetv2 Untuk Klasifikasi Ekspresi Wajah Pada Dataset FER
DOI:
https://doi.org/10.29407/4t4bh918Keywords:
klasifikasi ekspresi wajah, CNN, MobileNetV2, FER-2013, overfittingAbstract
Wajah merupakan bagian tubuh yang menjadi fokus ketika melakukan interaksi sosial. Manusia menunjukkan emosinya melalui ekspresi pada wajahnya. Face processing merupakan salah satu teknologi dalam bidang computer vision yang sedang berkembang saat ini. Salah satunya adalah pengenalan ekspresi wajah (facial expression recognition). Dalam penelitian ini, kami mengusulkan penggunaan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk klasifikasi ekspresi wajah. Model CNN dilatih menggunakan dataset FER yang berisi 4200 gambar wajah dengan tujuh kelas ekspresi, yaitu senang, marah, sedih, takut, jijik, terkejut, dan netral. Hasil penelitian menunjukkan bahwa model CNN dengan arsitektur MobileNetV2 dapat mencapai akurasi sebesar 42,68%. Untuk meningkatkan akurasi model, perlu dilakukan eksplorasi lanjutan dengan teknik-teknik seperti augmentasi data dan dropout. Selain itu, disarankan untuk menggunakan data latih yang lebih besar.
Downloads
References
LIESTANTYO H, N. B., Widodo, A. P., & Suryono, S. (2021). RANCANG BANGUN SISTEM DAN EVALUASI MODEL MACHINE LEARNING MOBILENETSV2 DAN NASNET UNTUK MENDETEKSI EMOSI PADA WAJAH (Doctoral dissertation, School of Postgraduate Studies).
Sihombing, R. S. I., Siregar, R. N. T., Sitorus, V., & Sitompul, T. S. (2023). Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network (CNN). Journal of Creative Student Research, 1(6), 89-97.
Alamsyah, Derry, and Dicky Pratama. "Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset." (JurTI) Jurnal Teknologi Informasi 4.2 (2020): 350-355.
Guntoro, AL Sigit, Edy Julianto, and Djoko Budiyanto. "Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network." Jurnal Informatika Atma Jogja 3.2 (2022): 155-160.
Cotter, S. F., 2020, MobiExpressNet: A Deep Learning Network for Face Expression Recognition on Smart Phones, Dalam 2020 IEEE International Conference on Consumer Electronics (ICCE) (hlm. 1–4). Las Vegas, NV, USA: IEEE
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., dan Adam, H., 2017, MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications, ArXiv:1704.04861 [Cs].
Li, S., dan Deng, W., 2020, Deep Facial Expression Recognition: A Survey, IEEE Transactions on Affective Computing, 1–1.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., dan Chen, L.-C., 2018, MobileNetV2: Inverted Residuals and Linear Bottlenecks, Dalam 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (hlm. 4510–4520). Salt Lake City, UT: IEEE.
Alamsyah, D., & Pratama, D. (2020). Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset. (JurTI) Jurnal Teknologi Informasi, 4(2), 350-355.
Harahap, F. A. A., Nafisa, A. N., Purba, E. N. D. B., & Putri, N. A. (2023). Implementasi Algoritma Convolutional Neural Network Arsitektur Model MobileNetV2 dalam Klasifikasi Penyakit Tumor Otak Glioma, Pituitary dan Meningioma. Jurnal Teknologi Informasi, Komputer, dan Aplikasinya (JTIKA), 5(1), 53-61.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Devfris Dhimas Permana Putra, Galang Kurnia Anaga, Wahyu Tia Fitriyana
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
