Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut
Pengenalan emosi memainkan peran penting dalam komunikasi yang dapat dikenali dari ekspresi wajah. Terdapat banyak metode yang dapat digunakan untuk mengenali ekspresi wajah secara automatis, seperti convolutional neural network (CNN). Penelitian ini bertujuan untuk mengimplementasikan dan membandin...
Main Authors: | , , , , , |
---|---|
Format: | Article |
Language: | Indonesian |
Published: |
Universitas Dian Nuswantoro
2022-08-01
|
Series: | Techno.Com |
Subjects: | |
Online Access: | http://publikasi.dinus.ac.id/index.php/technoc/article/view/6373 |
_version_ | 1811339471028748288 |
---|---|
author | Sri Nurdiati Mohamad Khoirun Najib Fahren Bukhari Muhammad Reza Ardhana Salsabilla Rahmah Trianty Putri Blante |
author_facet | Sri Nurdiati Mohamad Khoirun Najib Fahren Bukhari Muhammad Reza Ardhana Salsabilla Rahmah Trianty Putri Blante |
author_sort | Sri Nurdiati |
collection | DOAJ |
description | Pengenalan emosi memainkan peran penting dalam komunikasi yang dapat dikenali dari ekspresi wajah. Terdapat banyak metode yang dapat digunakan untuk mengenali ekspresi wajah secara automatis, seperti convolutional neural network (CNN). Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model CNN dengan arsitektur AlexNet dan VGG untuk pengenalan ekspresi wajah menggunakan bahasa pemrograman Julia. Model CNN akan digunakan untuk mengklasifikasikan tiga ekspresi yang berbeda dari tujuh orang pengekspresi. Data diproses dengan beberapa teknik augmentasi data untuk mengatasi masalah keterbatasan data. Hasil penelitian menunjukkan bahwa ketiga arsitektur dapat mengklasifikasikan ekspresi wajah dengan sangat baik, yang ditunjukkan oleh nilai rata-rata akurasi pada data training dan testing yang lebih dari 94%. Untuk memenuhi nilai cross-entropy sebesar 0.1, arsitektur VGG-11 memerlukan jumlah epoch yang paling sedikit dibandingkan arsitektur lainnya, sedangkan arsitektur AlexNet memerlukan waktu komputasi yang paling sedikit. Waktu komputasi pada proses pelatihan sebanding dengan jumlah parameter yang terkandung pada model CNN. Akan tetapi, jumlah epoch yang sedikit belum tentu membutuhkan waktu komputasi yang sedikit. Selain itu, nilai recall, presisi, dan F1-score untuk masalah klasifikasi multi-class menunjukkan hasil yang baik, yaitu lebih dari 94%. |
first_indexed | 2024-04-13T18:27:08Z |
format | Article |
id | doaj.art-fbb19a2dbb2a4a4c958de79a579a5efe |
institution | Directory Open Access Journal |
issn | 2356-2579 |
language | Indonesian |
last_indexed | 2024-04-13T18:27:08Z |
publishDate | 2022-08-01 |
publisher | Universitas Dian Nuswantoro |
record_format | Article |
series | Techno.Com |
spelling | doaj.art-fbb19a2dbb2a4a4c958de79a579a5efe2022-12-22T02:35:13ZindUniversitas Dian NuswantoroTechno.Com2356-25792022-08-0121350051010.33633/tc.v21i3.63732653Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi LanjutSri Nurdiati0Mohamad Khoirun Najib1Fahren Bukhari2Muhammad Reza Ardhana3Salsabilla Rahmah4Trianty Putri Blante5IPB UniversityIPB UniversityIPB UniversityIPB UniversityIPB UniversityIPB UniversityPengenalan emosi memainkan peran penting dalam komunikasi yang dapat dikenali dari ekspresi wajah. Terdapat banyak metode yang dapat digunakan untuk mengenali ekspresi wajah secara automatis, seperti convolutional neural network (CNN). Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model CNN dengan arsitektur AlexNet dan VGG untuk pengenalan ekspresi wajah menggunakan bahasa pemrograman Julia. Model CNN akan digunakan untuk mengklasifikasikan tiga ekspresi yang berbeda dari tujuh orang pengekspresi. Data diproses dengan beberapa teknik augmentasi data untuk mengatasi masalah keterbatasan data. Hasil penelitian menunjukkan bahwa ketiga arsitektur dapat mengklasifikasikan ekspresi wajah dengan sangat baik, yang ditunjukkan oleh nilai rata-rata akurasi pada data training dan testing yang lebih dari 94%. Untuk memenuhi nilai cross-entropy sebesar 0.1, arsitektur VGG-11 memerlukan jumlah epoch yang paling sedikit dibandingkan arsitektur lainnya, sedangkan arsitektur AlexNet memerlukan waktu komputasi yang paling sedikit. Waktu komputasi pada proses pelatihan sebanding dengan jumlah parameter yang terkandung pada model CNN. Akan tetapi, jumlah epoch yang sedikit belum tentu membutuhkan waktu komputasi yang sedikit. Selain itu, nilai recall, presisi, dan F1-score untuk masalah klasifikasi multi-class menunjukkan hasil yang baik, yaitu lebih dari 94%.http://publikasi.dinus.ac.id/index.php/technoc/article/view/6373adamconfusion matrixpelatihan fitursensitivitastingkat positif benar |
spellingShingle | Sri Nurdiati Mohamad Khoirun Najib Fahren Bukhari Muhammad Reza Ardhana Salsabilla Rahmah Trianty Putri Blante Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut Techno.Com adam confusion matrix pelatihan fitur sensitivitas tingkat positif benar |
title | Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut |
title_full | Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut |
title_fullStr | Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut |
title_full_unstemmed | Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut |
title_short | Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut |
title_sort | perbandingan alexnet dan vgg untuk pengenalan ekspresi wajah pada dataset kelas komputasi lanjut |
topic | adam confusion matrix pelatihan fitur sensitivitas tingkat positif benar |
url | http://publikasi.dinus.ac.id/index.php/technoc/article/view/6373 |
work_keys_str_mv | AT srinurdiati perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut AT mohamadkhoirunnajib perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut AT fahrenbukhari perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut AT muhammadrezaardhana perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut AT salsabillarahmah perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut AT triantyputriblante perbandinganalexnetdanvgguntukpengenalanekspresiwajahpadadatasetkelaskomputasilanjut |