MENINGKATKAN AKURASI MODEL PENGENALAN EMOSI WAJAH MENGGUNAKAN FEATURE EXTRACTION DAN HYPERPARAMETERS TUNING CNN

Beberapa tahun terakhir ini, minat untuk mengembangkan model pengenalan emosi wajah semakin meningkat. Pengenalan emosi wajah ini dapat untuk digunakan dalam berbagai aplikasi. Namun, untuk mencapai akurasi tinggi pada model pengenalan emosi wajah ini masih menjadi tantangan. Salah satu aspek kunci...

Full description

Saved in:
Bibliographic Details
Main Author: Guntur Ramadhan, - (Author)
Format: Book
Published: 2023-01-12.
Subjects:
Online Access:Link Metadata
Tags: Add Tag
No Tags, Be the first to tag this record!

MARC

LEADER 00000 am a22000003u 4500
001 repoupi_87466
042 |a dc 
100 1 0 |a Guntur Ramadhan, -  |e author 
245 0 0 |a MENINGKATKAN AKURASI MODEL PENGENALAN EMOSI WAJAH MENGGUNAKAN FEATURE EXTRACTION DAN HYPERPARAMETERS TUNING CNN 
260 |c 2023-01-12. 
500 |a http://repository.upi.edu/87466/1/S_RPL_1905791_Title.pdf 
500 |a http://repository.upi.edu/87466/2/S_RPL_1905791_Chapter1.pdf 
500 |a http://repository.upi.edu/87466/3/S_RPL_1905791_Chapter2.pdf 
500 |a http://repository.upi.edu/87466/4/S_RPL_1905791_Chapter3.pdf 
500 |a http://repository.upi.edu/87466/5/S_RPL_1905791_Chapter4.pdf 
500 |a http://repository.upi.edu/87466/6/S_RPL_1905791_Chapter5.pdf 
500 |a http://repository.upi.edu/87466/7/S_RPL_1905791_Appendix.pdf 
520 |a Beberapa tahun terakhir ini, minat untuk mengembangkan model pengenalan emosi wajah semakin meningkat. Pengenalan emosi wajah ini dapat untuk digunakan dalam berbagai aplikasi. Namun, untuk mencapai akurasi tinggi pada model pengenalan emosi wajah ini masih menjadi tantangan. Salah satu aspek kunci dari pengenalan emosi wajah adalah penggunaan algoritma feature extraction. Algoritma ini digunakan untuk mengekstrak fitur yang relevan dari citra wajah, kemudian digunakan untuk mengklasifikasikan emosi yang diekspresikan oleh wajah tersebut. Ada beberapa algoritma yang dapat digunakan, masing-masing dengan kelebihan dan kelemahannya sendiri. Penelitian ini akan membandingkan Local Binary Pattern (LBP) dan Histogram of Oriented Gradients (HOG) untuk feature extraction. Kemudian menggunakan fitur tersebut untuk melatih data yang digunakan untuk mengklasifikasikan emosi wajah menggunakan algoritma Convolutional Neural Network (CNN) pada dataset CK+. Kemudian penulis akan melakukan hyperparameters tuning dari model terbaik untuk meningkatkan akurasinya. Hasilnya adalah model LBP-CNN mencapai akurasi 95,04% lebih baik daripada model HOG-CNN yang mencapai akurasi 94,08%. Terakhir, penulis melakukan tuning CNN dalam model LBP-CNN dan akurasinya mencapai 100%. ----- In recent years, there has been a growing interest in developing Facial Emotion Recognition (FER) systems. These systems have the potential to be used in a wide range of applications. However, achieving high accuracy in these systems remains a challenge. One key aspect of facial emotion recognition is the use of feature extraction algorithms. These algorithms are used to extract relevant features from facial images, which are then used to classify the emotions expressed by the face. There are many different algorithms that can be used for this purpose, each with its own strengths and weaknesses. This research will compare the Local Binary Pattern (LBP) and Histogram of Oriented Gradients (HOG) for feature extraction. Then use these features to train a classifier, which is used to classify the emotions expressed by the faces using Convolutional Neural Network (CNN) algorithm on CK+ dataset. Then the author will hyperparameters tuning the best model to increase its accuracy. The finding is the LBP-CNN model achieved 95,04 % accuracy better than the HOG-CNN model which achieved 94,08 % accuracy. Finally, the author tuning the CNN in LBP-CNN model and its achieved 100 % accuracy. 
546 |a en 
546 |a en 
546 |a en 
546 |a en 
546 |a en 
546 |a en 
546 |a en 
690 |a QA75 Electronic computers. Computer science 
690 |a T Technology (General) 
655 7 |a Thesis  |2 local 
655 7 |a NonPeerReviewed  |2 local 
787 0 |n http://repository.upi.edu/87466/ 
787 0 |n http://repository.upi.edu 
856 |u https://repository.upi.edu/87466  |z Link Metadata