KLASIFIKASI EKSPRESI WAJAH BERBASIS CITRA DIGITAL MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR RESNET-50

NINA ADELIA LATINANINGSIH

Informasi Umum

Kode

23.04.1731

Klasifikasi

621.367 - Technological photography and photo-optics, Spectrography, Stroboscopic photography, Image processing, Optical data processing

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Image Proceesing, Neural Networks,

Dilihat

412 kali

Informasi Lainnya

Abstraksi

Ekspresi wajah merupakan bentuk komunikasi nonverbal yang terdiri dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat mengungkapkan keadaan emosi individu kepada seseorang yang sedang mengamatinya. Pengenalan ekspresi wajah banyak diterapkan dalam bidang pelayanan jasa dan kamera pengawas. Melalui kamera pengawas cctv, dapat diketahui apakah pelanggan merasa senang saat berbelanja atau sebaliknya. Umumnya komputer tidak dapat mendeteksi berbagai ekspresi wajah manusia dengan baik. Oleh sebab itu, pada penelitian ini dibuat sistem untuk mempermudah identifikasi ekspresi wajah manusia pada komputer.

Pada Tugas Akhir ini dilakukan perancangan sebuah sistem untuk mengklasifikasi ekspresi wajah menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur Residual Network 50 (Resnet-50). Tugas Akhir ini menggunakan dataset JAFFE yang terdiri dari 213 citra wajah. Tahap klasifikasi ekspresi terbagi menjadi tujuh kelas yaitu marah, sedih, senang, terkejut, jijik, kaget dan netral.

Citra masukan ekspresi wajah diolah melalui beberapa tahap perancangan diantaranya preprocessing dan klasifikasi menggunakan Resnet-50. Tahap preprocessing dilakukan cropping pada bagian wajah citra masukan dan resize citra masukan menjadi 64 × 64 piksel. Tahap selanjutnya dilakukan klasifikasi Resnet-50 menggunakan tiga optimizer, yaitu Adaptive Moment (Adam), Stochastic Gradient Descent (SGD) dan Roat Mean Square Propagation (RMSProp). Skenario pengujian pada Tugas Akhir ini yaitu membandingkan performansi sistem dari pengujian optimizer, pengaruh ukuran epoch, pengaruh nilai learning rate, pengaruh nilai batch size dan perbandingan performansi sistem. Hasil akhir menunjukkan model terbaik untuk klasifiaksi ekspresi wajah menggunakan optimizer Adam dengan epoch 70, pada batch size 8 serta learning rate 0.0005 menghasilkan nilai akurasi 97,67%

Kata Kunci: Ekspresi Wajah, Convolutional Neural Network (CNN), Resnet-50, JAFFE.