Guntur Ramadhan, - (2023) MENINGKATKAN AKURASI MODEL PENGENALAN EMOSI WAJAH MENGGUNAKAN FEATURE EXTRACTION DAN HYPERPARAMETERS TUNING CNN. S1 thesis, Universitas Pendidikan Indonesia.
Text
S_RPL_1905791_Title.pdf Download (377kB) |
|
Text
S_RPL_1905791_Chapter1.pdf Download (114kB) |
|
Text
S_RPL_1905791_Chapter2.pdf Restricted to Staf Perpustakaan Download (293kB) | Request a copy |
|
Text
S_RPL_1905791_Chapter3.pdf Download (277kB) |
|
Text
S_RPL_1905791_Chapter4.pdf Restricted to Staf Perpustakaan Download (688kB) | Request a copy |
|
Text
S_RPL_1905791_Chapter5.pdf Download (46kB) |
|
Text
S_RPL_1905791_Appendix.pdf Restricted to Staf Perpustakaan Download (483kB) | Request a copy |
Abstract
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.
Item Type: | Thesis (S1) |
---|---|
Additional Information: | Link Google Scholar Guntur: https://scholar.google.com/citations?hl=en&view_op=list_works&gmla=AJsN-F4dPkgiRxjBaTMtqS9RGnhWnF8iZG_NPd1WPQB20RuRtJP_ytWue6ouZ72YigBLanx079JOhS1U2eqmrAJ3_iDiJmXJPg&user=e7aODB8AAAAJ SINTA ID Asyifa Imanda Septiana: 6681802 SINTA ID Dian Anggraini: 6681986 |
Uncontrolled Keywords: | Pengenalan Emosi Wajah, Facial Emotion Recognition, Local Binary Pattern, Histogram of Oriented Gradients, Convolutional Neural Network, Hyperparameters Tuning, Accuracy |
Subjects: | Q Science > QA Mathematics > QA75 Electronic computers. Computer science T Technology > T Technology (General) |
Divisions: | UPI Kampus cibiru > S1 Rekayasa Perangkaat Lunak |
Depositing User: | Guntur Ramadhan |
Date Deposited: | 16 Feb 2023 02:23 |
Last Modified: | 16 Feb 2023 02:44 |
URI: | http://repository.upi.edu/id/eprint/87466 |
Actions (login required)
View Item |