UNDHIRA BALIUNDHIRA BALI

Jurnal Teknologi Informasi dan KomputerJurnal Teknologi Informasi dan Komputer

Penelitian ini menggunakan Convolutional Neural Network (CNN) dan Support Vector Machine (SVM) dalam pengenalan ekspresi wajah. Data yang digunakan terdiri dari 3600 gambar ekspresi wajah, dibagi menjadi data train dan testing dengan rasio 20:80. Pada CNN, dilakukan tiga pengujian dengan nilai epoch yang berbeda. Hasilnya menunjukkan bahwa pada epoch 25, akurasi yang dihasilkan adalah 32%. Pada epoch 50, akurasi meningkat menjadi 35%, tetapi pada epoch 100, akurasi kembali menurun menjadi 32%. Akurasi tertinggi pada CNN terjadi pada epoch 50. Sementara itu, SVM menghasilkan akurasi sebesar 61.39%, yang lebih tinggi dibandingkan dengan CNN. Ini menunjukkan bahwa SVM memiliki kinerja yang lebih baik dalam pengenalan ekspresi wajah pada dataset ini. Meskipun CNN memiliki performa yang lebih rendah dibandingkan SVM dalam kasus ini, penelitian ini memberikan pemahaman tentang kinerja kedua metode dalam pengenalan ekspresi wajah. Hasil ini dapat menjadi dasar untuk pengembangan metode yang lebih baik di masa depan menggunakan teknik Deep Learning guna meningkatkan akurasi pengenalan ekspresi wajah.

Penelitian ini menunjukkan bahwa SVM memiliki akurasi yang lebih tinggi (61.39%) dibandingkan dengan CNN (35%) dalam klasifikasi ekspresi wajah pada dataset yang digunakan.Hasil ini mengindikasikan bahwa SVM lebih efektif dalam memisahkan kelas-kelas ekspresi wajah dalam konteks penelitian ini.Meskipun demikian, CNN tetap memberikan pemahaman penting mengenai kinerja metode deep learning dalam pengenalan ekspresi wajah.

Berdasarkan keterbatasan penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, penelitian lebih lanjut dapat dilakukan dengan menggunakan dataset yang lebih besar dan beragam untuk menguji generalisasi model CNN dan SVM. Kedua, eksplorasi arsitektur CNN yang lebih kompleks, seperti ResNet atau Inception, dapat dilakukan untuk meningkatkan akurasi pengenalan ekspresi wajah. Ketiga, integrasi teknik augmentasi data, seperti rotasi, penskalaan, dan pergeseran, dapat membantu meningkatkan robustitas model terhadap variasi dalam kondisi pencahayaan dan pose wajah. Penelitian-penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan sistem pengenalan ekspresi wajah yang lebih akurat dan andal, yang dapat diterapkan dalam berbagai aplikasi seperti interaksi manusia-komputer, analisis emosi, dan keamanan.

  1. KLASIFIKASI BATIK RIAU DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS (CNN): KLASIFIKASI BATIK RIAU... doi.org/10.33060/jik/2020/vol9.iss1.144KLASIFIKASI BATIK RIAU DENGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORKS CNN KLASIFIKASI BATIK RIAU doi 10 33060 jik 2020 vol9 iss1 144
  2. PENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2-D DAN SUPPORT VECTOR MACHINE (SVM) | Mustakim... ejournal3.undip.ac.id/index.php/transient/article/view/18080PENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2 D DAN SUPPORT VECTOR MACHINE SVM Mustakim ejournal3 undip ac index php transient article view 18080
  3. Probabilistic Extension of Precision, Recall, and F1 Score for More Thorough Evaluation of Classification... doi.org/10.18653/v1/2020.eval4nlp-1.9Probabilistic Extension of Precision Recall and F1 Score for More Thorough Evaluation of Classification doi 10 18653 v1 2020 eval4nlp 1 9
  4. Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa... openjournal.unpam.ac.id/index.php/informatika/article/view/6760Implementasi Deep Learning Menggunakan Metode CNN dan LSTM untuk Menentukan Berita Palsu dalam Bahasa openjournal unpam ac index php informatika article view 6760
Read online
File size354.56 KB
Pages10
DMCAReport

Related /

ads-block-test