STTSSTTS

INSYST: Journal of Intelligent System and ComputationINSYST: Journal of Intelligent System and Computation

Penelitian ini menyelidiki kemajuan dalam Facial Expression Recognition (FER) dalam domain komputasi afektif, berfokus pada peningkatan akurasi dan ketahanan sistem FER di bawah kondisi dunia nyata yang beragam. Ekspresi wajah berfungsi sebagai isyarat non‑verbal penting dalam komunikasi manusia, namun sistem FER yang ada sering menghadapi tantangan akibat variabilitas lingkungan seperti perubahan pencahayaan, pose, dan occlusion. Penelitian ini mengevaluasi kinerja tiga arsitektur Convolutional Neural Network (CNN)—ResNet50, VGG16, dan MobileNetV3Large—yang digabungkan dengan teknik preprocessing seperti Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Synthetic Minority Oversampling Technique (SMOTE). Metode‑metode ini mengatasi tantangan utama seperti ketidakseimbangan kelas dan kontras rendah pada dataset. Hasil menunjukkan peran penting strategi preprocessing yang disesuaikan; misalnya, penerapan CLAHE dan SMOTE meningkatkan akurasi uji model VGG16 dari 0,70 menjadi 0,79, mewakili peningkatan 0,09 atau 9 %. Peningkatan signifikan ini menegaskan efektivitas kombinasi teknik preprocessing lanjutan dengan arsitektur CNN. Selanjutnya, temuan menyoroti keuntungan mengoptimalkan preprocessing untuk meningkatkan pengenalan emosi halus dalam pengaturan tidak terkendali, memberikan wawasan praktis untuk penerapan sistem FER secara real‑time. Secara keseluruhan, penelitian ini menunjukkan potensi teknik preprocessing untuk meningkatkan kinerja sistem FER secara signifikan, terutama bila dipadukan dengan model deep learning yang mapan.

Penelitian ini menunjukkan bahwa kombinasi teknik preprocessing CLAHE dan SMOTE secara signifikan meningkatkan akurasi model klasifikasi ekspresi wajah, dengan arsitektur VGG16 tanpa transfer learning mencapai akurasi 0,79, meningkat 9 % dibandingkan tanpa preprocessing.Hasil tersebut menegaskan peran penting preprocessing dalam menangani ketidakseimbangan kelas dan kontras rendah, menghasilkan peningkatan performa yang lebih besar daripada perubahan arsitektur model saja.Oleh karena itu, penerapan preprocessing yang disesuaikan dianggap krusial untuk mengembangkan sistem FER yang akurat dan robust dalam kondisi dunia nyata.

Penelitian selanjutnya dapat menyelidiki apakah teknik augmentasi data berbasis Generative Adversarial Network (GAN) dapat meningkatkan kualitas dan keragaman dataset FER dibandingkan dengan CLAHE dan SMOTE yang telah digunakan, sehingga memperbaiki kemampuan model dalam mengenali ekspresi yang sangat halus. Selain itu, penting untuk mengeksplorasi kinerja arsitektur Vision Transformer (ViT) dibandingkan dengan model CNN tradisional ketika dipadukan dengan metode preprocessing serupa, guna mengevaluasi apakah ViT dapat memberikan akurasi lebih tinggi atau efisiensi komputasi yang lebih baik dalam kondisi pencahayaan dan pose yang bervariasi. Selanjutnya, studi dapat memperluas pengujian model pada kumpulan data real‑world yang lebih beragam, termasuk video beresolusi tinggi dengan variasi latar belakang, pencahayaan dinamis, dan sudut kamera ekstrem, untuk menilai generalisasi model dan mengidentifikasi batasan praktis dalam penerapan sistem FER pada aplikasi kehidupan sehari-hari seperti kendaraan otonom atau sistem interaksi manusia‑mesin.

  1. SMOTE: Synthetic Minority Over-sampling Technique | Journal of Artificial Intelligence Research. smote... jair.org/index.php/jair/article/view/10302SMOTE Synthetic Minority Over sampling Technique Journal of Artificial Intelligence Research smote jair index php jair article view 10302
Read online
File size856.75 KB
Pages8
DMCAReport

Related /

ads-block-test