PENERAPAN BRIGHTNESS AUGMENTATION UNTUK MENGETAHUI PENGARUH TERHADAP AKURASI KLASIFIKASI EKSPRESI WAJAH BERMASKER DENGAN MODEL CNN

Ramadhan, Desty Mustika (2023) PENERAPAN BRIGHTNESS AUGMENTATION UNTUK MENGETAHUI PENGARUH TERHADAP AKURASI KLASIFIKASI EKSPRESI WAJAH BERMASKER DENGAN MODEL CNN. Sarjana thesis, Universitas Siliwangi.

[img] Text
01 Cover.pdf
Download (93kB)
[img] Text
02 Lembar Pengesahan.pdf
Download (161kB)
[img] Text
03 Lembar Pernyataan.pdf
Download (79kB)
[img] Text
04 Abstrak.pdf
Download (62kB)
[img] Text
05 Abstract.pdf
Download (62kB)
[img] Text
06 Kata Pengantar.pdf
Download (203kB)
[img] Text
07 Daftar Isi.pdf
Download (148kB)
[img] Text
08 Daftar Tabel.pdf
Download (65kB)
[img] Text
09 Daftar Gambar.pdf
Download (85kB)
[img] Text
10 Daftar Source Code.pdf
Download (66kB)
[img] Text
11 BAB I.pdf
Download (84kB)
[img] Text
12 BAB II.pdf
Download (499kB)
[img] Text
13 BAB III.pdf
Download (311kB)
[img] Text
14 BAB IV.pdf
Restricted to Repository staff only
Download (3MB)
[img] Text
15 BAB V.pdf
Restricted to Repository staff only
Download (66kB)
[img] Text
16 Daftar Pustaka.pdf
Download (165kB)
[img] Text
17 Lampiran.pdf
Restricted to Repository staff only
Download (1MB)

Abstract

Penggunaan metode Deep Learning dengan model CNN mulai diterapkan seperti pada Facial Expression Recognition. Namun, dengan adanya situasi pandemi beberapa tahun belakangan ini, masih terdapat beberapa orang yang mengenakan masker untuk kepentingan pekerjaaan atau karena mereka sedang dalam keadaaan sakit sehingga wajah mereka tidak terlihat sepenuhnya. Hal tersebut dapat memengaruhi dalam interaksi sosial khususnya pada area mulut yang bersifat sangat informatif. Oleh karena itu, penelitian ini bertujuan untuk memberikan pemahaman lebih baik tentang pengenalan ekspresi wajah bermasker dengan penerapan model CNN, yaitu dengan aritektur VGG16 dan MobileNet. Selain itu, penelitian ini juga akan mengeksplorasi penggunaan metode augmentasi data, seperti geometric augmentation dan brightness augmentation, untuk melihat pengaruhnya terhadap akurasi klasifikasi ekspresi wajah bermasker. Hasil penelitian menujukkan bahwa penggunaan arsitektur VGG16 dengan metode cross�validation (VGG16-FLCV) memberikan performa yang lebih baik daripada arsitektur MobileNet-FLCV dalam mengenali dan mengklasifikasikan ekspresi wajah bermasker. Penerapan metode augmentasi data, seperti geometric augmentation dan brightness augmentation, telah membantu meningkatkan performa model CNN. Hasil eksperimen menunjukkan bahwa pada arsitektur VGG16-FLCV, brightness range (1.00, 1.25) memberikan akurasi terbaik dengan akurasi latih sebesar 81,73% dan akurasi validasi sebesar 70,71%. Selain itu, penelitian ini menemukan bahwa penggunaan brightness range yang optimal pada arsitektur VGG16-FLCV terdapat pada kategori darkness dengan rentang (0.25, v 0.50), (0.50, 0.75), dan (0.75, 1.00), serta pada kategori brightness dengan rentang (1.00, 1.25). Penelitian ini menemukan bahwa pada arsitektur MobileNet-FLCV dengan brightness range (0.25, 0.50), (0.50, 0.75), (0.75, 1.00), (1.00, 0.25), dan (1.25, 1.50) dapat dijadikan alternatif brightness range yang masih dapat diterapkan tanpa mengalami penurunan akurasi yang signifikan. Kata Kunci : Brightness Augmentation, CNN, Cross Validation, Ekspresi Wajah Bermasker

Item Type: Thesis (Sarjana)
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik > Informatika
Depositing User: Rema Puri Irma Sri Katon
Date Deposited: 01 Aug 2023 08:39
Last Modified: 01 Aug 2023 08:39
URI: http://repositori.unsil.ac.id/id/eprint/10141

Actions (login required)

View Item View Item