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.

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

Actions (login required)

View Item