SIMULASI DAN PEMODELAN DETEKSI TINGKAT ANTUSIASME DARI EKSPRESI WAJAH MENGGUNAKAN YOLOV11 DENGAN OPTIMASI HYPERPARAMETER

Aziz, Hilmi (2025) SIMULASI DAN PEMODELAN DETEKSI TINGKAT ANTUSIASME DARI EKSPRESI WAJAH MENGGUNAKAN YOLOV11 DENGAN OPTIMASI HYPERPARAMETER. Sarjana thesis, Universitas Siliwangi.

[img] Text
1. cover.pdf
Download (736kB)
[img] Text
2. lembar pengesahan.pdf
Download (1MB)
[img] Text
3. lembar penguji.pdf
Download (1MB)
[img] Text
4. lembar pernyataan.pdf
Download (1MB)
[img] Text
5. abstrak.pdf
Download (795kB)
[img] Text
6. lembar persembahan dan motto.pdf
Download (731kB)
[img] Text
7. kata pengantar.pdf
Download (796kB)
[img] Text
8. daftar isi, daftar tabel, daftar gambar, daftar lampiran.pdf
Download (827kB)
[img] Text
9. bab 1.pdf
Download (811kB)
[img] Text
10. bab 2.pdf
Download (1MB)
[img] Text
11. bab 3.pdf
Download (1MB)
[img] Text
12. bab 4.pdf
Restricted to Repository staff only
Download (1MB)
[img] Text
13. bab 5.pdf
Restricted to Repository staff only
Download (795kB)
[img] Text
14. daftar pustaka.pdf
Download (810kB)
[img] Text
15. lampiran.pdf
Restricted to Repository staff only
Download (3MB)

Abstract

Penelitian ini bertujuan untuk membangun model deteksi tingkat antusiasme dalam pembelajaran daring menggunakan algoritma YOLOv11 dengan optimasi hyperparameter. Ekspresi pada wajah merupakan indikator untuk mengidentifikasi tingkatan antusiasme pada pembelajaran daring yang dapat diukur dari tingkat ketertarikannya dalam memperhatikan materi pada layar. Penambahan jumlah kelas data tingkat ketertarikan dilakukan untuk menghasilkan penilaian yang lebih kompleks dan akurat terhadap tingkat antusiasme pelajar. Dataset yang digunakan berasal dari FER2013 yang berisi 7 kelas emosi manusia kemudian diklasifikasikan menjadi 5 kelas tingkatan antusiasme yang dikembangkan dari penelitian terkait sebelumnya dengan banyak gambar 1000 setiap kelasnya sehingga total dataset berisi 5000 gambar. Beberapa hyperparameter model deteksi yaitu epoch, batch size, dan image size dioptimasi untuk mendapatkan kinerja yang optimal. Sebelum optimasi model mencapai rata-rata presisi (mAP 50-95) dengan nilai 95,2% dengan inference time di 1.5 ms. Setelah optimasi performa model meningkat mencapai rata-rata presisi (mAP 50-95) sebesar 97% Dengan inference time 3.1 ms. Kata kunci: deteksi, antusiasme, YOLOv11, optimasi hyperparameter

Item Type: Thesis (Sarjana)
Subjects: Z Bibliography. Library Science. Information Resources > Z665 Library Science. Information Science
Divisions: Fakultas Teknik > Informatika
Depositing User: Lelis Masridah
Date Deposited: 19 Feb 2025 08:19
Last Modified: 19 Feb 2025 08:19
URI: http://repositori.unsil.ac.id/id/eprint/15224

Actions (login required)

View Item View Item