ANALISIS KINERJA PENGENALAN EKPRESI WAJAH MENGGUNAKAN AUGMENTASI GEOMETRIS DAN RANDOM OVERSAMPLING PADA CNN MODEL

Rifky, Rifky (2024) ANALISIS KINERJA PENGENALAN EKPRESI WAJAH MENGGUNAKAN AUGMENTASI GEOMETRIS DAN RANDOM OVERSAMPLING PADA CNN MODEL. Bachelor thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text Bab 1.pdf Download (291kB)
	Text Bab 2.pdf Download (507kB)
	Text Bab 3.pdf Download (766kB)
	Text Bab 4.pdf Download (501kB)
	Text Bab 5.pdf Download (282kB)
	Text Lampiran (daftar pustaka, hasil turnitin, coding.pdf Download (1MB)

Abstract

Pengenalan ekspresi wajah dengan CNN memiliki tantangan, terutama terkait data yang tidak seimbang. Overfitting dan error pada model akan terjadi yang sangat berpengaruh pada kinerja sistem terutama pada tingkat akurasi. Data yang tidak seimbang yang memiliki indeks rasio lebih dari 1.5, membutuhkan perlakuan yang tepat. Oversampling secara acak merupakan salah satu cara yang banyak digunakan untuk mengatasi masalah ini. Sementara itu, untuk menghindari oversampling pada data yang kurang, maka akan digunakan augmentasi geometrik. Pada penelitian ini digunakan random oversampling dan augmentasi geometrik pada bagian preprocessing. Hasil dari percobaan yang dilakukan terlihat bahwa besarnya peningkatan tingkat akurasi menjadi 0.81 ketika diterapkannya random oversampling dan augmentasi geometri pada epoch ke-40. Efek dari penanganan pada data yang tidak seimbang dievaluasi dengan menggunakan confusion matrix dimana prediksi kelas meningkat menjadi 76.74, 86.71, 74.27, dan 76.42 untuk ekspresi marah, jijik, takut, dan sedih secara berurutan. Nilai precision, recall dan F2 diperoleh antara 0.73 hingga 0.9 untuk semua dataset ekspresi.

Item Type:	Thesis (Bachelor)
Subjects:	H Social Sciences > H Social Sciences (General) T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika
Depositing User:	Miss Rahma Rahmawati
Date Deposited:	11 Sep 2024 07:24
Last Modified:	20 Sep 2024 04:33
URI:	http://repository.unas.ac.id/id/eprint/11805

Actions (login required)

View Item