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:	Users 30 not found.
Date Deposited:	11 Sep 2024 07:24
Last Modified:	20 Sep 2024 04:33
URI:	https://repository.unas.ac.id/id/eprint/11805

Actions (login required)

View Item