ALGORITMA HYBIRD CNN-GRU UNTUK PENGENALAN WAJAH DALAM KLASIFIKASI EMOSI

Khairani, Nadya Mahza (2026) ALGORITMA HYBIRD CNN-GRU UNTUK PENGENALAN WAJAH DALAM KLASIFIKASI EMOSI. Diploma thesis, Universitas Nasional.

	Text cover.pdf Download (831kB)
	Text BAB 1.pdf Download (302kB)
	Text BAB 2.pdf Download (448kB)
	Text BAB 3.pdf Download (431kB)
	Text BAB 4.pdf Download (672kB)
	Text BAB 5.pdf Download (230kB)
	Text lampiran.pdf Download (428kB)

Abstract

Pengenalan emosi berdasarkan ekspresi wajah merupakan salah satu bidang penting
dalam computer vision yang banyak diterapkan pada sistem interaksi manusia–
komputer. Namun, tingkat akurasi model masih menghadapi tantangan, terutama
dalam membedakan emosi yang memiliki kemiripan visual serta pada implementasi
real-time dengan keterbatasan komputasi. Penelitian ini bertujuan untuk
mengembangkan dan mengevaluasi arsitektur hybrid Convolutional Neural
Network–Gated Recurrent Unit (CNN–GRU) dalam klasifikasi tujuh emosi wajah,
yaitu angry, disgust, fear, happy, sad, surprise, dan neutral.
Dataset yang digunakan adalah FER2013 yang terdiri dari 62.916citra grayscale
berukuran 48×48 piksel. Data diproses melalui tahap preprocessing, pembentukan
sequence tiga frame untuk merepresentasikan aspek temporal, serta pengujian
beberapa konfigurasi pembagian data. Model hybrid CNN–GRU dirancang untuk
menggabungkan kemampuan CNN dalam mengekstraksi fitur spasial dan GRU
dalam memodelkan keterkaitan temporal antar-frame.
Hasil eksperimen menunjukkan bahwa konfigurasi split data 70:20:10
menghasilkan performa terbaik dengan akurasi mencapai 82,28%. Implementasi
sistem dalam bentuk aplikasi real-time berbasis webcam menggunakan Streamlit
dan OpenCV menunjukkan bahwa model mampu melakukan prediksi emosi secara
langsung dengan tingkat kestabilan yang memadai. Secara keseluruhan, pendekatan
hybrid CNN–GRU terbukti efektif dalam meningkatkan performa klasifikasi emosi
wajah berbasis spasialtemporal serta memiliki potensi untuk dikembangkan lebih
lanjut pada sistem real-time yang adaptif dan efisien.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General)
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Irna Irna Yunita
Date Deposited:	28 Apr 2026 04:44
Last Modified:	28 Apr 2026 04:44
URI:	https://repository.unas.ac.id/id/eprint/15445

Actions (login required)

View Item