PENERAPAN ATTENTION MECHANISM (CBAMV2) PADA ARSITEKTUR MOBILENETV2 UNTUK DETEKSI EMOSI DARI CITRA EKSPRESI WAJAH REMAJA

Atmadi, Dita Sekar Ayu (2026) PENERAPAN ATTENTION MECHANISM (CBAMV2) PADA ARSITEKTUR MOBILENETV2 UNTUK DETEKSI EMOSI DARI CITRA EKSPRESI WAJAH REMAJA. Diploma thesis, Universitas Nasional.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (766kB)
[thumbnail of BAB I.pdf] Text
BAB I.pdf

Download (291kB)
[thumbnail of BAB II.pdf] Text
BAB II.pdf

Download (518kB)
[thumbnail of BAB III.pdf] Text
BAB III.pdf

Download (482kB)
[thumbnail of BAB IV.pdf] Text
BAB IV.pdf

Download (1MB)
[thumbnail of BAB V.pdf] Text
BAB V.pdf

Download (275kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf

Download (506kB)

Abstract

Pengenalan emosi wajah (Facial Emotion Recognition (FER)) pada remaja masih menghadapi kendala dalam membedakan ekspresi yang saling mirip, sehingga performa model berpotensi menurun dan kurang konsisten. Penelitian ini bertujuan mengevaluasi efektivitas integrasi Convolutional Block Attention Module versi 2 (CBAMV2) ke dalam arsitektur MobileNetV2 untuk meningkatkan performa FER pada remaja. Sebanyak 7.921 citra ekspresi wajah diproses melalui deteksi dan pemotongan wajah menggunakan Multi-task Cascaded Convolutional Networks (MTCNN), kemudian dilakukan normalisasi serta augmentasi (augmentasi diterapkan pada data latih). Penelitian ini membandingkan dua pendekatan, yaitu MobileNetV2 baseline dan MobileNetV2 + CBAMV2. Hasil pelatihan menunjukkan bahwa model baseline mencapai akurasi latih 90,22% dengan loss pelatihan 0,59, sedangkan model MobileNetV2 + CBAMV2 mencapai akurasi latih 98,20% dengan loss pelatihan 0,20. Pada tahap validasi, akurasi meningkat dari 83,19% (baseline) menjadi 88,12% (CBAMV2), yang mengindikasikan generalisasi model yang lebih baik serta berkurangnya overfitting. Pada data uji, penerapan CBAMV2 meningkatkan akurasi dari 58,49% menjadi 63,04% dan meningkatkan nilai F1-score sebesar 4,81%. Visualisasi Gradient-weighted Class Activation Mapping (Grad-CAM) menunjukkan bahwa CBAMV2 membantu model memusatkan perhatian pada area wajah yang relevan terhadap emosi. Secara keseluruhan, integrasi CBAMV2 mampu memperkuat representasi fitur, menstabilkan proses pembelajaran, dan meningkatkan performa FER pada remaja.

Item Type: Thesis (Diploma)
Subjects: T Technology > T Technology (General)
Divisions: Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User: Delvy Aplirizani -
Date Deposited: 22 May 2026 07:44
Last Modified: 22 May 2026 07:44
URI: https://repository.unas.ac.id/id/eprint/16197

Actions (login required)

View Item View Item