FINE-TUNING UNTUK PENGENALAN WAJAH DAN EKSPRESINYA BERBASIS CNN

Saragih, Raymond Erz (2021) FINE-TUNING UNTUK PENGENALAN WAJAH DAN EKSPRESINYA BERBASIS CNN. S2 thesis, Universitas Atma Jaya Yogyakarta.

[img]
Preview
Text (Raymond Erz Saragih)
195303110_bab0.pdf

Download (303kB) | Preview
[img]
Preview
Text
195303110_bab1.pdf

Download (177kB) | Preview
[img] Text
195303110_bab2.pdf
Restricted to Registered users only

Download (110kB)
[img] Text
195303110_bab3.pdf
Restricted to Registered users only

Download (628kB)
[img] Text
195303110_bab4.pdf
Restricted to Registered users only

Download (582kB)
[img] Text
195303110_bab5.pdf
Restricted to Registered users only

Download (872kB)
[img]
Preview
Text
195303110_bab6.pdf

Download (177kB) | Preview

Abstract

Pengenalan wajah dan pengenalan ekspresi wajah merupakan salah satu tantangan di bidang penglihatan komputer. Kombinasi pengenalan wajah dan pengenalan ekspresi wajah menjadi tantangan lain karena harus dilakukan pelatihan untuk mengenali wajah dan ekspresi wajah. Sehingga, wajah orang tersebut bisa dikenali beserta dengan ekspresinya. Di dalam penelitian ini, pre-trained model, MobileNet, MobileNetV2, dan VGG-16 diterapkan dan dilatih menggunakan transfer learning dengan fine-tuning untuk pengenalan wajah dan pengenalan ekspresi wajah. Deteksi dan pelurusan wajah digunakan untuk mendeteksi dan meluruskan wajah dalam gambar, sementara model-model tersebut digunakan untuk mengenali wajah dan ekspresinya. Georgia Tech Face Database, AT&T Face Database, dan FEI Face Database digunakan untuk pengenalan wajah dan RAF-DB dengan tujuh ekspresi, seperti marah, sedih, netral, bahagia, terkejut, jijik, dan takut, digunakan untuk pengenalan ekspresi wajah. Hasilnya menunjukkan bahwa MobileNet mencapai kinerja yang lebih tinggi pada RAF-DB dengan akurasi sebesar 84,52%. MobileNet dapat mencapai akurasi 100% pada tiga dataset pengenalan wajah, Georgia Tech Face Database, AT&T Face Database, dan FEI Face Database, sedangkan MobileNetV2 dan VGG-16 mencapai 100% pada Georgia Tech dan AT&T Face Database. Sementara untuk dataset RAF-DB dan FEI Face Database, MobileNetV2 masing-masing mencapai 83,83% dan 99,52%, sedangkan VGG-16 masing-masing mencapai 83,74% dan 96,19%.

Item Type: Thesis (S2)
Uncontrolled Keywords: Pengenalan wajah, Pengenalan Ekspresi Wajah, Pre-trained model, Transfer Learning, Fine-tuning
Subjects: Magister Teknik Informatika > Inovation of Computational Science
Divisions: Pasca Sarjana > Magister Teknik Informatika
Depositing User: editor2 dua uajy
Date Deposited: 02 Sep 2021 12:47
Last Modified: 02 Sep 2021 12:47
URI: http://e-journal.uajy.ac.id/id/eprint/24630

Actions (login required)

View Item View Item