Pengenalan Ekspresi Wajah Dari Cross Dataset Menggunakan Convolutional Neural Network (cnn)

Prana Pramudita Kusdiananggalih, Ema Rachmawati, Risnandar Risnandar

Abstract

Abstrak
Ekspresi wajah manusia dapat menggambarkan emosi seseorang, dengan mengetahui ekspresi wajah
manusia, proses pengenalan emosi manusia akan terbantu. Pengenalan ekspresi wajah manusia memiliki
banyak manfaat dalam berbagai bidang. Contoh bidang pemanfaatannya dari sistem ini adalah
mengenali kepuasan individu terhadap suatu layanan. Salah satu metode yang cukup terkenal saat ini
untuk sistem pengenalan ekspresi wajah (Facial Expression Recognition) adalah Convolutional Neural
Network (CNN). Pada penelitian ini akan dibangun arsitektur CNN yang memiliki 8 layer convolution,
dengan depth sebanyak 32 layer. Hampir seluruh penelitian pengenalan ekspresi wajah sampai saat ini
menggunakan dataset ras non-Indonesia. Oleh karena itu, penulis melakukan analisis terhadap dataset ras
non-Indonesia dengan dataset ras Indonesia menggunakan teknik cross dataset. Pada sistem ini dilakukan
perbandingan antara self built CNN dengan arsitektur CNN populer lainnya. Hasil yang didapatkan dari
penelitian ini adalah akurasi data uji sebesar 91,29%, sensitivity atau recall atau True Positive Rate (TPR)
sebesar 91,29%, precision atau Positive Predictive Value (PPV) sebesar 91,29%, dan overall accuracy
sebesar 97,51%. Oleh karena itu, dengan nilai recall dan precision yang tinggi, artinya kelas pada data uji
ditangani dengan sempurna oleh model yang dibangun.
Kata kunci : facial expression recognition (FER), convolutional neural network (CNN), cross dataset.
Abstract
Human facial expressions can describe a person's emotions, by knowing human facial expressions, the
process of recognizing human emotions will be helped. For example is to recognize individual satisfaction
of a service. One method that is well-known today for facial expression recognition systems is the
Convolutional Neural Network (CNN). In this study, a CNN architecture will be built which has 8
convolution layers, with a depth of 32 layers. Almost all research on facial expression recognition has used
datasets of non-Indonesian races. Therefore, the authors conducted an analysis of the non-Indonesian
racial dataset with the Indonesian race dataset using the cross dataset technique. In this system the selfbuilt CNN is compared with other popular CNN architectures. The results obtained from this study are
the accuracy of the test data by 91.29%, sensitivity or recall or True Positive Rate (TPR) by 91.29%,
precision or Positive Predictive Value (PPV) by 91,29%, and overall accuracy by 97.51%. Therefore, with
a high recall value and precision, it means that the classes in the test data are handled perfectly by the
model built.
Keywords : facial expression recognition (FER), convolutional neural network (CNN), cross dataset

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0