Pengenalan Ekspresi Wajah Menggunakan Arsitektur Resnet Pada Algoritma Convolutional Neural Network (CNN)
Abstrak
Abstrak—Pada saat manusia berinteraksi antara satu dengan yang lainnya, komunikasi mereka terjadi antara verbal dan nonverbal, Komunikasi nonverbal ini terjadi melalui ekspresi manusia yang mengandung emosi. Ekspresi manusia menyimpan banyak sekali informasi yang mengatakan keadaan orang tersebut, karena ekspresi manusia juga merupakan respon secara spontan. Emosi dasar yang membentuk ekspresi ada enam yaitu marah, senang, sedih, jijik, bahagia, kaget. Model machine learning yang dibuat menggunakan algoritma convolutional neural network dengan model arsitektur ResNet dapat melakukan training dengan dataset untuk mengidentifikasi ekspresi dasar yang telah disebut diatas. Sistem yang akan dibuat ini akan menerima input berupa foto ekspresi wajah dan mencoba mendeteksi ekspresi pada wajah tersebut. Pada penelitian ini akan digunakan dataset FER 2013 yang berisi sekitar 30.000 data yang terbagi atas data training dan testing dan val. Kemudian data juga terbagi kedalam tujuh kategori emosi dasar. Pada penelitian ini penulis mengimplementasikan arsitektur ResNet 50 kepada dataset FER 2013 dan berhasil mencapai akurasi latih sebesar 72,06% akurasi validasi sebesar 64,34% dan akurasi test sebesar 64.47%. Model yang dibuat juga berhasil mendeteksi dengan benar ekpresi marah, jijik, takut, senang, netral sebanyak, sedih, kaget dari total dataset sebanyak 35.887 data.
Kata kunci — Facial Expression Recognition, Convolutional Neural Network, Deep Learning
Referensi
Y. Afriansyah, R. A. Nugrahaeni dan A. L. Prasasti, “Facial Expression Classification for User Experience Testing Using K-Nearest Neighbor,” dalam 2021 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communications Technology (IAICT), Bandung, 2021.
U. Astrashab, Facial expression dataset image folders (fer2013), kaggle, 2020.
J. Brownlee, “A Gentle Introduction to Pooling Layers for Convolutional Neural Networks,” Machine Learning Mastery, 05 07 2019. [Online]. Available: https://machinelearningmastery.com/pooling-layers- for-convolutional-neural-networks/. [Diakses 20 08 2022].
R. Desmukh dan V. Jagtap, “A Comprehensive Survey on Techniwues for Facial Emotion Recognition,”
International Journal of Computer Science and Information Security, vol. 15, no. 3, pp. 219-224, 2017.
K. He, X. Zhang, S. Ren dan J. Sun, “Deep Residual Learning for Image Recognition,” arXiv, pp. 1-12, 2015.
F. A. Isman, A. L. Prasasti dan R. A. Nugrahaeini, “Expression Classification For User Experience Testing Using Convolutional Neural Network,” dalam 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS, Bandung, 2021.
G. M, “Deep Learning Optimizer,” Toward Datascience, 18 11 2020. [Online]. Available: https://towardsdatascience.com/deep-learning-optimizers-436171c9e23f. [Diakses 23 08 2022].
T. M, I. M. N, R. I. V, C. T. K, M. J dan C. A, “Enhancing Game with Facial Expression Recognition as Dynamic Balancing,” dalam 4th International Conferences on Computer Science and Computational Intelligence, 2019.
A. P. a. M. P. M. Zaki, “ALEXNET ARCHITECTURE AND FUZZY ANALYSIS ON TALENT JUDGE DECISION PREDICTION BASED ON FACIAL EXPRESSION,” Jurnal Riset Informatika, vol. 4, no. 4, pp. 341-346, 2022.
G. D. L. Mishra C, “Deep Machine Learning And Neural Network: an overview,” International Journal of Artificial Intelligence, pp. 1-8, 2017.
J. Moolayil, Learn Keras for Deep Neural Network, Canada: Apress, 2019.
S. R, “Dicoding,” Dicoding, 09 10 2021. [Online]. Available: https://www.dicoding.com/blog/mengenal- deep-learning/. [Diakses 17 12 2021].
A. Rastogi, “ResNet50,” Dev Genius, 14 03 2022. [Online]. Available: https://blog.devgenius.io/resnet50- 6b42934db431. [Diakses 04 08 2022].
Z. S, C. N dan H. C. H, “Facial Expression Versus Words: Unlocking Complex Emotional Response of Residence Towards Tourist,” Tourism Management, pp. 1-3, 2021.
S. Singh dan F. Nasoz, “Facial Expression Recognition with Convolutional Neural Networks,” IEEE, pp. 324-328, 2020.
P. Utami, R. Hartanto dan I. Soesantri, “A Study on Facial Recognition in Assessing Teaching Skills: Dataset and Methods,” dalam The FIfth Information System Internationals Conference 2019, 2019.
W. Y dan Q. W, “Facial Expression Recognition Based on Improved Deep Belief Network,” dalam AIP Conference Proccedings, 2021.
Y. Zhong, S. Qiu, X. Luo, Z. Meng dan J. Liu, “Facial Expression Recognition Based on Optimzied ResNet,” 2nd Wold Symposium on Artificial Intelligence, pp. 84-91, 2020.
