Pengenalan Ekspresi Wajah Menggunakan Arsitektur Xception Pada Algoritma Convolutional Neural Network (CNN)
Abstract
Abstrak—Secara alami manusia menggunakan ekspresi wajah untuk berinteraksi dan memperlihatkan emosi mereka. Terkadang, kita sulit untuk mengidentifikasi emosi seseorang, maka dari itu perlu diciptakan sebuah sistem yang dapat mendeteksi emosi seseorang menggunakan kecerdasan buatan. Sistem tersebut dibuat karena memiliki banyak kegunaan salah satunya untuk interaksi antara manusia dengan sistem. Terdapat tujuh kategori ekspresi dasar manusia yaitu marah, sedih, senang, jijik, takut, terkejut, netral.Dengan menggunakan kecerdasan buatan lebih spesifiknya menggunakan pendekatan Deep Learning dengan algoritma Convolutional Neural Network (CNN), sistem yang akan dibuat dapat mengklasifikasi ekspresi wajah. Pada penelitian ini akan menggunakan citra digital yang akan diinput kedalam sistem, kemudian sistem akan dilatih menggunakan data tersebut dengan mengekstraksi fitur dari citra digital yang diinput kemudian dari fitur tersebut akan di klasifikasi menurut ciri yang terdapat pada masing-masing ekspresi wajah. Untuk membuat sistem tersebut, digunakan dataset FER2013 sebagai bahan mentah untuk melatih sistem.Pada penelitian sebelumnya dengan menggunakan dataset FER2013 dan algoritma CNN, sistem dapat mencapai akurasi uji 65.2%. Sehingga, tujuan dari penelitian ini yaitu untuk membandingkan dan meningkatkan akurasi pada sistem yang akan dibangun. Karena semakin besar akurasi yang dimiliki sistem, semakin efektif dalam mendeteksi emosi seseorang melalui wajahnya. Hasil uji akurasi pada penelitian ini mencapai 66.92%.Kata Kunci— ekspresi wajah, deep learning, FER2013, CNN, akurasi
References
J. S. Wirtjes, “Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network (CNN),” Repository Universitas Sumatera Utara, pp. 6-11, 2019.
Y. Afriansyah, R. A. Nugrahaeni dan A. L. Prasasti, “Facial Expression Classification for User Experience Testing Using K-Nearest Neighbor,” IEEE, 2021.
U. D. Rosiani, P. Choirina, S. Sumpeno dan M. H. P, “Menuju Pengenalan Ekspresi Mikro: Pendeteksian Komponen Wajah Menggunakan Discriminative Response Map Fitting,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI), pp. 204-206, 2018.
R. Setiawan, “Mengenal Deep Learning Lebih Jelas,” dicoding, 9 October 2021. [Online]. Available: https://www.dicoding.com/blog/mengenal-deep-learning/. [Diakses 28 June 2022].
D. L. Z. Astuti dan Samsuryadi, “Kajian Pengenalan Ekspresi Wajah menggunakan Metode PCA dan CNN,” Annual Research Seminar (ARS), p. 293, 2019.
N. Jaymon, S. Nagdeote, A. Yadav dan R. Rodrigues, “Real Time Emotion Detection Using Deep Learning,” International Conference on Advances in Electrical, Computing, Communication and Sustainable Technologies, p. 6, 2021.
F. A. Isman, A. L. Prasasti dan R. A. Nugrahaeni, “Expression Classification For User Experience Testing Using Convolutional Neural Network,” IEEE, 2021.
F. Mahmud dan D. M. A. Mamun, “Facial Expression Recognition System Using Extreme Learning Machine,” International Journal of Scientific & Engineering Research, p. 26, 2017.
S. Ilahiyah dan A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” Justindo, p. 52, 2018.
K. O’Shea dan R. Nash, “An Introduction to Convolutional Neural Networks,” arXiv:1511.08458, pp. 5-7, 2015.
N. Ibrahim, S. Sai'dah, B. Hidayat dan S. Darana, “Klasifikasi Grade Telur Ayam Negeri secara non-Invasive menggunakan Convolutional Neural Network,” Elkomika, pp. 299-300, 2021 .
M. Zaki, A. L. Prasasti dan M. W. Paryasto, “Alexnet Architecture and Fuzzy Analysis on Talent Judge Decision Prediction Based on Facial Expression,” Jurnal Riset Informatika, p. 343, 2022.
C.-F. Wang, “A Basic Introduction to Separable Convolutions,” Towards Data Science, 14 August 2018. [Online]. Available: https://towardsdatascience.com/a-basic-introduction-to-separable-convolutions-b99ec3102728. [Diakses 1 September 2022].
A. Gupta, “A Comprehensive Guide on Deep Learning Optimizers,” Analytics Vidhya, 7 October 2021. [Online]. Available: https://www.analyticsvidhya.com/blog/2021/10/a-comprehensive-guide-on-deep-learning-optimizers/#h2_2. [Diakses 2022 September 2022].
J. Moolayil, Learn Keras for Deep Neural Networks : A Fast-Track Approach to Modern Deep Learning with Python, 2019.
Alzubaidi dan dkk, “Review of deep learning: concepts, CNN architectures, challenges, applications, future directions,” Journal of Big Data, pp. 17-38, 2021.
