ANALISIS PENGARUH EKSPRESI WAJAH TERHADAP AKURASI ALGORITMA PENGENALAN WAJAH BERBASIS PEMELAJARAN STRUKTURAL MENDALAM MENGGUNAKAN ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK

Bagus Nur Cahyadi, Bambang Minto Basuki, Oktriza Melfazen

Sari


Pemelajaran struktural mendalam dengan arsitektur CNN (convolutional neural network) sering digunakan sebagai metode untuk melakukan pengenalan wajah. Pada beberapa penelitian sebelumnya, belum diungkapkan tentang akurasi pengenalan wajah menggunakan CNN ini jika ekspresi wajah individu berubah. Oleh karena itu, dilakukan penelitian untuk mengetahui pengaruh variasi ekspresi wajah yang beragam pada akurasi pengenalan individu menggunakan CNN. Pada spesifikasi awal, digunakan sampling 30 individu yang masing-masing didapatkan citra wajahnya dengan 7 macam ekspresi, yaitu netral, senang, terkejut, jijik, sedih, marah, dan takut. Terdapat satu varian citra pada proses pelatihan (training), sementara pada proses pengenalan digunakan 3 varian citra untuk tiap individu. Dimensi sebesar 200×200 piksel digunakan untuk menjadi masukan pada convolutional layer. Pada saat pengujian, sampling yang digunakan adalah 10 individu dengan citra berukuran 100×100. Dengan kemampuan proses di atas rata-rata (Intel Core-i7 (8 core) berkecepatan 2,4 GHz dan memori sebesar 12 GB), proses pelatihan memakan waktu hingga sekitar 2.341 menit. Sedangkan proses pengenalan untuk 10 individu tersebut bisa dilakukan menggunakan Core2Duo 2 core 1,8 GHz dan memori 4 GB selama 6 menit. Hasil pengujian pada pengenalan 10 individu dengan 7 macam ekspresi tersebut menunjukkan nilai akurasi rata-rata 91,7%

Teks Lengkap:

PDF

Referensi


E. Alpaydin, Introduction to Machine Learning, London: The MIT Press, 2010, p. 110.

B. Max, "Artificial Intelligence in Theory and Practice," in IFIP 19th World Computer Congress, Berlin, 2006.

C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006.

B. Nugroho, W. S. J. Saputra dan E. Y. Puspaningrum, “Pengenalan Multi-Wajah Menggunakan Metode Ekstraksi Fitur Viola Jones untuk Presensi Perkuliahan,” dalam Prosiding Seminar Nasional SANTIKA, 2019.

T. Mitchell, Machine Learning, New York: McGraw Hill, 1997.

L. Deng and D. Yu, "Deep Learning: Methods and Applications," Foundations and Trends® in Signal Processing, vol. 7, no. 3-4, pp. 197-387, 2014.

W. Zhang, "Parallel distributed processing model with local space-invariant interconnections and its optical architecture," Applied Optics, vol. 29, no. 32, p. 4790–4797, 1990.

W. Zhang, "Shift-invariant pattern recognition neural network and its optical architecture," in Proceedings of Annual Conference of the Japan Society of Applied Physics, 1988.

C. Mouton, J. C. Myburgh and M. H. Davel, "Stride and Translation Invariance in CNNs," Artificial Intelligence Research, vol. 1342, p. 267–281, 2020.

M. Lal, K. Kumar, R. H. Arain, A. Maitlo, S. A. Ruk and H. Shaikh, "Study of Face Recognition Techniques: a Survey," IJACSA: International Journal of Advanced Computer Science and Applications, vol. 9, no. 6, pp. 42-49, 2018.

Z. Hammal, L. Couvreur, A. Caplier and M. Rombaut, "Facial Expression Classification: an Approach based on the Fusion of Facial Deformations using the Transferable Belief Model," ScienceDirect: International Journal of Approximate Reasoning, vol. 46, pp. 542-567, 2007.

A. L. Akbar, C. Fatichah dan A. Saikhu, “Pengenalan Wajah Menggunakan Metode Deep Neural Networks dengan Perpaduan Metode Discrete Wavelet Transform, Stationary Wavelet Transform, dan Discrete Cosine Transform,” JUTI: Jurnal Ilmiah Teknologi Informasi, vol. 18, no. 2, pp. 158-170, 2020.

N. F. Nissa, A. Janiati, N. Cahya, Anton and P. Astuti, "Application of Deep Learning Using Convolutional Neural Network (CNN) Method for Women’s Skin Classification," SJI: Scientific Journal of Informatics, vol. 8, no. 1, pp. 144-153, 2021.

P. Lu, B. Song and L. Xu, "Human Face Recognition based on Convolutional Neural Network and Augmented Dataset," Systems Science & Control Engineering, vol. 9, no. S2, pp. 29-37, 2021.


Refbacks

  • Saat ini tidak ada refbacks.