Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi
Muhammad Reza Ardhana
IPB University
Computer Science & IT Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan AlexNet dan VGG untuk Pengenalan Ekspresi Wajah pada Dataset Kelas Komputasi Lanjut Sri Nurdiati; Mohamad Khoirun Najib; Fahren Bukhari; Muhammad Reza Ardhana; Salsabilla Rahmah; Trianty Putri Blante
Techno.Com Vol 21, No 3 (2022): Agustus 2022
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v21i3.6373

Abstract

Pengenalan emosi memainkan peran penting dalam komunikasi yang dapat dikenali dari ekspresi wajah. Terdapat banyak metode yang dapat digunakan untuk mengenali ekspresi wajah secara automatis, seperti convolutional neural network (CNN). Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model CNN dengan arsitektur AlexNet dan VGG untuk pengenalan ekspresi wajah menggunakan bahasa pemrograman Julia. Model CNN akan digunakan untuk mengklasifikasikan tiga ekspresi yang berbeda dari tujuh orang pengekspresi. Data diproses dengan beberapa teknik augmentasi data untuk mengatasi masalah keterbatasan data. Hasil penelitian menunjukkan bahwa ketiga arsitektur dapat mengklasifikasikan ekspresi wajah dengan sangat baik, yang ditunjukkan oleh nilai rata-rata akurasi pada data training dan testing yang lebih dari 94%. Untuk memenuhi nilai cross-entropy sebesar 0.1, arsitektur VGG-11 memerlukan jumlah epoch yang paling sedikit dibandingkan arsitektur lainnya, sedangkan arsitektur AlexNet memerlukan waktu komputasi yang paling sedikit. Waktu komputasi pada proses pelatihan sebanding dengan jumlah parameter yang terkandung pada model CNN. Akan tetapi, jumlah epoch yang sedikit belum tentu membutuhkan waktu komputasi yang sedikit. Selain itu, nilai recall, presisi, dan F1-score untuk masalah klasifikasi multi-class menunjukkan hasil yang baik, yaitu lebih dari 94%.
Co-Authors Fahren Bukhari Mohamad Khoirun Najib Salsabilla Rahmah Sri Nurdiati Trianty Putri Blante