Pengenalan Pola Citra Ekspresi Wajah Manusia Menggunakan Masker Dengan Metode Convolutional Neural Network (CNN)

Redi Nurdin Wicaksono, Hendro Nugroho, Gusti Eka Yuliastuti

Abstract

Pengenalan ekspresi wajah (face emoticon recognition) dapat dilihat pada dahi, mata, pipi, bibir, dan dagu. Pada tahun 2019, terjadi pandemi COVID-19 yang dimana manusia wajib menggunakan masker, sehingga menjadi bahan penelitian yang menarik untuk pengenalan emosi wajah menggunakan masker. Pada penelitian ini dataset yang digunakan adalah citra ekspresi wajah menggunakan masker dengan ekspresi marah, jijik, takut, senang, sedih, terkejut dan netral. Jumlah data citra ekspresi wajah dibagi menjadi 30% data uji dan 70% data latih. Metode yang digunakan untuk fave emotional recognition menggunakan Convolution Neurol Network (CNN). CNN digunakan untuk mengekstraksi fitur citra wajah menggunakan masker berupa fitur mata, dahi, dan alis. Untuk mendapatkan nilai akurasi, maka penelitian ini menggunakan perbandingan citra tidak wajah tidak menggunakan masker dan menggunakan masker untuk mendapatkan nilai loss. Hasil penelitian ini menghasilkan nilai akurasi yang tinggi sebesar 72,8% dan nilai loss yang kecil sebesar 0,11%, pada wajah tidak menggunakan masker. Sedangkan ekspresi wajah menggunakan masker nilai akurasi sebesat 68,5% dan nilai loss sebesar 0,12%.

Keywords

ekspresi wajah, CNN, Masker, fitur wajah

Full Text:

PDF

References

J. Zhao, J., Xiong, L., Cheng, Y., Cheng, Y., Li, J., Zhou, L., Xu, Y., Karlekar, J., Pranata, S., Shen, S., Xing, J., Yan, S., & Feng, “3D-aided deep pose-invariant face recognition,” in IJCAI International Joint Conference on Artificial Intelligenc, 2018, pp. 1184–1190.

K. Janiesch, C., Zschech, P., & Heinrich, “Machine learning and deep learning,” Electron. Mark., vol. 31, no. 3, pp. 685–695, 2021.

R. Adi Nugroho, P., Fenriana, I., & Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” J. ALGOR, vol. 2, no. 1, 2020.

M. Ihsan., “Deteksi Ekspresi Wajah Menggunakan Tensorflow,” J. Tek. UNISLA, vol. 6, pp. 1–6, 2021.

P. Sutisnawati, Y., Muriani, M., Mirawati, M., Putri, N. A., Albar, C. N., Studi, “FACIAL EXPRESSION RECOGNITION FOR PAYMENT,” IJIS Indones. J. Inf., 2021.

Z. Zhang, Y., Shi, D., Zhan, X., Cao, D., Zhu, K., & Li, “Slim-ResCNN: A Deep Residual Convolutional Neural Network for Fingerprint Liveness Detection.,” IEEE Access, vol. 7, pp. 91476–91487, 2019.

S. Kattenborn, T., Leitloff, J., Schiefer, F., & Hinz, “Review on Convolutional Neural Networks (CNN) in vegetation remote sensing,” ISPRS J. Photogramm. Remote Sens., vol. 173, pp. 24–49, 2021.

C. Septian, R., Saputra, D. I., Sambasri, S., Elektro, T., Jenderal, U., Yani, A., Terusan, J., Sudirman, J., & Sel, “Klasifikasi Emosi Menggunakan Convolutional Neural Networks Emotion Classification Based on Convolutional Neural Networks.,” 2019.

F. N. Azizi, “eteksi Emosi Menggunakan Citra Ekspresi Wajah Secara Otomatis,” 2021.

F. Maha, V., Salawazo, P., Putra, D., Gea, J., Gea, R. F., & Azmi, “Implementasi Metode Convolutional Neural Network(CNN) pada Peneganalan Objek Video CCTV.,” J. Mantik Penusa, vol. 3, no. 1, pp. 74–79, 2019.

C. Stazio, A., Victores, J. G., Estevez, D., & Balaguer, “A study on machine vision techniques for the inspection of health personnels’ protective suits for the treatment of patients in extreme isolation,” Electron. (switzerl., vol. 8, no. 7, 2019.

C. Yusuf, A., Cahya Wihandika, R., & Dewi, “Klasifikasi Emosi Berdasarkan Ciri Wajah Menggunakan Convolutional Neural Network,” J. PTIIK, vol. 3, no. 11, 2019.

Refbacks

  • There are currently no refbacks.