Identifikasi ekspresi wajah berbasis citra menggunakan algoritma Convolutional Neural Network (CNN)

INDONESIA:

Identifikasi ekspresi wajah merupakan materi penelitian yang saat ini terus dikembangkan. Detailnya ciri yang mesti ditangkap membuat para peneliti berlomba-lomba menemukan metode yang paling cocok untuk melakukan identifikasi. Algoritma Convolutional Neural Network (CNN) menjadi salah satu algoritma yang saat ini paling diunggulkan dalam bidang klasifikasi dan identifikasi objek saat ini. Dengan menggabungkan 2 metode dalam satu rangkaian yaitu convolution untuk ekstraksi ciri dan neural nets untuk klasifikasinya membuat algoritma ini lebih mudah digunakan. Pada penelitian ini, ekspresi yang akan diidentifikasi merupakan foto ekspresi yang diambil langsung dari mahasiswa UIN Malang. Data sebanyak 687 foto dibagi menjadi 2 bagian yaitu sebagai data training dan data testing dengan porsi 90:10. Kemudian untuk mempermudah dalam ekstraksi ciri dari fitur yang akan diidentifikasi, peneliti melakukan 3 tahap preprocessing yaitu cropping, grayscaled image dan data augmentation. Tujuan penelitian ini adalah untuk mengetahui akurasi algoritma CNN dalam mengidentifikasi ekspresi wajah berbasis citra. Setelah algoritma dijalankan dan model sudah terbentuk, maka didapatkan akurasi training sebesar 99,6% dan akurasi testing sebesar 88.89%.

ENGLISH:

The identification of facial expressions is a research material that is currently being developed. The details of the traits that must be captured make the researchers vying to find the most suitable method for identification. The Convolutional Neural Network (CNN) algorithm is one of the most favored algorithms in the field of classification and identification of current objects. By combining 2 methods in one series, convolution for feature extraction and neural nets for classification makes this algorithm easier to use. In this study, the expression to be identified is a photo of expression taken directly from UIN Malang students. Data of 687 photos are divided into 2 parts, namely as training data and testing data with a portion of 90:10. Then to facilitate the extraction of features from the features to be identified, the researcher conducted 3 preprocessing stages, namely cropping, grayscaled image and data augmentation. The purpose of this study was to determine the accuracy of the CNN algorithm in identifying image-based facial expressions. After the algorithm is run and the model has been formed, the training accuracy is 99.6% and the testing accuracy is 88.89%.