Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Edmund Pierre Purba, Geoffrey
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
Pengaruh Transfer Learning ResNet dan DenseNet Terhadap Performa Klasifikasi Ekspresi Wajah Menggunakan Dataset FER-2013 Edmund Pierre Purba, Geoffrey; Wijoyo, Satrio Hadi; Setiawan, Nanang Yudi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 8 No 7 (2024): Juli 2024
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengenalan ekspresi wajah adalah aspek penting dalam komunikasi nonverbal, dan pentingnya telah memicu penelitian yang signifikan dalam bidang kecerdasan buatan. Studi ini menyelidiki efek transfer learning menggunakan arsitektur Convolutional Neural Network (CNN), khususnya ResNet50 dan DenseNet121, pada performa pengenalan ekspresi wajah. Studi ini bertujuan untuk menganalisis dampak transfer learning pada performa mereka. Hasilnya menunjukkan bahwa implementasi transfer learning pada DenseNet121 dan ResNet50 dapat meningkatkan performa mereka secara signifikan, dengan DenseNet121 mencapai akurasi 95,1% pada set pelatihan dan 88.57% pada set validasi dan ResNet50 mencapai akurasi 100% pada set pelatihan dan 81.43% pada set validasi. Studi ini juga melakukan pengujian dengan melakukan prediksi menggunakan dataset baru yang tidak termasuk kedalam pelatihan model. Hasil pengujian menemukan bahwa fine-tuning model pretrained dapat meningkatkan performa model. Model DenseNet121 yang telah dilatih menggunakan FER-2013 dan telah di finetuning, mencapai akurasi 78.57% dan model ResNet50 yang dilatih menggunakan FER-2013 mencapai akurasi 71.42%. Penelitian ini berkontribusi pada pemahaman tentang transfer learning dalam pengenalan ekspresi wajah dan memberikan wawasan tentang performa arsitektur ResNet50 dan DenseNet121. Temuan studi ini memiliki implikasi untuk pengembangan sistem pengenalan ekspresi wajah yang lebih akurat, yang dapat diterapkan dalam berbagai bidang seperti pengenalan emosi, interaksi manusia-komputer, dan komputasi afektif.
Co-Authors Nanang Yudi Setiawan Satrio Hadi Wijoyo