Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal IAES International Journal of Artificial Intelligence (IJ-AI) Jurnal Telematika Jurnal Teknik Elektro dan Komputer
Dwisnanto Putro, Muhamad
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Low-resolution facial emotion recognition on low-cost devices Dwisnanto Putro, Muhamad; Litouw, Jane; Poekoel, Vecky Canisius
IAES International Journal of Artificial Intelligence (IJ-AI) Vol 13, No 2: June 2024
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijai.v13.i2.pp2201-2211

Abstract

The low-resolution input image is a crucial challenge for applying facial emotion recognition in real-world scenarios. The critical problem is that valuable object features are relatively lost in the extraction process due to their small size. On the other hand, this vision system is required by a machine to run smoothly on lowcost devices. Facial emotion recognition using a lightweight feature extractor is proposed in this study to effectively capture crucial facial components in a lowresolution image. To compromise the running speed, this work offers an efficient feature convolution to discriminate specific facial features. In addition, the system is embedded with an attentive module to capture important features and correlate them. Our model performance is evaluated on low-resolution public datasets achieving the accuracy of 97.34%, 81.10%, and 80.12% on Karolinska directed emotional faces (KDEF), real-world affective faces database (RFDB), and facial expression recognition 2013 plus (FER2013Plus), respectively. The practical application demands that the deep learning model can operate fast on inexpensive devices. Consequently, the model achieved a speed of 290 frames per second (FPS) on a central processing unit (CPU) device.
Arsitektur Convolutional Neural Network Ringan Untuk Pengenalan Ekspresi Wajah: Lightweight Convolutional Neural Network Architecture For Facial Expression Recognition Robot, Reynold; Karenia Lolowang, Miesje; Dwisnanto Putro, Muhamad
Jurnal Teknik Elektro dan Komputer Vol. 13 No. 01 (2024): Jurnal Teknik Elektro dan Komputer
Publisher : Universitas Sam Ratulangi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35793/jtek.v13i01.56481

Abstract

Abstract — Facial expression recognition presents the challenge of applicability to real scenarios which demands to involve lightweight algorithms to operate at real-time speed. The proposed work offers a lightweight convolutional neural network architecture to accurately predict facial expressions. It considers the use of parameters and computations that are not massive. thus applying lightweight convolution operations. A channel compression technique at the center is applied to reduce parameter usage and redundant operations. Testing the accuracy results was conducted on the KDEF dataset. This dataset is a knowledge source that provides information on seven facial expressions with varying poses. Augmentation techniques were used to increase the variety and training configuration strategies were applied to optimize the network training work. As a result, the proposed model achieves an accuracy of 0.9732 which outperforms competing CNN architectures. Besides, it also produces a lightweight parameter of 2.8 M which can encourage the model to operate fast on Jetson Nano devices. The proposed architecture produces an effective deep learning model for predicting facial expressions from a chunk of input image without compromising its efficiency. Key words— convolutional neural network; Facial expressions; lightweight architecture; model efficiency.   Abstrak — Pengenalan ekspresi wajah menghadirkan tantangan penerapan pada skenario nyata yang menuntut untuk melibatkan algoritma yang ringan agar dapat beroperasi dengan kecepatan waktu nyata. Pekerjaan yang diusulkan menawarkan sebuah arsitektur convolutional neural network yang ringan untuk memprediksi ekspresi wajah secara akurat. Ini mempertimbangan penggunaan parameter dan komputasi yang tidak massif sehingga menerapkan operasi konvolusi yang ringan. Teknik pemampatan kanal pada bagian tengah diterapkan untuk mengurangi penggunaan parameter dan operasi berlebihan. Pengujian hasil akurasi diadakan pada dataset KDEF. Dataset ini merupakan sumber pengetahuan yang menyediakan informasi tujuh ekspresi wajah dengan pose yang bervariasi. Teknik augmentasi digunakan untuk memperbanyak variasi dan strategi konfigurasi pelatihan diterapkan untuk mengoptimalkan pekerjaan pelatihan jaringan. Sebagai hasil, model yang diusulkan meraih akurasi sebesar 0.9732 yang mengungguli arsitektur CNN pesaing. Disamping itu, ini juga menghasilkan parameter yang ringan sebesar 2.8 M yang dapat mendorong model untuk beroperasi cepat pada perangkat Jetson Nano. Arsitektur yang diusulkan menghasilkan model pembelajaran mendalam yang efektif untuk memprediksi ekspresi wajah dari sebuah potongan masukan citra tanpa mengabaikan efisiensinya. Kata kunci — Arsitektur ringan; convolutional neural network; efisiensi model ; ekspresi wajah
Studi Perbandingan Model Lightweight YOLOv12 untuk Deteksi Objek Bawah Air Secara Real-Time Prasetya, Hebron; R. Balo, Revin; Tumbal, Tasya; M. Sambul, Alwin; Dwisnanto Putro, Muhamad
Jurnal Telematika Vol. 20 No. 2 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i2.799

Abstract

Metode deep learning dalam computer vision berperan penting dalam pelokalan objek menggunakan sensor berbasis kamera dengan Convolutional Neural Networks sebagai pendekatan utama dalam deteksi objek. Namun, banyak model yang ada memiliki biaya komputasi yang tinggi akibat arsitektur yang dalam dan operasi yang kompleks sehingga membatasi penerapannya untuk kebutuhan waktu nyata pada perangkat berbiaya rendah dan dengan sumber daya terbatas. Arsitektur YOLOv12 menawarkan beberapa varian ringan yang dirancang untuk meningkatkan efisiensi komputasi. Penelitian ini mengevaluasi keseimbangan antara efisiensi dan kinerja deteksi dengan membandingkan berbagai varian model berdasarkan jumlah parameter, operasi floating-point, dan kecepatan inferensi, serta mengukur akurasi menggunakan mean average precision. Hasil evaluasi ini digunakan untuk menilai kesesuaian model yang ringan dalam penerapan waktu nyata pada lingkungan dengan sumber daya terbatas, seperti pemantauan dan konservasi bawah air. Hasil eksperimen pada dataset real-world underwater object detection menunjukkan bahwa YOLOv12-nano memiliki akurasi 5,7% lebih rendah dibandingkan YOLOv12-medium, namun hanya membutuhkan 2,57 juta parameter dan 6,5 GFLOPs, jauh lebih kecil dibandingkan YOLOv12-medium yang memiliki 20,1 juta parameter dan 67,8 GFLOPs. Selain itu, YOLOv12-small membutuhkan 9,26 juta parameter dan 21,5 GFLOPs sehingga berada di antara varian nano dan medium dari sisi kompleksitas, dengan akurasi yang tetap kompetitif. Pada proses inferensi, YOLOv12-nano mencapai kecepatan 16,48 FPS pada CPU Intel(R) Core (TM) i5-12450HX generasi ke-12. Sebagai perbandingan, YOLOv12-small berjalan pada 6,28 FPS, sedangkan YOLOv12-medium mencapai 2,36 FPS. Hasil ini menunjukkan bahwa YOLOv12-nano merupakan varian yang paling sesuai untuk penerapan waktu nyata pada platform berbasis CPU.
Co-Authors Jane Litouw, Jane Karenia Lolowang, Miesje M. Sambul, Alwin Poekoel, Vecky Canisius Prasetya, Hebron R. Balo, Revin Robot, Reynold Tumbal, Tasya