Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Dhaifullah, Afif Naufal
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 
Klasifikasi Emosi Manusia pada Citra Digital dengan MobileNetV3 dan Spatial Transformer Dhaifullah, Afif Naufal; yudistira, Novanto; Mahmudy, Wayan Firdaus
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 10 (2025): Oktober 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Emosi merupakan kondisi psikofisiologis seseorang dengan faktor internal dan/atau lingkungan. Pengenalan akurat dari emosi wajah melalui sistem pengenalan visi komputer akan kondusif untuk kelancaran kemajuan interaksi manusia-komputer. Selain itu, karena dinamika dan heterogenitas layanan seluler, dibutuhkan sistem pengenalan emosi yang dapat memproses data secara akurat dengan waktu komputasi yang minimal. Kami mengusulkan penggunaan MobileNetV3 dengan penjadwalan learning rate serta penambahan attention module guna mendapatkan model dengan performa akurasi baik namun efisien dalam penggunaan sumber daya, seperti ukuran model, jumlah parameter yang rendah, dan waktu komputasi yang cepat, sehingga cocok diterapkan pada perangkat mobile. Adanya SE (Squeeze and Excitation) dan fungsi h-swish memungkinkan MobileNetV3 mempertahankan akurasi sekaligus mengurangi jumlah parameter secara signifikan. Adapun fitur localization dan sampling grid pada spatial transformer membantu model untuk fokus ke bagian yang diperlukan guna meningkatkan akurasi. Pada penelitian ini dibuktikan bahwa metode yang digunakan memberikan hasil yang baik dengan akurasi validasi sebesar 69.89% pada dataset FER2013 dan 84.10% pada FER2013+ dengan ukuran model sebesar 16.36 MB dan parameter 4,235,112 menunjukkan efisiensi memori dan kecepatan inferensi yang signifikan dibandingkan model lain seperti ResNet50 sehingga dapat dinyatakan model memiliki performa akurasi yang baik dengan efisiensi memori dan komputasi yang cukup baik.
Co-Authors Novanto Yudistira Wayan Firdaus Mahmudy