<![CDATA[Pengenalan ekspresi wajah adalah tantangan penting dalam pengolahan citra dan interaksi manusia-komputer karena kompleksitas dan variasi yang ada. Penelitian ini mengusulkan arsitektur sederhana Convolutional Neural Network (CNN) untuk meningkatkan efisiensi klasifikasi emosi pada dataset kecil. Dataset yang digunakan adalah Jaffe, yang terdiri dari 213 citra berukuran 256x256 piksel dalam tujuh kategori ekspresi. Citra-citra tersebut di-resize menjadi 128x128 piksel untuk mempercepat pemrosesan. Data diproses menggunakan arsitektur CNN yang terdiri dari 3 lapisan konvolusi, 2 lapisan subsampling, dan 2 lapisan dense. Kami mengevaluasi model dengan 5-fold dan 10-fold cross-validation untuk estimasi kinerja yang robust, serta teknik hold-out (70:30, 80:20, 85:15, dan 90:10) untuk perbandingan hasil yang jelas. Hasil menunjukkan akurasi tertinggi sebesar 90.6% dengan learning rate 0.001 pada pembagian 85% data latih dan 15% data uji, melebihi model yang lebih kompleks. Meskipun tidak menggunakan transfer learning atau augmentasi data, model ini tetap unggul dibandingkan pendekatan tradisional seperti Local Binary Pattern (LBP) dan Histogram Oriented Gradient (HOG). Dengan demikian, arsitektur CNN yang sederhana ini terbukti efektif untuk pengenalan ekspresi wajah pada dataset kecil. Abstract Facial expression recognition is a significant challenge in image processing and human-computer interaction due to its inherent complexity and variability. This study proposes a simple Convolutional Neural Network (CNN) architecture to enhance the efficiency of emotion classification on small datasets. Jaffe's dataset consists of 213 images sized 256x256 pixels across seven expression categories. These images were resized to 128x128 pixels to accelerate processing. The data was processed using a CNN architecture comprising 3 convolutional layers, 2 subsampling layers, and 2 dense layers. We evaluated the model with 5-fold- and 10-fold cross-validation for robust performance estimation and hold-out techniques (70:30, 80:20, 85:15, and 90:10) for clear result comparison. The results indicated the highest accuracy of 90.6% with a learning rate of 0.001 using the 85% training and 15% testing data split, surpassing that of more complex models. Although the model does not employ transfer learning or data augmentation, it still outperforms traditional approaches such as Local Binary Pattern (LBP) and Histogram Oriented Gradient (HOG). Thus, this simple CNN architecture proves effective for facial expression recognition on small datasets.]]>
Copyrights © 2024
