Pengaruh Transfer Learning ResNet dan DenseNet Terhadap Performa Klasifikasi Ekspresi Wajah Menggunakan Dataset FER-2013
Kata Kunci:
: pengenalan ekspresi wajah, transfer learning, fine tuning, Convolutional Neural Network (CNN), ResNet50, DenseNet121, FER-2013Abstrak
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.
Referensi
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.
Raschka, S., & Mirjalili, V. (2019). Python Machine Learning (3rd ed.). Packt Publishing.
Scikit-learn: Machine Learning in Python. Pedregosa et al., Journal of Machine Learning Research, 2011.
Abadi, M., Agarwal, A., Barham, P., Brevdo, & Ghemawat, S. (2016). TensorFlow: Large-scale Machine Learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed.). O'Reilly Media.
Keras Documentation. (https://keras.io/)
TensorFlow Documentation. (https://www.tensorflow.org/)
Alamsyah, D., & Pratama, D. (2020). Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset. Jurnal Teknologi Informasi, 4(2), 350. P-ISSN 2580-7927 | E-ISSN 2615-2738. STMIK GI MDP, Palembang, Indonesia
Amaanullah, R. R., Pasfical, G. R., Nugraha, S. A., Zein, M. R., & Adhinata, F. D. (2022). Implementasi Convolutional Neural Network Untuk Deteksi Emosi Melalui Wajah. Jurnal Teknologi Informasi dan Multimedia, 3(4), 236-244.
Akhand, M. A. H., Roy, S., Siddique, N., Kamal, M. A. S., & Shimamura, T. (2023). Facial emotion recognition using Transfer learning in the deep CNN. Electronics, 12(6), 6000.
Farhan Muntazhar, Budhi Irawan, dan Ashri Dinimaharawati. (2023). Pengenalan Ekspresi Wajah Menggunakan Arsitektur Resnet Pada Algoritma Convolutional Neural Network (CNN). e-Proceeding of Engineering, 10(1), 636-643.
Setyono, N. F. P., Chahyati, D., & Fanany, M. I. (2018). Betawi Traditional Food Image Detection using ResNet and DenseNet. In 2018 8th International Conference on Advanced Computer Science and Information Systems (ICACSIS) (pp. 1-6). IEEE.
Petluru, S., & Singh, P. (2022). Transfer learning-based facial expression recognition with modified ResNet50. In 2022 IEEE World Conference on Applied Intelligence and Computing (pp. 540-545). IEEE.
Yanuardhana, A. D.; Wijoyo, S. H.; Setiawan, N. Y. Modifikasi Dataset Fer-2013 Berdasarkan Augmentasi Data Dan Smote Untuk Klasifikasi Raut Wajah Menggunakan Convolutional Neural Network (CNN). J-PTIIK 2024, 8.
Ihsan, M., Niswati, R. K., & Swanjaya, D. (2021). Deteksi Ekspresi Wajah Menggunakan TensorFlow. JOUTICA, 6(1). Universitas Nusantara PGRI Kediri. ISSN: 2503-071X, E-ISSN: 2621-511X.
Yen, C.-T., & Li, K.-H. (2022). Discussions of different deep transfer learning models for emotion recognitions. IEEE Access. https://doi.org/10.1109/ACCESS.2022.3209813
Alam, Islam. (2022). METODE TRANSFER LEARNING PADA DEEP CONVOLUTIONAL NEURAL NETWORK (DCNN) UNTUK PENGENALAN EKSPRESI WAJAH.
Liew, C.F.; Yairi, T. Facial Expression Recognition and Analysis: A Comparison Study of Feature Descriptors. IPSJ Trans. Comput. Vis. Appl. 2015, 7, 104–120.
Mollahosseini, A.; Chan, D.; Mahoor, M.H. Going deeper in facial expression recognition using deep neural networks. In Proceed ings of the 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Placid, NY, USA, 7– 10 March 2016; pp. 1–10.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778.
Raschka, S., & Mirjalili, V. (2019). Python Machine Learning (3rd ed.). Packt Publishing.
Scikit-learn: Machine Learning in Python. Pedregosa et al., Journal of Machine Learning Research, 2011.
Abadi, M., Agarwal, A., Barham, P., Brevdo, & Ghemawat, S. (2016). TensorFlow: Large-scale Machine Learning on heterogeneous distributed systems. arXiv preprint arXiv:1603.04467
Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems (2nd ed.). O'Reilly Media.
Keras Documentation. (https://keras.io/)
TensorFlow Documentation. (https://www.tensorflow.org/)
Alamsyah, D., & Pratama, D. (2020). Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset. Jurnal Teknologi Informasi, 4(2), 350. P-ISSN 2580-7927 | E-ISSN 2615-2738. STMIK GI MDP, Palembang, Indonesia
Amaanullah, R. R., Pasfical, G. R., Nugraha, S. A., Zein, M. R., & Adhinata, F. D. (2022). Implementasi Convolutional Neural Network Untuk Deteksi Emosi Melalui Wajah. Jurnal Teknologi Informasi dan Multimedia, 3(4), 236-244.
Akhand, M. A. H., Roy, S., Siddique, N., Kamal, M. A. S., & Shimamura, T. (2023). Facial emotion recognition using Transfer learning in the deep CNN. Electronics, 12(6), 6000.
Farhan Muntazhar, Budhi Irawan, dan Ashri Dinimaharawati. (2023). Pengenalan Ekspresi Wajah Menggunakan Arsitektur Resnet Pada Algoritma Convolutional Neural Network (CNN). e-Proceeding of Engineering, 10(1), 636-643.
Setyono, N. F. P., Chahyati, D., & Fanany, M. I. (2018). Betawi Traditional Food Image Detection using ResNet and DenseNet. In 2018 8th International Conference on Advanced Computer Science and Information Systems (ICACSIS) (pp. 1-6). IEEE.
Petluru, S., & Singh, P. (2022). Transfer learning-based facial expression recognition with modified ResNet50. In 2022 IEEE World Conference on Applied Intelligence and Computing (pp. 540-545). IEEE.
Yanuardhana, A. D.; Wijoyo, S. H.; Setiawan, N. Y. Modifikasi Dataset Fer-2013 Berdasarkan Augmentasi Data Dan Smote Untuk Klasifikasi Raut Wajah Menggunakan Convolutional Neural Network (CNN). J-PTIIK 2024, 8.
Ihsan, M., Niswati, R. K., & Swanjaya, D. (2021). Deteksi Ekspresi Wajah Menggunakan TensorFlow. JOUTICA, 6(1). Universitas Nusantara PGRI Kediri. ISSN: 2503-071X, E-ISSN: 2621-511X.
Yen, C.-T., & Li, K.-H. (2022). Discussions of different deep transfer learning models for emotion recognitions. IEEE Access. https://doi.org/10.1109/ACCESS.2022.3209813
Alam, Islam. (2022). METODE TRANSFER LEARNING PADA DEEP CONVOLUTIONAL NEURAL NETWORK (DCNN) UNTUK PENGENALAN EKSPRESI WAJAH.
Liew, C.F.; Yairi, T. Facial Expression Recognition and Analysis: A Comparison Study of Feature Descriptors. IPSJ Trans. Comput. Vis. Appl. 2015, 7, 104–120.
Mollahosseini, A.; Chan, D.; Mahoor, M.H. Going deeper in facial expression recognition using deep neural networks. In Proceed ings of the 2016 IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Placid, NY, USA, 7– 10 March 2016; pp. 1–10.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
