| NIM | H1A017004 |
|---|
| Namamhs | ADY SEPTY WIDIAWATI |
|---|
| Judul Artikel | Rancang Bangun Aplikasi Pengenalan Ekspresi Wajah (Facial Expression Recognition) Secara Real-Time Menggunakan metode Deep Learning |
|---|
| Abstrak (Bhs. Indonesia) | Kepuasan pelanggan terhadap perusahaan suatu produk atau jasa adalah koondisi dimana harapan terhadap produk atau jasa yang diterima oleh pelanggan sesuai dengan kenyataan yang diberikan oleh perusahaan. Perusahaan dapat mengetahui tingkat kepuasan pelanggan dengan melakukan survey yaitu membagikan angket. Selain itu, untuk mengetahui tingkat kepuasan pelanggan yaitu dilihat dari ekspresi wajah setelah pelanggan menggunakan produk atau jasa yang ditawarkan. Aplikasi pengenalan ekspresi wajah dibangun dengan teknik deep learning dan menggunakan arsitektur MobileNet serta VGG-16. Detektor wajah berupa Algoritma Haarcascade Classifier. Model arsitektur MobileNet dan VGG-16 dibuat dan dilatih pada infrastruktur Google Colaboratory, model yang dilatih akan disimpan dalam bentuk file.h5. Selanjutnya model dikombinasikan dengan detektor wajah dan dijalankan di website menggunakan microframework yaitu Flask. Hasil pelatihan dan validasi pada arsitektur MobileNet mendapatkan nilai akurasi pelatihan dan validasi yaitu 0.9980 dan 0.9310, sedangkan pada arsitektur VGG-16 yaitu 0.9995 dan 0.9026. Nilai loss pelatihan dan loss validasi pada arsitektur MobileNet yaitu 0.0094 dan 0.2233, sedangkan pada arsitektur VGG-16 yaitu 0.0093 dan 0.2193. Pengujian dilakukan pada dua platform yaitu platform Jupyter Notebook dan platform Flask. Serta terdapat beberapa komponen pengujian yaitu jarak antara webcam dengan wajah (jarak 50 cm, 100 cm, dan 150 cm) serta intensitas cahaya (intensitas cahaya rendah, sedang, dan intensitas cahaya tinggi). Pada pengujian pengenalan ekspresi wajah, model arsitektur MobileNet memiliki kinerja yang lebih baik dibandingkan dengan model arsitektur VGG-16. Jarak pengujian terbaik untuk melakukan deteksi adalah pada jarak 50 cm dan intensitas cahaya terbaik untuk melakukan deteksi adalah pada intensitas cahaya sedang yaitu 107 lux hingga 280 lux. |
|---|
| Abtrak (Bhs. Inggris) | Customer satisfaction with a product or service company is a condition where the expectations of the product or service received by the customer are in accordance with the reality given by the company. Companies can find out the level of customer satisfaction by conducting surveys, namely distributing questionnaires. In addition, to determine the level of customer satisfaction that is seen from facial expressions after customers use the products or services offered. The facial expression recognition application is built using techniques deep learning and uses the architecture MobileNet and VGG-16. The face detector is in the form of the Algorithm Haarcascade Classifier. The architectural models MobileNet and VGG-16were created and trained on the infrastructure Google Collaboratory, the trained models will be saved in the form of a .h5 file. Furthermore, the model is combined with a face detector and run on the website using a microframework, namely Flask. The results of training and validation on the architecture MobileNet get training and validation accuracy values of 0.9980 and 0.9310, while the architecture VGG-16 is 0.9995 and 0.9026. The value of loss training and loss validation on the architecture MobileNet are 0.0094 and 0.2233, while the architecture VGG-16 is 0.0093 and 0.2193. The test was carried out in two platform, Jupyter Notebook platform and Flask platform. And there are several test components, namely the distance between the webcam and the face (distance of 50 cm, 100 cm, and 150 cm) and light intensity (low, medium, and high light intensity). In the facial expression recognition test, the architecture model MobileNet has better performance than the architecture model VGG-16. The best test distance for detecting is at a distance of 50 cm and the best light intensity for detecting is at medium light intensity, which is 107 lux to 280 lux. |
|---|
| Kata kunci | Pengenalan ekspresi wajah, deep learning, MobileNet, VGG-16, Haarcascade Classifier, Flask |
|---|
| Pembimbing 1 | Imron Rosyadi, S.T., M.Sc. |
|---|
| Pembimbing 2 | Muhammad Syaiful Aliim, S.T.,M.T. |
|---|
| Pembimbing 3 | |
|---|
| Tahun | 2021 |
|---|
| Jumlah Halaman | 19 |
|---|
| Tgl. Entri | 2021-11-03 11:38:52.331529 |
|---|