PENGARUH DROPOUT DAN BATCH SIZE PADA KOMPUTASI UNTUK KLASIFIKASI EMOSI WAJAH DENGAN ARSITEKTUR DENSE CONVOLUTIONAL NETWORK (DENSENET)

Setyowardani, M Rona (2023) PENGARUH DROPOUT DAN BATCH SIZE PADA KOMPUTASI UNTUK KLASIFIKASI EMOSI WAJAH DENGAN ARSITEKTUR DENSE CONVOLUTIONAL NETWORK (DENSENET). S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (303kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (628kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (427kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (638kB)
	Text (BAB V) BAB V.pdf Download (41kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (170kB)
	Archive (SOURCE CODE) Source Code - M Rona Setyowardani.zip Restricted to Repository staff only Download (2MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (701kB)

Abstract

Ekspresi wajah manusia dapat menggambarkan perasaan seseorang. Jika sesama manusia dapat membedakan dengan mudah hanya dengan melihat mimik wajah, mesin tidak dapat dengan mudah membedakan ekspresi. Oleh karena itu, diperlukan klasifikasi untuk emosi wajah agar mesin dapat mempelajari dari proses training dan validasi. Pada proses klasifikasi ini, digunakan Dense Convolutional Network (DenseNet) yang merupakan salah satu arsitektur yang telah dikembangkan dari basis algoritma Convolutional Neural Network. Namun, pada proses komputasi untuk klasifikasi tersebut sering terjadi perbedaan tingkat akurasi yang tinggi antara training dan validasi, yang sering disebut overfitting. Permasalahan ini menjadi topik yang banyak diteliti oleh peneliti sampai sekarang. Beberapa metode untuk mengurangi tingkat overfitting adalah dengan mengubah-ubah nilai dropout. Pada penelitian ini, penulis membuat kombinasi untuk konfigurasi antara nilai batch size dan dropout untuk mencari nilai terbaik dalam mengurangi tingkat overfitting. Kombinasi tersebut memperoleh hasil yang cukup baik pada tingkat overfitting. Hasil terbaik dengan nilai overfitting rendah adalah kombinasi Batch Size 64 dan Dropout 0,9, dengan jarak antara training dan validasi sebesar 3,72% pada iterasi ke-140. Tetapi terdapat kekurangan dengan konfigurasi ini yaitu tingkat akurasi yang masih sangat rendah yaitu 52,97%. Tingkat akurasi terbesar didapatkan dengan konfigurasi Batch Size 128 dan Dropout 0,7 yaitu sebesar 86,36%, dengan tingkat overfitting yaitu 25,05%.

Actions (login required)

View Item