Identifikasi Ekspresi Wajah Manusia Menggunakan Algoritma Grey Wolf Optimizer dan Convolutional Neural Network

Ni’matur Rohim, Andi Sunyoto, Kusnawi Kusnawi
DOI: https://doi.org/10.33650/jeecom.v6i1.8269



Abstract

Penelitian ini mengeksplorasi penggunaan algoritma Grey Wolf Optimizer (GWO) untuk mengoptimalkan parameter pada Convolutional Neural Network (CNN) dalam mengenali ekspresi wajah manusia. Ekspresi wajah adalah aspek penting dalam komunikasi manusia, dan pengenalan ekspresi tersebut menjadi semakin vital dalam interaksi manusia-mesin dan bidang kesehatan psikologi. Metode deep learning, terutama CNN, telah terbukti efektif dalam mengklasifikasikan ekspresi manusia, meskipun masih menghadapi beberapa tantangan, seperti pengaturan parameter yang rumit dan kebutuhan akan data yang besar. Penelitian ini bertujuan untuk mencari parameter optimal untuk meningkatkan kinerja CNN dalam mengenali ekspresi wajah menggunakan algoritma GWO. Data yang digunakan adalah dataset Facial Expression Recognition 2013 (FER-2013), dengan total 600 citra wajah yang dibagi menjadi tiga kelas: happy, sad, dan angry. Pendekatan yang diusulkan mencakup preprocessing data, pencarian parameter arsitektur CNN menggunakan GWO, pembuatan model CNN, dan pengujian model menggunakan data testing. Hasil pengujian menunjukkan bahwa dengan parameter optimal, model CNN mencapai akurasi yang baik, dengan nilai akurasi 79% pada data training, 60% pada data validation, dan rata-rata akurasi 77% pada data testing. Penelitian ini menyoroti pentingnya penanganan yang cermat dalam menentukan parameter untuk memastikan hasil yang optimal dalam pengenalan ekspresi wajah manusia menggunakan CNN.


Keywords

Convolutional Neural Network; Ekspresi Wajah; Gray Wolf Optimizer

Full Text:

PDF

References

S. S. Shafira, N. Ulfa, H. A. Wibawa, and Rismiyati, “Facial Expression Recognition Using Extreme Learning Machine,” in 2019 3rd International Conference on Informatics and Computational Sciences (ICICoS), 2019, pp. 1–6. doi: 10.1109/ICICoS48119.2019.8982443.

P. A. Nugroho, I. Fenriana, and R. Arijanto, “Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia,” Jurnal Algor, vol. 2, no. 1, 2020, [Online]. Available: https://jurnal.buddhidharma.ac.id/index.php/algor/index

R. Julianto and D. Alamsyah, “Pengenalan Ekspresi Wajah Menggunakan Metode SVM Dengan Transformasi Fourier dan PCA,” vol. 2, no. 1, 2021.

I. Perlindungan and Risnawati, “Pengenalan Tanaman Cabai dengan Teknik Klasifikasi Menggunakan Metode CNN,” Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya, vol. 1, no. 2, pp. 15–22, 2020, [Online]. Available: https://conference.upnvj.ac.id/index.php/senamika/article/view/694

Tinaliah and T. Elizabeth, “Penerapan Convolutional Neural Network Untuk Klasifikasi Citra Ekspresi Wajah Manusia Pada MMA Facial Expression Dataset,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 8, no. 4, pp. 2051–2058, 2021, [Online]. Available: http://jurnal.mdp.ac.id

D. Alamsyah and D. Pratama, “Implementasi Convolutional Neural Networks (CNN) Untuk Klasifikasi Ekspresi Citra Wajah Pada FER-2013 Dataset,” Jurnal Teknologi Informasi, vol. 4, no. 2, pp. 350–355, 2020.

S. K. Ladi, G. K. Panda, R. Dash, P. K. Ladi, and R. Dhupar, “A Novel Grey Wolf Optimisation based CNN Classifier for Hyperspectral Image classification,” Multimed Tools Appl, vol. 81, no. 20, pp. 28207–28230, 2022, doi: 10.1007/S11042-022-12628-2/METRICS.

V. Lestari, A. Kamsyakawuni, and K. A. Santoso, “Implementasi Algoritma Grey Wolf Optimizer (GWO) di Toko Citra Tani Jember,” Majalah Ilmiah Matematika dan Statistika, vol. 19, pp. 65–74, 2019, [Online]. Available: https://jurnal.unej.ac.id/index.php/MIMS/index

A. Jamshed, B. Mallick, and R. K. Bharti, “An Efficient Pattern Mining Convolution Neural Network (CNN) Algorithm With Grey Wolf Optimization (GWO),” Arxiv - Computer Vision and Pattern Recognition, 2022, doi: https://doi.org/10.48550/arXiv.2204.04704.

Z. F. Abror, “Klasifikasi Citra Kebakaran dan Non Kebakaran Menggunakan Convolutional Neural Network,” Jurnal Ilmiah Teknologi dan Rekayasa, vol. 24, no. 2, pp. 102–113, 2020, doi: 10.35760/TR.2019.V24I2.2389.

Suyanto, Machine Learning : Tingkat Dasar Dan Lanjut. Informatika, 2018.

Setyobudi, R. (2023). Utilization of tds sensors for water quality monitoring and water filtering of carp pools using IoT. EUREKA: Physics and Engineering, (6), 69-77.

Maradi, A. Y. (2020). Pemanfaatan android untuk sistem kendali robot penembak dengan mikrokontroler. CYCLOTRON, 3(1).

Sholihah, N., Fajri, F. N., & Khairi, M. (2022). Rekam Data Self Manajemen Cairan Pada Pasien Gagal Ginjal Kronis Yang Menjalani Terapi Hemodialisa Di RSUD Abdoer Rahem Berbasis Android. Jurnal Manajemen Informasi Kesehatan Indonesia, 10(1), 6-6.

Riadi, R. S., Rizal, S., Hamzah, S. H., Hidayatullah, S., & Rohim, A. (2022). Sistem Informasi Ulem-Ulem Berbasis Android Sebagai Upaya Pelestarian Kearifan Lokal Budaya Ulem-Ulem (Studi Kasus: Desa Jabung sisir Kecamatan Paiton Kabupaten Probolinggo).


Dimensions, PlumX, and Google Scholar Metrics

10.33650/jeecom.v6i1.8269


Refbacks

  • There are currently no refbacks.


Copyright (c) 2024 Ni’matur Rohim, Andi Sunyoto, Kusnawi Kusnawi

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Creative Commons License
 
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Journal of Electrical Engineering and Computer (JEECOM)
Published by LP3M Nurul Jadid University, Indonesia, Probolinggo, East Java, Indonesia.