Penerapan Stationary Wavelet Transform Sebagai Ekstraksi Fitur pada Pengenalan Ekspresi Wajah

Farkhan, Farkhan (2024) Penerapan Stationary Wavelet Transform Sebagai Ekstraksi Fitur pada Pengenalan Ekspresi Wajah. Undergraduate thesis, UPN Veteran Jawa Timur.

	Text (Cover) 20081010060-cover.pdf Download (1MB)
	Text (Bab 1) 20081010060-bab1.pdf Download (102kB)
	Text (Bab 2) 20081010060-bab2.pdf Restricted to Repository staff only until 13 September 2026. Download (399kB)
	Text (Bab 3) 20081010060-bab3.pdf Restricted to Repository staff only until 13 September 2026. Download (420kB)
	Text (Bab 4) 20081010060-bab4.pdf Restricted to Repository staff only until 13 September 2026. Download (985kB)
	Text (Bab 5) 20081010060-bab5.pdf Download (87kB)
	Text (Daftar pustaka) 20081010060-daftarpustaka.pdf Download (125kB)

Abstract

Pengenalan ekspresi wajah oleh komputer merupakan komponen penting dalam berbagai aplikasi, seperti analisis emosi, keamanan, dan interaksi manusia-mesin. Meskipun telah banyak penelitian yang dilakukan dalam bidang ini, tantangan seperti variasi wajah, perubahan ekspresi, dan kondisi pencahayaan yang tidak stabil masih menjadi hambatan utama dalam meningkatkan kinerja sistem. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan ekspresi wajah yang lebih akurat dan andal dengan menerapkan Stationary Wavelet Transform (SWT) sebagai metode ekstraksi fitur. SWT dipilih karena kemampuannya dalam mempertahankan informasi pada domain frekuensi dan spasial secara simultan, sehingga mampu menangkap detail penting dari citra wajah. Selain itu, penelitian ini menggunakan Multi-Layer Perceptron (MLP) sebagai classifier untuk mengklasifikasikan ekspresi wajah berdasarkan fitur yang diekstraksi. MLP merupakan salah satu jenis jaringan saraf tiruan yang mampu memodelkan hubungan non-linear antara fitur dan kelas yang diprediksi, sehingga cocok untuk tugas klasifikasi yang kompleks seperti ini. Hasil penelitian menunjukkan bahwa penerapan SWT dengan MLP berhasil meningkatkan akurasi model secara signifikan. Akurasi tertinggi sebesar 100% dicapai dengan pembagian dataset 90% untuk data uji dan 10% untuk data latih, menggunakan level dekomposisi 3 dan learning rate 0.001. Model ini juga menunjukkan efisiensi dengan waktu pelatihan yang relatif cepat, yaitu 13 detik.

Item Type:

Thesis (Undergraduate)

Contributors:

Contribution	Contributors	NIDN/NIDK	Email
Thesis advisor	Yulia Puspaningrum, Eva	NIDN0711028201	fettyanggraney.if@upnjatim.ac.id
Thesis advisor	Tri Anggraeny, Fetty	NIDN0005078908	evapuspaningrum.if@upnjatim.ac.id

Subjects:

Q Science > QA Mathematics > QA76.87 Neural computers
T Technology > T Technology (General)

Divisions:

Faculty of Computer Science > Departemen of Informatics

Depositing User:

Farkhan Farkhan

Date Deposited:

19 Sep 2024 08:49

Last Modified:

19 Sep 2024 08:49

URI:

https://repository.upnjatim.ac.id/id/eprint/28863