PERBANDINGAN KINERJA CNN DAN CNN-LSTM DALAM KLASIFIKASI EKSPRESI WAJAH BERDASARKAN DATASET FER2013

Savitri, Putu Ananda Adi (2026) PERBANDINGAN KINERJA CNN DAN CNN-LSTM DALAM KLASIFIKASI EKSPRESI WAJAH BERDASARKAN DATASET FER2013. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215101057-Cover.pdf
Download (726kB)
[img] Text (ABSTRAK)
2215101057-ABSTRAK.pdf
Download (252kB)
[img] Text (BAB 1 PENDAHULUAN)
2215101057-BAB 1 PENDAHULUAN.pdf
Download (228kB)
[img] Text (BAB 2 KAJIAN TEORI)
2215101057-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (358kB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2215101057-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (447kB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101057- BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (537kB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2215101057-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (230kB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215101057-DAFTAR PUSTAKA.pdf
Download (257kB)
[img] Text (LAMPIRAN)
2215101057-LAMPIRAN.pdf
Download (289kB)

Abstract

Ekspresi wajah merupakan bentuk komunikasi nonverbal yang penting dalam interaksi manusia, tetapi pengenalan otomatisnya masih menghadapi tantangan karena variasi pencahayaan dan perbedaan individu. Studi ini bertujuan untuk membandingkan kinerja model Deep Learning antara Convolutional Neural Network (CNN) murni dan model hybrid Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) dalam mengklasifikasikan tujuh ekspresi wajah dasar (marah, jijik, takut, bahagia, sedih, terkejut, dan netral) menggunakan dataset FER2013. Metode penelitian yang digunakan adalah eksperimen kuantitatif. Arsitektur CNN yang dirancang terdiri dari empat lapisan konvolusi hierarkis untuk ekstraksi fitur spasial, sedangkan arsitektur CNN-LSTM menggunakan pendekatan TimeDistributed untuk memproses baris piksel gambar sebagai data sekuensial. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under Curve (AUC). Hasil pengujian menunjukkan bahwa model CNN murni memberikan kinerja yang lebih unggul dengan akurasi yang lebih baik, sedangkan sebaliknya, model CNN-LSTM menghasilkan akurasi yang jauh lebih rendah. Performa rendah CNN-LSTM disebabkan oleh sifat statis dataset FER2013, yang mencegah lapisan LSTM memperoleh informasi temporal yang diperlukan untuk pemodelan sekuensial optimal. Implementasi secara real-time menggunakan kamera juga menegaskan bahwa CNN lebih stabil dalam mendeteksi ekspresi dengan fitur visual yang kontras seperti 'Senang' dan 'Terkejut' dibandingkan dengan CNN-LSTM, yang cenderung bias terhadap kategori 'Netral'. Studi ini menyimpulkan bahwa untuk klasifikasi ekspresi wajah berbasis gambar tunggal statis, arsitektur CNN murni lebih efektif daripada pendekatan hibrida CNN-LSTM.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Convolutional Neural Network, Long Short Term Memory, Pengenalan Ekspresi Wajah, FER2013, Deep Learning
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Putu Ananda Adi Savitri
Date Deposited: 10 Jun 2026 00:04
Last Modified: 10 Jun 2026 00:04
URI: http://repo.undiksha.ac.id/id/eprint/29691

Actions (login required)

View Item View Item