Pengenalan Ekspresi Wajah dengan CNN dan Wavelet
DOI:
https://doi.org/10.52985/insyst.v4i2.209Keywords:
Convolutional Neural Network, Wavelet, Machine Learning, Ekspresi WajahAbstract
Dengan berkembangnya teknologi di jaman modern ini diharapkan komputer juga mampu mengenali ekspresi wajah manusia. Hal itu dapat terwujud dengan kemajuan machine learning. Machine learning telah menjadi bagian dari kehidupan sehari-hari bagi banyak orang di seluruh dunia. Penemuan dan implementasi machine learning memungkinkan komputer untuk belajar dan memprediksi pola yang mungkin terjadi dan dapat digunakan untuk membantu manusia melakukan kegiatan sehari-hari. Salah satunya yaitu Convolutional Neural Network. Pada penelitian ini akan digunakan wavelet transform untuk membantu meningkatkan akurasi dari convolutional neural network dan mempercepat peningkatan akurasi. Wavelet berguna untuk melakukan compressing pada gambar sehingga lebih mudah untuk diolah. Gambar yang dihasilkan oleh wavelet terbagi menjadi 4 frekuensi yang berbeda-beda. Setiap gambar yang dihasilkan oleh wavelet diuji cobakan kedalam convolutional neural network. Berdasarkan hasil uji coba yang dilakukan, akurasi terbaik didapatkan dari dataset KDEF dengan menggunakan gambar wavelet berfrekuensi Low-Low (LL) dengan akurasi yang didapatkan sebesar 79%. Sedangkan hasil uji coba menggunakan dataset buatan sendiri didapatkan akurasi terbaik dengan menggunakan wavelet berfrekuensi Low-Low (LL) dengan akurasi yang didapatkan sebesar 36,925%.
References
T. Williams, R. Li, and others, “An ensemble of convolutional neural networks using wavelets for image classification,” J. Softw. Eng. Appl., vol. 11, no. 02, p. 69, 2018.
L. Novamizanti and A. Kurnia, “Analisis Perbandingan Kompresi Haar Wavelet Transform dengan Embedded Zerotree Wavelet pada Citra,” ELKOMIKA J. Tek. Energi Elektr. Tek. Telekomun. & Tek. Elektron., vol. 3, no. 2, p. 161, 2015.
K. O’Shea and R. Nash, “An Introduction to Convolutional Neural Networks,” CoRR, vol. abs/1511.0, 2015, [Online]. Available: http://arxiv.org/abs/1511.08458.
A. Santoso and S. T. Gunawan Ariyanto, “Implementasi deep learning berbasis keras untuk pengenalan wajah,” Universitas Muhammadiyah Surakarta, 2018.
A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Adv. Neural Inf. Process. Syst., 2012, doi: http://dx.doi.org/10.1016/j.protcy.2014.09.007.
L. Wang and Y. Sun, “Image classification using convolutional neural network with wavelet domain inputs,” IET Image Process., 2022.
J.-W. Liu, F.-L. Zuo, Y.-X. Guo, T.-Y. Li, and J.-M. Chen, “Research on improved wavelet convolutional wavelet neural networks,” Appl. Intell., vol. 51, no. 6, pp. 4106–4126, 2021.
S. Gunasekaran, S. Rajan, L. Moses, S. Vikram, M. Subalakshmi, and B. Shudhersini, “Wavelet based CNN for diagnosis of COVID 19 using chest X ray,” in IOP Conference Series: Materials Science and Engineering, 2021, vol. 1084, no. 1, p. 12015.
S. Fujieda, K. Takayama, and T. Hachisuka, “Wavelet convolutional neural networks for texture classification,” arXiv Prepr. arXiv1707.07394, 2017.
W. Shang, K. Sohn, D. Almeida, and H. Lee, “Understanding and improving convolutional neural networks via concatenated rectified linear units,” in international conference on machine learning, 2016, pp. 2217–2225.
Downloads
Additional Files
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 INSYST: Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
