DETEKSI EKSPRESI WAJAH, USIA, DAN JENIS KELAMIN SECARA REAL-TIME MENGGUNAKAN OPENCV
Keywords:
Deep Learning, Convolutional Neural Network, Deteksi Ekspresi Wajah, Deteksi Usia, Deteksi GenderAbstract
Penelitian ini bertujuan untuk mengembangkan sistem deteksi ekspresi wajah, usia, dan gender menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan berasal dari platform Kaggle, mencakup UTKFace untuk klasifikasi usia dan gender serta FER2013 untuk klasifikasi ekspresi wajah. Model dilatih dan diuji menggunakan metrik evaluasi seperti akurasi, precision, recall, dan f1-score. Hasil eksperimen menunjukkan bahwa model deteksi gender memiliki akurasi tertinggi sebesar 89%, diikuti oleh model deteksi usia dengan akurasi 58%, dan model deteksi ekspresi wajah dengan akurasi 50%. Model deteksi ekspresi dan usia menunjukkan keterbatasan dalam mengklasifikasikan beberapa kelas dengan jumlah sampel yang rendah, sehingga diperlukan peningkatan dalam augmentasi data dan optimasi model. Selain itu, implementasi sistem secara real-time menunjukkan bahwa performa masih kurang optimal dengan rata-rata FPS sebesar 12.86, sehingga perlu dilakukan optimasi agar dapat diterapkan dalam lingkungan nyata.
Downloads
References
Buolamwini, J., & Gebru, T., 2018, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, Proceedings of the Conference on Fairness, Accountability, and Transparency, vol. 1, hal. 77–91.
Guo, G., Zhang, C., & Yi, D., 2019, A Study on Deep Learning for Facial Expression Recognition, IEEE Transactions on Affective Computing, vol. 12, no. 2, hal. 447-460.
He, K., Zhang, X., Ren, S., & Sun, J., 2016, Deep Residual Learning for Image Recognition, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), vol. 1, hal. 770–778.
Krizhevsky, A., Sutskever, I., & Hinton, G. E., 2012, ImageNet Classification with Deep Convolutional Neural Networks, Advances in Neural Information Processing Systems (NIPS), vol. 25, hal. 1097–1105.
LeCun, Y., Bengio, Y., & Hinton, G., 2015, Deep Learning, Nature, vol. 521, no. 7553, hal. 436–444.
Li, H., Sun, J., & Wang, P., 2020, Facial Expression Recognition Using Deep Learning: A Comparative Study, Journal of Visual Communication and Image Representation, vol. 69, hal. 102653.
Menggunakan Convolutional Neural Network (CNN) Pada Ekspresi Manusia, Jurnal Informatika Atma Jogja, vol. 3, no. 2, hal. 155-160.
Neviyani, A., & Asmunin, 2023, Identifikasi Dan Prediksi Umur, Jenis Kelamin Serta Deteksi Emosi Berdasarkan Citra Wajah Menggunakan Alogaritma Convolutional Neural Network (CNN), Jurnal Manajemen Informatika, vol. 13, no. 1, hal. 1-13.
Nugroho, H., Rachmawati, L., & Suryadi, I., 2021, Performance Evaluation of Deep Learning in Image Classification, Journal of Artificial Intelligence Research, vol. 9, no. 2, hal. 45-58.
Nugroho, P. A., Fenriana, I., & Arijanto, R., 2022, Implementasi Deep Learning
Sari, A., & Wibowo, T., 2020, Application of CNN for Image Classification, International Conference on Artificial Intelligence and Data Science (ICAIDS), Jakarta, 10-12 Oktober.
Statista, 2023, Facial Recognition Technology Accuracy Rate, https://www.statista.com, diakses tgl 15 Maret 2024.
Szeliski, R., 2022, Computer Vision: Algorithms and Applications, Springer, New York.
Zhang, W., Liu, X., & Chen, J., 2021, Age and Gender Prediction Using Deep Neural Networks, Pattern Recognition Letters, vol. 143, hal. 12-19.
Zhao, X., Zhang, S., & Li, H., 2021, Challenges in Facial Expression Recognition: A Deep Learning Perspective, IEEE Access, vol. 9, hal. 123456-123469
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Larasati, Desi Tristianti, Diajeng Sekar Prameswari, Intan Adiba, Alfan Rizaldy Pratama, Wahyu S.J. Saputra
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
