Perbandingan tingkat akurasi algoritma CNN arsitektur ResNet50 dan convolutional autoencoder dengan CNN pada pengenalan emosi

Setiawan, Rama Bhagadhara (2024) Perbandingan tingkat akurasi algoritma CNN arsitektur ResNet50 dan convolutional autoencoder dengan CNN pada pengenalan emosi. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (258kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (265kB) | Preview
Preview	Text (DAFTAR ISI) 3_daftarisi.pdf Download (837kB) | Preview
Preview	Text (BAB I) 4_bab1.pdf Download (921kB) | Preview
	Text (BAB II) 5_bab2.pdf Restricted to Registered users only Download (1MB)
	Text (BAB III) 6_bab3.pdf Restricted to Registered users only Download (1MB)
	Text (BAB IV) 7_bab4.pdf Restricted to Registered users only Download (3MB)
	Text (BAB V) 8_bab5.pdf Restricted to Registered users only Download (262kB)
	Text (DAFTAR PUSTAKA) 9_daftarpustaka.pdf Restricted to Registered users only Download (368kB)

Abstract

Perbandingan tingkat akurasi algoritma adalah proses yang bertujuan untuk mengevaluasi dan membandingkan efektivitas berbagai algoritma dalam melakukan tugas klasifikasi pada data yang ada.Tujuan utamanya adalah untuk mengidentifikasi algoritma yang paling sesuai, atau algoritma yang memberikan hasil terbaik, ketika mengklasifikasikan data berdasarkan karakteristik dan atributnya.Proses ini penting karena seringkali penelitian cenderung menggunakan algoritma umum dibandingkan mengeksplorasi kemungkinan-kemungkinan algoritma lain. Supaya penelitian ini lebih terarah, dilakukan pendekatan dengan membandingkan dua algoritma:CNN dengan arsitektur ResNet50 dan CNN dengan Convolutional autoencoder dalam konteks klasifikasi emosi. Pendekatan ini memanfaatkan metode Knowledge Discovery in Databases (KDD) untuk mengembangkan sistem yang bertujuan untuk menggali potensi dari data yang diambil dari dataset. Penelitian ini melibatkan perbandingan antara data latih dan data uji dengan perbandingan 3 variasi: 60:40, 70:30, dan 80:20 dan dengan 5 macam ukuran gambar 48x48,64x64,128x128,224x224, dan 360x360. Hasil penelitian menunjukkan bahwa algoritma CNN dengan arsitektur ResNet50 mencapai akurasi tertinggi pada perbandingan data 80:20 dan ukuran gambar 128x128, dengan nilai sebesar 92,03%. Selain itu, algoritma CNN dengan Convolutional Autoencoder juga menghasilkan kinerja yang cukup baik dengan akurasi 66,13% pada variasi data 80:20 dengan ukuran gambar 64x64

Actions (login required)

View Item