<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="129417">
 <titleInfo>
  <title>KLASIFIKASI EKSPRESI MIKRORNPADA CITRA WAJAH MENGGUNAKAN RNCONVOLUTIONAL NEURAL NETWORK (CNN)</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>AYU HARDIANI</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik Komputer</publisher>
   <dateIssued>2024</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Abstrak - Ekspresi mikro merupakan fenomena fisiologis yang melibatkan &#13;
gerakan otot wajah yang sangat halus, muncul dengan spontan, dan berlangsung&#13;
sangat cepat. Pendeteksian ekspresi mikro secara manual sulit dideteksi karena &#13;
keterbatasan mata manusia dalam menangkap detail dari kejadian yang terjadi &#13;
dengan cepat. Karena itu, diperlukan suatu metode yang dapat mengklasifikasi &#13;
ekspresi mikro secara otomatis dan dengan akurasi yang baik. Penelitian ini &#13;
bertujuan untuk membangun model-model deep learning yang dapat secara &#13;
otomatis mengklasifikasi ekspresi mikro dengan tingkat akurasi prediksi yang baik.&#13;
Model-model ini akan dibangun dengan arsitektur EfficientNet-B0 dan &#13;
InceptionResNet-V2 dari algoritma Convolutional neural network, dan &#13;
menggunakan 7.750 citra wajah dengan ekspresi mikro dari dataset CASME-II. &#13;
Dataset yang digunakan terbagi dalam lima kelas ekspresi mikro yaitu ekspresi &#13;
yang menunjukkan perasaan bahagia (happiness), jijik (disgust), tertekan &#13;
(repression), terkejut (surprise), dan yang menunjukkan perasaan lainnya (others).&#13;
Jumlah citra yang digunakan untuk masing-masing tahapan pelatihan, validasi, dan &#13;
pengujian model adalah 6.200 (80%), 775 (10%), dan 775 (10%). Hasil penelitian &#13;
menunjukkan bahwa model-model yang dibangun menggunakan kedua arsitektur&#13;
di atas dengan learning rate 0,001 dan epoch 100 adalah yang terbaik dibandingkan &#13;
model-model dengan kombinasi learning rate dan epoch lainnya. Model &#13;
InceptionResNet-V2 mempunyai kinerja yang sedikit lebih baik (nilai &#13;
accuracy, precision, recall dan F1-score semua 99,87%) dari pada model &#13;
EfficientNet-B0 (accuracy 98,45%, precision 98,49%, recall 98,45%, F1-score&#13;
98,46%). Selanjutnya, akurasi model arsitektur EfficientNet-B0 yang dibangun &#13;
dalam penelitian ini, lebih baik dari akurasi model yang dibangun pada penelitian &#13;
sebelumnya yang menggunakan arsitektur yang sama namun dengan dataset yang &#13;
berbeda (akurasi 70,44%).&#13;
Kata Kunci: Ekspresi Mikro, klasifikasi, Convolutional Neural Network (CNN), &#13;
EfficientNet-B0, dan InceptionResnet-V2.&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>129417</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2024-09-02 09:44:49</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2024-09-02 10:29:27</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>