Widiawati, Ady Septy (2021) Rancang Bangun Aplikasi Pengenalan Ekspresi Wajah (Facial Expression Recognition) Secara Real-Time Menggunakan Metode Deep Learning. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Download (298kB)
	PDF (Legalitas) LEGALITAS-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (811kB)
	PDF (Abstrak) ABSTRAK-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Download (303kB)
	PDF (BabI) BAB-I-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (329kB)
	PDF (BabII) BAB-II-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (856kB)
	PDF (BabIII) BAB-III-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (369kB)
	PDF (BabIV) BAB-IV-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (3MB)
	PDF (BabV) BAB-V-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (319kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Download (324kB)
	PDF (Lampiran) LAMPIRAN-ADY SEPTY WIDIAWATI-H1A017004-SKRIPSI-2021.pdf Restricted to Repository staff only Download (5MB)

Abstract

Kepuasan pelanggan terhadap perusahaan suatu produk atau jasa adalah kondisi dimana harapan terhadap produk atau jasa yang diterima oleh pelanggan sesuai dengan kenyataan yang diberikan oleh perusahaan. Perusahaan dapat mengetahui tingkat kepuasan pelanggan dengan melakukan survey yaitu membagikan angket. Selain itu, untuk mengetahui tingkat kepuasan pelanggan yaitu dilihat dari ekspresi wajah setelah pelanggan menggunakan produk atau jasa yang ditawarkan. Aplikasi pengenalan ekspresi wajah dibangun dengan teknik deep learning dan menggunakan arsitektur MobileNet serta VGG-16. Detektor wajah yang digunakan untuk mendeteksi wajah berupa Algoritma Haarcascade Classifier. Model arsitektur MobileNet dan VGG-16 dibuat dan dilatih pada infrastruktur Google Colaboratory, model yang dilatih akan disimpan dalam bentuk file .h5. Selanjutnya model akan dikombinasikan dengan detektor wajah yang kemudian akan dijalankan di website menggunakan microfamework yaitu Flask. Hasil pelatihan dan validasi pada model CNN arsitektur MobileNet mendapatkan nilai akurasi pelatihan dan validasi sebesar 0.9980 dan 0.9310, sedangkan pada arsitektur VGG-16 yaitu sebesar 0.9995 dan 0.9026. Nilai loss pelatihan pada arsitektur MobileNet adalah 0.0094 dan VGG-16 adalah 0.0093, sedangkan untuk nilai loss validasi arsitektur MobileNet adalah 0.2233 dan arsitektur VGG-16 adalah 0.2193. Pengujian dilakukan pada dua kondisi yaitu pengujian pada platform Jupyter Notebook dan pengujian pada platform Flask. Terdapat beberapa komponen pengujian yaitu jarak antara webcam dengan wajah (jarak 50 cm, 100 cm, dan 150 cm) serta intensitas cahaya (intensitas cahaya rendah, intensitas cahaya sedang, dan intensitas cahaya tinggi). Pada pengujian pengenalan ekspresi wajah, model arsitektur MobileNet memiliki kinerja yang lebih baik dibandingkan dengan model arsitektur VGG-16. Jarak pengujian terbaik untuk melakukan deteksi adalah pada jarak 50 cm, sedangkan intensitas cahaya terbaik untuk melakukan deteksi adalah pada intensitas cahaya sedang yaitu 107 lux hingga 280 lux.

Actions (login required)

View Item