NAJMA, Rona Realita (2026) Implementasi MobileNetV3 dengan SimAM, Cosine Classifier, serta MixUp dan CutMix untuk Meningkatkan Performa Klasifikasi Ekspresi Wajah. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Other (FULL TEXT) SOFT FILE SKRIPSI RONA REALITA NAJMA (1).rar Restricted to Repository staff only Download (22MB) | Request a copy
	Text 1. COVER.pdf Download (1MB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (327kB)
	Text 4. KATA PENGANTAR.pdf Download (1MB)
	Text 6. ABSTRAK.pdf Download (1MB)
	Text 7. ABSTRACT.pdf Download (1MB)
	Text 8. DAFTAR ISI.pdf Download (1MB)
	Text 11. BAB I PENDAHULUAN.pdf Download (1MB)
	Text 16. DAFTAR PUSTAKA.pdf Download (1MB)

Abstract

Klasifikasi ekspresi wajah merupakan permasalahan penting dalam computer vision yang
mendukung pengembangan sistem Human-Computer Interaction yang adaptif. Namun,
tantangan seperti variasi pencahayaan, pose, dan ketidakseimbangan data masih
memengaruhi performa model. Penelitian ini mengusulkan model klasifikasi ekspresi
wajah berbasis MobileNetV3 dengan penambahan Simple Attention Module (SimAM),
cosine classifier, serta teknik augmentasi MixUp dan CutMix pada dataset FERPlus yang
diuji melalui delapan skenario eksperimen, mulai dari model baseline hingga kombinasi
seluruh komponen yang diusulkan. Metode yang digunakan meliputi preprocessing data,
augmentasi, pelatihan model menggunakan optimizer AdamW dan learning rate scheduler
Cosine Annealing, serta evaluasi menggunakan accuracy, precision, recall, F1-score, serta
macro average dan weighted average. Hasil penelitian menunjukkan bahwa kombinasi
metode yang diusulkan mampu meningkatkan kualitas representasi fitur dan kemampuan
generalisasi model. Model terbaik diperoleh pada kombinasi MobileNetV3 dengan SimAM
serta penerapan MixUp dan CutMix, dengan nilai validation accuracy sebesar 88,57% dan
test accuracy sebesar 88,11%, serta weighted precision sebesar 88,03%, weighted recall
sebesar 88,11%, dan weighted F1-score sebesar 0,88. Hasil ini menunjukkan peningkatan
dibandingkan beberapa penelitian sebelumnya, meskipun performa pada kelas minoritas
masih menjadi keterbatasan. Dengan demikian, pendekatan yang diusulkan efektif dalam
meningkatkan kinerja klasifikasi ekspresi wajah pada dataset FERPlus.
Kata kunci : Klasifikasi Ekspresi Wajah, MobileNetV3, SimAM, Cosine classifier,
MixUp, CutMix

(NO. KETERSEDIAAN : 1694/F/2026)

Actions (login required)

View Item