Komparasi Algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) untuk Klasifikasi Ekspresi Wajah
DOI:
https://doi.org/10.52958/iftk.v21i1.11091Keywords:
Ekspresi Wajah, CNN, SVM, Klasifikasi Citra, Deep Learning.Abstract
Ekspresi wajah merupakan komponen penting dalam komunikasi nonverbal, karena mampu menyampaikan emosi tanpa perlu berkata-kata. Berbagai studi menyebutkan bahwa lebih dari 55% informasi emosional dalam komunikasi manusia disampaikan melalui ekspresi wajah. Dalam bidang pengolahan citra digital, klasifikasi ekspresi wajah menjadi salah satu tantangan yang banyak dikaji. Penelitian ini bertujuan untuk membandingkan performa algoritma Support Vector Machine (SVM) dan Convolutional Neural Network (CNN) dalam mengklasifikasikan empat ekspresi wajah: happy, sad, neutral, suprise. Data yang digunakan berasal dari dataset FER-2013 dengan 4000 gambar per kelas. Setiap citra melalui tahap preprocessing berupa konversi grayscale, normalisasi piksel, dan augmentasi data. Model Support Vector Machine (SVM) menghasilkan akurasi pelatihan sebesar 99,70%, namun akurasi validasinya hanya 41,47%, menandakan terjadinya overfitting. Sebaliknya, Convolutional Neural Network (CNN) memberikan hasil yang lebih stabil dengan akurasi pelatihan sebesar 85,08% dan akurasi validasi tertinggi mencapai 55,03%. Convolutional Neural Network (CNN) juga menunjukkan performa tertinggi dalam mengenali ekspresi suprise dengan akurasi 69%. Hasil penelitian ini menunjukkan bahwa Convolutional Neural Network (CNN) lebih unggul dalam mengenali pola visual kompleks dibandingkan Support Vector Machine (SVM). Dengan demikian, penelitian ini memberikan kontribusi dalam pemilihan metode klasifikasi citra wajah yang optimal dan relevan untuk implementasi sistem pengenalan ekspresi secara otomatis.
References
A. Setiawan, “Klasifikasi Citra Ekspresi Wajah menggunakan Algoritma Convolutional Neural Network untuk Mendeteksi Emosi Wajah,” Katalog.Ukdw.Ac.Id, 2023.
T. Tinaliah, “Penerapan Convolutional Neural Network Untuk Klasifikasi Citra Ekspresi Wajah Manusia Pada MMA Facial Expression Dataset,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 4, 2021, doi: 10.35957/jatisi.v8i4.1437.
D. Alamsyah and D. Pratama, “Implementasi Convolutional Neural Networks (CNN) untuk Klasifikasi Ekspresi Citra Wajah pada FER-2013 Dataset,” J. Teknol. Inf., vol. 4, no. 2, 2020, doi: 10.36294/jurti.v4i2.1714.
A. K. Muttaqiin, H. Yuana, and M. T. Chulkamdi, “Implementasi Algoritma Convolutional Neural Network Untuk Pengenalan Ekspresi Wajah,” J. Ris. Sist. Inf. Dan Tek. Inform., vol. 8, no. 2, 2023.
F. Akbar Nugraha et al., “Identifikasi Ekspresi Wajah Berbasis Citra Menggunakan Algoritma Convolutional Neural Network (CNN),” J. Inov. Teknol. Terap., vol. 16, no. 1, 2022.
P. Modi and S. Patel, “A State-of-the-Art Survey on Face Recognition Methods,” Int. J. Comput. Vis. Image Process., vol. 12, no. 1, 2021, doi: 10.4018/ijcvip.2022010101.
M. Budka, A. W. U. Ashraf, M. Bennett, S. Neville, and A. Mackrill, “Deep multilabel CNN for forensic footwear impression descriptor identification,” Appl. Soft Comput., vol. 109, 2021, doi: 10.1016/j.asoc.2021.107496.
N. Nour, M. Elhebir, and S. Viriri, “Face Expression Recognition using Convolution Neural Network (CNN) Models,” Int. J. Grid Comput. Appl., vol. 11, no. 4, 2020, doi: 10.5121/ijgca.2020.11401.
A. I. Jabbooree, L. M. Khanli, P. Salehpour, and S. Pourbahrami, “Geometrical Facial Expression Recognition Approach Based on Fusion CNN-SVM,” Int. J. Intell. Eng. Syst., vol. 17, no. 1, 2024, doi: 10.22266/ijies2024.0229.40.
A. A. M. Atya and K. H. Bilal, “Review on Emotion Recognition Using Facial Expressions,” Eur. J. Electr. Eng. Comput. Sci., vol. 5, no. 3, 2021, doi: 10.24018/ejece.2021.5.3.322.
A. Ruiz-Garcia, M. Elshaw, A. Altahhan, and V. Palade, “A hybrid deep learning neural approach for emotion recognition from facial expressions for socially assistive robots,” Neural Comput. Appl., vol. 29, no. 7, 2018, doi: 10.1007/s00521-018-3358-8.
Y. Ihza and D. Lelono, “Face Expression Classification in Children Using CNN,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 16, no. 2, 2022, doi: 10.22146/ijccs.72493.
A. S. Darma, F. S. Mohamad, O. A. Diekola, and I. M. Sulaiman, “Deep Learning Approach for Face Recognition Based on Multi-Layers CNN&SVM,” Int. J. Eng. Trends Technol., vol. 71, no. 8, 2023, doi: 10.14445/22315381/IJETT-V71I8P234.
M. Shin, M. Kim, and D. S. Kwon, “Baseline CNN structure analysis for facial expression recognition,” in 25th IEEE International Symposium on Robot and Human Interactive Communication, RO-MAN 2016, 2016. doi: 10.1109/ROMAN.2016.7745199.
M. F. Naufal, “Analisis Perbandingan Algoritma SVM, KNN, dan CNN untuk Klasifikasi Citra Cuaca,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, 2021, doi: 10.25126/jtiik.2021824553.
D. Alamsyah and D. Pratama, “implementasi CNN untuk klasifikasi ekspresi citra wajah pada FER-2013 DATASET,” J. Teknol. Inf., vol. 4, no. 2, 2020.
A. Rusdy Prasetyo, Sussi, and B. Aditya, “ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) DAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK SISTEM DETEKSI KATARAK,” J. Ilm. Tek. Mesin, Elektro dan Komput., vol. 3, no. 1, 2023, doi: 10.51903/juritek.v3i1.604.
M. Rane et al., “Face Recognition Using Convolutional Neural Network (CNN),” in Lecture Notes in Networks and Systems, 2023. doi: 10.1007/978-981-99-0769-4_20.
R. Bagwan, K. Dhapudkar, S. Chintawar, and A. Balamwar, “Face emotion recognition using convolution neural network,” in 12th International Conference on Advances in Computing, Control, and Telecommunication Technologies, ACT 2021, 2021.
S. Almabdy and L. Elrefaei, “Deep convolutional neural network-based approaches for face recognition,” Appl. Sci., vol. 9, no. 20, 2019, doi: 10.3390/app9204397.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Arbiati Faizah, Syaiful Imron, Afny Rewur, Juan Natanel Makasunggal, pujo Hari Saputro
This work is licensed under a Creative Commons Attribution 4.0 International License.
KEBIJAKAN YANG DIAJUKAN UNTUK JURNAL YANG MENAWARKAN AKSES TERBUKA
Syarat yang harus dipenuhi oleh Penulis sebagai berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
Download Template
