Analisis Pengaruh Variasi Data Augmentation terhadap Akurasi Pengenalan Ekspresi Wajah pada Dataset Class Imbalance

Jacques Timorence Manukoa, Aero (2026) Analisis Pengaruh Variasi Data Augmentation terhadap Akurasi Pengenalan Ekspresi Wajah pada Dataset Class Imbalance. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (566kB)
	PDF BAB_I.pdf Download (239kB)
	PDF BAB_II.pdf Download (310kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (239kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (224kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) CREATION_FILE.zip Restricted to Registered users only Download (155MB)
	Archive (ZIP) 00000067630_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Facial Expression Recognition (FER) pada kondisi in-the-wild masih menghadapi tantangan akibat variasi visual yang tinggi dan distribusi kelas yang tidak seimbang (class imbalance). Pada dataset RAF-DB, kelas minoritas seperti fear, disgust, dan angry memiliki jumlah sampel lebih sedikit dibandingkan kelas mayoritas, sehingga model cenderung lebih sulit mengenali kelas-kelas tersebut. Penelitian ini bertujuan menganalisis pengaruh variasi data augmentation terhadap performa Convolutional Neural Network (CNN) pada RAF-DB, khususnya dalam menangani dampak class imbalance. Metode penelitian menggunakan eksperimen terkontrol dengan enam skenario, yaitu baseline tanpa augmentasi, augmentasi dasar, Augmentasi dasar + RandomCrop, augmentasi dasar + ColorJitter, augmentasi dasar + CoarseDropout, dan augmentasi gabungan. Seluruh skenario menggunakan arsitektur, pembagian data, dan parameter pelatihan yang sama. Evaluasi dilakukan menggunakan accuracy, precision, recall, macro F1-score, weighted F1-score, serta analisis per kelas minoritas. Hasil penelitian menunjukkan bahwa model baseline memberikan performa global terbaik dengan accuracy 76,04% dan macro F1-score 63,35%. Augmentasi dasar hanya meningkatkan macro recall secara tipis, sedangkan RandomCrop dan augmentasi gabungan cenderung menurunkan performa. ColorJitter memberi peningkatan kecil pada kelas disgust, sementara CoarseDropout paling membantu kelas fear dengan menaikkan recall dari 31,08% menjadi 45,95%. Penelitian ini menyimpulkan bahwa augmentasi tidak selalu efektif untuk mengatasi class imbalance; efektivitasnya bergantung pada kesesuaian transformasi terhadap karakteristik visual ekspresi wajah.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Jacques Timorence Manukoa, Aero (00000067630)
Contributors:	Twince Tobing, Fenina Adline
Keywords:	Class imbalance, Convolutional Neural Network, Data augmentation, Facial Expression Recognition, RAF-DB
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	25 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/48115

Actions (login required)

View Item