Electronic Theses and Dissertation

Sistem klasifikasi wajah adalah teknologi komputer yang digunakan untuk mengenali dan mengelompokkan wajah manusia dalam gambar atau video. Sistem ini digunakan untuk mengidentifikasi individu atau mengelompokkan wajah berdasarkan kategori seperti usia, jenis kelamin, atau emosi. Dalam dunia pendidikan, klasifikasi wajah berperan penting untuk membantu guru memahami reaksi emosional siswa selama proses belajar berlangsung. Dengan mendeteksi emosi seperti senang, terkejut, atau sedih, guru dapat menilai sejauh mana metode pengajaran yang diterapkan efektif. Tantangan umum yang dihadapi dalam pengembangan sistem ini adalah kurangnya akurasi akibat latar belakang gambar yang masih ada, yang dapat mengganggu proses pengenalan wajah. Penelitian ini bertujuan untuk mengeksplorasi pengaruh teknik segmentasi terhadap sistem klasifikasi wajah siswa berbasis deep learning dengan focus pada peningkatan akurasi. Teknik segmentasi yang digunakan adalah GrabCut, yang bertujuan untuk memisahkan wajah siswa dari latar belakang gambar. Metode ini memungkinkan model klasifikasi untuk fokus pada fitur wajah yang relevan. Tiga arsitektur deep learning diterapkan untuk tujuan ini yaitu MobileNet-V1, ResNet-50, dan VGG-19. Hasil pengujian menunjukkan bahwa setelah segmentasi menggunakan GrabCut, dataset yang telah disegmentasi berhasil meningkatkan akurasi sistem pengenalan ekspresi. Peningkatan akurasi tercatat pada MobileNet-V1 sebesar 0,64%, pada ResNet-50 sebesar 1,28%, dan pada VGG-19 sebesar 1,28% dibandingkan dengan dataset tanpa segmentasi. Segmentasi GrabCut memberikan kontribusi positif terhadap peningkatan akurasi sistem pengenalan ekspresi wajah siswa berbasis deep learning, dengan hasil terbaik diperoleh pada arsitektur MobileNet-V1.

The facial classification system is a computer technology used to recognize and categorize human faces in images or videos. This system is utilized to identify individuals or classify faces based on categories such as age, gender, or emotion. In the world of education, facial classification plays an important role in helping teachers understand students' emotional reactions during the learning process. By detecting emotions such as happiness, surprise, or sadness, teachers can assess the extent to which the teaching methods implemented are effective. A common challenge in developing this system is the lack of accuracy due to background interference in images, which can disrupt the face recognition process. This study aims to explore the effect of segmentation techniques on a student facial classification system based on deep learning, with a focus on improving accuracy. The segmentation technique used is GrabCut, which aims to separate the student's face from the image background. This method enables the classification model to focus on relevant facial features. Three deep learning architectures are implemented for this purpose: MobileNet-V1, ResNet-50, and VGG-19. Testing results show that after segmentation using GrabCut, the segmented dataset successfully enhances the accuracy of the facial expression recognition system. Accuracy improvements were recorded at 0.64% for MobileNet-V1, 1,28% for ResNet-50, and 1.28% for VGG- 19, compared to the dataset without segmentation. GrabCut segmentation provides a positive contribution to improving the accuracy of the student facial expression recognition system based on deep learning, with the best results achieved by the MobileNet-V1 architecture.