Electronic Theses and Dissertation

Teknologi pengenalan atau klasifikasi ekspresi berperan penting dalam memahami emosi manusia dari citra atau video dengan menganalisis fitur ekspresi wajah yang berbeda. Tantangan umum dalam teknologi ini adalah mendeteksi ekspresi wajah seseorang secara akurat, yang dapat terhalang oleh garis wajah yang tidak jelas, yang sering kali disebabkan oleh kondisi pencahayaan yang buruk. Dalam mengatasi tantangan ini, sangat penting untuk meningkatkan kualitas citra ekspresi. Penelitian ini bertujuan melihat dampak dan pengaruh peningkatan kualitas citra dengan teknik homomorphic filtering dalam meningkatkan akurasi dan kinerja sistem klasifikasi ekspresi berbasis deep learning. Kualitas citra yang lebih baik memungkinkan model klasifikasi untuk lebih fokus pada fitur ekspresi yang relevan. Pengujian dilakukan dengan menggunakan tiga arsitektur yang berbeda, diantaranya MobileNet, InceptionV3, dan DenseNet121. Hasil percobaan menunjukkan bahwa peningkatan kualitas citra berdampak positif pada akurasi sistem klasifikasi ekspresi. Secara khusus, akurasi rata-rata meningkat 1-2% untuk arsitektur MobileNet, 5-7% untuk InceptionV3, dan 1-3% untuk DenseNet121.

Expression recognition or classification technology plays an important role in understanding human emotions from images or videos by analyzing the features of different facial expressions. A common challenge in this technology is to accurately detect a person's facial expressions, which can be hindered by unclear facial lines, often caused by poor lighting conditions. In overcoming this challenge, it is crucial to improve the quality of expression images. This research aims to see the impact and influence of improving image quality with homomorphic filtering techniques in improving the accuracy and performance of deep learning-based expression classification systems. Better image quality allows the classification model to focus more on relevant expression features. Tests were conducted using three different architectures, including MobileNet, InceptionV3, and DenseNet121. Experimental results show that improving image quality has a positive impact on the accuracy of the expression classification system. Specifically, the average accuracy increased by 1-2% for the MobileNet architecture, 5-7% for InceptionV3, and 1-3% for DenseNet121.