Penerapan Arsitektur MobileNetV2 dengan Convolutional Block Attention Module untuk Klasifikasi Emosi Berdasarkan Ekspresi Wajah Pengemudi

Nafi’an, Muhammad Hafidh Ilmi and Dr. Eng. Fitra Abdurrachman Bachtiar, S.T., M.Eng. and Dr. Eng. Budi Darma Setiawan, S.Kom., M.Cs. (2024) Penerapan Arsitektur MobileNetV2 dengan Convolutional Block Attention Module untuk Klasifikasi Emosi Berdasarkan Ekspresi Wajah Pengemudi. Sarjana thesis, Universitas Brawijaya.

Abstract

Pengemudi merupakan salah satu faktor yang mempengaruhi terjadinya risiko kecelakaan lalu lintas. Misalnya, mengemudi saat dalam keadaan marah memiliki resiko kecelakaan yang lebih tinggi daripada dalam kondisi emosi netral. Sehingga, segala cara telah dilakukan untuk meningkatkan keamanan pengemudi saat berkendara. Salah satunya yaitu melalui pengenalan emosi berdasarkan ekspresi wajah pengemudi. Peneliti terdahulu telah mengusulkan berbagai pendekatan dengan arsitektur deep learning maupun machine learning. Namun, pendekatan terdahulu memiliki beberapa kekurangan seperti akurasi yang tinggi tidak diimbangi hasil evaluasi yang tinggi. Sehingga, hal tersebut menunjukkan bahwa model belum bisa melakukan generalisasi pada data dengan baik. Pada penelitian ini mengusulkan modifikasi arsitektur MobileNetV2 dengan Convolutional Block Attention Module (CBAM) pada lapisan residual untuk meningkatkan akurasi dan generalisasi pada data. Penelitian ini dilakukan dengan melalui beberapa tahapan yaitu pengumpulan data, praproses data, implementasi, pencarian nilai hyperparameter terbaik, serta pengujian dan analisis. Pada penelitian ini, data yang digunakan sama dengan penelitian sebelumnya yaitu dataset KMU-FED. Praproses dilakukan dengan resize, cropping, horizontal flip, affine, dan normalisasi. Kemudian, pada tahapan implementasi dilakukan pengembangan arsitektur MobileNetV2 dengan CBAM. Selanjutnya, pencarian nilai hyperparameter terbaik dengan menguji dan membandingkannya. Pada tahapan pengujian menggunakan confusion matrix dan 5-fold cross validasi untuk mengevaluasi model yang telah dibangun. Modifikasi MobileNetV2 dengan CBAM mampu meraih akurasi sebesar 0.999 pada hasil evaluasi 5-fold cross validasi.

English Abstract

The driver is one factor influencing the risk of traffic accidents. For example, driving while in a state of anger has a higher risk of accidents than in a neutral emotional state. So, everything has been done to improve driver safety while driving. One is through emotion recognition based on the driver's facial expressions. Previous researchers have proposed various approaches with deep learning and machine learning architectures. However, previous approaches have shortcomings, such as high accuracy not matched by high evaluation results. Thus, it shows that the model has not properly generalized the data. This study proposes modifying the MobileNetV2 architecture with a Convolutional Block Attention Module (CBAM) in the residual layer to improve the accuracy and generalization of data. This research is conducted through several stages: data collection, preprocessing, implementation, finding the best hyperparameter value, and testing and analysis. The data collection used is the same as in previous research, namely the KMU-FED dataset. Preprocessing is done by resizing, cropping, horizontal flip, affine, and normalization. Then, the MobileNetV2 architecture is developed with CBAM at the implementation stage. The best hyperparameter value is found by testing and comparing it. The testing stage uses a confusion matrix and 5-fold cross-validation to evaluate the model that has been built. MobileNetV2 modification with CBAM achieved an accuracy of 0.999 in the 5-fold cross-validation evaluation results.

Item Type:	Thesis (Sarjana)
Identification Number:	0524150155
Uncontrolled Keywords:	MobileNetV2, Convolutional Block Attention Module (CBAM), Keimyung University Facial Expression of Drivers Database (KMU-FED), pengemudi, 5-fold cross validasi-MobileNetV2, Convolutional Block Attention Module (CBAM), Keimyung University Facial Expression of Drivers Database (KMU-FED), drivers, 5- fold cross-validation
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	26 Feb 2024 07:53
Last Modified:	26 Feb 2024 07:53
URI:	http://repository.ub.ac.id/id/eprint/215972

Text (DALAM MASA EMBARGO) Muhammad Hafidh Ilmi Nafi’an.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item