ANALISIS KOMPARATIF RETINAFACE dan YOLOv8-FACE TERHADAP KINERJA KLASIFIKASI EKSPRESI WAJAH

Murdifin, NIM.: 23206052007 (2026) ANALISIS KOMPARATIF RETINAFACE dan YOLOv8-FACE TERHADAP KINERJA KLASIFIKASI EKSPRESI WAJAH. Masters thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (ANALISIS KOMPARATIF RETINAFACE dan YOLOv8-FACE TERHADAP KINERJA KLASIFIKASI EKSPRESI WAJAH) 23206052007_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (ANALISIS KOMPARATIF RETINAFACE dan YOLOv8-FACE TERHADAP KINERJA KLASIFIKASI EKSPRESI WAJAH) 23206052007_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (4MB) | Request a copy

Abstract

Deteksi wajah merupakan tahap kritis dalam sistem Facial Expression Recognition (FER) yang mempengaruhi akurasi klasifikasi ekspresi. Penelitian ini menganalisis pengaruh dua algoritma deteksi wajah satu tahap, RetinaFace dan YOLOv8-Face, terhadap kinerja klasifikasi ekspresi wajah menggunakan pendekatan kuantitatif eksperimental dengan metode komparatif. Dataset terdiri dari 15.000 citra wajah dengan tiga kategori ekspresi, yaitu marah, sedih, dan senang. Evaluasi deteksi dilakukan menggunakan metrik Precision, Recall, F1-Score, mAP@0.5, dan inference time. Hasil deteksi selanjutnya digunakan untuk melatih model MobileNetV2 dan EfficientNetB0 dengan pendekatan transfer learning, yang kemudian dievaluasi menggunakan metrik Precision, Recall, F1-Score, Accuracy, Loss, dan Expected Calibration Error (ECE). Hasil penelitian menunjukkan bahwa YOLOv8-Face unggul pada tahap deteksi dengan Precision sebesar 0,9449, Recall 0,9220, F1-Score 0,9333, mAP@0.5 sebesar 0,8754, serta inference time 1,27 detik, yang lebih baik dibandingkan RetinaFace. Namun, pada tahap klasifikasi ekspresi, sistem berbasis RetinaFace menunjukkan performa yang lebih optimal. RetinaFace-MobileNetV2 mencapai akurasi 0,98 dengan loss 0,35 dan ECE 0,003, sedangkan RetinaFace-EfficientNetB0 mencapai akurasi 0,99 dengan loss 0,36 dan ECE 0,005. Sistem berbasis YOLOv8-Face menghasilkan akurasi 0,98 dengan loss sebesar 0,40 pada MobileNetV2 dan 0,41 pada EfficientNetB0, serta ECE sebesar 0,006 pada kedua model. Temuan ini menunjukkan bahwa meskipun YOLOv8-Face lebih unggul dalam aspek efisiensi dan kinerja deteksi, RetinaFace mampu menghasilkan area wajah yang lebih representatif untuk proses ekstraksi fitur, sehingga memberikan dampak positif terhadap akurasi, stabilitas pelatihan, dan kalibrasi prediksi pada tahap klasifikasi. Dengan demikian, kombinasi RetinaFace-MobileNetV2 menjadi konfigurasi yang paling optimal dalam penelitian ini. Hasil penelitian ini memberikan kontribusi dalam pemilihan metode deteksi wajah yang tepat pada sistem FER dengan mempertimbangkan keseimbangan antara efisiensi komputasi dan performa klasifikasi. Kata kunci: Deteksi Wajah, Klasifikasi Ekspresi Wajah, RetinaFace, YOLOv8-Face, MobileNetV2, EfficientNetB0, Deep Learning, Facial Expression Recognition

Share this knowledge with your friends :

Actions (login required)

View Item