Optimasi Klasifikasi Ekspresi Wajah dengan Integrasi SIM-LBP pada RCL-Net

Abstract

Skripsi ini mengusulkan peningkatan akurasi pengenalan ekspresi wajah (Facial Expression Recognition/FER) dengan mengintegrasikan metode Symmetric Inline Matrix-LBP (SIM-LBP) ke dalam arsitektur Locally Enhanced Residual Network (RCL-Net). RCL-Net menggabungkan ResNet-18 dan Convolutional Block Attention Module (CBAM) untuk menonjolkan fitur global wajah, sementara SIM-LBP menggantikan Circular LBP dengan pendekatan yang lebih efisien dan adaptif dalam menangkap tekstur mikro wajah, khususnya dalam kondisi pencahayaan rendah dan gambar buram. Dataset yang digunakan adalah FER-2013, dengan tujuh kategori ekspresi dasar. Proses preprocessing mencakup resize ke 100x100 piksel, augmentasi lanjutan menggunakan Albumentations, normalisasi piksel, serta teknik mixup augmentation dan label smoothing untuk mengurangi overfitting dan meningkatkan generalisasi model. Evaluasi menunjukkan bahwa model RCL-Net dengan SIM-LBP menghasilkan akurasi tertinggi sebesar 69.29%, mengungguli Circular LBP dan versi baseline ResNet-18. Hasil ini membuktikan bahwa SIM-LBP lebih efektif dalam mengekstraksi fitur lokal penting untuk klasifikasi ekspresi wajah. Penelitian ini memberikan kontribusi penting dalam pengembangan sistem FER yang lebih akurat dan robust, serta membuka peluang pengembangan lebih lanjut untuk aplikasi di berbagai bidang berbasis AI seperti keamanan, interaksi manusiakomputer, dan layanan cerdas.