Optimasi Model VGG-16 Menggunakan Attention Double Branch dan Support Vector Machine (SVM) untuk Pengenalan Ekspresi Wajah pada Kondisi Occlusion

Abstract

Penelitian ini bertujuan untuk meningkatkan kinerja sistem Facial Expression Recognition (FER) pada kondisi wajah yang mengalami occlusion, khususnya akibat penggunaan masker dan variasi pencahayaan pada lingkungan nyata (*in-the-wild*). Dataset yang digunakan adalah Masked Labeled Faces in the Wild for Facial Expression Recognition (M-LFW-FER), yang memiliki karakteristik beragam dari segi pose, pencahayaan, dan penutupan sebagian area wajah. Proses penelitian diawali dengan tahap preprocessing yang meliputi deteksi wajah, cropping, resizing menjadi 224×224 piksel, normalisasi, dan augmentasi data. Selanjutnya, ekstraksi fitur dilakukan menggunakan model VGG-16 berbasis transfer learning yang dioptimasi dengan Double Branch Attention Mechanism, terdiri atas cabang global dan cabang lokal untuk meningkatkan kemampuan model dalam menangkap informasi ekspresi yang relevan. Fitur hasil ekstraksi kemudian diklasifikasikan menggunakan Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF). Kinerja model dievaluasi menggunakan confusion matrix serta metrik accuracy, precision, recall, dan F1-score. Integrasi VGG-16, Double Branch Attention, dan SVM diharapkan mampu menghasilkan representasi fitur yang lebih diskriminatif sehingga meningkatkan akurasi pengenalan ekspresi wajah pada kondisi occlusion dibandingkan model VGG-16 konvensional.