Analisis Performa VGG-New dengan Variasi Loss Function untuk Facial Expression Recognition Fakulta

Abstract

Facial Expression Recognition merupakan bidang penelitian yang krusial dalam interaksi manusia-komputer, namun performanya sangat bergantung pada pemilihan model dan loss function yang tepat. Permasalahan utama di dalam penelitian adalah untuk menentukan loss function manakah yang mampu memberikan hasil performa terbaik dalam mengoptimalkan pembelajaran Facial Expression Recognition pada arsitektur VGG-New. Penelitian ini bertujuan untuk menganalisis pengaruh variasi loss function terhadap VGG-New dan mengevaluasi kemampuan adaptasi VGG-New terhadap variasi loss function yaitu Cross Entropy Loss, Weighted Loss, Focal Loss, AM-Softmax Loss, dan ArcFace Loss di dalam Facial Expression Recognition. Proses pelatihan dan evaluasi dilakukan menggunakan dua dataset publik, yakni FER-2013 Dataset dan RAF-DB Dataset, dengan mentrik evaluasi berupa accuracy, loss value, dan confusion matrix. Perancangan dan pelatihan dilakukan sebanyak lima skenario dengan parameter pelatihan yang seragam yaitu optimizer Adam, learning rate 0.002, batch size 64, dan epoch 200 serta menggunakan mekanisme EarlyStopping dengan patience 10. Hasil penelitian menunjukkan bahwa tidak ada loss function yang unggul secara absolut. Pada FER-2013 Dataset, VGG-New dengan AM-Softmax Loss menunjukkan performa terbaik dengan validation accuracy 69.57% dan test accuracy 67.96% yang unggul di dalam menangani kelas minoritas. Sementara itu, pada RAF-DB Dataset, VGG-New dengan Weighted Loss mencapai test accuracy tertinggi sebesar 79.04%, sedangkan VGG-New dengan ArcFace Loss mencapai validation accuracy tertinggi 78.73%. VGG-New dengan Focal Loss secara konsisten menghasilkan loss value terendah di kedua dataset, menandakan stabilitas prediksi yang superior. Performa VGG-New pada Facial Expression Recognition sangat bergantung pada kesesuaian antara loss function dan karakteristik data. Penelitian ini membuktikan bahwa loss function yang dirancang untuk menangani ketidakseimbangan kelas data (Weighted Loss dan Focal Loss) dan yang berbasis margin (AM-Softmax Loss dan ArcFace Loss) secara signifikan mengungguli Cross Entropy Loss, terutama di dalam skenario data yang menantang.