Pengenalan Micro-Expression Menggunakan Action Unit-Variational Graph Autoencoder

Anggraini, Retno (2024) Pengenalan Micro-Expression Menggunakan Action Unit-Variational Graph Autoencoder. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201106-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

Abstract

Pengenalan emosi menjadi suatu hal yang sangat penting untuk memahami kondisi seseorang yang sering digunakan untuk mendeteksi penyakit mental, pengungkapan kriminal dan lain sebagainya. Akan tetapi, seringkali seseorang enggan atau bahkan tidak mau menunjukkan emosi sesungguhnya, terlebih untuk menutupi kekurangan dan kejahatannya, sehingga pengenalan emosi menjadi sulit dilakukan. Fenomena sebelumnya dapat diatasi dengan pengenalan micro-expression. Oleh karena itu, penelitian Tugas Akhir ini bertujuan untuk mengembangkan sebuah metode untuk pengenalan micro-expression berdasarkan deep learning. Penelitian terkait menunjukkan bahwa metode deep learning mampu mengenali micro-expression dengan akurasi yang baik namun masih terdapat kelemahan untuk terfokus pada gerakan yang sangat kecil. Untuk menangkap pergerakan kecil, penelitian ini mengusulkan model deep learning yang menggabungkan jaringan action unit dan variational graph autoencoder yang dinamakan dengan AU�VGAE. Dengan memanfatkan distribusi laten kontinu, metode AU-VGAE mampu menangkap fitur minim pada pergerakan micro-expression. Pada penelitian ini, metode yang diusulkan diuji pada data SAMM tentang klasifikasi micro-expression. Dari hasil eksperimen, model mendapatkan hasil evaluasi metrik lebih baik jika dibandingkan dengan model baseline.

========================================================================================================================

Emotion recognition serves a paramount task in understanding someone’s condition, such as mental health detection, and criminal investigation. On the other hand, some are often reluctant or avoid showing their true emotions, which leads to difficulties in emotion recognition. To cope with such cases, we can apply micro-expression recognition instead of general emotion. Therefore, this study aims to propose a method for micro-expression recognition based on deep learning. Related studies showed that deep-learning models can recognize micro-expressions with good accuracy while hard to detect tiny movements. To overcome the drawbacks, we propose a deep-learning model that integrates action unit networks and variational graph autoencoder called AU-VGAE. By utilizing the continuous latent distribution, the AU-VGAE method can capture the minimal features in micro-expression movements. In this study, the proposed method is tested on public data about micro-expression classification. From the experimental results, the model obtained metric evaluation results better than the baseline model.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	pengenalan micro-expression, micro-expression recognition, variational graph autoencoder, action unit, deep learning
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Retno Anggraini
Date Deposited:	06 Aug 2024 17:49
Last Modified:	06 Aug 2024 17:49
URI:	http://repository.its.ac.id/id/eprint/113764

Actions (login required)

View Item