Amiruddin, Amiruddin (2024) ANALISIS SENTIMEN BERDASARKAN EKSPRESI WAJAH PADA VIDEO REVIEW PRODUK MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK = SENTIMENT ANALYSIS BASED ON FACIAL EXPRESSION IN PRODUCT REVIEW VIDEOS USING CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, Universitas Hasanuddin.
![[thumbnail of Cover]](/36004/1.hassmallThumbnailVersion/D121171004_skripsi_26-02-2024%20cover1.jpg)
![](/36004/1.haspreviewThumbnailVersion/D121171004_skripsi_26-02-2024%20cover1.jpg)
D121171004_skripsi_26-02-2024 cover1.jpg
Download (239kB) | Preview
![[thumbnail of Bab 1-2]](/style/images/fileicons/text.png)
D121171004_skripsi_26-02-2024 bab 1-2.pdf
Download (1MB)
![[thumbnail of Dapus]](/style/images/fileicons/text.png)
D121171004_skripsi_26-02-2024 dapus.pdf
Download (881kB)
![[thumbnail of Full Text]](/style/images/fileicons/text.png)
D121171004_skripsi_26-02-2024.pdf
Restricted to Repository staff only until 24 January 2026.
Download (10MB)
Abstract (Abstrak)
Analisis sentimen berbasis ekspresi wajah menjadi topik yang menarik dalam pengenalan pola dan kecerdasan buatan. Dalam penelitian ini, kami mengusulkan sebuah model berdasarkan arsitektur ResNet50 yang dilatih untuk mengenali ekspresi wajah dalam video review produk menggunakan Convolutional Neural Network (CNN). Tujuan dari penelitian ini adalah untuk mengembangkan sebuah model deep learning yang mampu mengidentifikasi sentimen positif, negatif, atau netral pada video review produk berdasarkan ekspresi wajah yang ditampilkan oleh reviewer. Penelitian ini dimulai dengan pengumpulan dan pengolahan dataset yang berisi video review produk yang kemudian diekstrak dengan berbagai ekspresi wajah, seperti senang, kecewa, marah, netral, dan kaget. Selanjutnya, kami menggunakan ResNet50 sebagai basis model dan melakukan transfer learning dengan memuat bobot pra-pelatihan dari ImageNet. Kami menyesuaikan model dengan dataset kami dan melakukan pelatihan pada data tersebut. Kami melakukan pelatihan model dengan 12 skenario berbeda, mengubah parameter seperti ukuran batch (8, 16, dan 32), learning rate (0.0001 dan 0.0004), serta menggunakan optimizer Adam dan Adamax. Evaluasi dilakukan dengan membagi dataset menjadi data pelatihan dan data validasi. Hasil pelatihan menunjukkan bahwa skenario dengan batch size 32, learning rate 0.0004, dan optimizer Adam menghasilkan akurasi pelatihan sebesar 99.83% dan akurasi validasi sebesar 95.00%, yang merupakan kinerja terbaik di antara skenario lainnya. Hasil penelitian ini menunjukkan bahwa model kami berhasil mengenali ekspresi wajah dalam video review produk dengan baik. Hal ini menunjukkan bahwa ekspresi wajah dapat digunakan sebagai indikator sentimen pada video review produk, dan penggunaan CNN dalam pengolahan data wajah dapat meningkatkan kinerja klasifikasi sentimen secara signifikan. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan teknologi analisis sentimen pada video review produk yang lebih akurat dan efektif. Namun, perlu diperhatikan bahwa hasil pelatihan dapat dipengaruhi oleh ukuran dataset, variasi ekspresi, dan kompleksitas model. Penelitian lebih lanjut dapat menggali lebih dalam dengan memperluas dataset, menggunakan teknik data augmentation, atau mengeksplorasi kombinasi parameter lainnya untuk meningkatkan performa model.
Kata Kunci : Analisis sentimen, Ekspresi wajah, CNN, ResNet50, Video review produk
Item Type: | Thesis (Skripsi) |
---|---|
Uncontrolled Keywords: | Sentiment analysis, Facial expressions, CNN, ResNet50, Product review videos |
Subjects: | T Technology > T Technology (General) |
Divisions (Program Studi): | Fakultas Teknik > Teknik Pertambangan |
Depositing User: | Unnamed user with username stfathirahs |
Date Deposited: | 02 Aug 2024 03:02 |
Last Modified: | 02 Aug 2024 03:02 |
URI: | http://repository.unhas.ac.id:443/id/eprint/36004 |