PENGENALAN EMOSI REAL-TIME BERBASIS WEB (CNN-LSTM HIBRIDA)

Dedy Prasetya Kristiadi

PENGENALAN EMOSI REAL-TIME BERBASIS WEB (CNN-LSTM HIBRIDA)

Authors

Dedy Prasetya Kristiadi

kampus Kuwera

Keywords:

EMOSI REAL-TIME, CNN-LSTM HIBRIDA

Synopsis

Ekspresi wajah seperti persetujuan, penolakan, rasa suka, kebahagiaan, dan sebagainya dapat menunjukkan bahwa sesuatu yang ditampilkan memiliki nilai tertentu, yang diekspresikan melalui respons wajah. Dengan memahami ekspresi wajah seseorang secara langsung, pengguna aplikasi dapat memahami keinginan dan harapan audiens/penggunanya. Lebih lanjut, memahami ekspresi wajah juga dapat membantu dalam pemasaran bisnis, pemasaran pendidikan, dan memahami emosi seseorang. Buku Monograph yang berjudul : Pengenalan Emosi Real-Time Berbasis Web Menggunakan CNN-LSTM Hibrida untuk Pengukuran Respons Audiens merupakan sebuah buku tentang pola ekspresi wajah dalam menyaksikan suatu tontonan maupun pengajaran. Buku ini sangat bermanfaat bagi banyak pihak sebagai referensi untuk memberikan pendapat berdasar hasil analisa wajah yang dapat dilakukan real time. Selain itu, evaluasi wajah dapat dilakukan secara langsung dan hasilnya bisa langsung didapat untuk segera mengambil keputusan. Meskipun pengenalan wajah telah banyak digunakan, kemampuan untuk mendeteksi ekspresi wajah sebagai bentuk komunikasi nonverbal masih terbatas. Oleh karena itu, buku ini mengembangkan aplikasi analisis ekspresi wajah berbasis webcam secara real-time dengan integrasi CNN-LSTM. Selanjutnya, buku ini akan dikembangkan untuk menghasilkan aplikasi yang bermanfaat dibidang pendidikan, kesehatan,bisnis dan keamanan. Semoga buku ini bisa memberikan manfaat bagi pembaca.

Chapters

KATA PENGANTAR
DAFTAR ISI
DAFTAR GAMBAR
BAB 01. STRATEGI PEMASARAN YANG EFEKTIF
BAB 02. MEMAHAMI EMOSI WAJAH
BAB 03. PENGENALAN EMOSI
BAB 04. MEMBANGUN APLIKASI BERBASIS WEB
DAFTAR PUSTAKA
PROFIL PENULIS

Downloads

Download data is not yet available.

Author Biography

Dedy Prasetya Kristiadi, kampus Kuwera

D. Dedy Prasetya Kristiadi.M.Kom

Menyelesaikan pendidikan S1 di Universitas Budi Luhur Jakarta dan S2 di Universitas Nusa Mandiri. Saat ini menjadi ketua Lembaga Penelitian dan Pengabdian Masyarakat pada STMIK Kuwera dan menjadi managing Editor pada jurnal Sintek Kuwera (https://www.sintek. stmikku. ac.id/index.php/home/editor) .

Kegiatan lainnya adalah sebagai dosen di kampus Kuwera dan menulis Jurnal Nasional maupun Internasional terindex scopus. Penelitian yang telah dilakukan saat ini meliputi Rekam medis elektronik (2018) dan Penerapan Pengolahan Citra untuk Menganalisis Respon Emosional dalam Video untuk Meningkatkan Efektivitas Iklan (2025). Selain itu, terdapat pula beberapa buku ajar dan buku referensi seperti yang telah ditulis dan di publish sebagai bentuk pelaksanaan tridharma perguruan tinggi. Semoga kehadiran buku ini dapat bermanfaat bagi banyak orang.

Email: [email protected].

References

D. G. Takale et al., “Optimized Deep Learning Model for Intensive Care of Neurological Disorders Patients Based on Facial Expression,” Eng. Sci., vol. 32, pp. 1–16, 2024, doi: 10.30919/es1364.

N. Ruytenbeek, J. Allaert, and M. A. Vanderhasselt, “Psychophysiological effects of evaluative language use on Twitter complaints and compliments,” Internet Pragmat., vol. 7, no. 2, pp. 193–218, 2024, doi: 10.1075/ip.00092.ruy.

J. Kim, J. Hong, and Y. Choi, “Causal Inference for Modality Debiasing in Multimodal Emotion Recognition,” Appl. Sci., vol. 14, no. 23, 2024, doi: 10.3390/app142311397.

R. Zhang et al., “Modeling group-level public sentiment in social networks through topic and role enhancement,” Knowledge-Based Syst., vol. 305, 2024, doi: 10.1016/j.knosys.2024.112594.

R. Li, X. Yang, J. Lou, and J. Zhang, “A temporal-spectral graph convolutional neural network model for EEG emotion recognition within and across subjects,” Brain Informatics, vol. 11, no. 1, 2024, doi: 10.1186/s40708-024-00242-x.

X. Zhu, Z. He, C. Wang, Z. Dai, and L. Zhao, “A Learning Emotion Recognition Model Based on Feature Fusion of Photoplethysmography and Video Signal,” Appl. Sci., vol. 14, no. 24, 2024, doi: 10.3390/app142411594.

C. Ren et al., “Semi-supervised pairwise transfer learning based on multi-source domain adaptation: A case study on EEG-based emotion recognition,” Knowledge-Based Syst., vol. 305, no. October, p. 112669, 2024, doi: 10.1016/j.knosys.2024.112669.

V. N. Mathebula, M., Modupe, A., & Marivate, “PL-NCC_A_Novel_Approach_for_Fake_News_Detection_th 01.pdf.”

N. Abdelhady, I. E. Elsemman, and T. H. A. Soliman, “A real-time predicting online tool for detection of people’s emotions from Arabic tweets based on big data platforms,” J. Big Data, vol. 11, no. 1, 2024, doi: 10.1186/s40537-024-01035-z.

S. I. Ahsan, D. Djenouri, and R. Haider, “Privacy-Enhanced Sentiment Analysis in Mental Health: Federated Learning with Data Obfuscation and Bidirectional Encoder Representations from Transformers,” Electron., vol. 13, no. 23, 2024, doi: 10.3390/electronics13234650.

F. Makhmudov, D. Turimov, M. Xamidov, F. Nazarov, and Y. I. Cho, “Real-Time Fatigue Detection Algorithms Using Machine Learning for Yawning and Eye State,” Sensors, vol. 24, no. 23, 2024, doi: 10.3390/s24237810.

H. Zhao, S. Liu, Y. Chen, F. Kong, Q. Zeng, and K. Li, “UCEMA: Uni-modal and cross-modal encoding network based on multi-head attention for emotion recognition in conversation,” Multimed. Syst., vol. 30, no. 6, pp. 1–14, 2024, doi: 10.1007/s00530-024-01561-z.

M. X. Zhang and H. G. Zhang, “A Survey on Interpretability of Facial Expression Recognition,” Jisuanji Xuebao/Chinese J. Comput., vol. 47, no. 12, pp. 2819–2851, 2024, doi: 10.11897/SP.J.1016.2024.02819.

M. A. Habeeb, Y. L. Khaleel, R. D. Ismail, Z. T. Al-Qaysi, and F. N. Ameen, “Deep Learning Approaches for Gender Classification from Facial Images,” Mesopotamian J. Big Data, vol. 2024, pp. 185–198, 2024, doi: 10.58496/MJBD/2024/013.

D. Al-Shammari and D. Akgun, “A Comparison of Transfer Learning Models for Face Recognition,” Sak. Univ. J. Comput. Inf. Sci., vol. 7, no. 3, pp. 427–438, 2024, doi: 10.35377/saucis...1503989.

S. L. M. Sitio, M. Ardhiansyah, N. Rosmawarni, Y. M. Djaksana, and N. D. Arianti, “Comparison Of The Ensemble Xgboost And Transformer Models With Machine Learning For Classification Of Indonesian Music Moods Of The 70’s And 80’s Era,” J. Theor. Appl. Inf. Technol., vol. 102, no. 24, pp. 9157–9165, 2024, [Online]. Available: https://www.scopus.com/inward/record.uri?eid=2-s2.0-85213985824&partnerID=40&md5=8476c7cdc4ca72315b3e39a77f4fb1e9

X. Chen, X. Song, J. Zuo, Y. Wei, L. Nie, and T.-S. Chua, “Domain-aware Multimodal Dialog Systems with Distribution-based User Characteristic Modeling,” ACM Trans. Multimed. Comput. Commun. Appl., vol. 21, no. 2, 2024, doi: 10.1145/3704811.

V. M. Corza-Vargas, R. Martinez-Maldonado, B. Escalante-Ramírez, and J. Olveres, “Students’ Ethical, Privacy, Design, and Cultural Perspectives on Visualizing Cognitive-Affective States in Online Learning,” J. Learn. Anal., vol. 11, no. 3, pp. 24–40, 2024, doi: 10.18608/jla.2024.8483.

Z. Ren, X. He, D. Yin, and M. de Rijke, “Information Discovery in E-commerce,” Found. Trends Inf. Retr., vol. 18, no. 4–5, pp. 417–690, 2024, doi: 10.1561/1500000097.

J. He, X. Liang, and J. Xue, “Unraveling the Influential Mechanisms of Smart Interactions on Stickiness Intention: A Privacy Calculus Perspective,” J. Theor. Appl. Electron. Commer. Res. , vol. 19, no. 4, pp. 2582–2604, 2024, doi: 10.3390/jtaer19040124.

G. Warren, R. M. J. Byrne, and M. T. Keane, “Categorical and Continuous Features in Counterfactual Explanations of AI Systems,” ACM Trans. Interact. Intell. Syst., vol. 14, no. 4, 2024, doi: 10.1145/3673907.

L. Gutiérrez-Martín, C. López-Ongil, J. M. Lanza-Gutiérrez, and J. A. Miranda Calero, “Personalized Clustering for Emotion Recognition Improvement,” Sensors, vol. 24, no. 24, 2024, doi: 10.3390/s24248110.

M. Mathebula, A. Modupe, and V. Marivate, “Fine-Tuning Retrieval-Augmented Generation with an Auto-Regressive Language Model for Sentiment Analysis in Financial Reviews,” Appl. Sci., vol. 14, no. 23, 2024, doi: 10.3390/app142310782.