UPT Perpustakaan UM

  • Beranda
  • Informasi
  • Repository UM
  • SIPADU UM
  • OPAC SIPADU

Pencarian Spesifik

Pencarian berdasarkan :

SEMUA Pengarang Subjek ISBN/ISSN Pencarian Spesifik

Pencarian terakhir:

{{tmpObj[k].text}}
No image available for this title

Disertasi

Pengembangan hybrid ensemble semi-supervised learning model dengan optimasi augmentasi data dan ekstraksi fitur / Purnawansyah

Purnawansyah - Nama Orang;

Abstrak
ABSTRAKPurnawansyah. 2025. Pengembangan Hybrid ensemble Semi-supervised learning Model dengan Optimasi Augmentasi Data dan Ekstraksi fitur. Disertasi Program Studi Teknik Elektro dan Informatika. Fakultas Teknik Universitas Negeri Malang. Pembimbing (1) Prof. Aji Prasetya Wibawa S.T. M.M.T. Ph.D. (II) Dr. Ir. Triyanna Widiyaningtyas MT. (III) Prof. Dr. Haviluddin S.Kom. M.Kom.Kata Kunci Augmentasi Ekstraksi fitur Supervised learning Semi-supervised learning Ensemble semi-supervised learningPenelitian ini berangkat dari tantangan keterbatasan data berlabel dalam pengembangan sistem klasifikasi berbasis machine learning khususnya pada pengenalan ekspresi wajah (Facial Expression Recognition/FER). Proses anotasi manual memerlukan waktu biaya dan tenaga yang besar sementara model supervised learning sangat bergantung pada kelengkapan label. Untuk mengatasi masalah ini diterapkan pendekatan Semi-supervised learning (SSL) yang mengombinasikan data berlabel dan tidak berlabel sehingga dapat mengurangi ketergantungan pada label namun tetap mempertahankan kinerja yang optimal. Penelitian ini berfokus pada pengembangan Hybrid ensemble Semi-supervised learning (ESSL) yang dioptimalkan dengan augmentasi data berbasis occlusion dan ekstraksi fitur menggunakan arsitektur pre-trained CNN (VGG19 ResNet50 Inception-V3).Metodologi penelitian dilakukan dalam dua tahap. Tahap pertama mengkaji perbandingan model supervised learning dan SSL pada tiga dataset citra wajah (JAFFE Georgia Tech Yale) menggunakan enam algoritma populer Decision tree K-Nearest neighbor (KNN) Support vector classifier (SVC) Multi-layer perceptron (MLP) Long short-term memory (LSTM) dan Convolutional neural network (CNN). Eksperimen dilakukan dengan empat skenario proporsi data tidak berlabel (0% 50% 75% dan 80%) dan dievaluasi menggunakan enam metrik akurasi F1-score Jaccard index ROC-AUC cosine similarity dan Kullback- Leibler divergence. Hasil tahap ini menunjukkan bahwa SSL konsisten memberikan performa lebih baik dibanding supervised learning pada dataset Georgia Tech dan Yale sedangkan pada JAFFE hasilnya belum optimal mengindikasikan perlunya pendekatan yang lebih adaptifTahap kedua berfokus pada pengembangan model ensemble semi-supervised learning (ESSL) untuk dataset JAFFE. Empat model dasar (SVC LSTM CNN dan Random Forest (RF)) dikombinasikan dalam 15 konfigurasi mulai dari model tunggal kombinasi dua hingga empat model dengan RF sebagai agregator akhir. Pemilihan RF dibandingkan decision tree didasarkan pada keunggulannya dalam meningkatkan akurasi dan kemampuan generalisasi melalui pendekatanensemble berbasis banyak pohon yang efektif dalam mereduksi overfitting menurunkan variansi dan memberikan estimasi fitur yang lebih konsisten. Selain itu dua strategi optimasi diterapkan (1) augmentasi occlusion yaitu teknik menutupi sebagian area wajah untuk meningkatkan keragaman data dan ketahanan model terhadap gangguan visual (2) ekstraksi fitur menggunakan tiga arsitektur CNN untuk menghasilkan representasi yang lebih informatif sekaligus mengurangi kompleksitas input. Analisis statistik menggunakan uji Friedman dan Nemenyi post hoc dilakukan untuk memastikan perbedaan signifikan pada performa model secara simultan dan secara berpasangan.Hasil penelitian menunjukkan bahwa pendekatan ESSL lebih unggul dibandingkan model tunggal. Dalam skema supervised learning SVC linear mampu mencapai akurasi 85% namun ketika digunakan dalam konteks semi- supervised dengan sebagian data tidak berlabel kinerjanya menurun menjadi 73% sehingga mengindikasikan bahwa model tunggal kurang efektif memanfaatkan informasi dari data tak berlabel. Sebaliknya konfigurasi hybrid ensemble yang menggabungkan SVC LSTM CNN dan RF dengan RF sebagai agregator mencapai akurasi tertinggi sebesar 87% melampaui SVC baik pada skenario supervised maupun SSL. Teknik augmentasi occlusion berperan dalam meningkatkan variasi data dan kemampuan generalisasi model sedangkan feature fusion dari tiga arsitektur deep learning memperkaya informasi visual yang diekstraksi. Analisis statistik mengonfirmasi bahwa ESSL secara signifikan lebih baik dibanding SSL konvensional maupun metode tunggal baik dari sisi akurasi maupun konsistensi prediksi dengan keunggulan utama berupa kemampuannya meminimalkan kebutuhan data berlabel tanpa mengorbankan kinerja sehingga menjadi solusi praktis untuk permasalahan keterbatasan label pada domain citra wajah.Kontribusi ilmiah dari penelitian ini mencakup (1) pengembangan framework Hybrid ESSL dengan optimasi augmentasi dan ekstraksi fitur yang mampu meningkatkan akurasi dan robustnes model pada kondisi data terbatas (2) validasi empiris melalui analisis multi-skenario dengan uji statistik untuk memastikan keunggulan metode (3) penyediaan model aplikatif yang relevan untuk sistem cerdas berbasis pengenalan wajah. Temuan ini memiliki implikasi praktis luas antara lain untuk sistem keamanan berbasis biometrik human- computer interaction yang adaptif terhadap ekspresi emosional monitoring kesehatan mental hingga pembelajaran berbasis emosi.Sebagai simpulan penelitian ini membuktikan bahwa Hybrid ESSL yang diperkaya dengan augmentasi occlusion dan ekstraksi fitur dapat secara signifikan meningkatkan akurasi dan kestabilan prediksi dalam pengenalan ekspresi wajah bahkan ketika data berlabel terbatas. Pendekatan ini menggabungkan kekuatan model heterogen dan teknik optimasi data sehingga menghasilkan sistem yang lebih robust efisien dan adaptif terhadap kondisi dunia nyata.Saran untuk penelitian selanjutnya mencakup pengujian pada dataset berskala besar dan domain yang lebih beragam untuk menilai kemampuan generalisasi pengintegrasian mekanisme regularisasi adaptif atau self-training dinamis untuk mengurangi ketergantungan konfigurasi manual serta pengembangan implementasi real-time agar metode ini dapat digunakan pada aplikasi praktis dengan efisiensi komputasi tinggi.


Informasi Detail
DDC
Rd 621.3076 PUR p
Prodi
Universitas Negeri Malang. Program Studi Teknik Elektro dan Informatika, 2025.
Deskripsi Fisik
xx, 129 lembar : ilus. ; 30 cm.
Bahasa
Indonesia
No Reg
00126/RD/26
Edisi
Disertasi (Pascasarjana)--Universitas Negeri Malang. 2025
Subjek
1. TEKNIK ELEKTRO – MODEL PEMBELAJARAN
2. ELECTRICAL ENGINEERING – LEARNING MODEL

Pembimbing
1. Aji Prasetya Wibawa, S.t., M.mt., Ph.d; 2. Triyanna Widiyaningtyas, M.t.
Lampiran Berkas
You must be logged in to get fulltext


UPT Perpustakaan UM
  • Berita

Tentang Kami

TIM IT Perpustakaan 2023

Cari

masukkan satu atau lebih kata kunci dari judul, pengarang, atau subjek

Donasi untuk SLiMS

Pilih subjek yang menarik bagi Anda
  • Karya Umum
  • Filsafat
  • Agama
  • Ilmu-ilmu Sosial
  • Bahasa
  • Ilmu-ilmu Murni
  • Ilmu-ilmu Terapan
  • Kesenian, Hiburan, dan Olahraga
  • Kesusastraan
  • Geografi dan Sejarah
Icons made by Freepik from www.flaticon.com
Pencarian Spesifik