Evaluasi Optimizer Adam dan RMSProp pada Arsitektur VGG-19 Klasifikasi Ekspresi Wajah Manusia

Abstract

Ekspresi wajah merupakan salah satu bentuk komunikasi non-verbal utama yang memungkinkan pengenalan dan pemahaman emosi manusia. Dalam konteks perkembangan Artificial Intelegence (AI), klasifikasi emosi dari ekspresi wajah menjadi bidang penelitian yang penting. Penelitian ini bertujuan untuk menyalakan kinerja dua optimizer populer yaitu Adam dan RMSProp pada model VGG-19. Evaluasi dilakukan dengan pengukuran akurasi dan loss validasi dari kedua optimizer menggunakan dataset FER-2013, yang terdiri dari gambar-gambar ekspresi wajah dengan berbagai emosi. Model VGG-19 yang digunakan adalah versi modifikasi dengan penambahan lapisan fullconnected dan dropout untuk mengurangi overfitting. Hasil penelitian menunjukkan bahwa optimizer Adam mampu mencapai akurasi rasio tertinggi sebesar 91.26% dengan batch size 256 dan epoch 25, serta menghasilkan loss validasi sebesar 1.0241, sedangkan optimizer RMSProp menghasilkan rasio rata-rata 84.60% dengan batch size 32 dan epoch 50, serta menghasilkan loss validasi 1.0910 . Analisis lebih lanjut menunjukkan bahwa optimizer Adam tidak hanya lebih efisien dalam mencapai akurasi yang lebih tinggi, tetapi juga lebih stabil dalam konvergensi dibandingkan dengan RMSProp, meskipun memerlukan ukuran batch yang lebih besar. Hal ini menunjukkan bahwa Adam lebih efektif dalam mengatasi variasi dalam gradien yang sering terjadi pada dataset besar dan kompleks. Data ini menunjukkan bahwa meskipun optimizer Adam membutuhkan ukuran batch yang lebih besar, secara konsisten memberikan kinerja lebih baik dalam klasifikasi emosi dibandingkan dengan RMSProp. Berdasarkan hasil optimasi tersebut Adam direkomendasikan untuk digunakan dengan arsitektur VGG-19 dalam tugas klasfikasi ekspresi wajah.