@thesis{thesis,
		author={Ramadhan  Desty Mustika},
		title ={PENERAPAN BRIGHTNESS AUGMENTATION 
UNTUK MENGETAHUI PENGARUH TERHADAP 
AKURASI KLASIFIKASI EKSPRESI WAJAH 
BERMASKER DENGAN MODEL CNN},
		year={2023},
		url={http://repositori.unsil.ac.id/10141/},
		abstract={Penggunaan metode Deep Learning dengan model CNN mulai diterapkan 
seperti pada Facial Expression Recognition. Namun, dengan adanya situasi 
pandemi beberapa tahun belakangan ini, masih terdapat beberapa orang yang 
mengenakan masker untuk kepentingan pekerjaaan atau karena mereka sedang 
dalam keadaaan sakit sehingga wajah mereka tidak terlihat sepenuhnya. Hal 
tersebut dapat memengaruhi dalam interaksi sosial khususnya pada area mulut yang 
bersifat sangat informatif. Oleh karena itu, penelitian ini bertujuan untuk 
memberikan pemahaman lebih baik tentang pengenalan ekspresi wajah bermasker 
dengan penerapan model CNN, yaitu dengan aritektur VGG16 dan MobileNet. 
Selain itu, penelitian ini juga akan mengeksplorasi penggunaan metode augmentasi 
data, seperti geometric augmentation dan brightness augmentation, untuk melihat 
pengaruhnya terhadap akurasi klasifikasi ekspresi wajah bermasker. Hasil 
penelitian menujukkan bahwa penggunaan arsitektur VGG16 dengan metode cross?validation (VGG16-FLCV) memberikan performa yang lebih baik daripada 
arsitektur MobileNet-FLCV dalam mengenali dan mengklasifikasikan ekspresi 
wajah bermasker. Penerapan metode augmentasi data, seperti geometric 
augmentation dan brightness augmentation, telah membantu meningkatkan 
performa model CNN. Hasil eksperimen menunjukkan bahwa pada arsitektur 
VGG16-FLCV, brightness range (1.00, 1.25) memberikan akurasi terbaik dengan 
akurasi latih sebesar 81,73% dan akurasi validasi sebesar 70,71%. Selain itu, 
penelitian ini menemukan bahwa penggunaan brightness range yang optimal pada 
arsitektur VGG16-FLCV terdapat pada kategori darkness dengan rentang (0.25, 
v
0.50), (0.50, 0.75), dan (0.75, 1.00), serta pada kategori brightness dengan rentang 
(1.00, 1.25). Penelitian ini menemukan bahwa pada arsitektur MobileNet-FLCV
dengan brightness range (0.25, 0.50), (0.50, 0.75), (0.75, 1.00), (1.00, 0.25), dan 
(1.25, 1.50) dapat dijadikan alternatif brightness range yang masih dapat diterapkan 
tanpa mengalami penurunan akurasi yang signifikan. 
Kata Kunci : Brightness Augmentation, CNN, Cross Validation, Ekspresi Wajah 
Bermasker}
		}