62-68
ABSTRAK
Studi arah tatapan mata adalah salah satu masalah yang cukup menantang dalam bidang computer
vision. Pengetahuan akan arah tatapan mata dapat memberikan informasi berharga yang dapat dimanfaatkan
untuk berbagai macam keperluan di beberapa bidang lainnya. Dalam paper ini nantinya akan meneliti arah
tatapan mata menggunakan average pooling convolutional neural network dengan menggunakan dataset
CAVE (Columbia Gaze Dataset). Convolutional neural netwok merupakan sebuah bidang keilmuan dalam
bidang machine learning yang akhir-akhir ini berkembang dan sangat baik untuk mengklasifikasi citra.
Nantinya, paper ini akan menganalisa dan membandingkan hasil F1 score dan weighted kappa (w-kappa)
score dari klasifikasi dengan menggunakan 3 dan 9 kelas. Dengan menggunakan channel RGB sebagai
gambar input, menghasilkan hasil yang lebih baik daripada menggunakan greyscale. Dan juga dengan seen
responden dataset menghasilkan hasil yang juga lebih baik daripada unseen responden dataset.
Dinamika Teknologi
62 Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
dalam bentuk lebih dari satu dimensi yang dimana 2 Fungsi Aktivasi
memiliki lebar, tinggi, dan juga kedalaman. Dalam CNN terdapat beberapa macam fungsi
CNN terdiri dari beberapa layer. Terdapat tiga aktivasi yang dapat digunakan diantaranya adalah
macam layer utama pada sebuah CNN yaitu, Rectified Linear Unit (ReLU) dan softmax.
convolution layer, subsampling layer, dan fully ReLU merupakan fungsi aktivasi yang akan
connected layer. Tujuan dilakukannya konvolusi menghasilkan nilai nol apabila x < 0 dan kemudian
pada data citra adalah untuk mengekstraksi fitur dari linier dengan kemiringan 1 ketika x > 0
citra input.
2 5 2 9 5 9
4 3 7 6
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327 63
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
Untuk setiap subyek, diambil gambar dengan Sistem pelabelan kelas dimulai dari huruf “A”
lima horisontal head pose (0°, ±15°, ±30°) dengan dan dimulai dari kiri atas ke kanan bawah seperti
tujuh arah tatapan secara horisontal (0°, ±5°, ±10°, yang ditunjukan pada gambar 8 untuk pelabelan 9
±15°) dan tiga arah tatapan secara vertikal (0°, kelas.
±10°).
A B C
D E F
G H I
Gambar 8. Pelabelan Pada 9 Kelas
Dinamika Teknologi
64 Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
Orang ke-1 Orang ke-2 Orang ke-54 Orang ke-55 Orang ke-56
(b)
Gambar 9. (a) Unseen Responden Test Set
(b) Seen Responden Test Set
∑
= 1− ∑, (5)
,
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327 65
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
nilai bobot w-kappa sebesar 2,236 seperti yang Pada Tabel 2, hasil testing dengan klasifikasi 3
diilustrasikan pada Gambar 12. kelas terbaik ditunjukan dengan penanda berwarna
hijau. F1 score dapat mencapai 0.8481426, dan w-
kappa score sebesar 0.8059620.
Dinamika Teknologi
66 Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
KESIMPULAN
Dinamika Teknologi
Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327 67
DINAMIKA TEKNOLOGI Oktober 2017 Vol. 9; No. 2; Hal. 62-68
DAFTAR PUSTAKA
Dinamika Teknologi
68 Jurnal Ilmiah Teknologi dan Rekayasa, ISSN: 1907-7327