Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKWajah manusia mengandung banyak informasi dan antarmuka yang jelas dalam inleraksi antara manusia dan komputer. Hal ini telah memotivasi penelitian aktif di bidang pengenalan wajah, face tracking, pose estimation, pengenalan ekspresi, dan pengenalan mimik. Akan tetapi, sebagian besar metode tersebut mengasumsikan bahwa wajah manusia dalam suatu citra atau urutan citra telah diidentifikasi dan dilokalisasi. Untuk membangun suatu system otomatis sehingga kerja manusia dapat sepenuhnya ditangani oleh mesin, sangatlah penting untuk membangun algoritma yang handal dan efisien untuk mendeteksi wajah manusia.Tujuan dari deteksi wajah adalah untuk mengidentifikasi dan menempatkan wajah manusia dengan posisi, skala, orientasi, dan kondisi pencahayaan tertentu. Dalam tugas skripsi ini, ditampilkan suatu algorilma deteksi wajah untuk grayscale image dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menangani citra masukan dengan skala yang berbesa-beda, dilakukan metode pyramid terhadap citra masukan. Metode yang digunakan dalam proses deteksi dikembangkan dari metode Principal Component Analysis (PCA) dengan pembobotan yang optimum untuk menghasilkan error criterion yang terbaik. Simulasi dil akukan dengan MATLAB versi 5.3.

---

"

"Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda.

---

With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points."

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik.

---

The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices.

The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds."

"Sejak kehadiran jejaring sosial belakangan ini setiap orang dapat dengan mudah memperoleh informasi siapapun. Bahkan persaingan industri IT semakin marak dengan dikembangkannya aplikasi dan layanan yang terhubung dengan jejaring sosial. Oleh karena itu, muncul sebuah ide untuk mengembangkan sistem pengenalan wajah sebagai identitas penghubung jejaring sosial. Selain menggunakan wajah sebagai identitas utama dalam perancangan sistem, wajah juga digunakan sebagai marker untuk menampilkan informasi hasil pengenalan wajah berbasis Augmented Reality. Sistem utuh ini terdiri dari pengenalan wajah pada perangkat mobile Android, pengenalan wajah pada layanan komputasi awan dan tambahan informasi hasil pengenalan wajah berupa Augmented Reality. Modul pengenalan wajah ditanamkan pada layanan Cloud Computing Google App Engine berbasis Python dengan memanfaatkan Face.com API sebagai pengolahan citra wajah. Hasil informasi dari layanan tersebut dikembalikan dalam format JSON. Response JSON itu dimanfaatkan sebagai tambahan informasi yang akan ditampilkan dengan konsep Augmented Reality. Kehadiran Augmented Reality pada sistem ini bertujuan untuk memberikan interaksi yang ramah dengan pengguna. Berdasarkan hasil pengujian, Augmented Reality bekerja dengan cepat ketika menjadikan wajah sebagai marker untuk menampilkan informasi hasil pengenalan wajah, dengan respon rata-rata sebesar 1025.42 ms untuk mendapat informasi lengkap dan 697.7 ms untuk mendapat sedikit informasi dari orang yang dikenal.

---

Recently, since the presence of social networking, anyone can easily receive information of anyone, anytime and anywhere. The competition for IT industry increased with the development of connected applications and services with social networking. Therefore, we proposed a face recognition system as a connector to social networking application. In addition to using face as a primary identity in the system design, face is also used as a marker to display information of the result of the face recognition-based on Augmented Reality. This complete system consists of face recognition on Android mobile devices. Face recognition on cloud computing services and additional information on the results of face recognition in the form of Augmented Reality.

Face recognition module is embedded in the Cloud Computing using Google App Engine services based on Python, and also using Face.com API for facial image processing. The results of the service information is returned in JSON format. Given JSON response used as additional information to be displayed with the concept of Augmented Reality. The presence of Augmented Reality in this system aims to provide a friendly interaction with the user. Based on the results of test, Augmented Reality works quickly when used faces as a marker, with the average response time of 1025.42 ms to get complete information and 697.7 ms to get a little information from people who are known."

"ABSTRAKWajah merupakan suatu informasi biometrik yang dapat digunakan untuk menentukan identitas seseorang. Ukuran, bentuk, dan struktur wajah seseorang hampir tidak berubah sehingga cenderung stabil dan dapat digunakan sebagai masukan untuk mengenali seseorang.Unjuk kerja sebuah algoritme pengenalan wajah ditentukan oleh akurasi pengenalan wajah dan dinyatakan dalam persen akurasi pengenalan. Semakin besar nilai persen akurasi pengenalan wajah, maka semakin baik algoritme pengenalan wajah tersebut.Akurasi pengenalan wajah sangat dipengaruhi oleh deskriptor ciri yang merepresentasikan sebuah citra wajah dan desain pengklasifikasi. Perancangan deskriptor ciri citra wajah yang robust dipengaruhi oleh beberapa faktor seperti variasi pencahayaan, variasi pose, variasi ekspresi, resolusi citra wajah, jenis kelamin, ras, dan lain-lain.Untuk pengenalan wajah tradisional, biasanya faktor-faktor ini sedapat mungkin diatur agar akurasi pengenalan wajah lebih baik dalam tahap pencocokan. Tetapi untuk kondisi pengenalan wajah yang riil, dimana faktor-faktor di atas tidak dapat dikendalikan, seperti pencahayaan yang sangat kurang, pose yang tidak frontal, resolusi citra yang rendah, ekspresi yang variatif, maka diperlukan deskriptor wajah yang dapat mengakomodir kondisi-kondisi ini agar akurasi pengenalan wajah tetap baik.Disertasi ini mengusulkan pengembangan algoritme SCAN sebagai deskriptor wajah ciri lokal baru untuk meningkatkan akurasi pengenalan wajah yang disebabkan oleh variasi pencahayaan dan resolusi citra wajah yang rendah. Selain itu, suatu algoritme baru untuk menggabungkan Transformasi Fourier Diskrit sebagai deskriptor wajah ciri global dengan salah satu deskriptor wajah ciri lokal yang ada, yaitu LBP/LDiP/LDNP juga diusulkan di dalam disertasi ini untuk mengatasi persoalan pengenalan wajah akibat variasi pose, variasi ekspresi, dan adanya oklusi.Untuk simulasi pengenalan wajah karena variasi pencahayaan yang dilakukan pada Yale Face Database B, didapati deskriptor lokal berbasis teknik SCAN memiliki akurasi pengenalan sebesar 59,56 , dibandingkan PCA 4,74 , LDA 17,48 , LBP 12,37 , dan MLBP 45,33 . Untuk simulasi citra wajah dengan resolusi yang rendah pada database yang sama, algoritme SCAN memiliki akurasi pengenalan 44,34 , sedangkan PCA 20,44 , LDA 35,39 , LBP 3,68 , dan MLBP 44,08 .Untuk simulasi menggunakan database ORL, akurasi pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak menggunakan kombinasi DFT dan LBP menggungguli deskriptor global PCA dan LDA serta deskriptor lokal LBP, LDiP,LDNP untuk citra wajah mulai dari jumlah citra latih sebanyak tiga untuk tiap subyek. Selain itu, algoritme penggabungan deskriptor global DFT dengan deskriptor lokal LBP atau LDiP atau LDNP menghindarkan fenomena peaking di dalam penambahan citra latih untuk pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak.

---

ABSTRACTA face is an information that attached to a person and always be with the person every time. The size, shape, and structure of a person 39 s face is virtually unchanged, which tends to be stable and can be used as input to recognize a person.The performance of a face recognition algorithm depends on the recognition rate and is usually expressed in percentage. The higher the recognition rate, the better the algorithm. The recognition rate is affected by a feature descriptor and a classifier design. Several factors such as illumination variation, pose variation, expression variation, face image resolution, sex, race, etc, should be considered to design a robust face descriptor.For traditional face recogntion, these factors were well controlled in order to get a better recognition rate at matching phase. However, for real problem face recognition, where these factors were difficult to be controlled, such as for very low intensities, non frontal pose, low resolution face image, diverse expressions, then it is important to carefully design a face descriptor that may accomodate these situations to get a better recognition rate.This dissertation propose the SCAN algorithm as a new local feature descriptor to improve face recognition accuracy caused by intensities variation and low resolution of a facial image. In addition, a new algorithm that combine Fourier Discrete Transform as a global feature descriptors with one of the existing local characteristic descriptors, LBP LDiP LDNP was also proposed in this dissertation to address facial recognition problems due to variation of pose, variation of expression, and the presence of occlusion.For facial recognition simulations due to variations of lighting performed at Yale Face Database B, local SCAN based descriptor has an recognition accuracy of 59.56 , compared to PCA 4.74 , LDA 17.48 , LBP 12 , 37 , and MLBP 45.33 . For simulation of low resolution images on the same database, SCAN algorithm has an accuracy of 44.34 , while PCA 20.44 , LDA 35.39 , LBP 3.68 , and MLBP 44.08 .For simulations using the ORL database, the face recognition accuracy due to variations of random pose, expression, and occlusion using a combination of DFT and LBP outperformed global descriptors PCA and LDA as well as local descriptors LBP, LDiP, LDNP for face images starting from three face images as the training face images for each subject. In addition, the algorithm that combine DFT global descriptor with LBP or LDiP or LDNP as local descriptors avoids peaking phenomena along with the increasing of training images for face recognition due to variations of random pose, expression, and occlusion."

"ABSTRAKDalam beberapa tahun terakhir, kemajuan besar telah terjadi pada sistem pengenalan wajah. Banyak model yang telah diusulkan. Pada penelitian ini, uji coba dilakukan dengan model tertentu. Teknik Logarithm Transformation pertama-tama diterapkan untuk meningkatkan kualitas gambar wajah dan mengatasi variasi pencahayaan. Selanjutnya dilakukan proses ekstraksi fitur wajah dari gambar berdasarkan Singular Value Decomposition SVD . Nilai singular diambil sebagai fitur yang diasumsikan merepresentasikan gambar citra wajah. Kemudian, algoritma K-Nearest Neighbors KNN dijalankan untuk proses klasifikasi, sehingga menghasilkan persentase tingkat akurasi program. ORL faces database dipilih untuk menguji model program pengenalan wajah. Dalam penelitian ini, data uji menggunakan hasil ektraksi fitur SVD dibandingkan dengan data uji tanpa ekstraksi fitur. Dari hasil uji coba, diperoleh bahwa penggunaan data uji menggunakan hasil ekstraksi fitur SVD menghasilkan proses running time yang lebih cepat dibandingkan dengan menggunakan data tanpa ekstraksi fitur. Namun persentase tingkat akurasi rata-rata tertinggi yang didapatkan pada setiap iterasi terpilih, lebih baik hasilnya dengan data uji tanpa ektraksi fitur, yaitu sebesar 98,34 pada 90 data training, dibandingkan dengan data uji hasil ektraksi fitur SVD yang memperoleh persentase tingkat akurasi rata-rata sebesar 82,82 pada 90 data training.

---

ABSTRACTIn the past several years, major advances have occurred in face recognition system. Many models have been proposed. In this paper, the experiments were carried out with a particular model. The Logarithm Transformation LT technique is firstly applied to enhance the face image and handling lighting variations of face image. Furthermore, extract the feature of the face image based on Singular Value Decomposition SVD . The singular value is taken as a feature that is assumed to represent the face image. Then, K Nearest Neighbors KNN algorithm is run for the classification process, so it generates an accuracy of program. ORL database was chosen to test the model of face recognition program. In this research, data using the feature extraction were compared to the data without feature extraction. From the test results, it was found that the use of test data using feature extraction has a faster running time than using data without feature extraction. However, the highest rate of average accuracy that obtained on each chosen iteration, the result is better with the test data without feature extraction, that is 98.34 at 90 data training, compared to the test data using feature extraction which has average accuracy level of 82.82 at 90 of data training."

"ABSTRAKPada beberapa tahun terakhir, sistem pengenalan wajah telah marak digunakan dalam berbagai aspek sebagai wujud dari kemajuan teknologi. Berbagai penelitian dilakukan untuk terus memperbaiki akurasi dari pengenalan wajah. Pada penelitian ini digunakan metode klasifikasi Learning Vector Quantization dan Fuzzy Kernel Learning Vector Quantization. Data yang digunakan adalah Labeled Face in The Wild-a LFW-a. Database ini tidak memiliki batasan seperti latar belakang, ekspresi, posisi, dan sebagainya. Berdasarkan hasil uji coba menggunakan database LFW-a, sistem pengenalan wajah dengan metode LVQ memiliki akurasi tertinggi 89,33 dan metode FKLVQ memiliki akurasi tertinggi 89,33 pula.

---

ABSTRACTIn recent years, face recognition is widely used in various aspects as a form of technology advancement. Various studies are conducted to keep improving the accuracy of face recognition. In this research, Learning Vector Quantization and Fuzzy Kernel Learning Vector Quantization are used as a method of classification. The data used in this research is Labeled Face in The Wild a LFW a. This database has no restrictions such as background, expression, position, and so on. Based on test results using LFW a database, face recognition using LVQ method has highest accuracy at 89,33 and FKLVQ method has highest accuracy at 89,33 as well."

"Dalam sistem presensi konvensional, seringkali terjadi kecurangan dalam proses presensi baik itu yang menggunakan RFID ataupun manual dengan tanda tangan. Begitu pula dengan presensi menggunakan teknologi pengenalan wajah juga terjadi kecurangan dengan menggunakan foto gambar wajah atau rekaman video,  Oleh karena itu, penelitian ini mengusulkan penggunaan algoritma Deep Learning untuk mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Pada pengimplementasiannya digunakan Raspberry Pi 4 Model B agar lebih efektif dan efisien dalam penerapannya. Metodologi yang digunakan dalam penelitian ini adalah dengan mengumpulkan dataset wajah asli dan palsu, kemudian dilakukan proses pelatihan menggunakan algoritma Deep Learning. Algoritma Deep Learning sudah terkenal efektif dalam mengenali fitur wajah. Dataset yang digunakan dalam penelitian ini adalah kombinasi antara dataset wajah asli dan palsu yang dikumpulkan dari berbagai sumber. Hasil yang diperoleh dari penelitian ini menunjukkan bahwa penggunaan teknologi pengenalan wajah dengan penerapan algoritma Deep Learning sebagai Face Anti-Spoofing (FAS) mampu mendeteksi serangan face spoofing dalam sistem presensi berbasis wajah. Hal ini terlihat dari tingkat keakuratan yang diperoleh dari proses pengujian yang dilakukan pada sistem presensi yang dikembangkan. Diharapkan sistem presensi ini dapat diimplementasikan secara luas untuk meningkatkan keamanan dan keandalan dalam sistem presensi berbasis wajah.

---

In conventional attendance systems, cheating often occurs in the attendance process, whether using RFID or manual methods with signatures. Similarly, in attendance systems that utilize facial recognition technology, cheating can occur through the use of facial photos or video recordings. Therefore, this research proposes the use of Deep Learning algorithms to detect face spoofing attacks in facial-based attendance systems. For implementation, Raspberry Pi 4 Model B is employed to enhance effectiveness and efficiency. The methodology utilized in this study involves collecting genuine and fake face datasets, followed by training processes using Deep Learning algorithms. Deep Learning algorithms are renowned for their effectiveness in recognizing facial features. The dataset used in this research is a combination of genuine and fake face data collected from various sources. The results obtained from this research demonstrate that employing facial recognition technology with the application of Deep Learning algorithms as Face Anti-Spoofing (FAS) is capable of detecting face spoofing attacks in facial-based attendance systems. This is evident from the accuracy achieved during the testing process conducted on the developed attendance system. It is hoped that this attendance system can be widely implemented to enhance security and reliability in facial-based attendance systems."

"Proses identifikasi dan pengenalan emosi seseorang selama ini hanya dapat dilakukan secara langsung dengan melihat raut wajahnya secara langsung dan mengolah raut wajah dari orang tersebut untuk mengerti emosi yang sedang dirasakan. Emosi dari raut wajah seseorang merupakan sesuatu yang paling susah dimengerti dan manfaat dari aplikasi yang dapat mengenali emosi ini dari raut wajah seseorang sangat tinggi. Untuk memenuhi minat yang tinggi atas pengenalan emosi pada raut wajah seseorang, penulis berniat untuk mengembangkan sebuah aplikasi yang dapat mengenali emosi seseorang dari raut wajahnya dengan menggunakan machine learning face recognition. Penulis berniat menggunakan framework CNN sebagai algoritma untuk melakukan machine learning face emotion recognition karena algoritma ini yang paling cocok dan mudah untuk digunakan, serta menggunakan arsitektur EfficientNet karena arsitektur ini merupakan arsitektur pengembangan dari Google yang bersifat opensource dan mudah digunakan karena sudah terintegrasi langsung dengan Keras. Program face emotion recognition ini menggunakan arsitektur EfficientNetB2 dan menggunakan dataset FER2013 berhasil mendapatkan akurasi training di angka 95.55% dan akurasi validasi sebesar 63.71%. Walaupun terjadinya overfitting karena perbedaan akurasi validasi dan training yang besar, akurasi testing dari program ini mendapatkan angka 88.21% dan berhasil mendeteksi 7 kategori emosi yang dihasilkan oleh raut wajah manusia

---

The process of identifying and recognizing a person's emotions so far can only be done directly by looking at his face directly and processing the facial expressions of the person to understand the emotions that are being felt. The emotion of a person's facial expression is something that is the most difficult to understand and the benefits of an application that can recognize this emotion from a person's facial expression is very high. To meet the high interest in recognizing emotions on a person's facial expression, the author intends to develop an application that can recognize a person's emotions from his facial expression using machine learning face recognition. The author intends to use the CNN framework as an algorithm to perform machine learning face emotion recognition because this algorithm is the most suitable and easy to use and uses the EfficientNet architecture because this architecture is a development architecture from Google that is open source and easy to use because it is integrated directly with Keras. This face emotion recognition program using the EfficientNetB2 architecture and using the FER2013 dataset managed to get a training accuracy of 95.55% and a validation accuracy of 63.71%. Despite the occurrence of overfitting due to the large difference in validation and training accuracy, the testing accuracy of this program scored 88.21% and succeeded in detecting 7 categories of emotions generated by human facial expressions.

"