Pada Hari Senin, 11 Agustus 2025, Pukul 13.00 WIB bertempat di Room Meeting H.1, telah dilaksanakan sidang terbuka Disertasi dari Promovendus Muhamad Fatchan (P41.2018.00007) dengan Disertasi berjudul “Kombinasi Autoencoder dan AdaBoost Untuk Optimasi Pengenalan Ekspresi Wajah berbasis Model Wajah Holistik”.
Riset disertasi dari Muhamad Fatchan di bawah pembimbingan dari Tim Promotor: Prof. Dr. Pulung Nurtantio A, M.Kom (Promotor), Affandy, Ph.D (Co-Promotor), dan Dr. Ahmad Zainul Fanani, S.Si, M.Kom (Co-Promotor). Sedangkan Tim Penyanggah terdiri atas: Prof. Dr. Edi Noersasongko, M.Kom (Ketua Sidang), Prof. Dr. rer. nat. A. Benny Mutiara Q N, Dipl., Phsy., S.Si, S.T (Penyanggah), Dr. Abdul Syukur (Penyanggah), Dr. Ruri Suko Basuki, M.Kom (Penyanggah), dan Purwanto, Ph.D (Penyanggah).
Riset disertasi dari Muhamad Fatchan berkaitan dengan pendekatan baru untuk mengoptimalkan proses ekstraksi fitur menggunakan model Inception-V3, VGG-16, dan VGG-19 sebagai fondasi dalam deteksi fitur krusial wajah. Tujuan utama dari penelitian ini adalah meningkatkan akurasi dalam klasifikasi ekspresi wajah melalui pemanfaatan fitur-fitur representatif yang diekstraksi dari citra wajah dengan pendekatan transfer learning.
Untuk mendukung proses klasifikasi, berbagai algoritma machine learning seperti Support Vector Machine (SVM), Neural Network, dan Adaboost diimplementasikan dan dievaluasi secara komparatif berdasarkan performa akurasi, presisi, dan recall. Metodologi yang digunakan dalam penelitian ini mencakup tahapan praproses citra, ekstraksi fitur menggunakan arsitektur CNN pre-trained, seleksi fitur optimal, dan klasifikasi menggunakan algoritma pembelajaran mesin yang telah disebutkan sebelumnya.
Hasil eksperimen menunjukkan bahwa optimalisasi pemilihan fitur secara signifikan meningkatkan kinerja model, dengan SVM menghasilkan akurasi tertinggi dalam mengenali enam kategori ekspresi dasar, yaitu senang, sedih, marah, takut, terkejut, dan jijik. Penelitian ini berkontribusi pada pengembangan sistem pengenalan wajah berbasis artificial intelligence yang lebih efisien dan presisi, serta membuka peluang baru dalam aplikasi teknologi afektif seperti smart surveillance, pendidikan adaptif, dan interaksi robotik. Nilai AUC dan akurasi masing-masing mencapai 99,9% dan 99,8% pada kumpulan data MMAFEDB dan AffectNet. Kumpulan data JAFFE, yang memiliki sampel lebih sedikit, mencapai AUC 94,9% dan akurasi 91,1%
Muhamad Fatchan telah berhasil mempertahankan disertasinya dan menjadi Lulusan Ke-18 Program Doktor Ilmu Komputer Universitas Dian Nuswantoro. Selamat dan sukses, semoga ilmunya bermanfaat.
