Optimalisasi Hyperparameter Arsitektur Temporal Convolutional Network Menggunakan Metode Hyperband untuk Mengklasifikasikan Gerakan Mata Manusia

Daffa Bil Nadzary, Dr. Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM., Syukron Abu Ishaq Alfarozi, S.T., Ph.D.

2023 | Skripsi | TEKNOLOGI INFORMASI

Interaksi berbasis pandangan mata merupakan salah satu bentuk implementasi dari Industri 5.0. Sistem ini sangat bermanfaat untuk berbagai kondisi, terutama pada orang yang mengalami gangguan gerak. Implementasi dari sistem interaksi berbasis mata memerlukan sebuah sistem yang dapat mengenali dan mengklasifikasikan gerakan-gerakan mata yang berbeda pada manusia. Model Temporal Convolutional Network (TCN) merupakan model state-of-the-art dari klasifikasi gerakan mata ini. Pada tugas akhir ini, dilakukan peningkatan performa pada model TCN yang sudah ada dengan melakukan hyperparameter optimization menggunakan metode Hyperband. Penulis juga melakukan analisis dari keseluruhan hyperparameter yang ada secara individu untuk melihat pengaruh dari masing-masing hyperparameter terhadap model TCN. Hasil dari penelitian menunjukkan bahwa model TCN hasil proses hyperparameter optimization dapat mengalami peningkatan performa dengan menggunakan dua metode evaluasi yang berbeda. Evaluasi dengan metode LOVO menunjukkan peningkatan paling tinggi pada kelas gerakan saccade sebesar 1%, sedangkan evaluasi dengan metode K-Fold Cross Validation mengalami peningkatan yang cukup besar yakni 0,9% pada fixation, 1,3% pada saccade, 3,2% pada noise serta 6,6% pada smooth pursuit.

Gaze-based interaction is one of many implementations of Industry 5.0. The system is highly beneficial in various conditions, especially for individuals with motion impaired people. The implementation of an eye-based interaction system requires a system that can recognize and classify different types of eye movements in humans. In the eye movement classification field, Temporal Convolutional Network (TCN) model is proven to be a state-of-the-art model. In this research, performance improvement is conducted on the existing TCN model by optimizing hyperparameters using the Hyperband method. We also analyzed the individual hyperparameters to examine the influence of each hyperparameter on the TCN model. The research results show that the TCN model, after undergoing hyperparameter optimization, experiences performance improvement using two different evaluation methods. The LOVO method evaluation shows the highest increase in the saccade movement class by 1%, while the K-Fold Cross Validation evaluation experiences significant improvements, namely 0.9% in fixation, 1.3% in saccade, 3.2% in noise, and 6.6% in smooth pursuit.

Kata Kunci : Eye movement classification, Temporal Convolutional Network, Hyperparameter Optimization, Hyperband, K-Fold Cross Validation