PENGENALAN EKSPRESI WAJAH BERDASARKAN EKSTRAKSI FITUR ALIS, MATA DAN MULUT
2015: Seminar Informatika Aplikatif Polinema (SIAP)
Abstract
Kepuasan konsumen merupakan indikator bagi keberhasilan usaha yang dapat diketahui, salah satunya
melalui ekspresi wajah para konsumen. Dengan memanfaatkan perkembangan teknologi kecerdasan buatan,
komputer dapat mengenali berbagai ekspresi wajah berdasarkan ekstraksi fitur. Ekstraksi fitur adalah cara untuk
mendapatkan nilai fitur yang akan digunakan untuk membedakan satu ekspresi dengan ekspresi lainnya. Pada
penelitian ini dilakukan proses ekstraksi fitur alis, mata dan mulut menggunakan metode Principal Component
Analysis (PCA). Fitur-fitur diekstraksi untuk mendapatkan nilai PCA yang akan digunakan untuk menghitung jarak
eucledian sebagai klasifikasi ekspresi. Ekspresi yang dikenali diantaranya senang, sedih, marah dan netral. Untuk
data latih, menggunakan 100 buah citra yang terdiri dari 25 citra untuk setiap ekspresi. Berdasarkan pengujian
yang dilakukan terhadap citra wajah yang diambil dari kamera web, menunjukkan bahwa metode Principal
Component Analysis dapat digunakan untuk mengekstraksi fitur wajah dan Eucledian Distance dapat digunakan
untuk menghitung tingkat kemiripan nilai ekstraksi sebagai pengklasifikasi ekspresi wajah. Setelah dilakukan
percobaan menggunakan 100 buah citra uji, didapatkan tingkat akurasi 78% secara keseluruhan, prosentase
kesesuaian ekspresi senang sebesar 88% ekspresi sedih yang sesuai 92%, ekspresi marah 68% dan ekspresi netral
sebesar 64%. Dari hasil pengujian dapat disimpulkan bahwa metode PCA cukup bagus untuk diterapkan pada
aplikasi pengenalan ekspresi wajah.
melalui ekspresi wajah para konsumen. Dengan memanfaatkan perkembangan teknologi kecerdasan buatan,
komputer dapat mengenali berbagai ekspresi wajah berdasarkan ekstraksi fitur. Ekstraksi fitur adalah cara untuk
mendapatkan nilai fitur yang akan digunakan untuk membedakan satu ekspresi dengan ekspresi lainnya. Pada
penelitian ini dilakukan proses ekstraksi fitur alis, mata dan mulut menggunakan metode Principal Component
Analysis (PCA). Fitur-fitur diekstraksi untuk mendapatkan nilai PCA yang akan digunakan untuk menghitung jarak
eucledian sebagai klasifikasi ekspresi. Ekspresi yang dikenali diantaranya senang, sedih, marah dan netral. Untuk
data latih, menggunakan 100 buah citra yang terdiri dari 25 citra untuk setiap ekspresi. Berdasarkan pengujian
yang dilakukan terhadap citra wajah yang diambil dari kamera web, menunjukkan bahwa metode Principal
Component Analysis dapat digunakan untuk mengekstraksi fitur wajah dan Eucledian Distance dapat digunakan
untuk menghitung tingkat kemiripan nilai ekstraksi sebagai pengklasifikasi ekspresi wajah. Setelah dilakukan
percobaan menggunakan 100 buah citra uji, didapatkan tingkat akurasi 78% secara keseluruhan, prosentase
kesesuaian ekspresi senang sebesar 88% ekspresi sedih yang sesuai 92%, ekspresi marah 68% dan ekspresi netral
sebesar 64%. Dari hasil pengujian dapat disimpulkan bahwa metode PCA cukup bagus untuk diterapkan pada
aplikasi pengenalan ekspresi wajah.
Copyright ©2020 Jurusan Teknologi Informasi - Politeknik Negeri Malang.
References
Abidin, Zaenal. 2011. Jurnal Pengembangan Sistem
Pengenalan Ekspresi Wajah menggunakan
Jaringan Syaraf Tiruan Backpropagation (Studi
Kasus Pada Database Mug). Jurusan Matematika
Universitas Negeri Semarang. Jurnal
Matematika Murni dan Terapan Vol. 5 No.1 Juni
2011: 21 - 30
Asritirtany, Catharina. 2012. Jurnal Aplikasi Sistem
Pengenalan Individu Berbasis Sidik Jari pada
Pengembangan Portal Otomatis. Jurusan
Matematika Institut Teknologi Sepuluh
Nopember Surabaya: Laporan akhir Tidak
Diterbitkan
Denny, Marselinus. 2012. Pengenalan Computer
Vision dengan EmguCV di C#.net. [Online]
Tersedia: http://bisakomputer.com/pengenalan￾computer-vision-dengan-emgucv-di-c-net/ [20
Juni 2015]
Donato, G., et all. 1999. Classifying Facial Action,
Pattern Analysis and Machine Intelligence. IEEE
Transaction on Volume: 21, issue 10 , 974-989
Eleyan, A., & Demirel, H. 2007. PCA and LDA based
Neural Networks for Human Face Recognition.
Vienna: I-Tech Education and Publishing
Gonzalez, R. C. and Woods, R. E. 2002. Digital
Image Processing. New Jersey: Prentice-Hall,
Inc.
Kotler, Philip. 2003. Marketing Management
11th Edition. New Jersey: Prentice Hall Int’l
Suprayogi, Igif. 2010. Identifikasi Bentuk Kendaraan
Dengan Menggunakan Jaringan Saraf Tiruan.
Jurusan Teknik Informatika Universitas Islam
Malang: Laporan akhir Tidak Diterbitkan.
Pengenalan Ekspresi Wajah menggunakan
Jaringan Syaraf Tiruan Backpropagation (Studi
Kasus Pada Database Mug). Jurusan Matematika
Universitas Negeri Semarang. Jurnal
Matematika Murni dan Terapan Vol. 5 No.1 Juni
2011: 21 - 30
Asritirtany, Catharina. 2012. Jurnal Aplikasi Sistem
Pengenalan Individu Berbasis Sidik Jari pada
Pengembangan Portal Otomatis. Jurusan
Matematika Institut Teknologi Sepuluh
Nopember Surabaya: Laporan akhir Tidak
Diterbitkan
Denny, Marselinus. 2012. Pengenalan Computer
Vision dengan EmguCV di C#.net. [Online]
Tersedia: http://bisakomputer.com/pengenalan￾computer-vision-dengan-emgucv-di-c-net/ [20
Juni 2015]
Donato, G., et all. 1999. Classifying Facial Action,
Pattern Analysis and Machine Intelligence. IEEE
Transaction on Volume: 21, issue 10 , 974-989
Eleyan, A., & Demirel, H. 2007. PCA and LDA based
Neural Networks for Human Face Recognition.
Vienna: I-Tech Education and Publishing
Gonzalez, R. C. and Woods, R. E. 2002. Digital
Image Processing. New Jersey: Prentice-Hall,
Inc.
Kotler, Philip. 2003. Marketing Management
11th Edition. New Jersey: Prentice Hall Int’l
Suprayogi, Igif. 2010. Identifikasi Bentuk Kendaraan
Dengan Menggunakan Jaringan Saraf Tiruan.
Jurusan Teknik Informatika Universitas Islam
Malang: Laporan akhir Tidak Diterbitkan.