Pengenalan Emosi Berdasarkan Ekspresi Mikro Menggunakan Metode Local Binary Pattern
Vol. 2, No. 10, Oktober 2018, hlm. 3230-3238 http://j-ptiik.ub.ac.id
Pengenalan Emosi Berdasarkan Ekspresi Mikro Menggunakan Metode
1 Local Binary Pattern 2 3 Nova Amynarto , Yuita Arum Sari , Randy CahyaWihandikaProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: amynarto@student.ub.ac.id, yuita@ub.ac.id, rendicahya@ub.ac.id
Abstrak
Emosi dasar manusia telah banyak diteliti secara lintas budaya, salah satunya dengan menggunakan ekspresi wajah. Melalui ekspresi mikro pada wajah dapat diketahui emosi bahkan psikologi seseorang. Ekspresi dasar bersifat universal artinya anak kecil atau orang buta dapat mengetahui atau membentuk ekspresi dasar. Ekspresi mikro merupakan ekspresi yang muncul secara halus dan tidak disadari. Ekspresi mikro sangat sulit atau bahkan tidak dapat disembunyikan. Penelitian ini menggunakan metode
Local Binary Pattern (LBP) untuk mendapatkan fitur-fitur ekpresi mikro pada wajah dan melakukan
klasifikasi dengan metode K-Nearest Neighbor (K-NN) untuk menentukan emosi dari ekspresi mikro.Hasil pengujian penentuan nilai k pada metode klasifikasi K-NN menunjukkan bahwa saat k bernilai 5 dan 7 mampu mengenali emosi berdasarkan ekspresi mikro dengan akurasi yang sama yaitu 56,03%. Hasil pengujian penentuan nilai R dan nilai P pada metode LBP menunjukkan peningkatan akurasi dalam pengenalan emosi menjadi 63,83%. Hasil pengujian pada ukuran dimensi citra menunjukkan bahwa ukuran dimensi citra yang menghasilkan akurasi terbaik yaitu 200×200 piksel dengan nilai akurasi 63,83%. Hasil pengamatan dengan menggunakan metode pencarian jarak pada klasifikasi K- NN menunjukkan bahwa metode perhitungan jarak Manhattan mampu meningkatkan akurasi dalam pengenalan emosi menjadi 70,21%.
Kata kunci: emosi, ekspresi mikro, local binary pattern, k-nearest neighbor, fitur, klasifikasi
Abstract
The basic human emotions have been widely investigated cross-culturally, one of them by using facial
expressions. Through the micro expression on the face can be known even one's psychological emotions.
Basic expression is universal means that the child or the blind can know or form a basic expression.
Micro expression is an expression that appears subtle and unconscious. Micro expression is very
difficult or even can not be hidden. This research uses Local Binary Pattern (LBP) method to get features
of facial micro expression and classification using K-Nearest Neighbor (K-NN) method to determine the
emotion of micro expression. The result of k-value determination test on K-NN classification method
shows that when k value 5 and 7 is able to recognize emotion based on micro expression with 56,03%
accuracy. The result of determination test of R value and P value on LBP method showed an increase
of accuracy in emotional recognition to 63,83%. The test results on the dimension of the image shows
that the dimension of the image that produces the best accuracy is 200×200 pixels with an accuracy
value of 63.83%. The observation using distance method on K-NN classification shows that Manhattan
distance calculation method can increase accuracy in emotional recognition to 70.21%.Keywords: emotion, micro expression, local binary pattern, k-nearest neighbors, features, classification
menggunakan foto ekspresi wajah. Seseorang 1.
PENDAHULUAN ahli yang tertarik pertama kali untuk membuat teori tentang emosi dasar adalah Charles Darwin.
Emosi adalah perasaan (efek) yang Menurut Darwin, ekspresi emosi pada manusia mendorong individu untuk bertindak atau adalah diturunkan dan bersifat universal. merespon terhadap stimulus (Goleman, 2002).
Penelitian Ekman menekankan emosi yang Emosi dasar manusia telah banyak diteliti secara disebabkan oleh adanya gerakan-gerakan otot lintas budaya oleh Ekman tahun 1964 dengan wajah yang ditampilkan sebagai ekspresi wajah.
Fakultas Ilmu Komputer Universitas Brawijaya
3230
Baik anak-anak yang belum sekolah maupun orang dewasa dapat mengenal emosi dasar (Russell & Fehr, 1987).
digunakan untuk proses pengenalan, seperti untuk pengenalan wajah (Turiyanto, Purwanto, & Dikairono, 2014) dan pengenalan ekspresi mikro (Huang, Wang, Zhao, & Pietikäinen, 2015) karena LBP ampuh untuk medeskripsikan suatu tekstur dan mempunyai daya pembeda yang akurat (Turiyanto, Purwanto, & Dikairono, 2014).
grayscale yang monotonic (Turiyanto, Purwanto, & Dikairono, 2014).
Local Binary Pattern pertama kali diperkenalkan oleh Ojala et al, didefinisikan sebagai ukuran tekstur grayscale yang invarian, disebut invarian Karena hampir tidak dipengaruhi oleh pencahayaan yang berbeda. LBP ampuh untuk mendeskripsikan suatu tekstur, mempunyai daya pembeda yang akurat, dan juga memiliki toleransi terhadap perubahan
3. LOCAL BINARY PATTERN
Menurut teori Darwin tentang seleksi alam (1872), emosi bersifat universal dalam hal memiliki sejenis pola ekspresi dan fungsi pada tingkat komunikasi antar manusia, terlepas dari bias budaya. Emosi yang universal didefinisikan oleh Keltner, et al (2003) adalah sebagai berikut: terkejut, bahagia, marah, sedih, takut, jijik, merendakan.
Ekspresi wajah dianggap lebih dari reaksi emosioal belaka. Ekspresi wajah dikenal untuk mengkoordinasikan interaksi sosial melalui fungsi informatif dan memotivasi (Kelter & Kring, 1998).
Ekspresi mikro adalah gerakan wajah singkat yang mengungkapkan emosi bahwa seseorang mencoba untuk menyembunyikan. Pada tahun 1969, Ekman menganalisis video wawancara dari pasien terserang depresi yang mencoba bunuh diri dan menemukan ekspresi mikro. Ekspresi mikro ditampilkan dalam durasi yang pendek. Durasi yang berlaku adalah 0,5 detik. Selain itu, ekspresi mikro biasanya terjadi dengan intensitas rendah.
2. EKSPRESI MIKRO
Selain itu, penelitian-penelitian tersebut juga menunjukkan bahwa ekspresi wajah sangat penting untuk menggambarkan emosi yang dialami oleh seseorang dan hal itu sangat penting dalam hubungan antar pribadi manusia dan juga bisa sebagai pendeteksi kebohongan. Mengartikan emosi wajah melalui ekspresi wajah juga sangat penting supaya tidak terjadi salah pengertian diantara mereka yang berkomunikasi.
grayscale yang invarian. Metode LBP dapat
Dalam dunia hiburan, ekspresi mikro juga menjadi daya tarik tersendiri. Salah satunya dalam bidang perfilman yaitu film “Lie to Me” (2009). Film yang dibuat oleh Samuel Baum ini menceritakan tentang Dr. Cal Lightman (Tim Roth) seorang psikologi jenius yang dapat mendeteksi kebohongan seseorang melalui ekspresi mikro dan bahasa tubuh, bersama rekannya Dr. Gillian Foster (Kelli Williams) mereka membuat perusahaan The Lightman Group yang sering menerima tugas dari badan hukum ataupun kepolisian untuk mengintrogasi orang-orang yang terlibat dalam suatu kasus.
efektif untuk menggambarkan tekstur gambar statis 2D (Ojala, Pietikainen, & Maenpaa, 2002). LBP didefinisikan sebagai ukuran tekstur
Pattern (LBP) konvensional telah terbukti
pengenalan emsoi berdasarkan ekspresi mikro dengan ditambahkan metode lain. Local Binary
from Three Orthogonal Planes (LBP-TOP)
Penelitian-penelitian tersebut menggunakan metode Local Binary Pattern
(CASME). Penelitian tersebut membuat basis data yang terdapat beberapa gambar ekspresi wajah yang bertujuan untuk membantu penelitian di bidang computer vision tentang ekspresi mikro. Penelitian computer vision tentang pengenalan emosi berdasarkan ekspresi mikro baru mencapai akurasi 59,51% (Huang, Wang, Zhao, & Pietikäinen, 2015).
Chinese Academy of Sciences Micro-Expression
Dalam dunia computer vision, penelitian tentang ekspresi wajah telah dilakukan oleh
Dari segi penyidikan, ekspresi mikro bisa berperan sangat penting untuk mengungkap suatu kebohongan ataupun psikologi seseorang dengan melontarkan beberapa pertanyaan dan melihat reaksi wajah yang ditimbulkan akibat pertanyaan yang diberi, sehingga bisa diketahui adanya hubungan antara pertanyaan tersebut dan ekspresi yang dihasilkan (Andelin & Rusu, 2015). Sistem pengenalan emosi berdasarkan ekspresi mikro otomatis yang kuat akan memiliki aplikasi yang luas dalam kemanan nasional, interogasi polisi dan diagnosis klinis.
(a) (b) (c) Gambar 1. Jarak dan banyak piksel tetangga: (a)R=1; P=8, (b)R=2; P=16, (c)R=2; P=8 Gambar 2. Proses kalkulasi piksel LBP
Operator LBP adalah operator yang merubah gambar menjadi gambar berlabel bilangan bulat yang menggambarkan tampilan small-scale. Label yang sering digunakan untuk menggambarkan statistic LBP adalah histogram (Pietikäinen, Hadid, Zhao, & Ahonen, 2011). Istilah LBP dimaksudkan sebagai representasi intensitas piksel ketetanggaan dari piksel yang sedang diolah (Turiyanto, Purwanto, & Dikairono, 2014). LBP memiliki nilai jarak untuk menentukan ketetanggaan yang akan dipilih, jarak biasa disimbolkan dengan R dan banyaknya tetangga yang dipilih disimbolkan dengan P. Besar jarak dan ketetanggaan yang dipilih digambarkan dalam Gambar
g P : nilai piksel tetangga 4.
Gambar 3. Fitur pada Haar cascade OpenCV:
Histogram adalah frekuensi kemunculan suatu nilai intensitas piksel melalui grafik (bar). Histogram banyak digunakan untuk beberapa teknik pemrosesan citra pada domain spasial, seperti perbaikan citra, segmentasi, klasifikasi. Terdapat 2 jenis histogram, yaitu histogram global dan histogram lokal. Jenis histogram ditentukan oleh cakupan daerah citra yang dikenai perhitungan akumulasi. Histogram global merupakan histogram yang memiliki cakupan akumulasi perhitungan pada seluruh daerah citra. Sedangkan histogram lokal merupakan histogram yang memiliki cakupan akumulasi perhitungan pada luasan tertentu citra. Histogram global tidak cocok untuk citra yang kompleks, pendekatan yang lebih baik adalah menggunakan histogram lokal karena memberikan informasi obyek yang lebih spesifik (Widodo dan Harjoko, 2015). Histogram dapat digunakan untuk membandingkan gambar karena tingkat kedetailan dan korelasi sangat efektif (Turiyanto, Purwanto, & Dikairono, 2014).
5. HISTOGRAM
“haarcascade_frontalface_default.xml” (Turiyanto, Purwanto, & Dikairono, 2014).
Deteksi wajah juga bisa dilakukan oleh metode ini dengan OpenCV menggunakan Haar- cascade classifier. Ketika terdapat sebuah gambar face detector ini akan men-scanning setiap lokasi gambar tersebut dan mengklasifikasikannya sebagai wajah atau bukan wajah. Klasifikasi ini menggunakan sebuah permisalan yang tetap. Untuk menjalankan deteksi wajah pada OpenCV digunakan classifier yaitu berupa file XML yang biasanya digunakan adalah
dipakai untuk pendeteksian objek. Bekerja dengan mendeteksi fitur-fitur yang telah ditetapkan dan dilakuakan pencarian fitur-fitur tersebut terhadap gambar yang ingin dideteksi. Setiap fitur adalah suatu nilai yang diperoleh dari penjumlahan daerah persegi putih dikurangi dengan penjumlahan daerah persegi hitam (Turiyanto, Purwanto, & Dikairono, 2014). Fitur-Fitur yang digunakan diperlihatkan pada Gambar 3.
Haar Cascade adalah metode yang biasanya
: nilai piksel x,y
1 (Pietikäinen, Hadid, Zhao, & Ahonen, 2011). Berikut logika untuk LBP, untuk setiap piksel p, buat windowing 8-bit P1 P2 P3 P4 P5
P : jumlah piksel tetangga R : nilai radius g c
Keterangan:
( ) = {1, ≥ 0 0. < 0 (2)
Fungsi s(x) didefinisikan sebagai berikut:
(1)
, ( , ) = ∑ ( − )2 −1 =0
kecil dari titik pusat (piksel yang sedang diolah) dan bernilai 1 sebaliknya. Proses kalkulasi piksel LBP ditunjukkan pada Gambar 2. Fungsi LBP didefinisikan pada Persamaan 1 (Turiyanto, Purwanto, & Dikairono, 2014):
P6 P7 P8 , dimana Pi = 0 jika nilai dari i lebih
HAAR CASCADE
(a) Edge feature, (b)line feature, (c)four-rectangle featur
(| − |) (5)
d(x,y)
: jarak Euclidean antara x i dengan y i
x i : data pada x ke-i yang akan dilakukan
perhitungan
y i : data pada y ke-i yang akan dilakukan
perhitungan 9.
Jarak Chebyshev adalah metode untuk pengukuran jarak dari dua atau lebih vektor dari nilai yang paling maksimal. Pengukuran jarak
Chebyshev menggunakan perhitungan nilai
perbandingan dua atau lebih vektor dan diambil nilai paling maksmal dari vektor-vektor yang dibandingkan. Jarak Chebyshev dari dua vektor dihitung dengan Persamaan 5 (Ponnmoli & Selvamuthukumaran, 2014):
( , ) = max =1,2,…,
Keterangan:
− || (4)
d(x,y) : jarak Euclidean antara x i
dengan y i
x i : data pada x ke-i yang akan dilakukan
perhitungan
y i : data pada y ke-i yang akan dilakukan
perhitungan 10.
AKURASI
Akurasi adalah nilai ukur untuk validasi pada suatu metode. Akurasi adalah perbedaan antara harapan hasil tes dan nilai referansi yang diterima. Akurasi biasanya dinyatakan sebagai presentase. Akurasi dapat ditentukan melalui metode penambahan baku (standard addition
method ). Dalam metode peambahan baku selisih
dari jumlah keseluruhan data dan jumlah salah dibandingkan dengan jumlah keseluruhan data (Riyanto, 2014). Perhitungan metode penambahan baku dapat dihitung dengan Persamaan 6:
Keterangan:
( , ) = ∑ || =1
6. K-NEAREST NEIGHBOR (K-NN)
3. Urutkan data berdasarkan hasil penentuan jarak.
K-NN merupakan salah satu metode klasifikasi terkenal dalam machine learning. Metode ini menggunakan fungsi jarak untuk melakukan klasifikasi, contohnya jarak
Euclidean untuk membandingkan sampel data
lebih dekat dengan sampel data lain pada kelas tertentu. Metode ini cukup sederhana tetapi memiliki kecepatan dalam konvergensi yang relatif tinggi karena harus mengakses seluruh data latih setiap kali data uji baru akan diklasifikasikan. Berikut tahapan Algoritma K- NN (Priambodo, Dewi, & Triwiratno, 2015): 1.
Mendefinisikan nilai k.
2. Penentuan jarak antara data input dengan semua data latih.
JARAK CHEBYSHEV
d(x,y) : jarak Euclidean antara x i
4. Bentuk kelompok berdasarkan nilai dengan ketetanggaan terdekat.
8. JARAK MANHATTAN
: data pada y ke-i yang akan dilakukan perhitungan
y i
perhitungan
x i : data pada x ke-i yang akan dilakukan
dengan y i
5. Pilih nilai dengan kemunculan paling sering.
Keterangan:
7. JARAK EUCLIDEAN
Jarak Euclidean adalah metode untuk pengukuran jarak dari dua atau lebih vektor yang paling sering digunakan (Hartono & Lusiana, 2017). Pengukuran jarak Euclidean menggunakan perhitungan akar dari kuadrat dua atau lebih perbedaan vektor. Metode ini dapat digunakan untuk mendeteksi tingkat kemiripan citra dengan cara mengisi dua atau lebih vektor yang berbeda dengan nilai fitur pada citra yang ingin dideteksi tingkat kemiripannya. Metode ini menggunakan jarak paling minimum untuk menentukan kemiripan suatu citra. Jarak
Euclidean dari dua vektor dihitung dengan
Jarak Manhattan adalah metode untuk pengukuran jarak dari dua atau lebih vektor. Pengukuran jarak Manhattan menggunakan perhitungan nilai absolut dari pengurangan dua atau lebih vektor. Metode ini dapat digunakan untuk mendeteksi tingkat kemiripan citra dengan cara mengisi dua atau lebih vektor yang berbeda dengan nilai fitur pada citra yang ingin dideteksi tingkat kemiripannya. Metode ini menggunakan jarak paling minimum untuk menentukan kemiripan suatu citra. Pencarian citra dengan menggunakan jarak Manhattan baik untuk citra yang kaya akan tekstur (Hartono & Lusiana, 2017). Jarak Manhattan dari dua vektor dihitung dengan Persamaan 4 (Nugraheny, 2015):
( , ) = √∑ ( − ) 2 =1
(3)
Persamaan 3 (Nugraheny, 2015):
% ℎ = 1− 2
1 (6)
Keterangan: C1: jumlah data C2: jumlah data salah/tidak sesuai harapan 11.
METODE PENELITIAN
Secara garis besar terdapat tiga proses utama yang diimplementasikan ke dalam program untuk penelitian ini, yaitu preprocessing, ekstraksi fitur Local Binary
3. CASME II terdapat ekspresi mikro yang disajikan dalam bentuk video berwarna dengan format “.avi” yang memiliki durasi 1 detik dan memiliki tingkat sampling 200 fps dengan ukuran 640 piksel x 480 piksel.
Klasifikasi Hasil klasifikasi Selesai
Binary Pattern Mulai Citra closed-up
Pre-processing citra closed-up Ekstraksi fitur Local
citra paling awal yang berfungsi untuk
10.3.1 Pre-processing Pre-processing adalah proses pengolahan
Bagian development merupakan rangkaian tahapan pengolahan data citra ekspresi mikro.
10.3 Alur Bagian Development
5. Frame merupakan citra berwarna yang memiliki format JPEG dan berdimensi 640 piksel x 480 piksel seperti yang ditunjukkan pada Gambar 5. Penelitian ini menggunakan data dari frame yang telah diseleksi sebagai puncak ekspresi mikro sebagai data latih dan data uji.
4. Pada setiap video asli disertakan frame pembetuk video serta bagian frame yang telah diseleksi sebagai awal mula ekspresi mikro muncul, puncak ekpresi mikro, sampai akhir ekspresi mikro.
2. CASME II berisi 255 ekspresi mikro dari 26 partisipan yang telah diberi label.
Pattern , klasifikasi KNN. Pada tahap
Chinese Academy of Sciences Micro- Expression (CASME).
10.1 Gambaran Umum Sistem
Dalam penelitian ini digunakan citra ekspresi mikro yang diperoleh dari lembaga atau instasi penyedia data ekspresi mikro. Data didapatkan dengan cara menghubungi pihak lembaga atau instansi terkait melalui email dan juga menandatangani lisensi perjanjian untuk mendapatkan data ekspresi mikro. Penjelasan singkat dari sumber data tersebut adalah sebagai berikut (Yan, et al., 2014): 1.
10.2 Bahan Penelitian
Gambar 4. Diagram alir proses implementasi Gambar 5. Frame pada basis data CASME II
klasifikasi. Alur dari proses implementasi ditunjukkan pada Gambar 4.
Binary Pattern yang digunakan untuk
hasil ekstraksi fiturr Local Binary Pattern berupa nilai histogram 0-255 dari citra Local
Binary Pattern . Kemudian, diambil fitur dari
preprocessing, citra masukkan akan diolah hingga menghasilkan citra yang nantinya dapat diproses pada tahapan ekstraksi fitur Local
CASME II merupakan salah satu nama basis data ekspresi mikro yang dibuat oleh memperbaiki kualitas citra sebelum dilakukan tahapan selanjutnya. Pada penelitian ini terdapat 2 tahapan pre-processing, yaitu tahapan pre-
processing pada data latih dan pre-processing
Rata- rata 1 55,32% 57,45% 44,68% 52,48% 5 57,45% 68,09% 42,55% 56,03% 7 57,45% 63,83% 46,81% 56,03% 11 51,06% 48,94% 48,94% 49.65%
Dari hasil pengujian didapatkan bahwa nilai k sangat memengaruhi hasil pengenalan
68,09%. Detail dari pengujian dapat dilihat pada Lampiran A. Dari rata-rata akurasi dengan tiga metode perhitungan diperoleh nilai k = 5 dan k = 7 yang memiliki akurasi paling tinggi yaitu 56,03% dapat dilihat pada Tabel 1. Perbandingan nilai k diperlihatkan pada Gambar 6.
Manhattan memiliki akurasi lebih optimal yaitu
ditentukan k yang memiliki nilai k = 5 dan dengan menggunakan perhitungan jarak
k = 7, k = 11. Dari keempat nilai k yang
Data digolongkan kedalam 5 kelas yaitu lainnya, jijik, kebahagiaan, represi, dan terkejut. Pada pengujian ini digunakan nilai k = 1, k = 5,
kelas yaitu lainnya, jijik, kebahagiaan, represi, dan terkejut.
R = 1 dan P = 8. Data digolongkan ke dalam lima
Pengujian dilakukan pada citra yang meiliki dimensi 200 piksel × 200 piksel, memiliki nilai
Euclidean , jarak Manhattan, jarak Chebyshev.
Pengujian ini bertujuan untuk mencari nilai k terbaik dengan membandingkan tingkat akurasinya dengan menggunakan tiga metode perhitungan jarak yang berbeda, yaitu: jarak
12.1 Pengujian Nilai k Terhadap Akurasi
Hasil dan pembahasan berupa pengujian dan analisis yang dilakukan terhadap citra ekspresi mikro yang berasal dari basis data CASME II. Sebanyak 20% data pada masing-masing kelas diambil dari basis data CASME II sebagai data uji.
Gambar 6. Grafik perbandingan nilai k 13.
Jarak Chebyshev
pada tahapan proses implementasi. Kedua tahapan pre-processing ini memiliki alur yang sama.
Jarak Manhattan
Jarak Euclidean
Tabel 1. Hasil akurasi pengujian terhadap nilai k k
1. Grayscaling Citra latih dan citra uji masing-masing dipindai dalam bentuk grayscale karena ciri warna bukan menjadi topik penelitian ini, maka bentuk citra grayscale cukup memenuhi kebutuhan untuk proses selanjutnya.
2. Face detection Citra grayscale dicari yang merupakan area wajah dengan fungsi OpenCV untuk mendeteksi wajah pada sebuah citra yaitu dengan menggunakan tipe face detector yang disebut
Haar cascade classifier . Kemudian dari daerah
HASIL DAN PEMBAHASAN
10.3.2 Processing
Citra hasil pre-processing dilakukan ekstraksi fitur menggunakan metode LBP. Hasil metode direpresentasikan dengan histogram yang memiliki 256 fitur. Fitur merupakan banyaknya nilai yang sering muncul pada rentang 0-255 dalam citra hasil LBP.
detection tidak selalu sama sehingga diperlukan resize agar setiap data latih dan data uji memiliki emosi, pada pengujian terhadap nilai k didapatkan bahwa semakin besar nilai k yang diberikan maka hasil akurasi juga akan menurun. Hal ini dapat terjadi karena perbedaan jumlah data latih yang ada, sehingga kelas emosi yang memiliki data latih dengan jumlah lebih kecil tidak dapat terpilih. Selain itu, terdapat beberapa persamasalahan dengan banyaknya ketetanggaan yang dipilih, misalnya saat 5 tetangga terdekat terpilih tetapi ada 2 kelas yang sering muncul yang memiliki jumlah yang sama. Pada sistem, hal ini akan menjadi kesalahan dalam pengenalan emosi dikarenakan terdapat 2 kelas yang memiliki kemunculan yang sama dan saat sistem diuji coba kembali dengan data yang sama maka dapat menghasilkan hasil pegenalan emosi yang berbeda, emosi yang akan dikenali yaitu diantara 2 kelas emosi yang jumlah kemunculannya sama. Nilai k = 5 dipilih untuk digunkan pada tahap pengujian selanjutnya karena pada metode perhitungan 3 jarak k=5 memiliki nilai yang paling tinggi.
3. Resize Ukuran dimensi citra yang dihasilkan dari face
yang berhasil terdeteksi sebagai wajah maka dilakukan pemotongan pada daerah tersebut sehingga menghasilkan citra wajah untuk memenuhi kebutuhan untuk proses selanjutnya.
10.3.3 Klasifikasi
Klasifikasi dilakukan dengan pencarian jarak terdekat antara data uji dengan data latih. Kemudian dipilih sebanyak k tetangga terdekat dan dipilih kelas yang memiliki kemunculan paling sering pada k ketetangga terdekat sebagai hasil pengenalan emosi berdasarkan ekspresi mikro.
12. PENGUKURAN KINERJA
Proses pengukuran kinerja atau pengujian program hasil dari implementasi dihitung dan digunakan nilai akurasi sebagai tingkat keberhasilan program terhadap pengenalan emosi berdasarkan ekspresi mikro.
ukuran dimensi dan rentang nilai yang sama.
Gambar 7. Grafik perbandingan akurasi berdasarkan nilai R dan p
12.2 Pengujian Nilai R dan P Terhadap Akurasi
Ukuran dimensi sangat berpengaruh dalam pengenalan emosi berdasarkan ekspresi mikro. Semakin besar ukuran dimensi citra maka akan menambah informasi yang tidak dibutuhkan untuk pengenalan ekspresi mikro pada wajah.
Dari pengujian yang ditunjukkan pada Tabel 3 diketahui bahwa nilai R=2 dengan 8 ketetanggan piksel dan dengan dimensi 200x200 piksel dan perhitungan jarak Manhattan memiliki tingkat akurasi yang lebih baik dalam pengenalan emosi dibandingkan dengan ukuran dimensi yang lain.
dari hasil pengujian sebelumnya.
processing citra. Nilai R yang digunkana adalah R =2 dengan 8 ketetanggaan piksel berdasarkan
Pengujian ini dilakukan agar mengetahui apakah ukuran dimensi dari citra memengaruhi hasil akurasi dalam pengenalan emosi. Dimesi citra yang diterapkan adalah 50x50 piksel, 100x100 piksel, 200x200 piksel, 300x300 piksel. Resize terhadap dimensi citra dilakukan pada citra wajah keabuan hasil dari pre-
12.3 Pengujian Ukuran Dimensi Citra Terhadap Akurasi
Dari hasil pengujian berdasarkan tetangga dari piksel yang diolah pada metode LBP dengan menentukan nilai nilai R didapatkan nilai R terbaik adalah 2 dan P = 8 dengan akurasi rata-rata dari 3 metode pengukuran jarak yaitu sebesar 63,83%. Nilai R dan jumlah tetangga yang dipakai sangat memengaruhi hasil pengenalan terhadap emosi. Semakin banyak tetangga dan jarak terhadap tetangga dengan pusat piksel yang dipilih maka akan menurunkan akurasi. Ketetanggan piksel sebanyak 8 dapat menggambarkan tekstur ekspresi mikro wajah, dapat dibuktikan ketika diberi nilai R = 1 atau R = 2 akurasi tetap lebih baik dibanding dengan akurasi dari 16 ketetanggan piksel pada metode LBP. Nilai R dan P terbaik digunakan untuk pengujian selanjutnya.
Nilai R merupakan radius ketetanggaan piksel yang dipilih pada metode LBP, terdapat 2 nilai R yaitu 1 dan 2. Nilai R sama dengan 1 memiliki jumlah ketetanggaan 8, sementara nilai
R sama dengan 2 memiliki jumlah ketetanggan
Jarak Chebyshev
Jarak Manhattan
Jarak Euclidean
Tabel 2. Hasil pengujian nilai R dan P terhadap akurasi R, P
Dari pengujian yang ditunjukkan pada Tabel 2 diketahui bahwa nilai R dengan 8 ketetanggan piksel memiliki tingkat akurasi yang lebih baik dalam pengenalan emosi dibandingkan dengan nilai R yang meiliki nilai ketetanggan piksel 16.
meimiliki akurasi yang lebih tinggi dari pada nilai k lain dari hasil pengujian nilai k terhadap akurasi.
k yang digunakan adalah 5, nilai 5 dipilih karena
16 atau 8. Pengujian ini menggunakan nilai R=1 dengan jumlah tetangga 8, nilai R=2 dengan jumlah tetangga 16, nilai R=2 dengan jumlah tetangga 8. Pengujian dilakukan pada citra yang memiliki dimensi 200 piksel x 200 piksel. Nilai
Rata- rata 1, 8 57,45% 68,09% 42,55% 56,03% 2,16 48,94% 53,19% 48,94% 50.36% 2, 8 63,83% 70,21% 57,45% 63,83%
- – a case study of an individual in detention. Procedia-Social and Behavioral Sciences 209 , 46-52.
Emotions In Man and Animals. London: John Murray.
Kelter, D., & Kring, A. (1998). Emotion, Social Function, and Psychopathology. Review of General Psychology , 320-342.
Aplikasi Pengolahan Citra. Yogyakarta: ANDI.
Kadir, A., & Susanto, A. (2013). Teori dan
IEEE International Conference on Computer Vision Workshop , 1-9.
Huang, X., Wang, S.-J., Zhao, G., & Pietikäinen, M. (2015). Facial Micro-Expression Recognition using Spatiotemporal Local Binary Pattern with Integral Projection.
Hartono, B., & Lusiana, V. (2017). Pencarian Isi Citra Menggunakan Metode Minkowski Distance. 34-39.
Pengembangan Teknologi Informasi dan Ilmu Komputer , 1162-1171.
C. (2017). Verifikasi Citra Tanda Tangan Berdasarkan Ciri Pyramid Histogram of Oriented Gradient (PHOG) Menggunakan Metode Klasifikasi K-Nearest Neighbor. Jurnal
Jakarta: PT. Gramedia Pustaka Utama. Harfiya, L. N., Widodo, A. W., & Wihandika, R.
Goleman, D. (2002). Kecerdasan Emosional.
Psychiatry , 88-106.
Ekman, P., & Friesen, W. V. (1969). Nonverbal Leakage and Clues to Deception.
Ekman, P. (1964). Body Position, Facial Expression, And Verbal Behavior During Interviews. Abnormal and Social Psychology , 295-301.
Darwin, C. R. (1872). The Expression of The
Ukuran dimensi yang lebih kecil akan sedikit membuat noise pada wajah menjadi tidak terlalu terlihat dan mengurangi informasi yang tidak diperlukan dalam pengenalan emosi berdasarkan ekspresi mikro pada wajah.
Investigation of facial micro- expressions of emotions in psychopathy
15. DAFTAR PUSTAKA Andelin, E. I., & Rusu, A. S. (2015).
Gambar 8. Grafik perbandingan akurasi berdasarkan ukuran dimensi citra dengan nilai R=2
Tabel 3. Hasil pengujian ukuran dimensi citra terhadap akurasi Dimensi Jarak Euclidean Jarak Manhattan Jarak Chebyshev Rata- rata 50x50 61,70% 61,70% 53,19% 58,86% 100x100 61,70% 59,57% 59,57% 60,28% 200x200 63,83% 70,21% 57,45% 63,83% 300x300 55,32% 63,83% 46,81% 55,32%
processing selain LBP agar menghasilkan akurasi yang lebih tinggi.
sempurna. Tidak hanya mengenali dari area wajah saja, bisa dibagi menjadi beberapa bagian pada area wajah seperti: bagian daerah mata, dahi, hidung, mulut, pipi untuk melakukan pengenalan emosi berdasarkan ekspresi mikro. Perlu ditambahkan metode pada tahap
processing agar mendapatkan area wajah yang
Perlu ditambahkan metode pada tahap pre-
Dari implementasi, pengujian dan analisis yang telah dilakukan pada bab sebelumnya maka dapat ditarik kesimpulan bahwa metode LBP dapat mengenali emosi berdasarkan ekspresi mikro dengan akurasi sebesar 70,21%. Akurasi terbesar yang didapat berdasarkan penentuan nilai k pada klasifikasi K-NN yaitu ketika k = 5, metode perhitungan jarak pada klasifikasi K-NN yaitu menggunakan metode jarak Manhattan, nilai R dan P pada metode LBP yaitu 2 dan 8.
maksimum dari perbandingan dua citra, sementara hasil ekstraksi fitur LBP merupakan histogram yang memiliki 256 fitur. Jika hanya diambil salah satu fitur saja maka tidak menggambarkan atau mewakili dari metode LBP.
Chebyshev hanya mengambil nilai fitur
Ini membuktikan bahwa metode perhitungan jarak Manhattan baik untuk citra bertekstur. Sedangkan untuk metode pengukuran jarak dengan Chebyshev tidak cocok dengan metode LBP karena perhitungan jarak dengan
Eucledian memberi akurasi tersbesar yaitu 63,83%.
Berdasarkan hasil seluruh pengujian, pengukuran jarak dengan Manhattan mampu menghasilkan akurasi yang lebih baik karena dapat memberi akurasi tertinggi sebesar 70,21% sementara metode pencarian jarak dengan
14. KESIMPULAN
Keltner, D., Ekman, P., Gonzaga, G. C., & Beer, J. (2003). Facial Expression of Emotion.
Uji: Sesuai dengan ISO/IEC 17025 Laboratorium Pengujian dan Kalibrasi.
Yan, W.-J., Wang, S.-J., Liu, Y.-J., Wu, Q., & Fu, X. (2014). For micro-expression recognition: Database and suggestions.
CASME II: An Improved Spontaneous Micro-Expression Database and the Baseline Evaluation. 1-9.
Yan, W.-J., Li, X., Wang, S.-J., Zhao, G., Liu, Y.-J., Chen, Y.-H., & Fu, X. (2014).
Verifikasi Tanda Tangan Off-Line Berdasar Ciri Histogram Of Oriented Gradient (HOG) Dan Histogram Of Curvature (HoC). Jurnal Teknologi Informasi dan Ilmu Komputer , 1-10.
1-6. Widodo, A. W., & Harjoko, A. (2015). Sistem
(2014). Penerapan Teknik Pengenalan Wajah Berbasis Fitur Local Binary Pattern pada Robot Pengantar Makanan.
Turiyanto, M. D., Purwanto, D., & Dikairono, R.
The Perception of Emotion in Facial Expressions. Journal of Experimental Psychology: General , 223.
Yogyakarta: Deepublish. Russell, J. A., & Fehr, B. (1987). Relativity In
Riyanto. (2014). Validasi & Verifikasi Metode
Handbook of affective sciences , 415- 432.
(2015). Implementasi Metode K- Nearest Neighbour Untuk Identifikasi Penyakit Tanaman Jeruk Keprok Berdasarkan Citra Daun. Doro Jurnal.
Priambodo, A., Dewi, C., & Triwiratno, A.
International Journal of Computer Science and Mobile Computing , 18-27.
(2014). Analysis of Face Recognition Using Manhattan Distance Algorithm With Image Segmentation.
Ponnmoli, K., & Selvamuthukumaran, D. S.
Pietikäinen, M., Hadid, A., Zhao, G., & Ahonen, T. (2011). Computer Vision Using Local Binary Pattern. 13-47.
Mach Intell 24 , 971-987.
(2002). Multiresolution Gray-scale and Rotation Invariant Texture Classification With Local Binary Patterns. IEEE Trans Pattern Anal
Ojala, T., Pietikainen, M., & Maenpaa, T.
Nugraheny, D. (2015). Metode Nilai Jarak Guna Kesamaan Atau Kemiripan Ciri Suatu Citra (Kasus Deteksi Awan Cumolonimbus Menggunakan Principal Component Analysis). Jurnal Angkasa, 21-30.
Neurocomputing 136 , 82-87.