Penerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto
Vol. 2, No. 1, Januari 2018, hlm. 199-208 http://j-ptiik.ub.ac.id
Penerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan
Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto
1 2 3 Muhammad Adiputra , Rekyan Regasari Mardi Putri , SupraptoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
3 Email: adiputra.polban@gmail.com, rekyan.rmp@ub.ac.id, spttif@ub.ac.id
Abstrak
Ekspresi wajah dan bahasa tubuh merupakan bahasa non-verbal yang dapat menggambarkan emosi sesungguhnya dalam diri seseorang. Gerakan pada ekspresi wajah dan bahasa tubuh yang ditunjukkan oleh manusia tidak hanya mengandung satu makna tersendiri. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah tersebut dengan gerak tubuhnya untuk mengetahui makna tersembunyi di dalamnya. Sistem pakar ekspresi wajah dan bahasa tubuh merupakan penerapan dari teori probabilistik dan teori graf pada metode bayesian network. Tujuan dari pembuatan sistem pakar ini adalah untuk mengidentifikasi arti atau makna emosi yang ditunjukkan seseorang melaui ekspresi wajah dan bahasa tubuhnya. Terdapat 7 ungkapan perasaan dan emosi yang menjadi keluaran sistem, yaitu: bohong, jujur, marah, sedih, takut, bahagia, dan terkejut. Berdasarkan pada pengujian variasi data latih diperoleh hasil bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Sedangkan berdasarkan hasil pengujian menggunakan metode f-measure yang dilakukan terhadap 5 kasus yang berisi 28 gambar, dimana setiap gambar menunjukkan ekspresi wajah dan bahasa tubuh dari 5 orang yang berbeda, diperoleh hasil rata-rata precision sebesar 80.47%, recall 86.34%, dan tingkat akurasi untuk f-measure sebesar 80.31%.
ekspresi wajah, bahasa tubuh, bayesian network, inferensi, sistem pakar Kata kunci :
Abstract
Facial expression and body language is a non-verbal language that can describe the real emotion in a
person. Movement on facial expressions and body language shown by humans not only contains.
Other than that, for some cases it needs a combination of facial expressions with body language to
know the hidden meaning in it. The expert system of facial expression and body language is the
application of probabilistic theory and graph theory on the bayesian network method. The purpose of
making this expert system is to identify the meaning of emotion that a person shows through facial
expression and body language. There are 7 expressions of feelings and emotions that becomes the
system output, that are: lie, honest, angry, sad, fear, happy, and suprised. Based on testing of
variation data training, it was found that the amount of data training and variation of it also affected
the accuracy of the system result. In addition, it is also known that more data training used and more
varied, it will increase the level of accuracy. While based on the results of the test using the f-measure
method conducted on 5 cases containing 28 images, where each picture shows facial expression and
body language of 5 different people, obtained the average of 80.47% precision, 86.34% recall, and an
accuracy level for f-measure is 80.31%.Keywords facial expression, body language, bayesian network, inference, expert system
: lawan bicara akan tersibak (Setyanta, 2011).
1. PENDAHULUAN
Perilaku tersebut dapat mengirimkan pesan Ekspresi wajah dan gerak tubuh yang yang diarahkan langsung oleh pikiran bawah dilakukan oleh seseorang dapat menceritakan sadar, sehingga apa yang dilakukannya sering apa yang sedang dipikirkannya. Melalui tidak disadari oleh dirinya sendiri. Dengan ekspresi wajah dan gerak tubuh, tabir perasaan demikian, ekspresi bawah sadar, misalnya
Fakultas Ilmu Komputer Universitas Brawijaya
199 berupa isyarat tubuh, ekspresi wajah, sudut, jarak, gerak-gerik, dan sikap tubuh dapat mengungkap maknanya sendiri tanpa mengucapkan satu kata pun (Setyanta, 2011). Umumnya kemampuan membaca ekspresi wajah dan bahasa tubuh ini dimiliki oleh seorang psikolog. Ilmu yang mempelajari lebih dalam mengenai hal tersebut adalah ilmu psikologi komunikasi, ilmu fisiognomi, psikologi forensik, serta ilmu mikro ekspresi.
Setiap orang pada umumnya dapat membaca ekspresi wajah dan bahasa tubuh orang lain, seperti ekspresi bahagia, dan sedih. Namun tidak semua ekspresi wajah atau gerak tubuh memiliki satu makna tersendiri, bisa saja ekspresi wajah atau gerak tubuh seseorang memiliki dua, tiga atau bahkan lebih makna yang berbeda, sehingga menimbulkan ketidakpastian. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah tersebut dengan gerak tubuhnya untuk mengetahui makna tersembunyi di dalamnya. Contohnya ketika petutur membuang tatapan dengan bola mata melihat ke arah bawah ketika sedang berbicara dengan penutur, hal tersebut dapat mengindikasikan bahwa petutur tersebut sedang sedih, dapat juga mengindikasikan bahwa petutur merasa bersalah, atau dapat pula menandakan petutur merasa takut/tunduk. Menurut pakar, aktivitas tersebut akan memiliki nilai kepastian yang lebih tinggi jika terdapat kombinasi dengan gerak tubuh yang lain, misalkan dibarengi dengan sudut bibir yang tertarik ke arah bawah dan menaikan sudut alis bagian dalam, kedua hal tersebut dapat meningkatkan nilai kepastian dari bahasa non- verbal tersebut yang mengindikasikan bahwa si petutur sedang merasa sedih.
Network Pada Sistem Pakar Ekspresi Wajah
ENTDEx: ENT Diagnosis Gejala- gejala yang dirasakan
Tabel 1. Kajian Pustaka Judul Objek Metode Keluaran Masukan dan Parameter Proses Hasil Penelitian
Berdasarkan pada topik penelitian skripsi yang telah dibahas, terdapat beberapa penelitian-penelitian terdahulu yang relevan dengan topik penelitian. Uraian dari penelitian- penelitian tersebut dapat dilihat pada tabel 1.
2.1. Kajian Pustaka
2. KAJIAN PUSTAKA
dan Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto” sebagai sarana untuk memenuhi kebutuhan masyarakat dan pihak- pihak terkait dalam kemampuan membaca ekspresi wajah dan bahasa tubuh sebagai pendukung dan pertimbangan dalam pengambilan tindakan, namun sistem ini tetap hanya bersifat sebagai sarana referensi dan tidak memiliki nilai/hasil mutlak untuk menilai seseorang hanya berdasarkan pada hasil keluaran yang diperoleh.
Berdasarkan pembahasan tersebut, maka penelitian ini diberi judul “Penerapan Bayesian
Berdasarkan masalah ketidakpastian tersebut, maka perlu adanya sebuah aplikasi yang dapat menyimpan pengetahuan dari seorang psikolog yang ahli di bidang mikro ekspresi atau ahli ilmu fisiognomi sebagai fakta dan aturan dalam sebuah basis pengetahuan untuk selanjutnya diolah menggunakan mesin inferensi sehingga menghasilkan kesimpulan berupa makna/arti dari ekspresi wajah dan gerak tubuh seseorang berdasarkan sinyal/gerakan yang ditunjukkan oleh seseorang ketika melakukan kontak dengan lawan bicara. Basis pengetahuan dan mesin inferensi tersebut merupakan komponen utama dalam membangun sebuah sistem pakar. Metode
probabilitas dari kehadiran berbagai sinyal/gerakan tubuh dan ekspresi wajah untuk mengetahui arti/makna yang tersembunyi didalamnya.
bayesian network, maka dapat dilakukan perhitugan
Dengan menggunakan metode
bayesian network karena metode tersebut dapat menangani variabel input yang saling berelasi.
Metode bayesian network dapat mengeksploitasi hubungan bebas bersyarat (conditional independence) dalam membangun struktur jaringan, sehingga dapat membangun sebuah model yang lebih tersusun dan mengurangi kompleksitas perhitungan dalam melakukan inferensi (Neapolitan, 2004). Karakteristik dari ekspresi wajah dan bahasa tubuh yang beragam dan dapat saling berkaitan cocok untuk diselesaikan dengan metode
merepresentasikan hubungan kausalitas (sebab- akibat) antara ekspresi wajah dan gerakan tubuh.
bayesian network merupakan salah satu metode uncertainty (ketidakpastian) yang dapat
Bayesian Network Hasil diagnosis sistem yang
Expert System Using Bayesian Networks oleh pasien pada area telinga, hidung dan tenggorokan mengelompok kan 18 jenis penyakit pada area telinga, hidung dan tenggorokan (THT)
cukup sederhana, dimana metode ini dibangun dari teori probabilistik dan teori graf. Teori probabilistik berhubungan langsung dengan data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang ingin didapatkan (Heckerman, 1995).
Network Hasil diagnosis sistem yang berkaitan dengan penyakit preeclampsia dan aksi yang direkomenda sikan bagi perawatan ibu hamil
A Pree- clampsia Diagnosis Approach using Bayesian Networks Gejala- gejala yang dirasakan oleh pasien dalam masa kehamilan Bayesian
network, maka diberikan contoh kasus yang disajikan dalam bentuk graf pada gambar 2 berikut:
bayesian
Struktur jaringan bayesian network terdiri dari node dan edge. Node/simpul diisi oleh variabel yang menjadi objek penelitian, Sedangkan edge menggambarkan hubungan atau asosiasi antar node tersebut (Heckerman, 1995). Untuk mengilustrasikan proses dari
2.3. Bayesian Network Bayesian network adalah salah satu metode probabilistic graphical model (PGM) yang
2.2. Sistem Pakar
Berdasarkan gambar 1, terdapat beberapa komponen dalam perancangan sistem pakar, yaitu: akuisisi pengetahuan, basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, aksi yang direkomendasikan, perbaikan pengetahuan, dan antarmuka pengguna. Setiap komponen tersebut merupakan struktur yang saling terkait dalam membangun sistem pakar.
bayesian network menyelesaikan permasalahan
Keterangan: P(f|a,s,g,j) = Probabilitas kejadian f
(2)
′ , , , , )
( | , , , ) = ( , , , , ) ∑ ( ′
Berdasarkan pada contoh kasus dari gambar 2, maka probabilitas f jika diberikan terhadap semua variabel yang ada dapat dihitung dengan menggunakan persamaan 2 berikut:
dengan berdasarkan pada struktur graf yang terbentuk. Misalkan berdasarkan pada persamaan 1, yaitu P(a|f) ditanyakan peluang terjadinya ‘a’ dengan diberikannya kejadian ‘f’. Karena variabel ‘a’ dan variabel ‘f’ tidak memiliki relasi, maka persamaan tersebut bisa disederhanakan menjadi P(a) dan begitu juga dengan persaman-persamaan berikutnya.
Berdasarkan pada persamaan 1, Metode
Gambar 1. Gambaran Umum Sistem Pakar
( | , , , ) = ( | , , ) (1)
permasalahan tertentu dapat diselesaikan dengan menggunakan persamaan 1 berikut:
network , maka beberapa permasalahan-
Menurut Fegenbum (dalam Kumar, 2008) dari universitas Stanford , “sistem pakar adalah sebuah program komputasi cerdas yang menggunakan pengetahuan dan prosedur inferensi dalam memecahkan masalah yang cukup sulit, yang membutuhkan keahlian manusia yang signifikan sebaga i solusi”. Sistem pakar dapat berfungsi dengan baik dalam domain/lingkup yang telah didefinisikan (Kumar, 2008).
Gambar 2. Contoh Kasus Struktur Graf Bayesian Network
Terdapat 2 lingkup yang berbeda dalam membangun struktur sistem pakar, yakni lingkungan konsultasi dan lingkungan pengembangan. Struktur sistem pakar secara umum dapat dilihat pada gambar 1:
Berdasarkan graf pada gambar 2, dengan menggunakan penerapan metode bayesian diberikan oleh kejadian a, s, g, j P(f,a,s,g,j) = Joint distribution kejadian f, a, s, g, j P(a,s,g,j) = Joint distribution kejadian a, s,
g, j (Marginal probability) Berdasarkan pada persamaan 2 jika diselesaikan menggunakan persamaan 1 maka akan menjadi persamaan 3 berikut:
5. Takut: cemas, gugup, gelisah, khawatir, waswas, tidak tenang, dan panik
network dan simpan pada database dalam
Sedangkan untuk aturan yang digunakan sebagai basis pengetahuan pada penelitian ini menggunakan struktur jaringan yang direpresentasikan dalam bentuk graf bayesian
AMG05 Takut: cemas, gugup, gelisah, khawatir, waswas, tidak tenang, dan panik (patologis) AMG06 Bahagia: gembira, puas, senang, terhibur, bangga, kenikmatan inderawi, rasa terpenuhi AMG07 Terkejut: Kaget, terkesiap
AMG01 Bohong: berbohong, mengada-ada, mengarang-ngarang cerita AMG02 Jujur: tulus, terbuka, terus terang AMG03 Marah: kesal hati, terganggu, berang, tersinggung, muak, benci, tidak suka AMG04 Sedih: kecewa, pedih, suram, putus asa, frustasi, tertekan, menyesal, depresi berat (patologis)
Tabel 2. Arti atau Makna Gerakan Kode Arti/Makna Nama Arti/Makna
Basis pengetahuan berisi informasi tentang fakta dan aturan yang diperoleh dari pengetahuan pakar untuk digunakan dalam memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan memuat aturan dan fakta mengenai objek dalam domain yang dipilih dan relasi diantaranya. Data arti gerakan yang telah diperoleh melalui literatur dan hasil wawancara dengan pakar selaku dosen psikologi ilmu fisiognomi di Universitas Muhammadiyah Malang, yaitu Bapak Zakarija Achmat, Msi yang digunakan sebagai basis pengetahuan dapat dilihat pada tabel 2 berikut:
3.1. Basis Pengetahuan
, fasilitas penjelas, perbaikan pengetahuan, dan antarmuka.
blackboard
Perancangan pada penelitian ini meliputi perancangan basis pengetahuan, mesin inferensi,
3. PERANCANGAN
7. Terkejut: Kaget, terkesiap Sehingga total melingkupi 7 jenis output yang menjadi hasil keluaran dari input data berupa ekspresi wajah dan bahasa tubuh untuk menghasilkan arti atau makna dari kombinasi gerakan-gerakan tersebut.
6. Bahagia: gembira, puas, senang, terhibur, bangga, nikmat inderawi, rasa terpenuhi
4. Sedih: kecewa, pedih, suram, putus asa, frustasi, tertekan, menyesal, depresi berat
( | , , , ) = ( ) ( | ) ( |
3. Marah: kesal hati, terganggu, berang, tersinggung, muak, benci, tidak suka
2. Jujur: tulus, terbuka, terus terang.
1. Bohong: berbohong, mengada-ada, mengarang-ngarang cerita
Keluaran yang diperoleh melingkupi 2 makna gerakan yang memerlukan kombinasi dari ekspresi wajah & gerakan tubuh, dan sifatnya belum pasti (Ekman, 2009), serta 5 jenis emosi sebagai output untuk mewakili makna dari kombinasi ekspresi wajah dan gerakan tubuh yang dikemukakan oleh goleman (1997) dan Ekman (2009), yaitu:
Sinyal yang dimaksud dalam penelitian ini adalah cara yang digunakan manusia dalam menyampaikan pesan dan informasi melalui gerak anggota tubuh, mata, dan ekspresi wajah yang dilakukan, baik secara sadar maupun tidak sadar. Gerakan pada wajah meliputi alis, mata dan mulut. Sedangkan untuk gerakan yang menunjukkan bahasa tubuh meliputi gerakan kepala, lengan dan tangan.
probability atau normalizing constant.
conditional probability , sedangkan pembagi pada rumus bayesian network dapat disebut sebagai marginal
Berdasarkan pada persamaan 3, P(f) dapat disebut sebagai prior probability, P(g|f) dan P(j|f,a,s) disebut sebagai
Keterangan: P(f|a,s,g,j) = Probabilitas kejadian f diberikan oleh kejadian a, s, g, j P(f) = Peluang terjadinya variabel f P(g|f) = Peluang terjadinya variabel g jika variabel f telah terjadi P(j|f,a,s) = Peluang terjadinya variabel j jika variabel f, a, dan s telah terjadi
′ (3)
, , )
′ ) ( | ′) ( | ′
, , ) ∑ (
2.4. Sinyal Dari Ekspresi Wajah dan Bahasa Tubuh Beserta Maknanya
bentuk tabel aturan yang dapat dilihat pada chaining melakukan penelusuran dari fakta- tabel 3 berikut: fakta tentang sinyal dari ekspresi wajah dan bahasa tubuh yang diberikan oleh user/
Tabel 3. Aturan Identifikasi Ekspresi Wajah dan
pengguna umum sebagai masukan sistem untuk
Bahasa Tubuh
digunakan dalam memperoleh kesimpulan
Kode Kode Gerakan Arti/Makna
berupa arti/makna gerakan dengan probabilitas
AMG01 AL01 MA02 MA15 KE04 TA04 tertinggi (dari fakta menuju konklusi).
AL04 MA07 MU01 LE01 TA06
Proses yang terjadi di dalam mesin
AL05 MA08 MU02 TA01 TA07
inferensi dengan pendekatan forward chaining
MA01 MA11 KE01 TA03
untuk penerapan bayesian network pada sistem
AMG02 AL02 MA05 MA14 MU03 KE03
pakar ekspresi wajah dan bahasa tubuh melalui
AL05 MA06 MA15 MU09 TA09 MA03 MA11 MA16 KE02 pengamatan indra penglihatan pada foto dapat AMG03
AL01 MA05 MA11 KE01 TA10
dilihat pada gambar 4 berikut:
AL03 MA06 MU04 KE02 AL04 MA07 MU05 KE03 MA01 MA09 MU06 LE02 AMG04 AL03 MA11 MU05 KE06 TA15 AL04 MA12 MU06 LE03 TA16 AL05 MA13 MU07 TA02 TA17 MA01 MA15 KE01 TA11 MA04 MU04 KE05 TA12 AMG05 AL02 MA09 MU06 TA01 TA13 Gambar 4. Inferensi Forward Chaining dengan
AL03 MA10 MU08 TA02 TA14 Metode Bayesian Network
AL04 MA11 KE01 TA05 TA17
Detail proses perhitungan menggunakan MA01 MA12 KE02 TA07 MA04 MU02 KE05 TA08
metode bayesian network dapat dilihat pada
MA07 MU04 KE06 TA10
alur algoritma dalam bentuk flowchart dari
MA08 MU05 LE04 TA11
gambar 5 berikut:
AMG06 AL02 MA09 MA15 MU09 TA15 AL05 MA13 MA16 KE03 TA17 MA08 MA14 MU03 KE04 AMG07 AL01 MA08 MU10 TA16 AL02 MA09 TA09 TA17 MA05 MA10 TA15
Sedangkan untuk struktur jaringan dari
bayesian network pada penelitian ini dapat
dilihat pada gambar 3: AL01 AL02 AL03 AL04 AL05 MA01 MA02 MA03 MA04 MA05 AMG01 AMG02 AMG03 MU10 KE01 KE02 KE03 KE04 KE05 KE06 LE01 LE02 LE03 MA16 MU01 MU02 MU03 MU04 MU05 MU06 MU07 MU08 MU09 MA06 MA07 MA08 MA09 MA10 MA11 MA12 MA13 MA14 MA15 LE04 TA01 TA02 TA03 TA04 TA05 TA06 TA07 TA08 TA09 AMG04 AMG05 TA10 TA11 TA12 TA13 TA14 TA15 TA16 TA17 AMG06 AMG07
Gambar 5. Flowchart Bayesian Network Ekspresi Wajah & Bahasa Tubuh Gambar 3. Struktur Bayesian Network Ekspresi Wajah dan Bahasa Tubuh
3.3. Blackboard
3.2. Mesin Inferensi
Blackboard (daerah kerja) merupakan area
Mesin inferensi dalam penelitian ini memori dalam sistem pakar yang memiliki menggunakan penelusuran jawaban dengan fungsi untuk merekam proses pengolahan data pendekatan forward chaining. Metode forward dalam sistem pakar termasuk menyimpan hasil sementara untuk memperoleh kesimpulan pada
3.6. Antarmuka
sistem pakar berdasarkan input yang Antarmuka menjembatani proses interaksi dimasukkan oleh pengguna. Pada penelitian ini, antara sistem pakar dengan pengguna. data yang direkam dan disimpan sementara
Antarmuka yang diberikan kepada pengguna pada blackboard meliputi: dalam penelitian ini berupa form checkbox yang 1. Gerakan tubuh sebagai input dari pengguna berisi gambar gerakan dan keterangannya serta
2. Nilai perhitungan prior probability halaman hasil identifikasi beserta fasilitas
3. Nilai perhitungan conditional probability penjelasnya seperti yang dapat dilihat pada
4. Nilai perhitungan marginal probability gambar 6 berikut:
5. Nilai perhitungan posterior probability
3.4. Fasilitas Penjelas
Fasilitas penjelas pada aplikasi penerapan
bayesian network
pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto mencakup:
1. Pada halaman home, sistem memberikan fasilitas penjelas berupa: a.
Informasi mengenai sistem pakar ekspresi wajah dan bahasa tubuh b.
Penjelasan cara penggunaan aplikasi c. Penjelasan dari jenis input yang diberikan oleh pengguna beserta dengan contoh gambar dan penerapannya pada aplikasi
2. Pada halaman hasil identifikasi arti, sistem memberikan fasilitas penjelas berupa: a.
Daftar data gerakan yang menjadi masukkan pengguna b. dari setiap tahap
Nilai-nilai perhitungan, meliputi: nilai prior
probability, conditional probability,
dan posterior probability c. Nilai probabilitas tertinggi d.
Keterangan dari hasil yang diperoleh
3.5. Perbaikan Pengetahuan
Pada penelitian ini, perbaikan pengetahuan dilakukan oleh seorang pakar atau melalui
knowledge engineer
dengan menambahkan, mengubah, dan menghapus pengetahuan pada
Gambar 6. Halaman Antarmuka Identifikasi Arti
menu pengelolaan data yang telah disediakan, yaitu pengelolaan data gerakan, pengelolaan
4. PENGUJIAN DAN ANALISIS
data arti, pengelolaan data aturan, dan Pengujian dibagi menjadi 3 bagian, yaitu: pengelolaan data training. pengujian validasi menggunakan blackbox,
Perbaikan pengetahuan tidak ditambahkan pengujian akurasi menggunakan variasi data secara otomatis ke dalam data training oleh latih dan pengujian akurasi menggunakan sistem karena perlu adanya mekanisme metode f-measure. pengecekan korelasi antara kombinasi gerakan dengan arti/makna gerakan yang dilakukan oleh
4.1. Pengujian Validasi
pakar untuk menjaga hubungan antar node di Pengujian validasi dilakukan untuk dalam struktur graf bayesian network agar mengetahui semua fungsi dan fitur yang telah memiliki kemampuan penalaran yang dibuat apakah sudah sesuai dengan kebutuhan mendekati dengan kemampuan seorang pakar. yang telah didefinisikan di awal. Teknik pengujian validasi yang dipilih adalah menggunakan black-box testing. Black-box
testing merupakan salah satu teknik pengujian
yang dilakukan untuk menguji fungsionalitas sistem berdasarkan pada kebutuhan fungsional yang telah didefinisikan. Hasil pengujian validasi dengan menggunakan blackbox testing menunjukkan semua fungsi pada sistem telah berjalan dan sesuai dengan kebutuhan fungsional yang telah didefinisikan di awal.
4.2. Pengujian Akurasi Menggunakan Variasi Data Latih
Pengujian variasi data latih dilakukan untuk mengetahui bagaimana pengaruh penggunaan data latih yang berbeda pada hasil akurasi sistem. Data latih dikondisikan sedemikian rupa sehingga menghasilkan serangkaian data latih dengan urutan yang acak dan terdiri dari beragam kelas. Dengan kata lain, pengujian ini dilakukan dengan merubah jumlah dan variasi dari data latih .
Terdapat 74 data latih dan 28 data yang digunakan dalam pengujian. Data latih dibagi ke dalam 3 bagian pengujian yang berbeda, yaitu pengujian pertama menggunakan 25 data latih, pengujian kedua menggunakan 50 data latih, dan pengujian ketiga menggunakan keseluruhan data training yang berjumlah 74 data latih. Untuk pengujian pertama dan kedua dilakukan sebanyak 3 kali percobaan (3 variasi) dengan mengambil data secara random sesuai dengan jumlah yang diperlukan..
Berdasarkan pada hasil pengujian dengan menggunakan 25 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 50%, variasi 2 sebesar 53.57%, dan variasi 3 sebesar 42.85%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 48.81%. Sedangkan untuk hasil pengujian dengan menggunakan 50 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 64.28%, variasi 2 sebesar 71.43%, dan variasi 3 sebesar 60.71%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 65.47%. Terakhir untuk hasil pengujian dengan menggunakan keseluruhan data latih yang berjumlah 74 data, diperoleh hasil dengan tingkat akurasi sebesar 82.143%.
4.3. Analisis Pengujian Akurasi Menggunakan Variasi Data Latih
Berdasarkan pada hasil pengujian yang telah dilakukan terhadap semua variasi data latih, diketahui bahwa perbedaan jumlah data latih yang digunakan serta variasi yang beragam untuk setiap data latih menghasilkan nilai akurasi yang berbeda pula. Hal tersebut diperoleh dari nilai akurasi tertinggi yang didapat pada pengujian ketiga dengan menggunakan keseluruhan data latih sebanyak 74 buah data dengan nilai akurasi sebesar 82.143%. Sedangkan nilai akurasi paling rendah diperoleh pada pengujian pertama variasi ketiga dengan menggunakan 25 data latih dengan nilai akurasi sebesar 42.85%.
Sedangkan secara keseluruhan, dengan jumlah data latih yang berbeda serta variasi data latih yang beragam menghasilkan nilai akurasi yang berbeda satu sama lain, hal ini menandakan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, Jika diperhatikan pada hasil pengujian yang telah diperoleh, Semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya.
4.4. Pengujian Akurasi Menggunakan Metode F-Measure
Tujuan dari pengujian akurasi dengan metode f-measure adalah untuk mengetahui performa dari sistem pakar dalam mendeteksi arti/makna gerakan pada seseorang dengan cara membandingkan hasil identifikasi dari seorang pakar dengan hasil identifikasi sistem. Selain itu, metode ini juga berfungsi untuk mengetahui nilai rata-rata (mean) harmonic dari nilai
precision dan recall untuk setiap kelas.
Terdapat 5 buah kasus data uji terhadap serangkaian gambar dari 5 orang yang berbeda, dimana masing-masing kasus terdiri dari beberapa gambar yang memperlihatkan ekspresi wajah dan bahasa tubuh yang ditunjukkan seseorang. Kasus 1 terdiri dari 8 buah gambar, kasus 2 terdiri dari 4 buah gambar, kasus 3 terdiri dari 4 buah gambar, kasus 4 terdiri dari 6 buah gambar, dan kasus 5 terdiri dari 6 buah gambar. Sehingga total terdapat 28 buah gambar yang dijadikan sebagai data uji. Pengguna memasukkan data input berupa gerakan yang ditunjukkan oleh masing-masing gambar melalui form checkbox pada halaman identifikasi makna. Terdapat 6 halaman yang merepresentasikan gerakan pada anggota tubuh manusia meliputi gerakan alis, mata, mulut, kepala, lengan, dan tangan. Hasil dari pengujian akurasi menggunakan metode f-measure dapat dilihat pada tabel 4 berikut: Tabel 4. Hasil Identifikasi Sistem dan Pakar Kasus Gambar Hasil Identifikasi Sistem Hasil Identifikasi Pakar Status
1 A B C D E F G H AMG05 AMG04 AMG04 AMG04 AMG01 AMG04 AMG06 AMG02 AMG05 AMG04 AMG04 AMG05 AMG01 AMG04 AMG06 AMG01
1.66
1 1+0 = 1 0.666
1 1+2 = 0.333
1.714 = 0.833 AMG05
5 5+2 = 0.714 1.428
5 5+0 = 1
1.83 = 0.90 AMG04
5 5+1 = 0.83
3 3+1 = 0.75
5 5+0 = 1
1.5 = 0.75 AMG03
3 3+1 = 0.75 1.125
3 3+1 = 0.75
1.8 = 0.89 AMG02
1.6
1.333 = 0.499 AMG06
3 3+1 = 0.75 1.125
4 4+1 = 0.8
7 = 0.8031
recall sebesar 86.34%. Untuk kelas yang
rata-rata precision sebesar 80.47% dan rata-rata
f-measure sebesar 80.31%. Sedangkan untuk
Berdasarkan pada data hasil pengujian yang telah dilakukan, diperoleh nilai rata-rata akurasi
4.5. Analisis Pengujian Akurasi Menggunakan Metode F-Measure
Berdasarkan perhitungan dari tabel 6 tersebut, diperoleh hasil berupa nilai akurasi dari perhitungan precision dan recall, sehingga diperoleh rata-rata f-measure sebesar 80.31%.
7 = 0.8634 5.622
1.5 = 0.75 AMG07
7 = 0.8047 6.044
5.633
2 = 1 Total
2
2 2+0 = 1
2 2+0 = 1
4 4+0 = 1
AMG01
1
1
1
1
1
1
3 A B C D AMG02 AMG01 AMG04 AMG03 AMG02 AMG01 AMG04 AMG03
1
1
1
2 A B C D AMG03 AMG02 AMG06 AMG03 AMG05 AMG02 AMG06 AMG03
1
1
1
1
1
4 A B C D E F AMG06 AMG07 AMG03 AMG03 AMG07 AMG04 AMG06 AMG07 AMG03 AMG03 AMG07 AMG04
1
Kelas (Arti Gerakan) Precision Recall F-Measure
1 Total
Tabel 6. Pengujian Akurasi Menggunakan Metode F-Measure
Berdasarkan dari hasil pembagian kondisi tiap kelas pada tabel 5, Selanjutnya dilakukan perhitungan precision, recall, dan f-measure untuk mengetahui performa dan kinerja sistem berdasarkan pada tingkat akurasinya. Hasil perhitungan precision, recall, dan f-measure dapat dilihat pada tabel 6 berikut:
Tabel 5. Pembagian Kondisi Tiap Kelas (Arti Gerakan)
kemudian dibuat pembagian kondisi yang memungkinkan untuk setiap kelas (arti gerakan). Tabel pembagian kondisi tiap kelas (arti gerakan) dapat dilihat pada tabel 5 berikut:
23 Berdasarkan hasil pada tabel 4 tersebut,
28 Total
1
1
1
1
5 A B C D E F AMG01 AMG03 AMG02 AMG06 AMG04 AMG01 AMG01 AMG03 AMG02 AMG02 AMG06 AMG01
1
1
1
memiliki nilai f-measure terendah adalah AMG05 dengan nilai f-measure sebesar 0.499. Hal ini disebabkan karena terdapat 2 data uji yang bernilai false positive, yaitu solusi yang diperoleh tidak relevan/tidak sesuai dengan solusi yang sebenarnya, sehingga menghasilkan nilai precision yang rendah yaitu sebesar 0.333. Namun secara keseluruhan berdasarkan rata- rata nilai f-measure yang diperoleh, yakni sebesar 80.31%, dalam bidang psikologi menurut pakar sistem sudah dapat dikatakan baik dalam mengidentifikasi arti/makna gerakan dari ekspresi wajah dan bahasa tubuh seseorang. Berdasarkan pengujian akurasi yang telah dilakukan, diperoleh hasil bahwa sistem pakar ini tidak dapat memperoleh hasil yang sempurna atau sama akurat dengan hasil identifikasi pakar dikarenakan oleh beberapa hal, diantaranya yaitu pada beberapa kasus kombinasi gerakan yang dimasukkan memiliki kemiripan dengan kelas yang lain dan nilai
conditional probability yang dimilikinya
probability, marginal probability, dan posterior probability.
memperoleh hasil sebesar 80.31% dengan melibatkan data uji sebanyak 5 buah kasus yang didalamnya masing- masing berisi serangkaian gambar dengan total sebanyak 28 buah gambar sebagai bahan masukan. Sedangkan untuk rata-rata precision sebesar 80.47% dan rata-rata recall sebesar 86.34%. Berdasarkan hasil tersebut, dalam bidang psikologi menurut pakar sistem sudah dapat dikatakan baik dalam mengidentifikasi arti/makna gerakan dari ekspresi wajah dan bahasa tubuh seseorang.
f-measure pada penelitian ini
c. Pengujian akurasi menggunakan metode
network sangat dipengaruhi oleh struktur jaringan dan data latih.
Pengujian akurasi menggunakan variasi data latih menunjukkan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Hal ini menunjukkan bahwa metode bayesian
b.
telah dilakukan dan diperoleh hasil bahwa semua requirement telah berhasil diuji dan sesuai dengan kebutuhan yang didefinisikan di awal. Hal tersebut menandakan bahwa semua fungsi dan fitur pada sistem dapat berjalan sesuai harapan.
black-box pada kebutuhan fungsional
4. Hasil yang telah diperoleh dari tahap pengujian menunjukkan bahwa: a. Pengujian validasi menggunakan teknik
hasil perancangan sistem pakar dengan memodelkan struktur jaringan bayesian dan perhitungan probabilitas menggunakan metode bayesian network, serta dibangun dalam bentuk aplikasi berbasis website dengan menggunakan framework codeigniter.
3. Implementasi dibuat dengan menerapkan
untuk memandu proses penalaran di dalam mesin inferensi. Proses perhitungan menggunakan metode bayesian network di dalam mesin inferensi meliputi tahap menghitung prior probability, conditional
rendah, sehingga menghasilkan 2 atau lebih kesimpulan arti/makna dari kombinasi gerakan yang serupa. Kemudian dapat juga disebabkan oleh data masukkan yang digunakan pada pengujian memiliki kemiripan yang rendah dengan data latih (data training) yang ada. Selain itu, Perbedaan hasil yang diperoleh dapat juga dikarenakan kesalahan dalam memasukkan data gerakan yang tidak sama dengan pembacaan gerakan dari pakar. Terakhir, kesalahan identifikasi sistem dapat juga disebabkan karena tidak terdapatnya gerakan, arti/makna, aturan, ataupun data training yang sesuai untuk data masukkan yang diberikan.
bayesian tersebut disimpan sebagai aturan
5. KESIMPULAN
aturan yang telah diperoleh dari seorang pakar bidang psikologi ilmu komunikasi dan fisiognomi. Aturan tersebut kemudian dimodelkan ke dalam bentuk graf berbentuk jaringan yang terstruktur untuk menghubungkan antara gerakan dengan arti/makna gerakan. Struktur jaringan
bayesian network dengan menggunakan
2. Aplikasi penerapan bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto memodelkan jaringan
bayesian network .
Selanjutnya berdasarkan struktur jaringan tersebut dilakukan penelusuran menggunakan metode forward chaining dan perhitungan probabilitas dengan metode
graf bayesian network .
dan bahasa tubuh melalui pengamatan indra penglihatan pada foto diawali dengan proses akuisisi pengetahuan melalui studi literatur, wawancara, dan analisis protokol. Kemudian data pengetahuan tersebut disimpan dalam basis pengetahuan melalui representasi
network pada sistem pakar ekspresi wajah
Rancangan dari aplikasi penerapan bayesian
Kesimpulan yang diperoleh berdasarkan pada penelitian yang telah dilakukan adalah sebagai berikut: 1.
6. DAFTAR PUSTAKA
Communication QoS, Reliability and Modeling Symposium. Neapolitan, R.E. 2004. Learning Bayesian Networks . Prentice Hall. Schnupp, Peter H. 1989. Building Expert
Bayesian Nets From Data . Microsoft
Research. Tersedia di <https://jsmf.org/meetings/2003/meek.ppt > [Diakses 18 November 2016]
Meigarani, I. 2010. Penggunaan Metode
Bayesian network Dalam Sistem Pakar Diagnosa Penyakit Leukimia . Bandung:
Jurnal Universitas Pendidikan Indonesia. Minto, C., Blanchard, W., Ricard, D., Tittensor,
D.P. 2008. Bayesian Analysis : Binomial
Distribution
. Tersedia di <http://www.marinebiodiversity.ca/ RAMlegacy/courses/church-of- bayes/notes/Bayesian-analysis-week-2- binomial.pdf> [Diakses 03 Mei 2017]
Moreira, M.W.L., Rodrigues, J.J.P.C., Oliveira, A.M.B., Ramos, R.F, Saleem, K. 2016. A
Preeclampsia Diagnosis Approach using Bayesian Networks . IEEE ICC 2016:
Systems in Prolog . Munich: Amzi!Inc.
Introduction to Information Retrieval.
Setyanta, Y.B. 2011. Penggunaan Kinetik
Dalam Berbahasa . E-Jurnal Dinas Pendidikan Kota Surabaya; Volume 2.
Sosiawan, E.A. 2010. Psikologi Komunikasi.
Tersedia di <http://www.edwias.com>. [Diakses 22 September 2016]
Sutojo, Edy, Vincent. 2011. Kecerdasan Buatan. Andi: Yogyakarta. Turban, Efrai, et al. 2005. Decision Support
Systems and Intelligent Systems 7 th Ed .
New Jersey: Pearson Education. Wiley, S. 2007. Encyclopedia of Statistics in
Quality & Reliability . United Kingdom: Philips Research Laboratories.
Yudkowsky, E.S. 2006.
An Intuitive Explanation of Bayes Theorem .
Tersedia di <http://www.yudkowsky.net/rational/ba yes>. [Diakses 17 Oktober 2016]
New York, NY, USA: Cambridge University Press. Meek, Chris. 2003. An Overview of Learning
Acandra. 2010. Mengungkap Arti Bahasa
Tubuh . Tersedia di
01 Oktober 2016] Iriantara, Y. 2011. Media Relations Konsep,
<http://health.kompas.com/read/2010/04/ 22/07365969/Mengungkap.Arti.Bahasa.T ubuh>. [Diakses 22 September 2016]
Alonzo, A, L., Campos, J, J., Layco, L, L., Maratas, C, A., Sagum, R, A. 2014.
ENTDEx: ENT Diagnosis Expert System Using Bayesian Networks
. Journal of Advances in Computer Networks. Ekman, Paul. 2009. Emotions Revealed
(Membaca Emosi) Terjemahan Bahasa Indonesia. Yogyakarta: Baca!. Feri, F.R., Fauzijah, A. 2008. Aplikasi Sistem
Pakar untuk Menentukan Jenis Gangguan pada Anak. Universitas Islam Indonesia:
Yogyakarta. Goleman, D. 1997. Emotional Intelligence.
New York: Bantam Books. Heckerman, D. 1995. A Tutorial Learning with
Bayesian Network. Tersedia di
<http://research.microsoft.com/apps/pubs/ default.aspx?id=69588> [Diakses
Pendekatan, dan Praktik . Bandung: Simbiosa.
Tersedia di <http://www.sciencedirect.com/science/ar ticle/pii/S0950705116302465> [Diakses
Krause, P.J. 1998. Learning Probabilistic
Networks
. United Kingdom: Philips Research Laboratories. Kristanti, Y.E. 2009. Aplikasi Diagnosa
Penyakit Anak Melalui Sistem Pakar Menggunakan J2ME. Universitas
Gunadarma. Kumar, E. 2008. Artificial Intelligence.
International Publishing House: New Delhi. Kusrini. 2008. Kuantifikasi Pertanyaan untuk
Mendapatkan Certainty Factor Pengguna Pada Aplikasi Sistem Pakar untuk Diagnosis Penyakit
. STMIK AMIKOM Yogyakarta. Luthfiarta, A., Zeniarja, J., Salam, A. 2013.
Algoritma Latent Semantic Analysis (LSA) pada Peringkas Dokumen Otomatis untuk Proses Clustering Dokumen. SEMANTIK 2013.
Madsen, Anders L., dkk. 2016. A Parallel
Algorithm for Bayesian Network Structure Learning from Large Data Sets . Elsevier.
30 Oktober 2016] Manning, C.D., Raghavan, P., Schtze, H. 2009.