Implementasi Kombinasi Fitur Geometris, LBP, dan HOG Untuk Ekstraksi Fitur dengan Model Klasifikasi SVM pada Pengenalan Ekspresi Wajah

Abstract

Penelitian ini fokus pada peran ekspresi wajah dalam proses komunikasi, dimana sebanyak 55% pesan yang diterima oleh manusia melibatkan elemen ekspresi tersebut. Meskipun demikian, tantangan-tantangan seperti variasi pencahayaan, pose, dan warna kulit mempersulit pengenalan ekspresi wajah. Tujuan utama penelitian ini adalah untuk mengenali dan memahami emosi yang terkandung dalam gambar wajah manusia dengan mengekstrak fitur-fitur seperti posisi, bentuk, dan perubahan kelengkungan pada area wajah. Dalam pendekatan eksperimentalnya, penelitian ini menggunakan dua jenis ekstraksi fitur, yaitu geometric based (Vectorized Landmark dan Landmark Curvature) dan appearanced based (Histogram of Oriented Gradients dan Local Binary Pattern). Proses pemodelan dalam penelitian ini memanfaatkan algoritma Support Vector Machine (SVM), di mana parameter-parameter yang digunakan yaitu kernel dan cost. Berbagai jenis kernel, seperti Radial Basis Function (RBF), poly, dan linear, diterapkan untuk melihat pengaruhnya terhadap hasil model. Rentang nilai cost yaitu [10−2, 10−1, 100, 101, 102.5, 103, 103.5, 104]. Untuk menemukan kombinasi optimal dari parameter-parameter ini, penelitian menggunakan metode grid search. Sebelum proses pemodelan dimulai, dilakukan proses feature scaling untuk memastikan keseragaman skala pada semua fitur. Penelitian ini kemudian dibagi menjadi empat kategori eksperimen: without smote and feature selection, without smote and using feature selection, using smote and without feature selection, using smote and without feature selection, dan using smote and feature selection. Pada kategori without smote and feature selection dilakukan skenario pada ketiga jenis data fitur yaitu fitur geometri saja, fitur tekstur saja, dan gabungan keduanya. Sementara pada kategori lainnya akan diimplementasikan pada gabungan data fitur tekstur dan geometri. Pada skenario without smote and feature selection menghasilkan akurasi tertinggi yaitu 61% pada data fitur gabungan dengan kernel RBF. Kemudian pada skenario kedua, yaitu without smote and using feature selection menghasilkan akurasi tertinggi yaitu 48% pada kernel RBF. Skenario ketigaa yaitu using smote and without feature selection menghasilkan akurasi tertinggi sebesar 90% pada kernel RBF. Skenario ini merupakan skenario dengan model yang menghasilkan performa terbaik dari model lain. Terakhir, skenario keempat yaitu using smote and feature selection menghasilkan akurasi tertinggi sebesar 53% pada kernel RBF. Analisis perbandingan nilai f1-Score per kelas juga dilakukan untuk mengilustrasikan perbedaan antara dua situasi, yaitu menggunakan metode SMOTE dan tanpa SMOTE. Hasilnya menunjukkan bahwa performa pada situasi tanpa SMOTE cukup tinggi terutama pada kelas happy dan neutral, sementara kelas lainnya menunjukkan tingkat kinerja yang cukup rendah. Sebaliknya, implementasi SMOTE memberikan tingkat kinerja yang konsisten dan unggul di setiap kelas. DIGITAL REPOSIT