Optimasi Klasifikasi Ekspresi Wajah Berdasarkan Citra Wajah Menggunakan Hog, Od-Lbp, Dan Pca

Abstract

Ekspresi wajah merupakan bentuk berinteraksi secara berperan besar secara nonvarbal yang memiliki pengaruh besar dalam interaksi sosial. Ekspresi wajah juga menjadi fokus berbagai perkembagan penelitan dan dalam berbagai pengaplikasian. Menurut para peneliti, ekspresi wajah didefinisikan menjadi tujuh jenis, yaitu marah, jijik, takut, bahagia, netral, sedih, dan terkejut, serta satu ekspresi wajah netral. Namun, dalam perkembangan pengenalan ekspresi wajah menghadapi berbagai tantangan, seperti dalam faktor pencahayaan, pose, deformasi, dan lingkungan yang tidak terkontrol, yang berkontribusi dalam peningkatan kompleksitas, serta dipengaruhi oleh pola peregangan otot wajah. Salah satu komponen penting dalam sistm pengenalan ekspresi wajah pengimplementasian algoritma feature extraction. seperti Histogram of Oriented gradient (HOG) dan Local Binary Pattern (LBP). HOG merupakan feature extraction berbasis gradient yang digunakan untuk mengekstraksi fitur-fitur gambar yang khas dari daerah dan digabungkan menjadi satu vektor fitur. Metode ini memiliki sifat invarian terhadap transformasi geometri, yang berarti tidak terpengaruh. Selain metode berbasis gradient, terdapat juga metode berbasis geometri seperti LBP. LBP merupakan ekstraksi tekstur yang dimana nilai-nilai pixel lingkungan dibandingkan dengan nilai pixel pusat yang menghasilkan pola biner 8 bit. LBP menjadi salah satu metode yang efektif dikarenakan memiliki sifat invariant terhadap skala abu-abu yang monoton dan kompleksitas yang rendah. Salah satu varian yang sedang berkembang dari LBP ialah Orthogonal Difference-Local Binary Pattern (OD-LBP). Untuk meningkatkan efisiensi dan akurasi dari algoritma feature exttraction, digunakan metode reduksi dimensi terhadap hasil dari feature exteraction dengan metode Principal Component Analysis (PCA). Penelitian ini menggunakan enam skenario pemodelan untuk mendapatkan model yang lebih opitmal dalam pengenalan ekspresi wajah. Enam skenario pemodelan tersebut ialah HOG dengan pixel per cell 8x8, HOG dengan pixel per cell 16x16, HOG dengan pixel per cell 8x8 + PCA, HOG dengan pixel per cell 16x16 + PCA, OD-LBP, dan OD-LBP + PCA. Dataset yang digunakan ialah dataset Japanese Female Facial Expression (JAFFE) dengan menerapkan Stratified K-Fold Cross Validation dengan 10 fold untuk melakukan pembagian data train dan data test serta menerapkan metode machine learning, yaitu SVM dengan kernel linear dan RBF untuk melakukan klasifikasi ekspresi wajah dari dataset tersebut. Hasil ekperimen menunjukkan bahwa kombinasi HOG dengan pixel per cell 16x16 + PCA memperoleh nilai akurasi tertinggi sebesar 99.09%. Selain itu, metode HOG terbukti lebih baik dalam mengidentifikasi ekspresi wajah dibandingkan metode OD-LBP, serta penerapan PCA mampu meningkatkan akurasi pada HOG dengan pixel per cell 8x8 dan HOG dengan pixel per cell 16x16 masing-masing sebesar 8.92% dan 5.58%.