Pengenalan Ekspresi Wajah Menggunakan DAE-SVM Berbasis HOG-LBP sebagai Ekstraksi Fitur
Ekspresi wajah merupakan wadah bagi manusia untuk menyampaikan maupun menunjukan emosi dan intesitas dalam berkomunikasi serta dapat digunakan untuk salah satu komunikasi nonverbal. Sebagian ekspresi wajah dapat dibaca dengan mudah, misalnya ekspresi marah dan senang. Namun beberapa ekspresi sulit dipahami, misalnya antara ekpresi takut dan ekpresi jijik yang sulit untuk dibedakan. Maka, dalam beberapa tahun terakhir pengenalan ekspresi wajah telah banyak diteliti.
Dalam melakukan pengenalan ekspresi wajah, perlu adanya ekstraksi fitur untuk melakukan klasifikasi. Penelitian ini mnggabungkan dua metode HOG dan LBP karena LBP mampu melakukan deskripsi tektur dengan baik namun tidak bisa memberikan informasi mengenai characteristic direction dan edge sehingga dilakukan penggabungan dengan HOG untuk melengkapi kekurangan LBP serta fitur tersebut akan dipelajari oleh deep autoencoders.
Ekspresi wajah yang digunakan dalam penelitian ini sebanyak tujuh kategori, yaitu: marah, senang, sedih, takut, jijik, terkejut dan netral. Sedangkan untuk ras yang digunakan adalah sebanyak empat ras, yaitu: ras Asia Tenggara, Asia Timur, Eropa Utara dan Amerika Serikut. Tingkat akurasi yang dihasilkan untuk seluruh ras 71,05%, ras Asia Tenggara 99,18%, ras Asia Timur 54,61%, ras Eropa Utara 85,3% dan ras Amerika Serikat 90,74%. Sedangkan tingkat akurasi real-time dari deteksi ras adalah 70%, deteksi ekspresi yang sesuai dengan ras yang terdeteksi adalah 95%, deteksi ekspresi yang sesuai dengan ekspresi dengan memperhatikan ras yang terdeteksi adalah 65% sedangkan untuk deteksi ekspresi dari semua ras adalah 60%.
Kata Kunci: Facial Expression Recognation, HOG, LBP, Deep Autoencoders, SVM.
Facial Expression Recognition Using DAE-SVM Based on HOG-LBP as Feature Extraction
Facial expression is a place for humans to convey and show emotions and intensity in communication and can be used for one of nonverbal communication. Some facial expressions can be read easily, for example, expressions of anger and happy. But some expressions are difficult to understand, for example between expressions of fear and expressions of disgust that are difficult to distinguish. So, in the last few years the introduction of facial expressions has been widely investigated.
In performing facial expression recognition, it is necessary to feature extraction to classify the data. This study combines two HOG and LBP methods because LBP is able to do a description of the texture well but can not provide information on characteristic direction and edge so that merging with HOG is done to complement LBP deficiencies and the feature will be studied by deep autoencoders.
Facial expressions used in this study were seven categories, namely: anger, happy, sadness, fear, disgust, surprise and neutral. As for the races used are as many as four races, namely: Southeast Asian, East Asian, North European and United States races. The level of accuracy produced for all races was 71.05%, Southeast Asian races 99.18%, East Asian races 54.61%, North European races 85.3% and United States races 90.74%. While the real-time accuracy of race detection was 70%, detection of racial expressions detected was 95%, expression detection that was in accordance with the expressions with regard to race detected was 65% while for expression detection of all races was 60%.
Keywords: Facial Expression Recognation, HOG, LBP, Deep Autoencoders, SVM.