Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Analisis Pengenalan Ekspresi Wajah Manusia Menggunakan Histogram Of Oriented Gradient, Landmark Point, Dan Support Vector Machine
Ibnu Ali Mukhtarom (2019) | Skripsi | Teknik Informatika , Teknik Komputer
Bagikan
Ringkasan
Ekspresi wajah memiliki peranan penting dalam penyampaian informasi, hal ini dibuktikan oleh seorang psikologi bernama Mahrebian Albert dalam penelitiannya menyatakan bahwa ekspresi wajah menyumbang sebesar 55% dalam penyampaian pesan, sedangkan bahasa dan suara masing-masing menyumbang 7% dan 38%. Identifikasi sebuah ekspresi wajah terdiri dari beberapa langkah utama yaitu face acquisition, facial data extraction, dan yang terakhir facial expression detection. Tahap face detection yaitu tahapan untuk mendapatkan wajah tampak depan dengan menggunakan metode Histogram of Oriented Gradient (HOG), tahap selanjutnya yaitu facial data extraction dengan menggunakan landmark point, dan tahap terkahir yaitu facial expression detection dengan menggunakan metode klasifikasi Support Vector Machines (SVM). Fokus pada penelitian ini yaitu menganalisis kombinasi feature dari landmark point untuk dimasukkan ke dalam klasifikasi SVM. Feature yang digunakan yaitu posisi koordinat, jarak, dan sudut. Penggunaan feature yang tepat menjadi faktor untuk menghasilkan nilai performa yang bagus. Eksperimen menunjukkan bahwa, feature yang menghasilkan performa yang bagus yaitu feature koordinat, dan feature jarak. Dari hasil kombinasi feature tersebut menghasilkan performa accuracy sebesar 90%, precision 91%, recall 82%, dan f-measure 85%. Kata kunci: ekspresi wajah, feature, histogram of oriented gradient, support vector machines, landmark point.
Ringkasan Alternatif
Facial expressions have an important role in the delivery of information, this is evidenced prove by an expert named Mahrebian Albert in his research which states that face expression contributed 55% in the delivery of messages, while language and voice each contributed 7% and 38%. Face identification consists of several main steps, namely face acquisition, facial data extraction, and last facial expressions detection. Face detection is the stage to get a front view of the face using Histogram of Oriented Gradient (HOG), next is facial data extraction using landmark points, and the last is facial expressions detection using the Support Vector Machines (SVM). The focus of this study is to analyze the combination features of landmark points to be input in the SVM classification. The features used are coordinate position, distance, and angle. The use of the right features is a factor to produce good performance values. Experiments showed that, the features that produce good performance are the coordinate feature, and the distance feature. From the results of this combination of features produces an accuracy of 90%, precision of 91%, recall of 82%, and f-measure of 85%. Keywords: facial expressions, features, histogram of oriented gradient, support vector machines, landmark points.