Pengenalan Expression Wajah Menggunakan Local Binery Pattern

Abstrak

ABSTRAK
Komunikasi tidak hanya disampaikan melalui lisan, tulisan, ataupun gerakan tubuh seseorang, tetapi dapat disampaikan melalui emosi dasar yang dirasakan oleh seseorang. Ekspresi emosi disampaikan melalui bentuk ekspresi wajah.ekspresi wajah menyumbang sebesar 55% dalam penyampaian pesan (Mehrabian, 1971). LBP memiliki perhitungan yang cepat karena algoritmanya yang sederhana, namun tetap dapat menghasilkan ciri wajah secara efisien dilihat dari ujung alis, mata dan mulut.Local Binery Pattern dengan menggunakan kenernel berukuran 3 x 3 menggunakan 8 piksel ketetanggan in dari sebuah piksel tengah ic. Piksel ketetanggaan ke-n tersebut di-threshold menggunakan nilai keabuan dari piksel tengah. Setelah didapatkan nilai ekstrasi fitur Local Binery Pattern kemudian menghitung 5 nilai ciri tekstur orde pertama yaitu mean, skewness, variance, kurtosis, dan entropy (Melati, 2020). Dari hasil pengujian karakteristik eksrepsi wajah dengan menggunakan metode Local Binery Pattern terdapat 7 ekspresi wajah, anger(marah) 90%, contempt(meremehkan) 89%, disgust(jijik) 92%, fear(takut) 90%, happy (senyum) 95%, sadness (sedih) 91%, dan surprise (terkejut) 94%. Total rata-rata hasil pengujian dari 7 ekspresi wajah didapatkan nilai sebesar 92%.Bagian pada wajah sangat menentukan keberhasilan pengenalan ekspresi wajah, karena keberagaman model pada tiap-tiap ekspresi pada data latih mengakibatkan beberapa ekspresi wajah pada data uji tidak terdeteksi dengan benar.

ABSTRACT
Communication is not only conveyed through oral, written, or one's body movements, but can be conveyed through the basic emotions felt by a person. Emotional expressions are conveyed through the form of facial expressions. Facial expressions account for 55% in message delivery (Mehrabian, 1971). LBP has a fast calculation because its algorithm is simple, but it can still produce facial features efficiently seen from the tip of the eyebrows, eyes and mouth. Local Binery Pattern using a 3 x 3 kernel using 8 pixels in neighboring from a center pixel ic. The nth neighboring pixel is thresholded using the gray value of the center pixel. After obtaining the Local Binery Pattern feature extraction value, then calculating the 5 first-order texture characteristic values, namely mean, skewness, variance, kurtosis, and entropy (Achsani et al, 2015). From the results of testing facial expression characteristics using the Local Binery Pattern method, there are 7 facial expressions. , anger 90%, contempt 89%, disgust 92%, fear 90%, happy 95%, sadness 91% and surprise 94% . The total average of the test results from 7 facial expressions obtained a value of 92%. The part of the face greatly determines the success of facial expression recognition, because the diversity of models for each expression in the training data results in some facial expressions in the test data not being detected correctly.