Fakultas Ilmu Komputer
Universitas Brawijaya
3230
Pengenalan Emosi Berdasarkan Ekspresi Mikro Menggunakan Metode
Local Binary Pattern
Nova Amynarto1, Yuita Arum Sari2, Randy CahyaWihandika3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1amynarto@student.ub.ac.id, 2yuita@ub.ac.id, 3rendicahya@ub.ac.id
Abstrak
Emosi dasar manusia telah banyak diteliti secara lintas budaya, salah satunya dengan menggunakan ekspresi wajah. Melalui ekspresi mikro pada wajah dapat diketahui emosi bahkan psikologi seseorang. Ekspresi dasar bersifat universal artinya anak kecil atau orang buta dapat mengetahui atau membentuk ekspresi dasar. Ekspresi mikro merupakan ekspresi yang muncul secara halus dan tidak disadari. Ekspresi mikro sangat sulit atau bahkan tidak dapat disembunyikan. Penelitian ini menggunakan metode Local Binary Pattern (LBP) untuk mendapatkan fitur-fitur ekpresi mikro pada wajah dan melakukan klasifikasi dengan metode K-Nearest Neighbor (K-NN) untuk menentukan emosi dari ekspresi mikro. Hasil pengujian penentuan nilai k pada metode klasifikasi K-NN menunjukkan bahwa saat k bernilai 5 dan 7 mampu mengenali emosi berdasarkan ekspresi mikro dengan akurasi yang sama yaitu 56,03%. Hasil pengujian penentuan nilai R dan nilai P pada metode LBP menunjukkan peningkatan akurasi dalam pengenalan emosi menjadi 63,83%. Hasil pengujian pada ukuran dimensi citra menunjukkan bahwa ukuran dimensi citra yang menghasilkan akurasi terbaik yaitu 200×200 piksel dengan nilai akurasi 63,83%. Hasil pengamatan dengan menggunakan metode pencarian jarak pada klasifikasi K-NN menunjukkan bahwa metode perhitungan jarak Manhattan mampu meningkatkan akurasi dalam pengenalan emosi menjadi 70,21%.
Kata kunci: emosi, ekspresi mikro, local binary pattern, k-nearest neighbor, fitur, klasifikasi
Abstract
The basic human emotions have been widely investigated cross-culturally, one of them by using facial expressions. Through the micro expression on the face can be known even one's psychological emotions. Basic expression is universal means that the child or the blind can know or form a basic expression. Micro expression is an expression that appears subtle and unconscious. Micro expression is very difficult or even can not be hidden. This research uses Local Binary Pattern (LBP) method to get features of facial micro expression and classification using K-Nearest Neighbor (K-NN) method to determine the emotion of micro expression. The result of k-value determination test on K-NN classification method shows that when k value 5 and 7 is able to recognize emotion based on micro expression with 56,03% accuracy. The result of determination test of R value and P value on LBP method showed an increase of accuracy in emotional recognition to 63,83%. The test results on the dimension of the image shows that the dimension of the image that produces the best accuracy is 200×200 pixels with an accuracy value of 63.83%. The observation using distance method on K-NN classification shows that Manhattan distance calculation method can increase accuracy in emotional recognition to 70.21%.
Keywords: emotion, micro expression, local binary pattern, k-nearest neighbors, features, classification
1. PENDAHULUAN
Emosi adalah perasaan (efek) yang mendorong individu untuk bertindak atau merespon terhadap stimulus (Goleman, 2002). Emosi dasar manusia telah banyak diteliti secara lintas budaya oleh Ekman tahun 1964 dengan
Baik anak-anak yang belum sekolah maupun orang dewasa dapat mengenal emosi dasar (Russell & Fehr, 1987).
Dalam dunia hiburan, ekspresi mikro juga menjadi daya tarik tersendiri. Salah satunya dalam bidang perfilman yaitu film “Lie to Me” (2009). Film yang dibuat oleh Samuel Baum ini menceritakan tentang Dr. Cal Lightman (Tim Roth) seorang psikologi jenius yang dapat mendeteksi kebohongan seseorang melalui ekspresi mikro dan bahasa tubuh, bersama rekannya Dr. Gillian Foster (Kelli Williams) mereka membuat perusahaan The Lightman Group yang sering menerima tugas dari badan hukum ataupun kepolisian untuk mengintrogasi orang-orang yang terlibat dalam suatu kasus.
Dari segi penyidikan, ekspresi mikro bisa berperan sangat penting untuk mengungkap suatu kebohongan ataupun psikologi seseorang dengan melontarkan beberapa pertanyaan dan melihat reaksi wajah yang ditimbulkan akibat pertanyaan yang diberi, sehingga bisa diketahui adanya hubungan antara pertanyaan tersebut dan ekspresi yang dihasilkan (Andelin & Rusu, 2015). Sistem pengenalan emosi berdasarkan ekspresi mikro otomatis yang kuat akan memiliki aplikasi yang luas dalam kemanan nasional, interogasi polisi dan diagnosis klinis.
Dalam dunia computer vision, penelitian tentang ekspresi wajah telah dilakukan oleh Chinese Academy of Sciences Micro-Expression (CASME). Penelitian tersebut membuat basis data yang terdapat beberapa gambar ekspresi wajah yang bertujuan untuk membantu penelitian di bidang computer vision tentang ekspresi mikro. Penelitian computer vision tentang pengenalan emosi berdasarkan ekspresi mikro baru mencapai akurasi 59,51% (Huang, Wang, Zhao, & Pietikäinen, 2015).
Penelitian-penelitian tersebut menggunakan metode Local Binary Pattern from Three Orthogonal Planes (LBP-TOP) pengenalan emsoi berdasarkan ekspresi mikro dengan ditambahkan metode lain. Local Binary Pattern (LBP) konvensional telah terbukti efektif untuk menggambarkan tekstur gambar statis 2D (Ojala, Pietikainen, & Maenpaa, 2002). LBP didefinisikan sebagai ukuran tekstur grayscale yang invarian. Metode LBP dapat digunakan untuk proses pengenalan, seperti untuk pengenalan wajah (Turiyanto, Purwanto, & Dikairono, 2014) dan pengenalan ekspresi mikro (Huang, Wang, Zhao, & Pietikäinen, 2015) karena LBP ampuh untuk medeskripsikan suatu tekstur dan mempunyai daya pembeda
yang akurat (Turiyanto, Purwanto, & Dikairono, 2014).
Selain itu, penelitian-penelitian tersebut juga menunjukkan bahwa ekspresi wajah sangat penting untuk menggambarkan emosi yang dialami oleh seseorang dan hal itu sangat penting dalam hubungan antar pribadi manusia dan juga bisa sebagai pendeteksi kebohongan. Mengartikan emosi wajah melalui ekspresi wajah juga sangat penting supaya tidak terjadi salah pengertian diantara mereka yang berkomunikasi.
2. EKSPRESI MIKRO
Ekspresi mikro adalah gerakan wajah singkat yang mengungkapkan emosi bahwa seseorang mencoba untuk menyembunyikan. Pada tahun 1969, Ekman menganalisis video wawancara dari pasien terserang depresi yang mencoba bunuh diri dan menemukan ekspresi mikro. Ekspresi mikro ditampilkan dalam durasi yang pendek. Durasi yang berlaku adalah 0,5 detik. Selain itu, ekspresi mikro biasanya terjadi dengan intensitas rendah.
Ekspresi wajah dianggap lebih dari reaksi emosioal belaka. Ekspresi wajah dikenal untuk mengkoordinasikan interaksi sosial melalui fungsi informatif dan memotivasi (Kelter & Kring, 1998).
Menurut teori Darwin tentang seleksi alam (1872), emosi bersifat universal dalam hal memiliki sejenis pola ekspresi dan fungsi pada tingkat komunikasi antar manusia, terlepas dari bias budaya. Emosi yang universal didefinisikan oleh Keltner, et al (2003) adalah sebagai berikut: terkejut, bahagia, marah, sedih, takut, jijik, merendakan.
3. LOCAL BINARY PATTERN
Local Binary Pattern pertama kali diperkenalkan oleh Ojala et al, didefinisikan sebagai ukuran tekstur grayscale yang invarian, disebut invarian Karena hampir tidak dipengaruhi oleh pencahayaan yang berbeda. LBP ampuh untuk mendeskripsikan suatu tekstur, mempunyai daya pembeda yang akurat, dan juga memiliki toleransi terhadap perubahan grayscale yang monotonic (Turiyanto, Purwanto, & Dikairono, 2014).
Fakultas Ilmu Komputer, Universitas Brawijaya Gambar 1. Jarak dan banyak piksel tetangga:
(a)R=1; P=8, (b)R=2; P=16, (c)R=2; P=8
Gambar 2. Proses kalkulasi piksel LBP
Operator LBP adalah operator yang merubah gambar menjadi gambar berlabel bilangan bulat yang menggambarkan tampilan small-scale. Label yang sering digunakan untuk menggambarkan statistic LBP adalah histogram (Pietikäinen, Hadid, Zhao, & Ahonen, 2011). Istilah LBP dimaksudkan sebagai representasi intensitas piksel ketetanggaan dari piksel yang sedang diolah (Turiyanto, Purwanto, & Dikairono, 2014). LBP memiliki nilai jarak untuk menentukan ketetanggaan yang akan dipilih, jarak biasa disimbolkan dengan R dan banyaknya tetangga yang dipilih disimbolkan dengan P. Besar jarak dan ketetanggaan yang dipilih digambarkan dalam Gambar 1 (Pietikäinen, Hadid, Zhao, & Ahonen, 2011).
Berikut logika untuk LBP, untuk setiap piksel p, buat windowing 8-bit P1 P2 P3 P4 P5 P6 P7 P8, dimana Pi = 0 jika nilai dari i lebih kecil dari titik pusat (piksel yang sedang diolah) dan bernilai 1 sebaliknya. Proses kalkulasi piksel LBP ditunjukkan pada Gambar 2. Fungsi LBP didefinisikan pada Persamaan 1 (Turiyanto, Purwanto, & Dikairono, 2014):
𝐿𝐵𝑃𝑃 ,𝑅(𝑥𝑐, 𝑦𝑐) = ∑𝑃−1𝑃=0𝑠(𝑔𝑃− 𝑔𝑐)2𝑃 (1)
Fungsi s(x) didefinisikan sebagai berikut:
𝑠(𝑥) = {1, 𝑥 ≥ 00. 𝑥 < 0 (2)
Keterangan:
P : jumlah piksel tetangga R : nilai radius
gc : nilai piksel x,y
gP : nilai piksel tetangga
4. HAAR CASCADE
Haar Cascade adalah metode yang biasanya
dipakai untuk pendeteksian objek. Bekerja dengan mendeteksi fitur-fitur yang telah ditetapkan dan dilakuakan pencarian fitur-fitur tersebut terhadap gambar yang ingin dideteksi. Setiap fitur adalah suatu nilai yang diperoleh dari penjumlahan daerah persegi putih dikurangi dengan penjumlahan daerah persegi hitam (Turiyanto, Purwanto, & Dikairono, 2014). Fitur-Fitur yang digunakan diperlihatkan pada Gambar 3.
Deteksi wajah juga bisa dilakukan oleh metode ini dengan OpenCV menggunakan Haar-cascade classifier. Ketika terdapat sebuah gambar face detector ini akan men-scanning setiap lokasi gambar tersebut dan mengklasifikasikannya sebagai wajah atau bukan wajah. Klasifikasi ini menggunakan sebuah permisalan yang tetap. Untuk menjalankan deteksi wajah pada OpenCV digunakan classifier yaitu berupa file XML yang
biasanya digunakan adalah
“haarcascade_frontalface_default.xml” (Turiyanto, Purwanto, & Dikairono, 2014).
5. HISTOGRAM
Histogram adalah frekuensi kemunculan suatu nilai intensitas piksel melalui grafik (bar). Histogram banyak digunakan untuk beberapa teknik pemrosesan citra pada domain spasial, seperti perbaikan citra, segmentasi, klasifikasi. Terdapat 2 jenis histogram, yaitu histogram global dan histogram lokal. Jenis histogram ditentukan oleh cakupan daerah citra yang dikenai perhitungan akumulasi. Histogram global merupakan histogram yang memiliki cakupan akumulasi perhitungan pada seluruh daerah citra. Sedangkan histogram lokal merupakan histogram yang memiliki cakupan akumulasi perhitungan pada luasan tertentu citra. Histogram global tidak cocok untuk citra yang kompleks, pendekatan yang lebih baik adalah menggunakan histogram lokal karena memberikan informasi obyek yang lebih spesifik (Widodo dan Harjoko, 2015). Histogram dapat digunakan untuk membandingkan gambar karena tingkat kedetailan dan korelasi sangat efektif (Turiyanto, Purwanto, & Dikairono, 2014).
(a) Edge feature, (b)line feature, (c)four-rectangle featur
6. K-NEAREST NEIGHBOR (K-NN)
K-NN merupakan salah satu metode klasifikasi terkenal dalam machine learning. Metode ini menggunakan fungsi jarak untuk melakukan klasifikasi, contohnya jarak Euclidean untuk membandingkan sampel data lebih dekat dengan sampel data lain pada kelas tertentu. Metode ini cukup sederhana tetapi memiliki kecepatan dalam konvergensi yang relatif tinggi karena harus mengakses seluruh data latih setiap kali data uji baru akan diklasifikasikan. Berikut tahapan Algoritma K-NN (Priambodo, Dewi, & Triwiratno, 2015): 1. Mendefinisikan nilai k.
2. Penentuan jarak antara data input dengan semua data latih.
3. Urutkan data berdasarkan hasil penentuan jarak.
4. Bentuk kelompok berdasarkan nilai dengan ketetanggaan terdekat.
5. Pilih nilai dengan kemunculan paling sering.
7. JARAK EUCLIDEAN
Jarak Euclidean adalah metode untuk pengukuran jarak dari dua atau lebih vektor yang paling sering digunakan (Hartono & Lusiana,
2017). Pengukuran jarak Euclidean
menggunakan perhitungan akar dari kuadrat dua atau lebih perbedaan vektor. Metode ini dapat digunakan untuk mendeteksi tingkat kemiripan citra dengan cara mengisi dua atau lebih vektor yang berbeda dengan nilai fitur pada citra yang ingin dideteksi tingkat kemiripannya. Metode ini menggunakan jarak paling minimum untuk menentukan kemiripan suatu citra. Jarak Euclidean dari dua vektor dihitung dengan Persamaan 3 (Nugraheny, 2015):
𝑑(𝑥, 𝑦) = √∑ (𝑥𝑖𝑛𝑟=1 − 𝑦𝑖)2 (3) Pengukuran jarak Manhattan menggunakan
perhitungan nilai absolut dari pengurangan dua atau lebih vektor. Metode ini dapat digunakan untuk mendeteksi tingkat kemiripan citra dengan cara mengisi dua atau lebih vektor yang berbeda dengan nilai fitur pada citra yang ingin dideteksi tingkat kemiripannya. Metode ini menggunakan jarak paling minimum untuk menentukan kemiripan suatu citra. Pencarian citra dengan menggunakan jarak Manhattan baik untuk citra yang kaya akan tekstur (Hartono & Lusiana, 2017). Jarak Manhattan dari dua vektor dihitung dengan Persamaan 4 (Nugraheny, 2015):
Fakultas Ilmu Komputer, Universitas Brawijaya
% 𝑝𝑒𝑛𝑎𝑚𝑏𝑎ℎ𝑎𝑛 𝑏𝑎𝑘𝑢 =𝐶1−𝐶2𝐶1 (6)
Keterangan: C1: jumlah data
C2: jumlah data salah/tidak sesuai harapan
11. METODE PENELITIAN
10.1 Gambaran Umum Sistem
Secara garis besar terdapat tiga proses utama yang diimplementasikan ke dalam program untuk penelitian ini, yaitu preprocessing, ekstraksi fitur Local Binary Pattern, klasifikasi KNN. Pada tahap preprocessing, citra masukkan akan diolah hingga menghasilkan citra yang nantinya dapat diproses pada tahapan ekstraksi fitur Local Binary Pattern. Kemudian, diambil fitur dari hasil ekstraksi fiturr Local Binary Pattern berupa nilai histogram 0-255 dari citra Local Binary Pattern yang digunakan untuk klasifikasi. Alur dari proses implementasi ditunjukkan pada Gambar 4.
Gambar 4. Diagram alir proses implementasi
Gambar 5. Frame pada basis data CASME II
10.2 Bahan Penelitian
Dalam penelitian ini digunakan citra ekspresi mikro yang diperoleh dari lembaga atau instasi penyedia data ekspresi mikro. Data didapatkan dengan cara menghubungi pihak lembaga atau instansi terkait melalui email dan juga menandatangani lisensi perjanjian untuk mendapatkan data ekspresi mikro. Penjelasan singkat dari sumber data tersebut adalah sebagai berikut (Yan, et al., 2014):
1. CASME II merupakan salah satu nama basis data ekspresi mikro yang dibuat oleh Chinese Academy of Sciences Micro-Expression (CASME).
2. CASME II berisi 255 ekspresi mikro dari 26 partisipan yang telah diberi label.
3. CASME II terdapat ekspresi mikro yang disajikan dalam bentuk video berwarna dengan format “.avi” yang memiliki durasi 1 detik dan memiliki tingkat sampling 200 fps dengan ukuran 640 piksel x 480 piksel. 4. Pada setiap video asli disertakan frame
pembetuk video serta bagian frame yang telah diseleksi sebagai awal mula ekspresi mikro muncul, puncak ekpresi mikro, sampai akhir ekspresi mikro.
5. Frame merupakan citra berwarna yang memiliki format JPEG dan berdimensi 640 piksel x 480 piksel seperti yang ditunjukkan pada Gambar 5.
Penelitian ini menggunakan data dari frame yang telah diseleksi sebagai puncak ekspresi mikro sebagai data latih dan data uji.
10.3
Alur Bagian
Development
Bagian development merupakan rangkaian tahapan pengolahan data citra ekspresi mikro.
10.3.1 Pre-processing
Pre-processing adalah proses pengolahan citra paling awal yang berfungsi untuk
Pre-processing citra
closed-up
Ekstraksi fitur Local Binary Pattern
Mulai
Citra closed-up
Klasifikasi
Hasil klasifikasi
memperbaiki kualitas citra sebelum dilakukan tahapan selanjutnya. Pada penelitian ini terdapat 2 tahapan pre-processing, yaitu tahapan pre-processing pada data latih dan pre-processing pada tahapan proses implementasi. Kedua tahapan pre-processing ini memiliki alur yang sama.
1. Grayscaling
Citra latih dan citra uji masing-masing dipindai dalam bentuk grayscale karena ciri warna bukan menjadi topik penelitian ini, maka bentuk citra grayscale cukup memenuhi kebutuhan untuk proses selanjutnya.
2. Face detection
Citra grayscale dicari yang merupakan area wajah dengan fungsi OpenCV untuk mendeteksi wajah pada sebuah citra yaitu dengan menggunakan tipe face detector yang disebut Haar cascade classifier. Kemudian dari daerah yang berhasil terdeteksi sebagai wajah maka dilakukan pemotongan pada daerah tersebut sehingga menghasilkan citra wajah untuk memenuhi kebutuhan untuk proses selanjutnya.
3. Resize
Ukuran dimensi citra yang dihasilkan dari face detection tidak selalu sama sehingga diperlukan resize agar setiap data latih dan data uji memiliki ukuran dimensi dan rentang nilai yang sama.
10.3.2 Processing
Citra hasil pre-processing dilakukan ekstraksi fitur menggunakan metode LBP. Hasil metode direpresentasikan dengan histogram yang memiliki 256 fitur. Fitur merupakan banyaknya nilai yang sering muncul pada rentang 0-255 dalam citra hasil LBP.
10.3.3 Klasifikasi
Klasifikasi dilakukan dengan pencarian jarak terdekat antara data uji dengan data latih. Kemudian dipilih sebanyak k tetangga terdekat dan dipilih kelas yang memiliki kemunculan paling sering pada k ketetangga terdekat sebagai hasil pengenalan emosi berdasarkan ekspresi mikro.
12. PENGUKURAN KINERJA
Proses pengukuran kinerja atau pengujian program hasil dari implementasi dihitung dan digunakan nilai akurasi sebagai tingkat keberhasilan program terhadap pengenalan emosi berdasarkan ekspresi mikro.
Tabel 1. Hasil akurasi pengujian terhadap nilai k
k Jarak
Euclidean
Jarak
Manhattan
Jarak
Chebyshev
Rata-rata 1 55,32% 57,45% 44,68% 52,48% 5 57,45% 68,09% 42,55% 56,03% 7 57,45% 63,83% 46,81% 56,03% 11 51,06% 48,94% 48,94% 49.65%
Gambar 6. Grafik perbandingan nilai k
13. HASIL DAN PEMBAHASAN
Hasil dan pembahasan berupa pengujian dan analisis yang dilakukan terhadap citra ekspresi mikro yang berasal dari basis data CASME II. Sebanyak 20% data pada masing-masing kelas diambil dari basis data CASME II sebagai data uji.
12.1 Pengujian Nilai k Terhadap Akurasi Pengujian ini bertujuan untuk mencari nilai k terbaik dengan membandingkan tingkat akurasinya dengan menggunakan tiga metode perhitungan jarak yang berbeda, yaitu: jarak Euclidean, jarak Manhattan, jarak Chebyshev. Pengujian dilakukan pada citra yang meiliki dimensi 200 piksel × 200 piksel, memiliki nilai R = 1 dan P = 8. Data digolongkan ke dalam lima kelas yaitu lainnya, jijik, kebahagiaan, represi, dan terkejut.
Data digolongkan kedalam 5 kelas yaitu lainnya, jijik, kebahagiaan, represi, dan terkejut. Pada pengujian ini digunakan nilai k = 1, k = 5, k = 7, k = 11. Dari keempat nilai k yang ditentukan k yang memiliki nilai k = 5 dan dengan menggunakan perhitungan jarak Manhattan memiliki akurasi lebih optimal yaitu 68,09%. Detail dari pengujian dapat dilihat pada Lampiran A. Dari rata-rata akurasi dengan tiga metode perhitungan diperoleh nilai k = 5 dan k = 7 yang memiliki akurasi paling tinggi yaitu 56,03% dapat dilihat pada Tabel 1. Perbandingan nilai k diperlihatkan padaGambar 6.
Fakultas Ilmu Komputer, Universitas Brawijaya
emosi, pada pengujian terhadap nilai k didapatkan bahwa semakin besar nilai k yang diberikan maka hasil akurasi juga akan menurun. Hal ini dapat terjadi karena perbedaan jumlah data latih yang ada, sehingga kelas emosi yang memiliki data latih dengan jumlah lebih kecil tidak dapat terpilih. Selain itu, terdapat beberapa
persamasalahan dengan banyaknya
ketetanggaan yang dipilih, misalnya saat 5 tetangga terdekat terpilih tetapi ada 2 kelas yang sering muncul yang memiliki jumlah yang sama. Pada sistem, hal ini akan menjadi kesalahan dalam pengenalan emosi dikarenakan terdapat 2 kelas yang memiliki kemunculan yang sama dan saat sistem diuji coba kembali dengan data yang sama maka dapat menghasilkan hasil pegenalan emosi yang berbeda, emosi yang akan dikenali yaitu diantara 2 kelas emosi yang jumlah kemunculannya sama. Nilai k = 5 dipilih untuk digunkan pada tahap pengujian selanjutnya karena pada metode perhitungan 3 jarak k=5 memiliki nilai yang paling tinggi.
12.2 Pengujian Nilai R dan P Terhadap Akurasi
Nilai R merupakan radius ketetanggaan piksel yang dipilih pada metode LBP, terdapat 2 nilai R yaitu 1 dan 2. Nilai R sama dengan 1 memiliki jumlah ketetanggaan 8, sementara nilai R sama dengan 2 memiliki jumlah ketetanggan 16 atau 8. Pengujian ini menggunakan nilai R=1 dengan jumlah tetangga 8, nilai R=2 dengan jumlah tetangga 16, nilai R=2 dengan jumlah tetangga 8. Pengujian dilakukan pada citra yang memiliki dimensi 200 piksel x 200 piksel. Nilai k yang digunakan adalah 5, nilai 5 dipilih karena meimiliki akurasi yang lebih tinggi dari pada nilai k lain dari hasil pengujian nilai k terhadap akurasi.
Dari pengujian yang ditunjukkan pada Tabel 2 diketahui bahwa nilai R dengan 8 ketetanggan piksel memiliki tingkat akurasi yang lebih baik dalam pengenalan emosi dibandingkan dengan nilai R yang meiliki nilai ketetanggan piksel 16.
Gambar 7. Grafik perbandingan akurasi berdasarkan nilai R dan p
Dari hasil pengujian berdasarkan tetangga dari piksel yang diolah pada metode LBP dengan menentukan nilai nilai R didapatkan nilai R terbaik adalah 2 dan P = 8 dengan akurasi rata-rata dari 3 metode pengukuran jarak yaitu sebesar 63,83%. Nilai R dan jumlah tetangga yang dipakai sangat memengaruhi hasil pengenalan terhadap emosi. Semakin banyak tetangga dan jarak terhadap tetangga dengan pusat piksel yang dipilih maka akan menurunkan akurasi. Ketetanggan piksel sebanyak 8 dapat menggambarkan tekstur ekspresi mikro wajah, dapat dibuktikan ketika diberi nilai R = 1 atau R = 2 akurasi tetap lebih baik dibanding dengan akurasi dari 16 ketetanggan piksel pada metode LBP. Nilai R dan P terbaik digunakan untuk pengujian selanjutnya.
12.3 Pengujian Ukuran Dimensi Citra
Terhadap Akurasi
Pengujian ini dilakukan agar mengetahui apakah ukuran dimensi dari citra memengaruhi hasil akurasi dalam pengenalan emosi. Dimesi citra yang diterapkan adalah 50x50 piksel, 100x100 piksel, 200x200 piksel, 300x300 piksel. Resize terhadap dimensi citra dilakukan pada citra wajah keabuan hasil dari pre-processing citra. Nilai R yang digunkana adalah R=2 dengan 8 ketetanggaan piksel berdasarkan dari hasil pengujian sebelumnya.
Dari pengujian yang ditunjukkan pada Tabel 3 diketahui bahwa nilai R=2 dengan 8 ketetanggan piksel dan dengan dimensi 200x200 piksel dan perhitungan jarak Manhattan memiliki tingkat akurasi yang lebih baik dalam pengenalan emosi dibandingkan dengan ukuran dimensi yang lain.
Ukuran dimensi yang lebih kecil akan sedikit membuat noise pada wajah menjadi tidak terlalu terlihat dan mengurangi informasi yang tidak diperlukan dalam pengenalan emosi berdasarkan ekspresi mikro pada wajah.
Berdasarkan hasil seluruh pengujian, pengukuran jarak dengan Manhattan mampu menghasilkan akurasi yang lebih baik karena dapat memberi akurasi tertinggi sebesar 70,21% sementara metode pencarian jarak dengan Eucledian memberi akurasi tersbesar yaitu 63,83%.
Ini membuktikan bahwa metode perhitungan jarak Manhattan baik untuk citra bertekstur. Sedangkan untuk metode pengukuran jarak dengan Chebyshev tidak cocok dengan metode LBP karena perhitungan jarak dengan Chebyshev hanya mengambil nilai fitur maksimum dari perbandingan dua citra, sementara hasil ekstraksi fitur LBP merupakan histogram yang memiliki 256 fitur. Jika hanya diambil salah satu fitur saja maka tidak menggambarkan atau mewakili dari metode LBP.
14. KESIMPULAN
Dari implementasi, pengujian dan analisis yang telah dilakukan pada bab sebelumnya maka dapat ditarik kesimpulan bahwa metode LBP dapat mengenali emosi berdasarkan ekspresi mikro dengan akurasi sebesar 70,21%. Akurasi terbesar yang didapat berdasarkan penentuan nilai k pada klasifikasi K-NN yaitu ketika k = 5, metode perhitungan jarak pada klasifikasi K-NN yaitu menggunakan metode jarak Manhattan, nilai R dan P pada metode LBP yaitu 2 dan 8.
Perlu ditambahkan metode pada tahap pre-processing agar mendapatkan area wajah yang sempurna. Tidak hanya mengenali dari area wajah saja, bisa dibagi menjadi beberapa bagian pada area wajah seperti: bagian daerah mata, dahi, hidung, mulut, pipi untuk melakukan pengenalan emosi berdasarkan ekspresi mikro. Perlu ditambahkan metode pada tahap processing selain LBP agar menghasilkan akurasi yang lebih tinggi.
Tabel 3. Hasil pengujian ukuran dimensi citra terhadap akurasi
Dimensi Euclidean Jarak Manhattan Jarak Chebyshev Jarak Rata-rata
50x50 61,70% 61,70% 53,19% 58,86% 100x100 61,70% 59,57% 59,57% 60,28% 200x200 63,83% 70,21% 57,45% 63,83% 300x300 55,32% 63,83% 46,81% 55,32%
Gambar 8. Grafik perbandingan akurasi berdasarkan ukuran dimensi citra dengan nilai R=2
15. DAFTAR PUSTAKA
Andelin, E. I., & Rusu, A. S. (2015). Investigation of facial micro-expressions of emotions in psychopathy – a case study of an individual in detention. Procedia-Social and Behavioral Sciences 209, 46-52.
Darwin, C. R. (1872). The Expression of The Emotions In Man and Animals. London: John Murray.
Ekman, P. (1964). Body Position, Facial Expression, And Verbal Behavior During Interviews. Abnormal and Social Psychology, 295-301.
Ekman, P., & Friesen, W. V. (1969). Nonverbal Leakage and Clues to Deception. Psychiatry, 88-106.
Goleman, D. (2002). Kecerdasan Emosional. Jakarta: PT. Gramedia Pustaka Utama. Harfiya, L. N., Widodo, A. W., & Wihandika, R.
C. (2017). Verifikasi Citra Tanda Tangan Berdasarkan Ciri Pyramid Histogram of Oriented Gradient
(PHOG) Menggunakan Metode
Klasifikasi K-Nearest Neighbor. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1162-1171.
Hartono, B., & Lusiana, V. (2017). Pencarian Isi Citra Menggunakan Metode Minkowski Distance. 34-39.
Huang, X., Wang, S.-J., Zhao, G., & Pietikäinen, M. (2015). Facial Micro-Expression Recognition using Spatiotemporal Local Binary Pattern with Integral Projection. IEEE International Conference on Computer Vision Workshop, 1-9. Kadir, A., & Susanto, A. (2013). Teori dan
Aplikasi Pengolahan Citra. Yogyakarta: ANDI.
Fakultas Ilmu Komputer, Universitas Brawijaya
Keltner, D., Ekman, P., Gonzaga, G. C., & Beer, J. (2003). Facial Expression of Emotion. Handbook of affective sciences, 415-432.
Nugraheny, D. (2015). Metode Nilai Jarak Guna Kesamaan Atau Kemiripan Ciri Suatu
Citra (Kasus Deteksi Awan
Cumolonimbus Menggunakan Principal Component Analysis). Jurnal Angkasa, 21-30.
Ojala, T., Pietikainen, M., & Maenpaa, T. (2002). Multiresolution Gray-scale and
Rotation Invariant Texture
Classification With Local Binary Patterns. IEEE Trans Pattern Anal Mach Intell 24, 971-987.
Pietikäinen, M., Hadid, A., Zhao, G., & Ahonen, T. (2011). Computer Vision Using Local Binary Pattern. 13-47.
Ponnmoli, K., & Selvamuthukumaran, D. S. (2014). Analysis of Face Recognition Using Manhattan Distance Algorithm
With Image Segmentation.
International Journal of Computer Science and Mobile Computing, 18-27. Priambodo, A., Dewi, C., & Triwiratno, A.
(2015). Implementasi Metode K-Nearest Neighbour Untuk Identifikasi Penyakit Tanaman Jeruk Keprok Berdasarkan Citra Daun. Doro Jurnal.
Riyanto. (2014). Validasi & Verifikasi Metode Uji: Sesuai dengan ISO/IEC 17025 Laboratorium Pengujian dan Kalibrasi. Yogyakarta: Deepublish.
Russell, J. A., & Fehr, B. (1987). Relativity In The Perception of Emotion in Facial Expressions. Journal of Experimental Psychology: General, 223.
Turiyanto, M. D., Purwanto, D., & Dikairono, R. (2014). Penerapan Teknik Pengenalan Wajah Berbasis Fitur Local Binary Pattern pada Robot Pengantar Makanan. 1-6.
Widodo, A. W., & Harjoko, A. (2015). Sistem Verifikasi Tanda Tangan Off-Line Berdasar Ciri Histogram Of Oriented Gradient (HOG) Dan Histogram Of Curvature (HoC). Jurnal Teknologi Informasi dan Ilmu Komputer, 1-10. Yan, W.-J., Li, X., Wang, S.-J., Zhao, G., Liu,
Y.-J., Chen, Y.-H., & Fu, X. (2014). CASME II: An Improved Spontaneous Micro-Expression Database and the Baseline Evaluation. 1-9.
