EKSPRESI EMOSI PADA MODEL WAJAH TIGA
DIMENSI MENGGUNAKAN NAIVE BAYES DAN
LOGIKA FUZZY
Mitra Istiar Wardhana
2208205720 DOSEN PEMBIMBING
LATAR BELAKANG
Emosi mempunyai peran yang penting dalam komunikasi antar manusia
Penelitian di bidang emosi merupakan sebuah proses yang kompleks
Kecerdasan buatan yang mampu memproses emosi
PERUMUSAN MASALAH
Bagaimana mengenali jenis emosi dari
sebuah teks berbahasa Indonesia ?
Bagaimana menampilkan emosi berupa
ekspresi wajah yang dipengaruhi oleh
lebih dari satu emosi ?
TUJUAN PENELITIAN
Mengenali jenis emosi dari sebuah
teks berbahasa Indonesia.
Memperoleh tampilan emosi berupa
ekspresi wajah dari sebuah teks
MANFAAT PENELITIAN
Ditemukannya teknik yang bisa digunakan
untuk mengenali jenis emosi dari teks
berbahasa Indonesia
Ditemukannya model kecerdasan buatan yang
bisa digunakan untuk menghasilkan tampilan
emosi berupa ekspresi wajah dari teks
KONTRIBUSI
Pengenalan emosi pada teks
menggunakan Naïve Bayes
Ekspresi Emosi menggunakan Naïve
Bayes dan Logika Fuzzy
HIPOTESA
Klasifikasi teks bisa dilakukan dengan metode
Naïve Bayes
Logika Fuzzy digunakan untuk menyelesaikan
masalah ketidakpastian
Dengan Naïve Bayes dan Logika Fuzzy
bisa dihasilkan nilai parameter wajah
pembentuk ekspresi dari masukan
OUTLINE
Latar Belakang
Dasar Teori
Metode Penelitian
Pembahasan
Penutup
DASAR TEORI
Kondisi mental yang muncul secara spontan
Diikuti perubahan bentuk fisik
DASAR TEORI
Emosi Dasar
EMOSI(2)
Nama Emosi Dasar
Plutchik Penerimaan, marah, antisipasi, jijik,senang, takut, sedih, terkejut. Ekman,
Friesen, Ellsworth
Marah, jijik, takut, senang, sedih, terkejut.
Frijda Keinginan, senang, tertarik, terkejut, kagum, sedih
Izard Marah, penghinaan, jijik, sedih, takut, bersalah, tertarik, senang, malu, terkejut. James Takut, sedih, cinta, marah
Mowrer Sakit, bahagia
DASAR TEORI
EMOSI(3)
1. Senang
2. Sedih
3. Marah
4. Takut
5. Jijik
Emosi Dasar :
•
Taner Danisman dan Adil Alpkocak, 2008
Jenis Emosi Deskripsi
Netral 1. Seluruh otot wajah dalam kondisi rileks 2. Kelopak mata bersinggungan dengan retina 3. Bibir atas dan bawah saling bersentuhan
4. Garis bibir berbentuk horisontal dan ujung bibir rata 5. Mulut tertutup
6. Gigi atas dan bawah saling bersetuhan
DASAR TEORI
EMOSI(4)
Jenis Emosi Deskripsi Senang 1. Posisi alis mata rileks.
2. Posisi mulut terbuka dan ujung mulut tertarik ke arah telinga.
Sedih 1. Posisi alis mata bagian dalam terangkat ke atas. 2. Mata agak terpejam
3. Bentuk mulut rileks.
Marah 1. Posisi alis mata bagian dalam tertarik ke bawah 2. Mata terbuka lebar.
3. Bibir atas dan bawah saling menekan atau terbuka lebar untuk memperlihatkan gigi.
Takut 1. Posisi alis mata terangkat ke atas dan bersama-sama, dimana bagian dalam alis cenderung lebih ke atas.
2. Mata tegang dan perhatian.
Jijik 1. Posisi alis mata dan kelopak mata rileks. 2. Mulut bagian atas terangkat dan melengkung.
DASAR TEORI
EMOSI(5)
KLASIFIKASI TEKS
Memprediksi kelas/kategori dari sebuah teks
Mendapatkan hadiah dari teman saya saat ulang tahun
SENANG SEDIH MARAH TAKUT JIJIK
NAÏVE BAYES
P (A|B) = (P(B|A) * P(A)) / P(B)
TEOREMA BAYES
TEKS P(Senang|Teks) P(Sedih|Teks) P(Marah|Teks) P(Takut|Teks) Naïve Bayes Classifier P(Jijik|Teks)DASAR TEORI
LOGIKA FUZZY
Menangani masalah ketidakpastian (Suyanto,2008)
Mengandung keraguan
Kurang lengkapnya informasi
Nilai kebenarannya bersifat sebagian
DASAR TEORI
LOGIKA FUZZY (2)
DASAR TEORI
P(Senang|Teks) P(Sedih|Teks) P(Marah|Teks) P(Takut|Teks) P(Jijik|Teks) Logika Fuzzy PARAMETER WAJAHDASAR TEORI
MODEL WAJAH TIGA DIMENSI
DASAR TEORI
MODEL WAJAH TIGA DIMENSI (2)
No. Parameter Batas Bawah Batas Atas JangkauanNilai 1. Brow Position Left
and Right
-250 250 500
2. Brow Emotion Left and Right
-200 200 400
3. Brow Wrinkle -200 250 450
4. Eye Open -400 400 800
5. Sneer Left and Right
-200 200 400
6. Mouth Open -300 300 600
7. Mouth Smile Left and Right
OUTLINE
Latar Belakang
Dasar Teori
Metode Penelitian
Pembahasan
Penutup
METODE PENELITIAN
Data Teks dengan Emosi Klasifikasi Teks Berd. Jenis Emosi Nilai Peluang Teks terhadap kelas Emosi Logika Fuzzy Nilai Parameter Wajah Visualisasi Emosi berupa Ekspresi Wajah“Saya berhasil lulus ujian semester” P(Senang|teks) = 0,6 P(Sedih|teks) = 0.2 P(Takut|teks) = 0,1 P(Marah|teks) = 0,05 P(Jijik|teks) = 0 ,05 Brow Position = 103 Brow Emotion = 40 Brow Wringkle = 29 Eye Open = 130 Sneer = 104 Mouth Open = 7 Mouth Smile = 108
METODE PENELITIAN
KLASIFIKASI TEKS
Jumlah Data : 1000 Kalimat
5 Kelas Emosi :
1. Senang : 200 2. Sedih : 200 3. Marah : 200 4. Takut : 200 5. Jijik : 200METODE PENELITIAN
PARAMETER WAJAH
No. Parameter Nilai
1. Brow Position Left and Right 0 2. Brow Emotion Left and Right 0
3. Brow Wrinkle 0
4. Eye Open 0
5. Sneer Left and Right 0
6. Mouth Open 250
7. Mouth Smile Left and Right 0
NETRAL
METODE PENELITIAN
PARAMETER WAJAH (2)
No. Parameter Nilai
1. Brow Position Left and Right 0 2. Brow Emotion Left and Right 0
3. Brow Wrinkle 0
4. Eye Open 0
5. Sneer Left and Right 0
6. Mouth Open 50
7. Mouth Smile Left and Right 200
SENANG
METODE PENELITIAN
PARAMETER WAJAH (3)
No. Parameter Nilai
1. Brow Position Left and Right -100 2. Brow Emotion Left and Right 150
3. Brow Wrinkle 200
4. Eye Open -100
5. Sneer Left and Right 0
6. Mouth Open 0
7. Mouth Smile Left and Right -300
SEDIH
METODE PENELITIAN
PARAMETER WAJAH (4)
No. Parameter Nilai
1. Brow Position Left and Right -100 2. Brow Emotion Left and Right 0
3. Brow Wrinkle -200
4. Eye Open 200
5. Sneer Left and Right 200
6. Mouth Open 100
7. Mouth Smile Left and Right 0
MARAH
METODE PENELITIAN
PARAMETER WAJAH (5)
No. Parameter Nilai
1. Brow Position Left and Right -100 2. Brow Emotion Left and Right 150
3. Brow Wrinkle 200
4. Eye Open 100
5. Sneer Left and Right 100
6. Mouth Open 100
7. Mouth Smile Left and Right -150
TAKUT
METODE PENELITIAN
PARAMETER WAJAH (6)
No. Parameter Nilai
1. Brow Position Left and Right 50 2. Brow Emotion Left and Right -50
3. Brow Wrinkle -100
4. Eye Open -50
5. Sneer Left and Right 300
6. Mouth Open 150
7. Mouth Smile Left and Right -100
JIJIK
METODE PENELITIAN
LOGIKA
FUZZY
MASUKAN
µ
0,2 0,4 0,6 0,8
rendah sedang tinggi
0 1
METODE PENELITIAN
LOGIKA
FUZZY
(2)
KELUARAN
No. Jenis Emosi Nilai
1. Netral 0 2. Senang 0 3. Sedih 200 4. Marah -200 5. Takut 200 6. Jijik -100
Brow
Wrinkle
METODE PENELITIAN
LOGIKA
FUZZY
(3)
ATURAN
If Emosi1 = A AND Emosi2 = B AND Emosi3 = C AND Emosi4 = D AND Emosi5 = E AND THEN Parameter is FIf Senang = Sedang AND Sedih = Rendah AND Marah = Sedang AND Takut = Rendah AND Jijik = Rendah AND THEN Brow Wrinkle is Senang Jumlah Input ^ Jumlah
Varibel Linguistik
3 ^ 5 = 243
METODE PENELITIAN
VISUALISASI EMOSI
No. Parameter Nilai
1. Brow Position Left and Right 50 2. Brow Emotion Left and Right -50
3. Brow Wrinkle -100
4. Eye Open -50
5. Sneer Left and Right 300
6. Mouth Open 150
OUTLINE
Latar Belakang
Dasar Teori
Metode Penelitian
Pembahasan
Penutup
PEMBAHASAN
EVALUASI KLASIFIKASI TEKS
40 45 50 55 60 65 70 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 rasio data a k u ra s i (% ) akurasi
PEMBAHASAN
PERCOBAAN 1
“ketika saya berhasil mempertahankan hubungan saya dengan seorang gadis” senang 0.5208962169 marah 0.3022667838 sedih 0.09009898541 jijik 0.06507883748 takut 0.02165917644
No. Parameter Senang Marah Teks 1
1. Brow Position Left and Right 0 -100 -11,6
2. Brow Emotion Left and Right 0 0 29,2
3. Brow Wringkle 0 -200 -75,2
4. Eye Open 0 200 108
5. Sneer Left and Right 0 200 107
6. Mouth Open 50 100 119
PEMBAHASAN
PERCOBAAN 2
“ketika saya bertengkar dengan teman dekat” sedih 0.3215331076 marah 0.2744905029 jijik 0.213093341 senang 0.1707853052 takut 0.02009774331No. Parameter Sedih Marah Jijik Teks 2
1. Brow Position Left and Right -100 -100 50 -35,2
2. Brow Emotion Left and Right 150 0 -50 59
3. Brow Wringkle 200 -200 -100 4,05
4. Eye Open -100 200 -50 47,7
5. Sneer Left and Right 0 200 300 124
6. Mouth Open 0 100 150 113
PEMBAHASAN
PERCOBAAN 3
“ketika teman dekat berbohong pada saya” marah 0.4354774695 senang 0.267174978 jijik 0.1461661016 sedih 0.1192149594 takut 0.03196649149No. Parameter Marah Senang Jijik Teks 3
1. Brow Position Left and Right -100 0 50 -46,6
2. Brow Emotion Left and Right 0 0 -50 27,2
3. Brow Wringkle -200 0 -100 -121
4. Eye Open 200 0 -50 143
5. Sneer Left and Right 200 0 300 164
6. Mouth Open 100 50 150 117
PEMBAHASAN
PERCOBAAN 4
“ketika saya jatuh dan kaki saya patah” takut 0.4932584463 marah 0.2670615728 senang 0.1307485149 jijik 0.0685675256 sedih 0.04036394041No. Parameter Takut Marah Senang Teks 4
1. Brow Position Left and Right -100 -100 0 -66
2. Brow Emotion Left and Right 150 0 0 99
3. Brow Wringkle 200 -200 0 87,8
4. Eye Open 100 200 0 108
5. Sneer Left and Right 100 200 0 143
6. Mouth Open 100 100 50 182
PEMBAHASAN
PERCOBAAN 5
“anak kecil yang kencing sembarangan di depan umum” jijik 0.6849140535 takut 0.2080751219 marah 0.08833650855 sedih 0.009824129096 senang 0.008850187021
No. Parameter Jijik Takut Teks 1
1. Brow Position Left and Right 50 -100 29,5
2. Brow Emotion Left and Right -50 150 -26
3. Brow Wringkle -100 200 -76,9
4. Eye Open -50 100 -31,7
5. Sneer Left and Right 300 100 257
6. Mouth Open 150 100 182
OUTLINE
Latar Belakang
Dasar Teori
Metode Penelitian
Pembahasan
Penutup
PENUTUP
KESIMPULAN
Dengan menggunakan klasifikasi teks, maka dapat dapat dikenali jenis emosi yang terkandung dalam sebuah teks.
Dengan menggunakan metode Naive Bayes dan Logika Fuzzy dapat dihasilkan parameter pembentuk ekspresi wajah yang dipengaruhi oleh lebih dari satu jenis
PENUTUP
RENCANA KE DEPAN
Penambahan jumlah emosi dasar menjadi 6 (enam) jenis emosi
Penambahan jumlah data teks
Memperbaiki kualitas visualisai ekspresi dengan cara mengganti obyek wajah dan menambah animasi pada setiap pergantian emosi.
REFERENSI
Chuang, Ze-Jing, Chung-Hsien Wu. Multi-Modal Emotion Recognition from Speech and Text. Computational Linguistics and Chinese Language Processing Vol. 9, No. 2
Danisman Taner, Alpkocak Adil. (2008). Feeler : Emotion Classification of Text Using Vector Space Model.
El-Nasr Magy Seif, Yen John. (1999). Agent, Emotional Inteligent and Fuzzy Logic.
El-Nasr Magy Seif, Ioerger Thomas R., Yen John .(1998). Learning and Emotional Intelligent in Agents.
M. Tekalp. (1999). “Face and 2-D Mesh Animation in MPEG-4.” Tutorial Issue On The MPEG-4 Standard. ImageCommunication Journal, Elsevier.
Suyanto, (2008), Soft Computing, Membangun Mesin ber-IQ Tinggi.