Fakultas Ilmu Komputer
199
Penerapan
Bayesian Network
Pada Sistem Pakar Ekspresi Wajah dan
Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto
Muhammad Adiputra1, Rekyan Regasari Mardi Putri2, Suprapto3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1adiputra.polban@gmail.com, 2rekyan.rmp@ub.ac.id, 3spttif@ub.ac.id
Abstrak
Ekspresi wajah dan bahasa tubuh merupakan bahasa non-verbal yang dapat menggambarkan emosi sesungguhnya dalam diri seseorang. Gerakan pada ekspresi wajah dan bahasa tubuh yang ditunjukkan oleh manusia tidak hanya mengandung satu makna tersendiri. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah tersebut dengan gerak tubuhnya untuk mengetahui makna tersembunyi di dalamnya. Sistem pakar ekspresi wajah dan bahasa tubuh merupakan penerapan dari
teori probabilistik dan teori graf pada metode bayesian network. Tujuan dari pembuatan sistem pakar
ini adalah untuk mengidentifikasi arti atau makna emosi yang ditunjukkan seseorang melaui ekspresi wajah dan bahasa tubuhnya. Terdapat 7 ungkapan perasaan dan emosi yang menjadi keluaran sistem, yaitu: bohong, jujur, marah, sedih, takut, bahagia, dan terkejut. Berdasarkan pada pengujian variasi data latih diperoleh hasil bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Sedangkan berdasarkan hasil pengujian
menggunakan metode f-measure yang dilakukan terhadap 5 kasus yang berisi 28 gambar, dimana
setiap gambar menunjukkan ekspresi wajah dan bahasa tubuh dari 5 orang yang berbeda, diperoleh
hasil rata-rata precision sebesar 80.47%, recall 86.34%, dan tingkat akurasi untuk f-measure sebesar
80.31%.
Kata kunci: ekspresi wajah, bahasa tubuh, bayesian network, inferensi, sistem pakar
Abstract
Facial expression and body language is a non-verbal language that can describe the real emotion in a person. Movement on facial expressions and body language shown by humans not only contains. Other than that, for some cases it needs a combination of facial expressions with body language to know the hidden meaning in it. The expert system of facial expression and body language is the application of probabilistic theory and graph theory on the bayesian network method. The purpose of making this expert system is to identify the meaning of emotion that a person shows through facial expression and body language. There are 7 expressions of feelings and emotions that becomes the system output, that are: lie, honest, angry, sad, fear, happy, and suprised. Based on testing of variation data training, it was found that the amount of data training and variation of it also affected the accuracy of the system result. In addition, it is also known that more data training used and more varied, it will increase the level of accuracy. While based on the results of the test using the f-measure method conducted on 5 cases containing 28 images, where each picture shows facial expression and body language of 5 different people, obtained the average of 80.47% precision, 86.34% recall, and an accuracy level for f-measure is 80.31%.
Keywords: facial expression, body language, bayesian network, inference, expert system
1. PENDAHULUAN
Ekspresi wajah dan gerak tubuh yang dilakukan oleh seseorang dapat menceritakan apa yang sedang dipikirkannya. Melalui ekspresi wajah dan gerak tubuh, tabir perasaan
berupa isyarat tubuh, ekspresi wajah, sudut, jarak, gerak-gerik, dan sikap tubuh dapat
mengungkap maknanya sendiri tanpa
mengucapkan satu kata pun (Setyanta, 2011). Umumnya kemampuan membaca ekspresi wajah dan bahasa tubuh ini dimiliki oleh seorang psikolog. Ilmu yang mempelajari lebih dalam mengenai hal tersebut adalah ilmu
psikologi komunikasi, ilmu fisiognomi,
psikologi forensik, serta ilmu mikro ekspresi. Setiap orang pada umumnya dapat membaca ekspresi wajah dan bahasa tubuh orang lain, seperti ekspresi bahagia, dan sedih. Namun tidak semua ekspresi wajah atau gerak tubuh memiliki satu makna tersendiri, bisa saja ekspresi wajah atau gerak tubuh seseorang memiliki dua, tiga atau bahkan lebih makna
yang berbeda, sehingga menimbulkan
ketidakpastian. Selain itu, untuk beberapa kasus perlu adanya kombinasi antara ekspresi wajah
tersebut dengan gerak tubuhnya untuk
mengetahui makna tersembunyi di dalamnya. Contohnya ketika petutur membuang tatapan dengan bola mata melihat ke arah bawah ketika sedang berbicara dengan penutur, hal tersebut dapat mengindikasikan bahwa petutur tersebut sedang sedih, dapat juga mengindikasikan bahwa petutur merasa bersalah, atau dapat pula menandakan petutur merasa takut/tunduk. Menurut pakar, aktivitas tersebut akan memiliki nilai kepastian yang lebih tinggi jika terdapat kombinasi dengan gerak tubuh yang lain, misalkan dibarengi dengan sudut bibir yang tertarik ke arah bawah dan menaikan sudut alis bagian dalam, kedua hal tersebut dapat meningkatkan nilai kepastian dari bahasa non-verbal tersebut yang mengindikasikan bahwa si petutur sedang merasa sedih.
Berdasarkan masalah ketidakpastian
tersebut, maka perlu adanya sebuah aplikasi yang dapat menyimpan pengetahuan dari seorang psikolog yang ahli di bidang mikro ekspresi atau ahli ilmu fisiognomi sebagai fakta dan aturan dalam sebuah basis pengetahuan untuk selanjutnya diolah menggunakan mesin inferensi sehingga menghasilkan kesimpulan berupa makna/arti dari ekspresi wajah dan
gerak tubuh seseorang berdasarkan
sinyal/gerakan yang ditunjukkan oleh seseorang ketika melakukan kontak dengan lawan bicara. Basis pengetahuan dan mesin inferensi tersebut
merupakan komponen utama dalam
membangun sebuah sistem pakar. Metode
bayesian network merupakansalah satu metode
uncertainty (ketidakpastian) yang dapat
merepresentasikan hubungan kausalitas (sebab-akibat) antara ekspresi wajah dan gerakan tubuh.
Metode bayesian network dapat
mengeksploitasi hubungan bebas bersyarat (conditional independence) dalam membangun struktur jaringan, sehingga dapat membangun
sebuah model yang lebih tersusun dan
mengurangi kompleksitas perhitungan dalam
melakukan inferensi (Neapolitan, 2004).
Karakteristik dari ekspresi wajah dan bahasa tubuh yang beragam dan dapat saling berkaitan cocok untuk diselesaikan dengan metode
bayesian network karena metode tersebut dapat
menangani variabel input yang saling berelasi.
Dengan menggunakan metode bayesian
network, maka dapat dilakukan perhitugan
probabilitas dari kehadiran berbagai
sinyal/gerakan tubuh dan ekspresi wajah untuk mengetahui arti/makna yang tersembunyi didalamnya.
Berdasarkan pembahasan tersebut, maka
penelitian ini diberi judul “Penerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan Bahasa Tubuh Melalui Pengamatan Indra
Penglihatan Pada Foto” sebagai sarana untuk
memenuhi kebutuhan masyarakat dan pihak-pihak terkait dalam kemampuan membaca ekspresi wajah dan bahasa tubuh sebagai
pendukung dan pertimbangan dalam
pengambilan tindakan, namun sistem ini tetap hanya bersifat sebagai sarana referensi dan tidak memiliki nilai/hasil mutlak untuk menilai seseorang hanya berdasarkan pada hasil keluaran yang diperoleh.
2. KAJIAN PUSTAKA
2.1. Kajian Pustaka
Berdasarkan pada topik penelitian skripsi
yang telah dibahas, terdapat beberapa
penelitian-penelitian terdahulu yang relevan dengan topik penelitian. Uraian dari penelitian-penelitian tersebut dapat dilihat pada tabel 1.
Tabel 1. Kajian Pustaka
Judul
Objek Metode Keluaran Masukan
dan Parameter
Proses Hasil Penelitian
ENTDEx: ENT Diagnosis
Gejala-gejala yang dirasakan
Bayesian Network
Expert System Using Bayesian Networks
oleh pasien pada area telinga, hidung dan tenggorokan
mengelompok kan 18 jenis penyakit pada area telinga, hidung dan tenggorokan (THT)
A Pree-clampsia Diagnosis Approach using Bayesian Networks
Gejala-gejala yang dirasakan oleh pasien dalam masa kehamilan
Bayesian Network
Hasil diagnosis sistem yang berkaitan dengan penyakit
preeclampsia
dan aksi yang direkomenda sikan bagi perawatan ibu hamil
2.2. Sistem Pakar
Menurut Fegenbum (dalam Kumar, 2008)
dari universitas Stanford, “sistem pakar adalah
sebuah program komputasi cerdas yang menggunakan pengetahuan dan prosedur inferensi dalam memecahkan masalah yang cukup sulit, yang membutuhkan keahlian
manusia yang signifikan sebagai solusi”. Sistem
pakar dapat berfungsi dengan baik dalam
domain/lingkup yang telah didefinisikan
(Kumar, 2008).
Terdapat 2 lingkup yang berbeda dalam membangun struktur sistem pakar, yakni
lingkungan konsultasi dan lingkungan
pengembangan. Struktur sistem pakar secara umum dapat dilihat pada gambar 1:
Gambar 1. Gambaran Umum Sistem Pakar
Berdasarkan gambar 1, terdapat beberapa komponen dalam perancangan sistem pakar, yaitu: akuisisi pengetahuan, basis pengetahuan,
mesin inferensi, blackboard, fasilitas penjelas,
aksi yang direkomendasikan, perbaikan
pengetahuan, dan antarmuka pengguna. Setiap komponen tersebut merupakan struktur yang saling terkait dalam membangun sistem pakar.
2.3. Bayesian Network
Bayesian network adalah salah satu metode
probabilistic graphical model (PGM) yang cukup sederhana, dimana metode ini dibangun
dari teori probabilistik dan teori graf. Teori
probabilistik berhubungan langsung dengan
data sedangkan teori graf berhubungan
langsung dengan bentuk representasi yang ingin didapatkan (Heckerman, 1995).
Struktur jaringan bayesian network terdiri
dari node dan edge. Node/simpul diisi oleh
variabel yang menjadi objek penelitian,
Sedangkan edge menggambarkan hubungan
atau asosiasi antar node tersebut (Heckerman,
1995). Untuk mengilustrasikan proses dari
bayesiannetwork, maka diberikan contoh kasus
yang disajikan dalam bentuk graf pada gambar
2 berikut:
Gambar 2. Contoh Kasus Struktur Graf Bayesian Network
Berdasarkan graf pada gambar 2, dengan
menggunakan penerapan metode bayesian
network, maka beberapa
permasalahan-permasalahan tertentu dapat diselesaikan
dengan menggunakan persamaan 1 berikut:
𝑃(𝑗|𝑓, 𝑎, 𝑠, 𝑔) = 𝑃(𝑗|𝑓, 𝑎, 𝑠) (1)
Berdasarkan pada persamaan 1, Metode
bayesian network menyelesaikan permasalahan
dengan berdasarkan pada struktur graf yang
terbentuk. Misalkan berdasarkan pada
persamaan 1, yaitu P(a|f) ditanyakan peluang
terjadinya ‘a’ dengan diberikannya kejadian ‘f’.
Karena variabel ‘a’ dan variabel ‘f’ tidak
memiliki relasi, maka persamaan tersebut bisa disederhanakan menjadi P(a) dan begitu juga dengan persaman-persamaan berikutnya.
Berdasarkan pada contoh kasus dari gambar 2, maka probabilitas f jika diberikan terhadap semua variabel yang ada dapat dihitung dengan menggunakan persamaan 2 berikut:
𝑃(𝑓|𝑎, 𝑠, 𝑔, 𝑗) = 𝑃(𝑓,𝑎,𝑠,𝑔,𝑗)
∑ 𝑃(𝑓′𝑓′ ,𝑎,𝑠,𝑔,𝑗) (2)
Keterangan:
diberikan oleh kejadian a, s, g, j
P(f,a,s,g,j) = Joint distribution kejadian f, a,
s, g, j
P(a,s,g,j) = Joint distribution kejadian a, s,
g, j (Marginal probability)
Berdasarkan pada persamaan 2 jika diselesaikan menggunakan persamaan 1 maka akan menjadi persamaan 3 berikut:
𝑃(𝑓|𝑎, 𝑠, 𝑔, 𝑗) =
𝑃(𝑓)𝑃(
𝑔
|𝑓
)𝑃(𝑗
|𝑓, 𝑎, 𝑠
) ∑ 𝑃(𝑓′)𝑃(𝑔
|𝑓
′)𝑃(𝑗
|𝑓
′, 𝑎, 𝑠
)𝑓′
(3)
Keterangan:
P(f|a,s,g,j) = Probabilitas kejadian f diberikan oleh kejadian a, s, g, j
P(f) = Peluangterjadinya variabel f
P(g|f) = Peluang terjadinya variabel g jika
variabel f telah terjadi
P(j|f,a,s) = Peluang terjadinya variabel j jika variabel f, a, dan s telah terjadi
Berdasarkan pada persamaan 3, P(f) dapat
disebut sebagai prior probability, P(g|f) dan
P(j|f,a,s) disebut sebagai conditional
probability, sedangkan pembagi pada rumus
bayesian network dapat disebut sebagai
marginalprobability atau normalizingconstant.
2.4. Sinyal Dari Ekspresi Wajah dan Bahasa Tubuh Beserta Maknanya
Sinyal yang dimaksud dalam penelitian ini adalah cara yang digunakan manusia dalam menyampaikan pesan dan informasi melalui gerak anggota tubuh, mata, dan ekspresi wajah yang dilakukan, baik secara sadar maupun tidak sadar. Gerakan pada wajah meliputi alis, mata dan mulut. Sedangkan untuk gerakan yang menunjukkan bahasa tubuh meliputi gerakan kepala, lengan dan tangan.
Keluaran yang diperoleh melingkupi 2 makna gerakan yang memerlukan kombinasi dari ekspresi wajah & gerakan tubuh, dan sifatnya belum pasti (Ekman, 2009), serta 5
jenis emosi sebagai output untuk mewakili
makna dari kombinasi ekspresi wajah dan gerakan tubuh yang dikemukakan oleh goleman (1997) dan Ekman (2009), yaitu:
1. Bohong: berbohong, mengada-ada,
mengarang-ngarang cerita 2. Jujur: tulus, terbuka, terus terang.
3. Marah: kesal hati, terganggu, berang, tersinggung, muak, benci, tidak suka
4. Sedih: kecewa, pedih, suram, putus asa, frustasi, tertekan, menyesal, depresi berat 5. Takut: cemas, gugup, gelisah, khawatir,
waswas, tidak tenang, dan panik
6. Bahagia: gembira, puas, senang, terhibur, bangga, nikmat inderawi, rasa terpenuhi 7. Terkejut: Kaget, terkesiap
Sehingga total melingkupi 7 jenis output
yang menjadi hasil keluaran dari input data
berupa ekspresi wajah dan bahasa tubuh untuk menghasilkan arti atau makna dari kombinasi gerakan-gerakan tersebut.
3. PERANCANGAN
Perancangan pada penelitian ini meliputi
perancangan basis pengetahuan, mesin
inferensi, blackboard, fasilitas penjelas,
perbaikan pengetahuan, dan antarmuka.
3.1. Basis Pengetahuan
Basis pengetahuan berisi informasi tentang fakta dan aturan yang diperoleh dari pengetahuan pakar untuk digunakan dalam memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan memuat aturan dan fakta mengenai objek dalam domain yang dipilih dan relasi diantaranya. Data arti gerakan yang telah diperoleh melalui literatur dan hasil wawancara dengan pakar selaku dosen psikologi ilmu fisiognomi di Universitas Muhammadiyah Malang, yaitu Bapak Zakarija Achmat, Msi yang digunakan sebagai basis pengetahuan dapat dilihat pada tabel 2 berikut:
Tabel 2. Arti atau Makna Gerakan
Kode
Arti/Makna Nama Arti/Makna
AMG01 Bohong: berbohong, mengada-ada,
mengarang-ngarang cerita AMG02 Jujur: tulus, terbuka, terus terang AMG03 Marah: kesal hati, terganggu, berang,
tersinggung, muak, benci, tidak suka AMG04 Sedih: kecewa, pedih, suram, putus asa,
frustasi, tertekan, menyesal, depresi berat (patologis)
AMG05 Takut: cemas, gugup, gelisah, khawatir, waswas, tidak tenang, dan panik (patologis) AMG06 Bahagia: gembira, puas, senang, terhibur,
bangga, kenikmatan inderawi, rasa terpenuhi
AMG07 Terkejut: Kaget, terkesiap
Sedangkan untuk aturan yang digunakan sebagai basis pengetahuan pada penelitian ini
menggunakan struktur jaringan yang
direpresentasikan dalam bentuk graf bayesian
bentuk tabel aturan yang dapat dilihat pada tabel 3 berikut:
Tabel 3. Aturan Identifikasi Ekspresi Wajah dan Bahasa Tubuh
Kode
Arti/Makna Kode Gerakan
AMG01 AL01 MA02 MA15 KE04 TA04
Sedangkan untuk struktur jaringan dari
bayesian network pada penelitian ini dapat dilihat pada gambar 3:
AMG01 AMG02 TA10 TA11 TA12 TA13 LE04
Gambar 3. Struktur Bayesian Network Ekspresi Wajah dan Bahasa Tubuh
3.2. Mesin Inferensi
Mesin inferensi dalam penelitian ini menggunakan penelusuran jawaban dengan
pendekatan forward chaining. Metode forward
chaining melakukan penelusuran dari fakta-fakta tentang sinyal dari ekspresi wajah dan
bahasa tubuh yang diberikan oleh user/
pengguna umum sebagai masukan sistem untuk digunakan dalam memperoleh kesimpulan berupa arti/makna gerakan dengan probabilitas tertinggi (dari fakta menuju konklusi).
Proses yang terjadi di dalam mesin
inferensi dengan pendekatan forward chaining
untuk penerapan bayesian network pada sistem
pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto dapat dilihat pada gambar 4 berikut:
Gambar 4. Inferensi Forward Chaining dengan Metode Bayesian Network
Detail proses perhitungan menggunakan
metode bayesian network dapat dilihat pada
alur algoritma dalam bentuk flowchart dari
gambar 5 berikut:
Gambar 5. Flowchart Bayesian Network Ekspresi Wajah & Bahasa Tubuh
3.3. Blackboard
sementara untuk memperoleh kesimpulan pada
sistem pakar berdasarkan input yang
dimasukkan oleh pengguna. Pada penelitian ini, data yang direkam dan disimpan sementara
pada blackboard meliputi:
1. Gerakan tubuh sebagai input dari pengguna
2. Nilai perhitungan prior probability
3. Nilai perhitungan conditional probability
4. Nilai perhitungan marginal probability
5. Nilai perhitungan posterior probability
3.4. Fasilitas Penjelas
Fasilitas penjelas pada aplikasi penerapan
bayesian network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan
indra penglihatan pada fotomencakup:
1. Pada halaman home, sistem memberikan
fasilitas penjelas berupa:
a. Informasi mengenai sistem pakar
ekspresi wajah dan bahasa tubuh
b. Penjelasan cara penggunaan aplikasi
c. Penjelasan dari jenis input yang
diberikan oleh pengguna beserta
dengan contoh gambar dan
penerapannya pada aplikasi
2. Pada halaman hasil identifikasi arti, sistem
memberikan fasilitas penjelas berupa:
a. Daftar data gerakan yang menjadi
masukkan pengguna
b. Nilai-nilai dari setiap tahap
perhitungan, meliputi: nilai prior
probability, conditional probability,
dan posterior probability
c. Nilai probabilitas tertinggi
d. Keterangan dari hasil yang diperoleh
3.5. Perbaikan Pengetahuan
Pada penelitian ini, perbaikan pengetahuan dilakukan oleh seorang pakar atau melalui
knowledge engineer dengan menambahkan, mengubah, dan menghapus pengetahuan pada menu pengelolaan data yang telah disediakan, yaitu pengelolaan data gerakan, pengelolaan data arti, pengelolaan data aturan, dan
pengelolaan data training.
Perbaikan pengetahuan tidak ditambahkan
secara otomatis ke dalam data training oleh
sistem karena perlu adanya mekanisme pengecekan korelasi antara kombinasi gerakan dengan arti/makna gerakan yang dilakukan oleh
pakar untuk menjaga hubungan antar node di
dalam struktur graf bayesian network agar
memiliki kemampuan penalaran yang
mendekati dengan kemampuan seorang pakar.
3.6. Antarmuka
Antarmuka menjembatani proses interaksi
antara sistem pakar dengan pengguna.
Antarmuka yang diberikan kepada pengguna
dalam penelitian ini berupa formcheckbox yang
berisi gambar gerakan dan keterangannya serta halaman hasil identifikasi beserta fasilitas penjelasnya seperti yang dapat dilihat pada gambar 6 berikut:
Gambar 6. Halaman Antarmuka Identifikasi Arti
4. PENGUJIAN DAN ANALISIS
Pengujian dibagi menjadi 3 bagian, yaitu:
pengujian validasi menggunakan blackbox,
pengujian akurasi menggunakan variasi data latih dan pengujian akurasi menggunakan
metode f-measure.
4.1. Pengujian Validasi
Pengujian validasi dilakukan untuk
pengujian validasi yang dipilih adalah
menggunakan black-box testing. Black-box
testing merupakan salah satu teknik pengujian yang dilakukan untuk menguji fungsionalitas sistem berdasarkan pada kebutuhan fungsional yang telah didefinisikan. Hasil pengujian
validasi dengan menggunakan blackbox testing
menunjukkan semua fungsi pada sistem telah
berjalan dan sesuai dengan kebutuhan
fungsional yang telah didefinisikan di awal.
4.2. Pengujian Akurasi Menggunakan Variasi Data Latih
Pengujian variasi data latih dilakukan
untuk mengetahui bagaimana pengaruh
penggunaan data latih yang berbeda pada hasil akurasi sistem. Data latih dikondisikan
sedemikian rupa sehingga menghasilkan
serangkaian data latih dengan urutan yang acak dan terdiri dari beragam kelas. Dengan kata lain, pengujian ini dilakukan dengan merubah
jumlah dan variasi dari data latih
.
Terdapat 74 data latih dan 28 data yang digunakan dalam pengujian. Data latih dibagi ke dalam 3 bagian pengujian yang berbeda, yaitu pengujian pertama menggunakan 25 data latih, pengujian kedua menggunakan 50 data latih, dan pengujian ketiga menggunakan
keseluruhan data training yang berjumlah 74
data latih. Untuk pengujian pertama dan kedua dilakukan sebanyak 3 kali percobaan (3 variasi)
dengan mengambil data secara random sesuai
dengan jumlah yang diperlukan..
Berdasarkan pada hasil pengujian dengan menggunakan 25 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 50%, variasi 2 sebesar 53.57%, dan variasi 3 sebesar 42.85%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 48.81%. Sedangkan untuk hasil pengujian dengan menggunakan 50 data latih, diperoleh hasil dengan tingkat akurasi untuk variasi 1 sebesar 64.28%, variasi 2 sebesar 71.43%, dan variasi 3 sebesar 60.71%. Sehingga diperoleh rata-rata tingkat akurasi sebesar 65.47%. Terakhir untuk hasil pengujian dengan menggunakan keseluruhan data latih yang berjumlah 74 data, diperoleh hasil dengan tingkat akurasi sebesar 82.143%.
4.3. Analisis Pengujian Akurasi Menggunakan Variasi Data Latih
Berdasarkan pada hasil pengujian yang telah dilakukan terhadap semua variasi data latih, diketahui bahwa perbedaan jumlah data latih yang digunakan serta variasi yang beragam
untuk setiap data latih menghasilkan nilai akurasi yang berbeda pula. Hal tersebut diperoleh dari nilai akurasi tertinggi yang
didapat pada pengujian ketiga dengan
menggunakan keseluruhan data latih sebanyak 74 buah data dengan nilai akurasi sebesar 82.143%. Sedangkan nilai akurasi paling rendah diperoleh pada pengujian pertama variasi ketiga dengan menggunakan 25 data latih dengan nilai akurasi sebesar 42.85%.
Sedangkan secara keseluruhan, dengan jumlah data latih yang berbeda serta variasi data latih yang beragam menghasilkan nilai akurasi yang berbeda satu sama lain, hal ini menandakan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, Jika diperhatikan pada hasil pengujian yang telah diperoleh, Semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya.
4.4. Pengujian Akurasi Menggunakan Metode F-Measure
Tujuan dari pengujian akurasi dengan
metode f-measure adalah untuk mengetahui
performa dari sistem pakar dalam mendeteksi arti/makna gerakan pada seseorang dengan cara membandingkan hasil identifikasi dari seorang pakar dengan hasil identifikasi sistem. Selain itu, metode ini juga berfungsi untuk mengetahui
nilai rata-rata (mean) harmonic dari nilai
precision dan recall untuk setiap kelas.
Terdapat 5 buah kasus data uji terhadap serangkaian gambar dari 5 orang yang berbeda, dimana masing-masing kasus terdiri dari beberapa gambar yang memperlihatkan ekspresi wajah dan bahasa tubuh yang ditunjukkan seseorang. Kasus 1 terdiri dari 8 buah gambar, kasus 2 terdiri dari 4 buah gambar, kasus 3 terdiri dari 4 buah gambar, kasus 4 terdiri dari 6 buah gambar, dan kasus 5 terdiri dari 6 buah gambar. Sehingga total terdapat 28 buah gambar yang dijadikan sebagai data uji.
Pengguna memasukkan data input berupa
gerakan yang ditunjukkan oleh masing-masing
gambar melalui form checkbox pada halaman
identifikasi makna. Terdapat 6 halaman yang merepresentasikan gerakan pada anggota tubuh manusia meliputi gerakan alis, mata, mulut, kepala, lengan, dan tangan. Hasil dari pengujian
akurasi menggunakan metode f-measure dapat
Tabel 4. Hasil Identifikasi Sistem dan Pakar kemudian dibuat pembagian kondisi yang memungkinkan untuk setiap kelas (arti gerakan). Tabel pembagian kondisi tiap kelas (arti gerakan) dapat dilihat pada tabel 5 berikut:
Tabel 5. Pembagian Kondisi Tiap Kelas (Arti Gerakan)
Berdasarkan dari hasil pembagian kondisi tiap kelas pada tabel 5, Selanjutnya dilakukan
perhitungan precision, recall, dan f-measure
untuk mengetahui performa dan kinerja sistem
berdasarkan pada tingkat akurasinya. Hasil
perhitungan precision, recall, dan f-measure
dapat dilihat pada tabel 6 berikut:
Tabel 6. Pengujian Akurasi Menggunakan Metode F-Measure
Kelas (Arti Gerakan)
Precision Recall F-Measure
AMG01
Berdasarkan perhitungan dari tabel 6 tersebut, diperoleh hasil berupa nilai akurasi
dari perhitungan precision dan recall, sehingga
diperoleh rata-rata f-measure sebesar 80.31%.
4.5. Analisis Pengujian Akurasi
Menggunakan Metode F-Measure
Berdasarkan pada data hasil pengujian yang telah dilakukan, diperoleh nilai rata-rata akurasi
f-measure sebesar 80.31%. Sedangkan untuk
rata-rata precision sebesar 80.47% dan rata-rata
recall sebesar 86.34%. Untuk kelas yang
memiliki nilai f-measure terendah adalah
AMG05 dengan nilai f-measure sebesar 0.499.
Hal ini disebabkan karena terdapat 2 data uji
yang bernilai false positive, yaitu solusi yang
diperoleh tidak relevan/tidak sesuai dengan solusi yang sebenarnya, sehingga menghasilkan
nilai precision yang rendah yaitu sebesar 0.333.
Namun secara keseluruhan berdasarkan
rata-rata nilai f-measure yang diperoleh, yakni
Berdasarkan pengujian akurasi yang telah dilakukan, diperoleh hasil bahwa sistem pakar ini tidak dapat memperoleh hasil yang sempurna atau sama akurat dengan hasil identifikasi pakar dikarenakan oleh beberapa hal, diantaranya yaitu pada beberapa kasus kombinasi gerakan yang dimasukkan memiliki kemiripan dengan kelas yang lain dan nilai
conditional probability yang dimilikinya rendah, sehingga menghasilkan 2 atau lebih kesimpulan arti/makna dari kombinasi gerakan yang serupa. Kemudian dapat juga disebabkan oleh data masukkan yang digunakan pada pengujian memiliki kemiripan yang rendah
dengan data latih (data training) yang ada.
Selain itu, Perbedaan hasil yang diperoleh dapat juga dikarenakan kesalahan dalam memasukkan data gerakan yang tidak sama dengan pembacaan gerakan dari pakar. Terakhir, kesalahan identifikasi sistem dapat juga disebabkan karena tidak terdapatnya gerakan,
arti/makna, aturan, ataupun data training yang
sesuai untuk data masukkan yang diberikan.
5. KESIMPULAN
Kesimpulan yang diperoleh berdasarkan pada penelitian yang telah dilakukan adalah sebagai berikut:
1. Rancangan dari aplikasi penerapan bayesian
network pada sistem pakar ekspresi wajah dan bahasa tubuh melalui pengamatan indra penglihatan pada foto diawali dengan proses akuisisi pengetahuan melalui studi literatur, wawancara, dan analisis protokol.
Kemudian data pengetahuan tersebut
disimpan dalam basis pengetahuan melalui
representasi graf bayesian network.
Selanjutnya berdasarkan struktur jaringan
tersebut dilakukan penelusuran
menggunakan metode forward chaining dan
perhitungan probabilitas dengan metode
bayesian network.
2. Aplikasi penerapan bayesian network pada
sistem pakar ekspresi wajah dan bahasa
tubuh melalui pengamatan indra
penglihatan pada foto memodelkan jaringan
bayesian network dengan menggunakan aturan yang telah diperoleh dari seorang pakar bidang psikologi ilmu komunikasi dan fisiognomi. Aturan tersebut kemudian
dimodelkan ke dalam bentuk graf berbentuk
jaringan yang terstruktur untuk
menghubungkan antara gerakan dengan arti/makna gerakan. Struktur jaringan
bayesian tersebut disimpan sebagai aturan untuk memandu proses penalaran di dalam
mesin inferensi. Proses perhitungan
menggunakan metode bayesian network di
dalam mesin inferensi meliputi tahap
menghitung prior probability, conditional
probability, marginal probability, dan
posterior probability.
3. Implementasi dibuat dengan menerapkan
hasil perancangan sistem pakar dengan
memodelkan struktur jaringan bayesian dan
perhitungan probabilitas menggunakan
metode bayesian network, serta dibangun
dalam bentuk aplikasi berbasis website
dengan menggunakan framework
codeigniter.
4. Hasil yang telah diperoleh dari tahap
pengujian menunjukkan bahwa:
a. Pengujian validasi menggunakan teknik
black-box pada kebutuhan fungsional telah dilakukan dan diperoleh hasil
bahwa semua requirement telah berhasil
diuji dan sesuai dengan kebutuhan yang didefinisikan di awal. Hal tersebut menandakan bahwa semua fungsi dan fitur pada sistem dapat berjalan sesuai harapan.
b. Pengujian akurasi menggunakan variasi
data latih menunjukkan bahwa jumlah data latih dan variasi data latih mempengaruhi nilai akurasi sistem. Selain itu, diketahui juga bahwa semakin banyak jumlah data latih yang digunakan dan semakin bervariasi, maka semakin tinggi tingkat akurasinya. Hal ini
menunjukkan bahwa metode bayesian
network sangat dipengaruhi oleh struktur jaringan dan data latih.
c. Pengujian akurasi menggunakan metode
f-measure pada penelitian ini memperoleh hasil sebesar 80.31% dengan melibatkan data uji sebanyak 5 buah kasus yang didalamnya masing-masing berisi serangkaian gambar dengan total sebanyak 28 buah gambar sebagai bahan masukan. Sedangkan
untuk rata-rata precision sebesar 80.47%
dan rata-rata recall sebesar 86.34%.
Berdasarkan hasil tersebut, dalam bidang psikologi menurut pakar sistem sudah
dapat dikatakan baik dalam
6. DAFTAR PUSTAKA
Acandra. 2010. Mengungkap Arti Bahasa
Tubuh. Tersedia di
<http://health.kompas.com/read/2010/04/ 22/07365969/Mengungkap.Arti.Bahasa.T ubuh>. [Diakses 22 September 2016] Alonzo, A, L., Campos, J, J., Layco, L, L.,
Maratas, C, A., Sagum, R, A. 2014.
ENTDEx: ENT Diagnosis Expert System Using Bayesian Networks. Journal of Advances in Computer Networks.
Ekman, Paul. 2009. Emotions Revealed
(Membaca Emosi) Terjemahan Bahasa Indonesia. Yogyakarta: Baca!.
Feri, F.R., Fauzijah, A. 2008. Aplikasi Sistem
Pakar untuk Menentukan Jenis Gangguan pada Anak. Universitas Islam Indonesia: Yogyakarta.
Goleman, D. 1997. Emotional Intelligence.
New York: Bantam Books.
Heckerman, D. 1995. A Tutorial Learning with
Bayesian Network. Tersedia di <http://research.microsoft.com/apps/pubs/
default.aspx?id=69588> [Diakses 01
Oktober 2016]
Iriantara, Y. 2011. Media Relations Konsep,
Pendekatan, dan Praktik. Bandung: Simbiosa.
Krause, P.J. 1998. Learning Probabilistic
Networks. United Kingdom: Philips Research Laboratories.
Kristanti, Y.E. 2009. Aplikasi Diagnosa
Penyakit Anak Melalui Sistem Pakar Menggunakan J2ME. Universitas Gunadarma.
Kumar, E. 2008. Artificial Intelligence.
International Publishing House: New
Delhi.
Kusrini. 2008. Kuantifikasi Pertanyaan untuk
Mendapatkan Certainty Factor Pengguna Pada Aplikasi Sistem Pakar untuk Diagnosis Penyakit. STMIK AMIKOM Yogyakarta.
Luthfiarta, A., Zeniarja, J., Salam, A. 2013.
Algoritma Latent Semantic Analysis (LSA) pada Peringkas Dokumen Otomatis untuk Proses Clustering Dokumen. SEMANTIK 2013.
Madsen, Anders L., dkk. 2016. A Parallel
Algorithm for Bayesian Network Structure Learning from Large Data Sets. Elsevier.
Tersedia di
<http://www.sciencedirect.com/science/ar ticle/pii/S0950705116302465> [Diakses 30 Oktober 2016]
Manning, C.D., Raghavan, P., Schtze, H. 2009.
Introduction to Information Retrieval.
New York, NY, USA: Cambridge University Press.
Meek, Chris. 2003. An Overview of Learning
Bayesian Nets From Data. Microsoft
Research. Tersedia di
<https://jsmf.org/meetings/2003/meek.ppt > [Diakses 18 November 2016]
Meigarani, I. 2010. Penggunaan Metode
Bayesian network Dalam Sistem Pakar Diagnosa Penyakit Leukimia. Bandung: Jurnal Universitas Pendidikan Indonesia. Minto, C., Blanchard, W., Ricard, D., Tittensor,
D.P. 2008. Bayesian Analysis : Binomial
Distribution. Tersedia di <http://www.marinebiodiversity.ca/
RAMlegacy/courses/church-of- bayes/notes/Bayesian-analysis-week-2-binomial.pdf> [Diakses 03 Mei 2017] Moreira, M.W.L., Rodrigues, J.J.P.C., Oliveira,
A.M.B., Ramos, R.F, Saleem, K. 2016. A
Preeclampsia Diagnosis Approach using Bayesian Networks. IEEE ICC 2016: Communication QoS, Reliability and Modeling Symposium.
Neapolitan, R.E. 2004. Learning Bayesian
Networks. Prentice Hall.
Schnupp, Peter H. 1989. Building Expert
Systems in Prolog. Munich: Amzi!Inc.
Setyanta, Y.B. 2011. Penggunaan Kinetik
Dalam Berbahasa. E-Jurnal Dinas Pendidikan Kota Surabaya; Volume 2.
Sosiawan, E.A. 2010. Psikologi Komunikasi.
Tersedia di <http://www.edwias.com>. [Diakses 22 September 2016]
Sutojo, Edy, Vincent. 2011. Kecerdasan
Buatan. Andi:Yogyakarta.
Turban, Efrai, et al. 2005. Decision Support
Systems and Intelligent Systems 7th Ed.
New Jersey: Pearson Education.
Wiley, S. 2007. Encyclopedia of Statistics in
Quality & Reliability. United Kingdom: Philips Research Laboratories.
Yudkowsky, E.S. 2006. An Intuitive
Explanation of Bayes Theorem.
Tersedia di