Penerapan Bayesian Network Pada Sistem Pakar Ekspresi Wajah dan Bahasa Tubuh Melalui Pengamatan Indra Penglihatan Pada Foto

(1)

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 Putri}2_{, Suprapto}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1_{adiputra.polban@gmail.com,}2_{rekyan.rmp@ub.ac.id,}3_{spttif@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

(2)

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

(3)

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:

(4)

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

(5)

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

(6)

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

(7)

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

(8)

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

(9)

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

(10)

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.