Identifikasi Ekspresi Wajah Manusia dengan Metode Support Vector Machine
Keywords:
ekspresi wajah, Support Vector Machine, pengenalan polaAbstract
Wajah adalah bagian tubuh manusia yang berfungsi sebagai pusat ekspresi, pengenalan dan juga komunikasi. Penciptaan teknik yang berguna untuk mengidentifikasi dan menganalisis ekspresi wajah sangat penting untuk penelitian ini. Support Vector Machine (SVM) merupakan teknik pembelajaran mesin yang digunakan untuk pengenalan pola klasifikasi ekspresi wajah Manusia. Support Vector Machine (SVM) adalah metode klasifikasi yang menggunakan konsep mencari hyperplane yang optimal dalam suatu ruang feature untuk memisahkan beberapa kelas. Dari keempat klasifikasi tersebut ternyata presentasi accuracy, precision dan recall tidak berbeda jauh untuk mendeteksi ekspresi wajah dari tiap kelas tersebut dengan menggunakan metode SVM. Berdasarkan uji ekstraksi hasil rata-rata accuracy tertinggi yaitu jenis ekspresi marah dengan accuracy paling tinggi. Tingkat rata-rata tertinggi accuracy yang kedua yaitu ekspresi senang. tingkat rata-rata tertinggi accuracy ketiga yaitu ekspresi netral, lalu tingkat rata-rata tertinggi accuracy keempat yaitu ekspresi senyum dan tingkat rata-rata terendah accuracy yaitu ekspresi sedih.
The face is a part of the human body that functions as a center of expression, recognition and communication. The creation of useful techniques for identifying and analyzing facial expressions was crucial for this study. Support Vector Machine (SVM) is a machine learning technique used for pattern recognition classification of Human facial expressions. Support Vector Machine (SVM) is a classification method that uses the concept of finding the optimal hyperplane in a feature space to separate classes. From the four classifications, it turns out that the presentation of accuracy, precision and recall is not much different to detect facial expressions from each class using the SVM method. Based on the extraction test, the highest average accuracy result is the type of angry expression with the highest accuracy. The second highest average level of accuracy is the expression of pleasure. The third highest average level of accuracy is neutral expression, then the fourth highest average level of accuracy is smile expression and the lowest average level of accuracy is sad expression.
References
Sihombing, R.S.I., Siregar, R.N.T., Sitorus, v., Sitompul, T.S., “Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network (CNN),” Journal of Creative Student Research (JCSR), vol. 1, no. 6, pp. 89–97, 2023.
Sidik, A.D.W.M, Suryana, A., Edwinanto., Artiyasa, M., Junfithrana, A.P., Kusumah, I.H., Imamulhak, Y., “Pengenalan Ekspresi Wajah Menggunakan Teknik Filter Wavelet Gabor,” Jurnal Teknik Elektro, vol. 3, no. 1, pp. 1–4, 2021.
Guntoro, A.S., Julianto E., Budiyanto, D., “Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network,” Jurnal Informatika Atma Jogja, vol. 3, no. 2, pp. 155–160, 2022.
Zalvadila, A. Purnawansyah., Syafie, L., Darwis, H., “Klasifikasi Penyakit Tanaman Bawang Merah Menggunakan Metode SVM dan CNN,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 8, no. 3, pp. 255–260, 2023.
Renaldo, E., Widhiarso, W., “Klasifikasi Ekspresi Wajah dengan Algoritma Support Vector Machine,” Mdp Student Conference (MSC), vol. 2, no.13, pp. 114–119, 2023.
Aryawan, I.P.A., Purnama, I.N., Fredlina, K.Q., “Analisis Perbandingan Algoritma CNN dan SVM pada Klasifikasi Ekspresi Wajah,” Jurnal Teknologi Informasi dan Komputer, vol. 9, no.4, pp. 400–407, 2023.
Musa, P., Anam W.K., Musa S.B., “Pembelajaran Mendalam Pengklasifikasi Ekspresi Wajah Manusia dengan Model Arsitektur Xception pada Metode Convolutional Neural Network,” Journal of Science and Technology, vol. 16, no.1, pp. 66–73, 2023.
Septiawan, Y., Chairani., “Perbandingan Akurasi Metode Deteksi Ujaran Kebencian dalam Postingan Twitter Menggunakan Metode SVM dan Decision Trees yang Dioptimalkan dengan Adaboost,” Jurnal TEKNIKA, vol. 17, no.2, pp. 287–299, 2023.
Syahlan, M.S., Irmayanti, D., Alam, S., “Analisis Sentimen Terhadap Tempat Wisata dari Komentar Pengunjung dengan Menggunakan Metode Support Vector Machine (SVM),” Jurnal Sistem Informasi Dan Teknik Komputer, vol. 18, no.2, pp. 315–319, 2023.
Styawati., Hendrastusy, N., Isnain, A.R., Rahmadhani R.Y., “Analisis Sentimen Masyarakat Terhadap Program Kartu Prakerja pada Twitter dengan Metode Support Vector Machine,” Jurnal Informatika: Jurnal pengembangan IT (JPIT), vol. 6, no.3, pp. 150–155, 2021.
Julianto, R., Alamsyah D., “Pengenalan Ekspresi Wajah Menggunakan Metode SVM dengan Transformasi Fourier dan PCA,” Jurnal Ilmu Komputer, vol. 2, no.1, pp. 1–12, 2021.
Pratiwi, R.W., H, S.F., Dairoh., Idah, D.I.A., A, Q.R., F, A.G., “Analisis Sentimen pada Review Skincare Female Daily Menggunakan Metode Support Vector Machine (SVM),” Journal of Informatics, Information System, Software Engineering and Applications, vol. 1, no.1, pp. 40–42, 2021.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Yohanes Janssen Handul, Junus Yosia Eran Saktriawan Matulessy, Yampi R Kaesmetan (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
