ABSTRAKSI: Tugas Akhir ini menganalisis metode Principal Component Analysis (PCA) dan Jaringan Saraf Tiruan Radial Basis Function (JST RBF) dalam mengenali enam ekspresi dasar wajah manusia (Senang, Sedih, Marah, Takut, Terkejut, dan Jijik). Data yang digunakan sebagai data latih dan data uji berasal dari Asian Emotion Database. Pengujian pengenalan yang dilakukan terhadap tujuh kelas ekspresi (Netral, Senang, Sedih, Marah, Takut, Terkejut, dan Jijik) dengan pengambilan fitur di daerah mulut saja dan potongan mulut secara manual menghasilkan akurasi pengenalan yang lebih baik dibandingkan dengan pengambilan di daerah mata saja dan potongan mata secara manual yaitu didapatkan akurasi sebesar 45.71%.
Namun setelah mengurangi kelas ekspresi menjadi 3 kelas (Netral, Senang, dan Terkejut), akurasi pengenalan meningkat menjadi 80% dengan pengambilan fitur keseluruhan wajah. Hal ini disebabkan karena perbedaan ciri antara satu kelas dengan kelas lain dalam kasus klasifikasi 3 ekspresi lebih besar dibandingkan dengan perbedaan ciri antara 7 kelas ekspresi. Beberapa ekspresi wajah menjadi sulit dibedakan atau terkadang disalahartikan karena susunan otot-otot wajah yang bisa membuat satu ekspresi tidak jauh berbeda dengan ekspresi lainnya, seperti ekspresi sedih dengan ekspresi marah, atau ekspresi takut dengan ekspresi terkejut.Kata Kunci : Pengenalan ekspresi wajah, Jaringan Saraf Tiruan Radial BasisFunction, PCA.ABSTRACT: This final project explains about analysis of Principal Component Analysis (PCA) method and Radial Basis Function Neural Network to recognize six nature of facial expression (Happy, Sad, Anger, Fear, Surprised, Disgust).The data used in this work has been extracted from Asian Emotion Database. The recognition test from seven classes of facial expression (Netral, Happy, Sad, Anger, Fear, Surprise, Disgust) with feature extraction in mouth area manually got accurateness better than feature extraction in eyes area manually, it obtained accurateness round 45.71% with feature extraction in mouth area.
However, with reduction of expression into three classes (Netral, Happy, Surprise) the accuration become 80% with feature extraction in the entire countenance. It is because the different feature between one class to another class in case of classifying with three expression is bigger than classifying with seven expression. a half of facial expression can be recognized easily, for example smile or happy, yet there is some facial expression that difficult to recognized because the compotition of facial muscle that can make a certain expression not as far as another expression like Sadness and Anger, or Fearness and Surprise.Keyword: Facial Expression Recognition, Radial Basis Function NeuralNetwork, PCA.