ABSTRAKSI: Pada pengenalan ekspresi wajah, ekstraksi ciri berperan penting untuk menentukan representasi citra yang sesuai untuk proses pengenalan. Dalam Tugas Akhir ini dibandingkan kinerja dari dua metode ekstraksi ciri untuk pengenalan ekspresi wajah. Metode pertama melibatkan sekumpulan koefisien Gabor Wavelet multiskala dan multiorientasi yang diekstraksi dari citra wajah pada sekumpulan titik acuan (fiducial point) di wajah. Metode kedua, geometri, melibatkan jarak dan ukuran relatif antar komponen wajah berdasarkan koordinat dari fiducial point tersebut. Ciri yang didapat dari kedua metode tersebut dapat digunakan secara terpisah atau bersama-sama. Klasifikasi dilakukan menggunakan algoritma k- Nearest Neighbors dengan kelas-kelas ekspresi yang ada yaitu marah, jijik, takut, senang, sedih, dan terkejut. Dibuat pula fungsionalitas untuk membantu pemilihan fiducial point dengan menggunakan template. Hasil uji coba menunjukkan bahwa akurasi pengenalan tertinggi kedua ekstraksi ciri didapatkan dengan k = 1 (algoritma Nearest Neighbor). Dengan k = 1 ini akurasi pengenalan tertinggi dengan metode Gabor Wavelet adalah sebesar 93.33% dan rata-ratanya adalah 75.66% sementara dengan metode geometri akurasi pengenalan ekspresi wajah tertinggi adalah sebesar 90% dan rata-rata 69.33%. Dengan penggabungan ciri keduanya, akurasi rata-rata dapat meningkat menjadi 76.28%.
Kata Kunci : pengenalan ekspresi wajah, ekstraksi ciri, gabor wavelet, geometri, k-Nearest NeighborsABSTRACT: In Facial Expression Recognition (FER), feature extraction plays an important role to determine the most appropriate image representation for the purpose of recognition. In this TA project, a comparison study between two feature extraction methods for recognizing facial expressions is conducted. The first method involves a set of multiscale and multiorientation Gabor Wavelet coefficients which is extracted from a set of fiducial points in the facial image. The second one involves geometric positions of the fiducial points. Features extracted from these methods can be used alone or combined together. Classification process is done with k-Nearest Neighbors algorithm with available expression classes comprise angry, disgusted, fear, happy, sad, or surprised. A functionality to assist the choosing of fiducial points with template is also made. Experimental result shows that the highest recognition rate of both feature extraction are achieved with 1-NN (or simply Euclidean distance). The highest recognition rate of Gabor Wavelet’s representation 93.33% and its average recognition rate is 75.66% while geometric representation reaches the highest recogniton rate of 90% and average recognition rate of 69.33%. With the two features combined together, the average recognition rate increases to 76.28%.
Keyword: facial expression recognition, feature extraction, gabor wavelet, geometric, k-Nearest Neighbors