See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/323365343

Pengenalan Emosi Berdasarkan Ekspresi Mikro Menggunakan Metode Local

Binary Pattern

Article · October 2018

CITATION READS

1 4,241

3 authors, including:

Yuita Arum Sari Randy Cahya Wihandika

Brawijaya University Brawijaya University
78 PUBLICATIONS   68 CITATIONS    50 PUBLICATIONS   37 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

IT for Agriculture View project

Final Project View project

All content following this page was uploaded by Randy Cahya Wihandika on 23 February 2018.

The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 2, No. 10, Oktober 2018, hlm. 3230-3238 http://j-ptiik.ub.ac.id

Pengenalan Emosi Berdasarkan Ekspresi Mikro Menggunakan Metode

Local Binary Pattern
Nova Amynarto1, Yuita Arum Sari2, Randy CahyaWihandika3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1amynarto@student.ub.ac.id, 2yuita@ub.ac.id, 3rendicahya@ub.ac.id

Abstrak
Emosi dasar manusia telah banyak diteliti secara lintas budaya, salah satunya dengan menggunakan
ekspresi wajah. Melalui ekspresi mikro pada wajah dapat diketahui emosi bahkan psikologi seseorang.
Ekspresi dasar bersifat universal artinya anak kecil atau orang buta dapat mengetahui atau membentuk
ekspresi dasar. Ekspresi mikro merupakan ekspresi yang muncul secara halus dan tidak disadari.
Ekspresi mikro sangat sulit atau bahkan tidak dapat disembunyikan. Penelitian ini menggunakan metode
Local Binary Pattern (LBP) untuk mendapatkan fitur-fitur ekpresi mikro pada wajah dan melakukan
klasifikasi dengan metode K-Nearest Neighbor (K-NN) untuk menentukan emosi dari ekspresi mikro.
Hasil pengujian penentuan nilai k pada metode klasifikasi K-NN menunjukkan bahwa saat k bernilai 5
dan 7 mampu mengenali emosi berdasarkan ekspresi mikro dengan akurasi yang sama yaitu 56,03%.
Hasil pengujian penentuan nilai R dan nilai P pada metode LBP menunjukkan peningkatan akurasi
dalam pengenalan emosi menjadi 63,83%. Hasil pengujian pada ukuran dimensi citra menunjukkan
bahwa ukuran dimensi citra yang menghasilkan akurasi terbaik yaitu 200×200 piksel dengan nilai
akurasi 63,83%. Hasil pengamatan dengan menggunakan metode pencarian jarak pada klasifikasi K-
NN menunjukkan bahwa metode perhitungan jarak Manhattan mampu meningkatkan akurasi dalam
pengenalan emosi menjadi 70,21%.
Kata kunci: emosi, ekspresi mikro, local binary pattern, k-nearest neighbor, fitur, klasifikasi
Abstract
The basic human emotions have been widely investigated cross-culturally, one of them by using facial
expressions. Through the micro expression on the face can be known even one's psychological emotions.
Basic expression is universal means that the child or the blind can know or form a basic expression.
Micro expression is an expression that appears subtle and unconscious. Micro expression is very
difficult or even can not be hidden. This research uses Local Binary Pattern (LBP) method to get features
of facial micro expression and classification using K-Nearest Neighbor (K-NN) method to determine the
emotion of micro expression. The result of k-value determination test on K-NN classification method
shows that when k value 5 and 7 is able to recognize emotion based on micro expression with 56,03%
accuracy. The result of determination test of R value and P value on LBP method showed an increase
of accuracy in emotional recognition to 63,83%. The test results on the dimension of the image shows
that the dimension of the image that produces the best accuracy is 200×200 pixels with an accuracy
value of 63.83%. The observation using distance method on K-NN classification shows that Manhattan
distance calculation method can increase accuracy in emotional recognition to 70.21%.
Keywords: emotion, micro expression, local binary pattern, k-nearest neighbors, features, classification

menggunakan foto ekspresi wajah. Seseorang

1. PENDAHULUAN
Emosi adalah perasaan (efek) yang
mendorong individu untuk bertindak atau
merespon terhadap stimulus (Goleman, 2002).
Emosi dasar manusia telah banyak diteliti secara
lintas budaya oleh Ekman tahun 1964 dengan
ahli yang tertarik pertama kali untuk membuat
teori tentang emosi dasar adalah Charles Darwin.
Menurut Darwin, ekspresi emosi pada manusia
adalah diturunkan dan bersifat universal.
Penelitian Ekman menekankan emosi yang
disebabkan oleh adanya gerakan-gerakan otot
wajah yang ditampilkan sebagai ekspresi wajah.

Fakultas Ilmu Komputer

Universitas Brawijaya 3230
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Baik anak-anak yang belum sekolah maupun
orang dewasa dapat mengenal emosi dasar
(Russell & Fehr, 1987).
Dalam dunia hiburan, ekspresi mikro juga
menjadi daya tarik tersendiri. Salah satunya
dalam bidang perfilman yaitu film “Lie to Me”
(2009). Film yang dibuat oleh Samuel Baum ini
menceritakan tentang Dr. Cal Lightman (Tim
Roth) seorang psikologi jenius yang dapat
mendeteksi kebohongan seseorang melalui
ekspresi mikro dan bahasa tubuh, bersama
rekannya Dr. Gillian Foster (Kelli Williams)
mereka membuat perusahaan The Lightman
Group yang sering menerima tugas dari badan
hukum ataupun kepolisian untuk mengintrogasi
orang-orang yang terlibat dalam suatu kasus.
Dari segi penyidikan, ekspresi mikro bisa
berperan sangat penting untuk mengungkap
suatu kebohongan ataupun psikologi seseorang
dengan melontarkan beberapa pertanyaan dan
melihat reaksi wajah yang ditimbulkan akibat
pertanyaan yang diberi, sehingga bisa diketahui
adanya hubungan antara pertanyaan tersebut dan
ekspresi yang dihasilkan (Andelin & Rusu,
2015). Sistem pengenalan emosi berdasarkan
ekspresi mikro otomatis yang kuat akan
memiliki aplikasi yang luas dalam kemanan
nasional, interogasi polisi dan diagnosis klinis.
Dalam dunia computer vision, penelitian
tentang ekspresi wajah telah dilakukan oleh
Chinese Academy of Sciences Micro-Expression
(CASME). Penelitian tersebut membuat basis
data yang terdapat beberapa gambar ekspresi
wajah yang bertujuan untuk membantu
penelitian di bidang computer vision tentang
ekspresi mikro. Penelitian computer vision
tentang pengenalan emosi berdasarkan ekspresi
mikro baru mencapai akurasi 59,51% (Huang,
Wang, Zhao, & Pietikäinen, 2015).
Penelitian-penelitian tersebut
menggunakan metode Local Binary Pattern
from Three Orthogonal Planes (LBP-TOP)
pengenalan emsoi berdasarkan ekspresi mikro
dengan ditambahkan metode lain. Local Binary
Pattern (LBP) konvensional telah terbukti
efektif untuk menggambarkan tekstur gambar
statis 2D (Ojala, Pietikainen, & Maenpaa, 2002).
LBP didefinisikan sebagai ukuran tekstur
grayscale yang invarian. Metode LBP dapat
digunakan untuk proses pengenalan, seperti
untuk pengenalan wajah (Turiyanto, Purwanto,
& Dikairono, 2014) dan pengenalan ekspresi
mikro (Huang, Wang, Zhao, & Pietikäinen,
2015) karena LBP ampuh untuk medeskripsikan
suatu tekstur dan mempunyai daya pembeda
Fakultas Ilmu Komputer, Universitas Brawijaya
3231
yang akurat (Turiyanto, Purwanto, & Dikairono,
2014).
Selain itu, penelitian-penelitian tersebut juga
menunjukkan bahwa ekspresi wajah sangat
penting untuk menggambarkan emosi yang
dialami oleh seseorang dan hal itu sangat penting
dalam hubungan antar pribadi manusia dan juga
bisa sebagai pendeteksi kebohongan.
Mengartikan emosi wajah melalui ekspresi
wajah juga sangat penting supaya tidak terjadi
salah pengertian diantara mereka yang
berkomunikasi.
2. EKSPRESI MIKRO
Ekspresi mikro adalah gerakan wajah
singkat yang mengungkapkan emosi bahwa
seseorang mencoba untuk menyembunyikan.
Pada tahun 1969, Ekman menganalisis video
wawancara dari pasien terserang depresi yang
mencoba bunuh diri dan menemukan ekspresi
mikro. Ekspresi mikro ditampilkan dalam durasi
yang pendek. Durasi yang berlaku adalah 0,5
detik. Selain itu, ekspresi mikro biasanya terjadi
dengan intensitas rendah.
Ekspresi wajah dianggap lebih dari reaksi
emosioal belaka. Ekspresi wajah dikenal untuk
mengkoordinasikan interaksi sosial melalui
fungsi informatif dan memotivasi (Kelter &
Kring, 1998).
Menurut teori Darwin tentang seleksi alam
(1872), emosi bersifat universal dalam hal
memiliki sejenis pola ekspresi dan fungsi pada
tingkat komunikasi antar manusia, terlepas dari
bias budaya. Emosi yang universal didefinisikan
oleh Keltner, et al (2003) adalah sebagai berikut:
terkejut, bahagia, marah, sedih, takut, jijik,
merendakan.
3. LOCAL BINARY PATTERN
Local Binary Pattern pertama kali
diperkenalkan oleh Ojala et al, didefinisikan
sebagai ukuran tekstur grayscale yang invarian,
disebut invarian Karena hampir tidak
dipengaruhi oleh pencahayaan yang berbeda.
LBP ampuh untuk mendeskripsikan suatu
tekstur, mempunyai daya pembeda yang akurat,
dan juga memiliki toleransi terhadap perubahan
grayscale yang monotonic (Turiyanto,
Purwanto, & Dikairono, 2014).
(a) (b) (c)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 1. Jarak dan banyak piksel tetangga:
(a)R=1; P=8, (b)R=2; P=16, (c)R=2; P=8
Gambar 2. Proses kalkulasi piksel LBP
Operator LBP adalah operator yang
merubah gambar menjadi gambar berlabel
bilangan bulat yang menggambarkan tampilan
small-scale. Label yang sering digunakan untuk
menggambarkan statistic LBP adalah histogram
(Pietikäinen, Hadid, Zhao, & Ahonen, 2011).
Istilah LBP dimaksudkan sebagai representasi
intensitas piksel ketetanggaan dari piksel yang
sedang diolah (Turiyanto, Purwanto, &
Dikairono, 2014). LBP memiliki nilai jarak
untuk menentukan ketetanggaan yang akan
dipilih, jarak biasa disimbolkan dengan R dan
banyaknya tetangga yang dipilih disimbolkan
dengan P. Besar jarak dan ketetanggaan yang
dipilih digambarkan dalam Gambar 1
(Pietikäinen, Hadid, Zhao, & Ahonen, 2011).
Berikut logika untuk LBP, untuk setiap
piksel p, buat windowing 8-bit P1 P2 P3 P4 P5
P6 P7 P8, dimana Pi = 0 jika nilai dari i lebih
kecil dari titik pusat (piksel yang sedang diolah)
dan bernilai 1 sebaliknya. Proses kalkulasi piksel
LBP ditunjukkan pada Gambar 2. Fungsi LBP
didefinisikan pada Persamaan 1 (Turiyanto,
Purwanto, & Dikairono, 2014):
𝐿𝐵𝑃𝑃 ,𝑅 (𝑥𝑐 , 𝑦𝑐 ) = ∑𝑃−1
𝑃=0 𝑠(𝑔𝑃 − 𝑔𝑐 )2
𝑃
(1)
Fungsi s(x) didefinisikan sebagai berikut:
1, 𝑥 ≥ 0
𝑠(𝑥) = { (2)
0. 𝑥 < 0
Keterangan:
P : jumlah piksel tetangga
R : nilai radius
gc : nilai piksel x,y
gP : nilai piksel tetangga
4. HAAR CASCADE
Haar Cascade adalah metode yang biasanya
Fakultas Ilmu Komputer, Universitas Brawijaya
3232
dipakai untuk pendeteksian objek. Bekerja
dengan mendeteksi fitur-fitur yang telah
ditetapkan dan dilakuakan pencarian fitur-fitur
tersebut terhadap gambar yang ingin dideteksi.
Setiap fitur adalah suatu nilai yang diperoleh dari
penjumlahan daerah persegi putih dikurangi
dengan penjumlahan daerah persegi hitam
(Turiyanto, Purwanto, & Dikairono, 2014).
Fitur-Fitur yang digunakan diperlihatkan pada
Gambar 3.
Deteksi wajah juga bisa dilakukan oleh
metode ini dengan OpenCV menggunakan Haar-
cascade classifier. Ketika terdapat sebuah
gambar face detector ini akan men-scanning
setiap lokasi gambar tersebut dan
mengklasifikasikannya sebagai wajah atau
bukan wajah. Klasifikasi ini menggunakan
sebuah permisalan yang tetap. Untuk
menjalankan deteksi wajah pada OpenCV
digunakan classifier yaitu berupa file XML yang
biasanya digunakan adalah
“haarcascade_frontalface_default.xml”
(Turiyanto, Purwanto, & Dikairono, 2014).
5. HISTOGRAM
Histogram adalah frekuensi kemunculan
suatu nilai intensitas piksel melalui grafik (bar).
Histogram banyak digunakan untuk beberapa
teknik pemrosesan citra pada domain spasial,
seperti perbaikan citra, segmentasi, klasifikasi.
Terdapat 2 jenis histogram, yaitu histogram
global dan histogram lokal. Jenis histogram
ditentukan oleh cakupan daerah citra yang
dikenai perhitungan akumulasi. Histogram
global merupakan histogram yang memiliki
cakupan akumulasi perhitungan pada seluruh
daerah citra. Sedangkan histogram lokal
merupakan histogram yang memiliki cakupan
akumulasi perhitungan pada luasan tertentu
citra. Histogram global tidak cocok untuk citra
yang kompleks, pendekatan yang lebih baik
adalah menggunakan histogram lokal karena
memberikan informasi obyek yang lebih spesifik
(Widodo dan Harjoko, 2015). Histogram dapat
digunakan untuk membandingkan gambar
karena tingkat kedetailan dan korelasi sangat
efektif (Turiyanto, Purwanto, & Dikairono,
2014).
Gambar 3. Fitur pada Haar cascade OpenCV:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
(a) Edge feature, (b)line feature, (c)four-rectangle
featur
6. K-NEAREST NEIGHBOR (K-NN)
K-NN merupakan salah satu metode
klasifikasi terkenal dalam machine learning.
Metode ini menggunakan fungsi jarak untuk
melakukan klasifikasi, contohnya jarak
Euclidean untuk membandingkan sampel data
lebih dekat dengan sampel data lain pada kelas
tertentu. Metode ini cukup sederhana tetapi
memiliki kecepatan dalam konvergensi yang
relatif tinggi karena harus mengakses seluruh
data latih setiap kali data uji baru akan
diklasifikasikan. Berikut tahapan Algoritma K-
NN (Priambodo, Dewi, & Triwiratno, 2015):
1. Mendefinisikan nilai k.
2. Penentuan jarak antara data input dengan
semua data latih.
3. Urutkan data berdasarkan hasil penentuan
jarak.
4. Bentuk kelompok berdasarkan nilai dengan
ketetanggaan terdekat.
5. Pilih nilai dengan kemunculan paling sering.
7. JARAK EUCLIDEAN
Jarak Euclidean adalah metode untuk
pengukuran jarak dari dua atau lebih vektor yang
paling sering digunakan (Hartono & Lusiana,
2017). Pengukuran jarak Euclidean
menggunakan perhitungan akar dari kuadrat dua
atau lebih perbedaan vektor. Metode ini dapat
digunakan untuk mendeteksi tingkat kemiripan
citra dengan cara mengisi dua atau lebih vektor
yang berbeda dengan nilai fitur pada citra yang
ingin dideteksi tingkat kemiripannya. Metode ini
menggunakan jarak paling minimum untuk
menentukan kemiripan suatu citra. Jarak
Euclidean dari dua vektor dihitung dengan
Persamaan 3 (Nugraheny, 2015):
𝑑(𝑥, 𝑦) = √∑𝑛𝑟=1(𝑥𝑖 − 𝑦𝑖 )2 (3)
Keterangan:
d(x,y) : jarak Euclidean antara xi dengan yi
xi : data pada x ke-i yang akan dilakukan
perhitungan
yi : data pada y ke-i yang akan dilakukan
perhitungan
8. JARAK MANHATTAN
Jarak Manhattan adalah metode untuk
pengukuran jarak dari dua atau lebih vektor.
Pengukuran jarak Manhattan menggunakan
Fakultas Ilmu Komputer, Universitas Brawijaya
3233
perhitungan nilai absolut dari pengurangan dua
atau lebih vektor. Metode ini dapat digunakan
untuk mendeteksi tingkat kemiripan citra dengan
cara mengisi dua atau lebih vektor yang berbeda
dengan nilai fitur pada citra yang ingin dideteksi
tingkat kemiripannya. Metode ini menggunakan
jarak paling minimum untuk menentukan
kemiripan suatu citra. Pencarian citra dengan
menggunakan jarak Manhattan baik untuk citra
yang kaya akan tekstur (Hartono & Lusiana,
2017). Jarak Manhattan dari dua vektor dihitung
dengan Persamaan 4 (Nugraheny, 2015):
𝑑(𝑥, 𝑦) = ∑𝑛𝑟=1 ||𝑥𝑖 − 𝑦𝑖 || (4)
Keterangan:
d(x,y) : jarak Euclidean antara xi dengan yi
xi : data pada x ke-i yang akan dilakukan
perhitungan
yi : data pada y ke-i yang akan dilakukan
perhitungan
9. JARAK CHEBYSHEV
Jarak Chebyshev adalah metode untuk
pengukuran jarak dari dua atau lebih vektor dari
nilai yang paling maksimal. Pengukuran jarak
Chebyshev menggunakan perhitungan nilai
perbandingan dua atau lebih vektor dan diambil
nilai paling maksmal dari vektor-vektor yang
dibandingkan. Jarak Chebyshev dari dua vektor
dihitung dengan Persamaan 5 (Ponnmoli &
Selvamuthukumaran, 2014):
𝑑(𝑥, 𝑦) = max (|𝑥𝑖 − 𝑦𝑖 |) (5)
𝑖=1,2,…,𝑛
Keterangan:
d(x,y) : jarak Euclidean antara xi dengan yi
xi : data pada x ke-i yang akan dilakukan
perhitungan
yi : data pada y ke-i yang akan dilakukan
perhitungan
10. AKURASI
Akurasi adalah nilai ukur untuk validasi pada
suatu metode. Akurasi adalah perbedaan antara
harapan hasil tes dan nilai referansi yang
diterima. Akurasi biasanya dinyatakan sebagai
presentase. Akurasi dapat ditentukan melalui
metode penambahan baku (standard addition
method). Dalam metode peambahan baku selisih
dari jumlah keseluruhan data dan jumlah salah
dibandingkan dengan jumlah keseluruhan data
(Riyanto, 2014). Perhitungan metode
penambahan baku dapat dihitung dengan
Persamaan 6:
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3234
𝐶1−𝐶2
% 𝑝𝑒𝑛𝑎𝑚𝑏𝑎ℎ𝑎𝑛 𝑏𝑎𝑘𝑢 = (6)
𝐶1
Keterangan:
C1: jumlah data
C2: jumlah data salah/tidak sesuai harapan

11. METODE PENELITIAN

10.1 Gambaran Umum Sistem
Secara garis besar terdapat tiga proses
utama yang diimplementasikan ke dalam
program untuk penelitian ini, yaitu
preprocessing, ekstraksi fitur Local Binary
Pattern, klasifikasi KNN. Pada tahap Gambar 5. Frame pada basis data CASME II
preprocessing, citra masukkan akan diolah
hingga menghasilkan citra yang nantinya dapat 10.2 Bahan Penelitian
diproses pada tahapan ekstraksi fitur Local Dalam penelitian ini digunakan citra
Binary Pattern. Kemudian, diambil fitur dari ekspresi mikro yang diperoleh dari lembaga atau
hasil ekstraksi fiturr Local Binary Pattern instasi penyedia data ekspresi mikro. Data
berupa nilai histogram 0-255 dari citra Local didapatkan dengan cara menghubungi pihak
Binary Pattern yang digunakan untuk lembaga atau instansi terkait melalui email dan
klasifikasi. Alur dari proses implementasi juga menandatangani lisensi perjanjian untuk
ditunjukkan pada Gambar 4. mendapatkan data ekspresi mikro. Penjelasan
singkat dari sumber data tersebut adalah sebagai
berikut (Yan, et al., 2014):
Mulai 1. CASME II merupakan salah satu nama basis
data ekspresi mikro yang dibuat oleh
Chinese Academy of Sciences Micro-
Citra closed-up Expression (CASME).
2. CASME II berisi 255 ekspresi mikro dari 26
partisipan yang telah diberi label.
Pre-processing citra 3. CASME II terdapat ekspresi mikro yang
closed-up disajikan dalam bentuk video berwarna
dengan format “.avi” yang memiliki durasi 1
detik dan memiliki tingkat sampling 200 fps
Ekstraksi fitur Local dengan ukuran 640 piksel x 480 piksel.
Binary Pattern 4. Pada setiap video asli disertakan frame
pembetuk video serta bagian frame yang
telah diseleksi sebagai awal mula ekspresi
Klasifikasi mikro muncul, puncak ekpresi mikro,
sampai akhir ekspresi mikro.
5. Frame merupakan citra berwarna yang
Hasil klasifikasi memiliki format JPEG dan berdimensi 640
piksel x 480 piksel seperti yang ditunjukkan
pada Gambar 5.
Selesai Penelitian ini menggunakan data dari frame
yang telah diseleksi sebagai puncak ekspresi
mikro sebagai data latih dan data uji.
Gambar 4. Diagram alir proses implementasi
10.3 Alur Bagian Development
Bagian development merupakan rangkaian
tahapan pengolahan data citra ekspresi mikro.

10.3.1 Pre-processing
Pre-processing adalah proses pengolahan
citra paling awal yang berfungsi untuk

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
memperbaiki kualitas citra sebelum dilakukan
tahapan selanjutnya. Pada penelitian ini terdapat
2 tahapan pre-processing, yaitu tahapan pre-
processing pada data latih dan pre-processing
pada tahapan proses implementasi. Kedua
tahapan pre-processing ini memiliki alur yang
sama.
1. Grayscaling
Citra latih dan citra uji masing-masing
dipindai dalam bentuk grayscale karena ciri
warna bukan menjadi topik penelitian ini, maka
bentuk citra grayscale cukup memenuhi
kebutuhan untuk proses selanjutnya.
2. Face detection
Citra grayscale dicari yang merupakan area
wajah dengan fungsi OpenCV untuk mendeteksi
wajah pada sebuah citra yaitu dengan
menggunakan tipe face detector yang disebut
Haar cascade classifier. Kemudian dari daerah
yang berhasil terdeteksi sebagai wajah maka
dilakukan pemotongan pada daerah tersebut
sehingga menghasilkan citra wajah untuk
memenuhi kebutuhan untuk proses selanjutnya.
3. Resize
Ukuran dimensi citra yang dihasilkan dari face
detection tidak selalu sama sehingga diperlukan
resize agar setiap data latih dan data uji memiliki
ukuran dimensi dan rentang nilai yang sama.
10.3.2 Processing
Citra hasil pre-processing dilakukan
ekstraksi fitur menggunakan metode LBP. Hasil
metode direpresentasikan dengan histogram
yang memiliki 256 fitur. Fitur merupakan
banyaknya nilai yang sering muncul pada
rentang 0-255 dalam citra hasil LBP.
10.3.3 Klasifikasi
Klasifikasi dilakukan dengan pencarian jarak
terdekat antara data uji dengan data latih.
Kemudian dipilih sebanyak k tetangga terdekat
dan dipilih kelas yang memiliki kemunculan
paling sering pada k ketetangga terdekat sebagai
hasil pengenalan emosi berdasarkan ekspresi
mikro.
12. PENGUKURAN KINERJA
Proses pengukuran kinerja atau pengujian
program hasil dari implementasi dihitung dan
digunakan nilai akurasi sebagai tingkat
keberhasilan program terhadap pengenalan
emosi berdasarkan ekspresi mikro.
Fakultas Ilmu Komputer, Universitas Brawijaya
3235
Tabel 1. Hasil akurasi pengujian terhadap nilai k
Jarak Jarak Jarak Rata-
k
Euclidean Manhattan Chebyshev rata
1 55,32% 57,45% 44,68% 52,48%
5 57,45% 68,09% 42,55% 56,03%
7 57,45% 63,83% 46,81% 56,03%
11 51,06% 48,94% 48,94% 49.65%
Gambar 6. Grafik perbandingan nilai k
13. HASIL DAN PEMBAHASAN
Hasil dan pembahasan berupa pengujian dan
analisis yang dilakukan terhadap citra ekspresi
mikro yang berasal dari basis data CASME II.
Sebanyak 20% data pada masing-masing kelas
diambil dari basis data CASME II sebagai data
uji.
12.1 Pengujian Nilai k Terhadap Akurasi
Pengujian ini bertujuan untuk mencari
nilai k terbaik dengan membandingkan tingkat
akurasinya dengan menggunakan tiga metode
perhitungan jarak yang berbeda, yaitu: jarak
Euclidean, jarak Manhattan, jarak Chebyshev.
Pengujian dilakukan pada citra yang meiliki
dimensi 200 piksel × 200 piksel, memiliki nilai
R = 1 dan P = 8. Data digolongkan ke dalam lima
kelas yaitu lainnya, jijik, kebahagiaan, represi,
dan terkejut.
Data digolongkan kedalam 5 kelas yaitu
lainnya, jijik, kebahagiaan, represi, dan terkejut.
Pada pengujian ini digunakan nilai k = 1, k = 5,
k = 7, k = 11. Dari keempat nilai k yang
ditentukan k yang memiliki nilai k = 5 dan
dengan menggunakan perhitungan jarak
Manhattan memiliki akurasi lebih optimal yaitu
68,09%. Detail dari pengujian dapat dilihat pada
Lampiran A. Dari rata-rata akurasi dengan tiga
metode perhitungan diperoleh nilai k = 5 dan k =
7 yang memiliki akurasi paling tinggi yaitu
56,03% dapat dilihat pada Tabel 1.
Perbandingan nilai k diperlihatkan pada Gambar
6.
Dari hasil pengujian didapatkan bahwa
nilai k sangat memengaruhi hasil pengenalan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3236

emosi, pada pengujian terhadap nilai k

didapatkan bahwa semakin besar nilai k yang
diberikan maka hasil akurasi juga akan menurun.
Hal ini dapat terjadi karena perbedaan jumlah
data latih yang ada, sehingga kelas emosi yang
memiliki data latih dengan jumlah lebih kecil
tidak dapat terpilih. Selain itu, terdapat beberapa
persamasalahan dengan banyaknya
ketetanggaan yang dipilih, misalnya saat 5
tetangga terdekat terpilih tetapi ada 2 kelas yang
sering muncul yang memiliki jumlah yang sama. Gambar 7. Grafik perbandingan akurasi berdasarkan
Pada sistem, hal ini akan menjadi kesalahan nilai R dan p
dalam pengenalan emosi dikarenakan terdapat 2
Dari hasil pengujian berdasarkan
kelas yang memiliki kemunculan yang sama dan
tetangga dari piksel yang diolah pada metode
saat sistem diuji coba kembali dengan data yang
LBP dengan menentukan nilai nilai R didapatkan
sama maka dapat menghasilkan hasil pegenalan
nilai R terbaik adalah 2 dan P = 8 dengan akurasi
emosi yang berbeda, emosi yang akan dikenali
rata-rata dari 3 metode pengukuran jarak yaitu
yaitu diantara 2 kelas emosi yang jumlah
sebesar 63,83%. Nilai R dan jumlah tetangga
kemunculannya sama. Nilai k = 5 dipilih untuk
yang dipakai sangat memengaruhi hasil
digunkan pada tahap pengujian selanjutnya
pengenalan terhadap emosi. Semakin banyak
karena pada metode perhitungan 3 jarak k=5
tetangga dan jarak terhadap tetangga dengan
memiliki nilai yang paling tinggi.
pusat piksel yang dipilih maka akan menurunkan
akurasi. Ketetanggan piksel sebanyak 8 dapat
12.2 Pengujian Nilai R dan P Terhadap
menggambarkan tekstur ekspresi mikro wajah,
Akurasi
dapat dibuktikan ketika diberi nilai R = 1 atau R
Nilai R merupakan radius ketetanggaan
= 2 akurasi tetap lebih baik dibanding dengan
piksel yang dipilih pada metode LBP, terdapat 2
akurasi dari 16 ketetanggan piksel pada metode
nilai R yaitu 1 dan 2. Nilai R sama dengan 1
LBP. Nilai R dan P terbaik digunakan untuk
memiliki jumlah ketetanggaan 8, sementara nilai
pengujian selanjutnya.
R sama dengan 2 memiliki jumlah ketetanggan
16 atau 8. Pengujian ini menggunakan nilai R=1
12.3 Pengujian Ukuran Dimensi Citra
dengan jumlah tetangga 8, nilai R=2 dengan
Terhadap Akurasi
jumlah tetangga 16, nilai R=2 dengan jumlah
Pengujian ini dilakukan agar mengetahui
tetangga 8. Pengujian dilakukan pada citra yang
apakah ukuran dimensi dari citra memengaruhi
memiliki dimensi 200 piksel x 200 piksel. Nilai
hasil akurasi dalam pengenalan emosi. Dimesi
k yang digunakan adalah 5, nilai 5 dipilih karena
citra yang diterapkan adalah 50x50 piksel,
meimiliki akurasi yang lebih tinggi dari pada
100x100 piksel, 200x200 piksel, 300x300
nilai k lain dari hasil pengujian nilai k terhadap
piksel. Resize terhadap dimensi citra dilakukan
akurasi.
pada citra wajah keabuan hasil dari pre-
Dari pengujian yang ditunjukkan pada
processing citra. Nilai R yang digunkana adalah
Tabel 2 diketahui bahwa nilai R dengan 8
R=2 dengan 8 ketetanggaan piksel berdasarkan
ketetanggan piksel memiliki tingkat akurasi
dari hasil pengujian sebelumnya.
yang lebih baik dalam pengenalan emosi
Dari pengujian yang ditunjukkan pada
dibandingkan dengan nilai R yang meiliki nilai
Tabel 3 diketahui bahwa nilai R=2 dengan 8
ketetanggan piksel 16.
ketetanggan piksel dan dengan dimensi 200x200
piksel dan perhitungan jarak Manhattan
Tabel 2. Hasil pengujian nilai R dan P terhadap
akurasi memiliki tingkat akurasi yang lebih baik dalam
pengenalan emosi dibandingkan dengan ukuran
Jarak Jarak Jarak Rata- dimensi yang lain.
R, P
Euclidean Manhattan Chebyshev rata Ukuran dimensi sangat berpengaruh dalam
1, 8 57,45% 68,09% 42,55% 56,03% pengenalan emosi berdasarkan ekspresi mikro.
2,16 48,94% 53,19% 48,94% 50.36% Semakin besar ukuran dimensi citra maka akan
2, 8 63,83% 70,21% 57,45% 63,83%
menambah informasi yang tidak dibutuhkan
untuk pengenalan ekspresi mikro pada wajah.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Ukuran dimensi yang lebih kecil akan sedikit
membuat noise pada wajah menjadi tidak terlalu
terlihat dan mengurangi informasi yang tidak
diperlukan dalam pengenalan emosi berdasarkan
ekspresi mikro pada wajah.
Berdasarkan hasil seluruh pengujian,
pengukuran jarak dengan Manhattan mampu
menghasilkan akurasi yang lebih baik karena
dapat memberi akurasi tertinggi sebesar 70,21%
sementara metode pencarian jarak dengan
Eucledian memberi akurasi tersbesar yaitu
63,83%.
Ini membuktikan bahwa metode perhitungan
jarak Manhattan baik untuk citra bertekstur.
Sedangkan untuk metode pengukuran jarak
dengan Chebyshev tidak cocok dengan metode
LBP karena perhitungan jarak dengan
Chebyshev hanya mengambil nilai fitur
maksimum dari perbandingan dua citra,
sementara hasil ekstraksi fitur LBP merupakan
histogram yang memiliki 256 fitur. Jika hanya
diambil salah satu fitur saja maka tidak
menggambarkan atau mewakili dari metode
LBP.
14. KESIMPULAN
Dari implementasi, pengujian dan analisis
yang telah dilakukan pada bab sebelumnya maka
dapat ditarik kesimpulan bahwa metode LBP
dapat mengenali emosi berdasarkan ekspresi
mikro dengan akurasi sebesar 70,21%. Akurasi
terbesar yang didapat berdasarkan penentuan
nilai k pada klasifikasi K-NN yaitu ketika k = 5,
metode perhitungan jarak pada klasifikasi K-NN
yaitu menggunakan metode jarak Manhattan,
nilai R dan P pada metode LBP yaitu 2 dan 8.
Perlu ditambahkan metode pada tahap pre-
processing agar mendapatkan area wajah yang
sempurna. Tidak hanya mengenali dari area
wajah saja, bisa dibagi menjadi beberapa bagian
pada area wajah seperti: bagian daerah mata,
dahi, hidung, mulut, pipi untuk melakukan
pengenalan emosi berdasarkan ekspresi mikro.
Perlu ditambahkan metode pada tahap
processing selain LBP agar menghasilkan
akurasi yang lebih tinggi.
Tabel 3. Hasil pengujian ukuran dimensi citra
terhadap akurasi
Jarak Jarak Jarak Rata-
Dimensi Euclidean Manhattan Chebyshev rata
50x50 61,70% 61,70% 53,19% 58,86%
100x100 61,70% 59,57% 59,57% 60,28%
200x200 63,83% 70,21% 57,45% 63,83%
300x300 55,32% 63,83% 46,81% 55,32%
Fakultas Ilmu Komputer, Universitas Brawijaya
3237
Gambar 8. Grafik perbandingan akurasi berdasarkan
ukuran dimensi citra dengan nilai R=2
15. DAFTAR PUSTAKA
Andelin, E. I., & Rusu, A. S. (2015).
Investigation of facial micro-
expressions of emotions in psychopathy
– a case study of an individual in
detention. Procedia-Social and
Behavioral Sciences 209, 46-52.
Darwin, C. R. (1872). The Expression of The
Emotions In Man and Animals. London:
John Murray.
Ekman, P. (1964). Body Position, Facial
Expression, And Verbal Behavior
During Interviews. Abnormal and Social
Psychology, 295-301.
Ekman, P., & Friesen, W. V. (1969). Nonverbal
Leakage and Clues to Deception.
Psychiatry, 88-106.
Goleman, D. (2002). Kecerdasan Emosional.
Jakarta: PT. Gramedia Pustaka Utama.
Harfiya, L. N., Widodo, A. W., & Wihandika, R.
C. (2017). Verifikasi Citra Tanda
Tangan Berdasarkan Ciri Pyramid
Histogram of Oriented Gradient
(PHOG) Menggunakan Metode
Klasifikasi K-Nearest Neighbor. Jurnal
Pengembangan Teknologi Informasi
dan Ilmu Komputer, 1162-1171.
Hartono, B., & Lusiana, V. (2017). Pencarian Isi
Citra Menggunakan Metode Minkowski
Distance. 34-39.
Huang, X., Wang, S.-J., Zhao, G., & Pietikäinen,
M. (2015). Facial Micro-Expression
Recognition using Spatiotemporal Local
Binary Pattern with Integral Projection.
IEEE International Conference on
Computer Vision Workshop, 1-9.
Kadir, A., & Susanto, A. (2013). Teori dan
Aplikasi Pengolahan Citra. Yogyakarta:
ANDI.
Kelter, D., & Kring, A. (1998). Emotion, Social
Function, and Psychopathology. Review
of General Psychology, 320-342.
 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Keltner, D., Ekman, P., Gonzaga, G. C., & Beer,
J. (2003). Facial Expression of Emotion.
Handbook of affective sciences, 415-
432.
Nugraheny, D. (2015). Metode Nilai Jarak Guna
Kesamaan Atau Kemiripan Ciri Suatu
Citra (Kasus Deteksi Awan
Cumolonimbus Menggunakan Principal
Component Analysis). Jurnal Angkasa,
21-30.
Ojala, T., Pietikainen, M., & Maenpaa, T.
(2002). Multiresolution Gray-scale and
Rotation Invariant Texture
Classification With Local Binary
Patterns. IEEE Trans Pattern Anal
Mach Intell 24, 971-987.
Pietikäinen, M., Hadid, A., Zhao, G., & Ahonen,
T. (2011). Computer Vision Using Local
Binary Pattern. 13-47.
Ponnmoli, K., & Selvamuthukumaran, D. S.
(2014). Analysis of Face Recognition
Using Manhattan Distance Algorithm
With Image Segmentation.
International Journal of Computer
Science and Mobile Computing, 18-27.
Priambodo, A., Dewi, C., & Triwiratno, A.
(2015). Implementasi Metode K-
Nearest Neighbour Untuk Identifikasi
Penyakit Tanaman Jeruk Keprok
Berdasarkan Citra Daun. Doro Jurnal.
Fakultas Ilmu Komputer, Universitas Brawijaya
View publication stats
3238
Riyanto. (2014). Validasi & Verifikasi Metode
Uji: Sesuai dengan ISO/IEC 17025
Laboratorium Pengujian dan Kalibrasi.
Yogyakarta: Deepublish.
Russell, J. A., & Fehr, B. (1987). Relativity In
The Perception of Emotion in Facial
Expressions. Journal of Experimental
Psychology: General, 223.
Turiyanto, M. D., Purwanto, D., & Dikairono, R.
(2014). Penerapan Teknik Pengenalan
Wajah Berbasis Fitur Local Binary
Pattern pada Robot Pengantar Makanan.
1-6.
Widodo, A. W., & Harjoko, A. (2015). Sistem
Verifikasi Tanda Tangan Off-Line
Berdasar Ciri Histogram Of Oriented
Gradient (HOG) Dan Histogram Of
Curvature (HoC). Jurnal Teknologi
Informasi dan Ilmu Komputer, 1-10.
Yan, W.-J., Li, X., Wang, S.-J., Zhao, G., Liu,
Y.-J., Chen, Y.-H., & Fu, X. (2014).
CASME II: An Improved Spontaneous
Micro-Expression Database and the
Baseline Evaluation. 1-9.
Yan, W.-J., Wang, S.-J., Liu, Y.-J., Wu, Q., &
Fu, X. (2014). For micro-expression
recognition: Database and suggestions.
Neurocomputing 136, 82-87.