net/publication/323365343
CITATION READS
1 4,241
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Randy Cahya Wihandika on 23 February 2018.
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
Baik anak-anak yang belum sekolah maupun yang akurat (Turiyanto, Purwanto, & Dikairono,
orang dewasa dapat mengenal emosi dasar 2014).
(Russell & Fehr, 1987). Selain itu, penelitian-penelitian tersebut juga
Dalam dunia hiburan, ekspresi mikro juga menunjukkan bahwa ekspresi wajah sangat
menjadi daya tarik tersendiri. Salah satunya penting untuk menggambarkan emosi yang
dalam bidang perfilman yaitu film “Lie to Me” dialami oleh seseorang dan hal itu sangat penting
(2009). Film yang dibuat oleh Samuel Baum ini dalam hubungan antar pribadi manusia dan juga
menceritakan tentang Dr. Cal Lightman (Tim bisa sebagai pendeteksi kebohongan.
Roth) seorang psikologi jenius yang dapat Mengartikan emosi wajah melalui ekspresi
mendeteksi kebohongan seseorang melalui wajah juga sangat penting supaya tidak terjadi
ekspresi mikro dan bahasa tubuh, bersama salah pengertian diantara mereka yang
rekannya Dr. Gillian Foster (Kelli Williams) berkomunikasi.
mereka membuat perusahaan The Lightman
Group yang sering menerima tugas dari badan 2. EKSPRESI MIKRO
hukum ataupun kepolisian untuk mengintrogasi Ekspresi mikro adalah gerakan wajah
orang-orang yang terlibat dalam suatu kasus. singkat yang mengungkapkan emosi bahwa
Dari segi penyidikan, ekspresi mikro bisa seseorang mencoba untuk menyembunyikan.
berperan sangat penting untuk mengungkap Pada tahun 1969, Ekman menganalisis video
suatu kebohongan ataupun psikologi seseorang wawancara dari pasien terserang depresi yang
dengan melontarkan beberapa pertanyaan dan mencoba bunuh diri dan menemukan ekspresi
melihat reaksi wajah yang ditimbulkan akibat mikro. Ekspresi mikro ditampilkan dalam durasi
pertanyaan yang diberi, sehingga bisa diketahui yang pendek. Durasi yang berlaku adalah 0,5
adanya hubungan antara pertanyaan tersebut dan detik. Selain itu, ekspresi mikro biasanya terjadi
ekspresi yang dihasilkan (Andelin & Rusu, dengan intensitas rendah.
2015). Sistem pengenalan emosi berdasarkan Ekspresi wajah dianggap lebih dari reaksi
ekspresi mikro otomatis yang kuat akan emosioal belaka. Ekspresi wajah dikenal untuk
memiliki aplikasi yang luas dalam kemanan mengkoordinasikan interaksi sosial melalui
nasional, interogasi polisi dan diagnosis klinis. fungsi informatif dan memotivasi (Kelter &
Dalam dunia computer vision, penelitian Kring, 1998).
tentang ekspresi wajah telah dilakukan oleh Menurut teori Darwin tentang seleksi alam
Chinese Academy of Sciences Micro-Expression (1872), emosi bersifat universal dalam hal
(CASME). Penelitian tersebut membuat basis memiliki sejenis pola ekspresi dan fungsi pada
data yang terdapat beberapa gambar ekspresi tingkat komunikasi antar manusia, terlepas dari
wajah yang bertujuan untuk membantu bias budaya. Emosi yang universal didefinisikan
penelitian di bidang computer vision tentang oleh Keltner, et al (2003) adalah sebagai berikut:
ekspresi mikro. Penelitian computer vision terkejut, bahagia, marah, sedih, takut, jijik,
tentang pengenalan emosi berdasarkan ekspresi merendakan.
mikro baru mencapai akurasi 59,51% (Huang,
Wang, Zhao, & Pietikäinen, 2015). 3. LOCAL BINARY PATTERN
Penelitian-penelitian tersebut
menggunakan metode Local Binary Pattern Local Binary Pattern pertama kali
from Three Orthogonal Planes (LBP-TOP) diperkenalkan oleh Ojala et al, didefinisikan
pengenalan emsoi berdasarkan ekspresi mikro sebagai ukuran tekstur grayscale yang invarian,
dengan ditambahkan metode lain. Local Binary disebut invarian Karena hampir tidak
Pattern (LBP) konvensional telah terbukti dipengaruhi oleh pencahayaan yang berbeda.
efektif untuk menggambarkan tekstur gambar LBP ampuh untuk mendeskripsikan suatu
statis 2D (Ojala, Pietikainen, & Maenpaa, 2002). tekstur, mempunyai daya pembeda yang akurat,
LBP didefinisikan sebagai ukuran tekstur dan juga memiliki toleransi terhadap perubahan
grayscale yang invarian. Metode LBP dapat grayscale yang monotonic (Turiyanto,
digunakan untuk proses pengenalan, seperti Purwanto, & Dikairono, 2014).
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
(a) (b) (c)
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 3232
4. HAAR CASCADE
Haar Cascade adalah metode yang biasanya
Gambar 3. Fitur pada Haar cascade OpenCV:
(a) Edge feature, (b)line feature, (c)four-rectangle perhitungan nilai absolut dari pengurangan dua
featur atau lebih vektor. Metode ini dapat digunakan
untuk mendeteksi tingkat kemiripan citra dengan
6. K-NEAREST NEIGHBOR (K-NN) cara mengisi dua atau lebih vektor yang berbeda
K-NN merupakan salah satu metode dengan nilai fitur pada citra yang ingin dideteksi
klasifikasi terkenal dalam machine learning. tingkat kemiripannya. Metode ini menggunakan
Metode ini menggunakan fungsi jarak untuk jarak paling minimum untuk menentukan
melakukan klasifikasi, contohnya jarak kemiripan suatu citra. Pencarian citra dengan
Euclidean untuk membandingkan sampel data menggunakan jarak Manhattan baik untuk citra
lebih dekat dengan sampel data lain pada kelas yang kaya akan tekstur (Hartono & Lusiana,
tertentu. Metode ini cukup sederhana tetapi 2017). Jarak Manhattan dari dua vektor dihitung
memiliki kecepatan dalam konvergensi yang dengan Persamaan 4 (Nugraheny, 2015):
relatif tinggi karena harus mengakses seluruh 𝑑(𝑥, 𝑦) = ∑𝑛𝑟=1 ||𝑥𝑖 − 𝑦𝑖 || (4)
data latih setiap kali data uji baru akan
diklasifikasikan. Berikut tahapan Algoritma K- Keterangan:
NN (Priambodo, Dewi, & Triwiratno, 2015): d(x,y) : jarak Euclidean antara xi dengan yi
1. Mendefinisikan nilai k. xi : data pada x ke-i yang akan dilakukan
2. Penentuan jarak antara data input dengan perhitungan
semua data latih. yi : data pada y ke-i yang akan dilakukan
3. Urutkan data berdasarkan hasil penentuan perhitungan
jarak.
4. Bentuk kelompok berdasarkan nilai dengan 9. JARAK CHEBYSHEV
ketetanggaan terdekat.
5. Pilih nilai dengan kemunculan paling sering. Jarak Chebyshev adalah metode untuk
pengukuran jarak dari dua atau lebih vektor dari
7. JARAK EUCLIDEAN nilai yang paling maksimal. Pengukuran jarak
Chebyshev menggunakan perhitungan nilai
Jarak Euclidean adalah metode untuk perbandingan dua atau lebih vektor dan diambil
pengukuran jarak dari dua atau lebih vektor yang nilai paling maksmal dari vektor-vektor yang
paling sering digunakan (Hartono & Lusiana, dibandingkan. Jarak Chebyshev dari dua vektor
2017). Pengukuran jarak Euclidean dihitung dengan Persamaan 5 (Ponnmoli &
menggunakan perhitungan akar dari kuadrat dua Selvamuthukumaran, 2014):
atau lebih perbedaan vektor. Metode ini dapat
𝑑(𝑥, 𝑦) = max (|𝑥𝑖 − 𝑦𝑖 |) (5)
digunakan untuk mendeteksi tingkat kemiripan 𝑖=1,2,…,𝑛
citra dengan cara mengisi dua atau lebih vektor Keterangan:
yang berbeda dengan nilai fitur pada citra yang d(x,y) : jarak Euclidean antara xi dengan yi
ingin dideteksi tingkat kemiripannya. Metode ini xi : data pada x ke-i yang akan dilakukan
menggunakan jarak paling minimum untuk perhitungan
menentukan kemiripan suatu citra. Jarak yi : data pada y ke-i yang akan dilakukan
Euclidean dari dua vektor dihitung dengan perhitungan
Persamaan 3 (Nugraheny, 2015):
10. AKURASI
𝑑(𝑥, 𝑦) = √∑𝑛𝑟=1(𝑥𝑖 − 𝑦𝑖 )2 (3) Akurasi adalah nilai ukur untuk validasi pada
suatu metode. Akurasi adalah perbedaan antara
Keterangan: harapan hasil tes dan nilai referansi yang
d(x,y) : jarak Euclidean antara xi dengan yi diterima. Akurasi biasanya dinyatakan sebagai
xi : data pada x ke-i yang akan dilakukan presentase. Akurasi dapat ditentukan melalui
perhitungan metode penambahan baku (standard addition
yi : data pada y ke-i yang akan dilakukan method). Dalam metode peambahan baku selisih
perhitungan dari jumlah keseluruhan data dan jumlah salah
dibandingkan dengan jumlah keseluruhan data
8. JARAK MANHATTAN (Riyanto, 2014). Perhitungan metode
Jarak Manhattan adalah metode untuk penambahan baku dapat dihitung dengan
pengukuran jarak dari dua atau lebih vektor. Persamaan 6:
Pengukuran jarak Manhattan menggunakan
10.3.1 Pre-processing
Pre-processing adalah proses pengolahan
citra paling awal yang berfungsi untuk
memperbaiki kualitas citra sebelum dilakukan Tabel 1. Hasil akurasi pengujian terhadap nilai k
tahapan selanjutnya. Pada penelitian ini terdapat
2 tahapan pre-processing, yaitu tahapan pre- Jarak Jarak Jarak Rata-
k
Euclidean Manhattan Chebyshev rata
processing pada data latih dan pre-processing
1 55,32% 57,45% 44,68% 52,48%
pada tahapan proses implementasi. Kedua
5 57,45% 68,09% 42,55% 56,03%
tahapan pre-processing ini memiliki alur yang 7 57,45% 63,83% 46,81% 56,03%
sama. 11 51,06% 48,94% 48,94% 49.65%
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 Gambar 6. Grafik perbandingan nilai k
Haar cascade classifier. Kemudian dari daerah
yang berhasil terdeteksi sebagai wajah maka 13. HASIL DAN PEMBAHASAN
dilakukan pemotongan pada daerah tersebut Hasil dan pembahasan berupa pengujian dan
sehingga menghasilkan citra wajah untuk analisis yang dilakukan terhadap citra ekspresi
memenuhi kebutuhan untuk proses selanjutnya. mikro yang berasal dari basis data CASME II.
Sebanyak 20% data pada masing-masing kelas
3. Resize diambil dari basis data CASME II sebagai data
Ukuran dimensi citra yang dihasilkan dari face uji.
detection tidak selalu sama sehingga diperlukan
resize agar setiap data latih dan data uji memiliki 12.1 Pengujian Nilai k Terhadap Akurasi
ukuran dimensi dan rentang nilai yang sama. Pengujian ini bertujuan untuk mencari
nilai k terbaik dengan membandingkan tingkat
10.3.2 Processing akurasinya dengan menggunakan tiga metode
Citra hasil pre-processing dilakukan perhitungan jarak yang berbeda, yaitu: jarak
ekstraksi fitur menggunakan metode LBP. Hasil Euclidean, jarak Manhattan, jarak Chebyshev.
metode direpresentasikan dengan histogram Pengujian dilakukan pada citra yang meiliki
yang memiliki 256 fitur. Fitur merupakan dimensi 200 piksel × 200 piksel, memiliki nilai
banyaknya nilai yang sering muncul pada R = 1 dan P = 8. Data digolongkan ke dalam lima
rentang 0-255 dalam citra hasil LBP. kelas yaitu lainnya, jijik, kebahagiaan, represi,
dan terkejut.
10.3.3 Klasifikasi Data digolongkan kedalam 5 kelas yaitu
Klasifikasi dilakukan dengan pencarian jarak lainnya, jijik, kebahagiaan, represi, dan terkejut.
terdekat antara data uji dengan data latih. Pada pengujian ini digunakan nilai k = 1, k = 5,
Kemudian dipilih sebanyak k tetangga terdekat k = 7, k = 11. Dari keempat nilai k yang
dan dipilih kelas yang memiliki kemunculan ditentukan k yang memiliki nilai k = 5 dan
paling sering pada k ketetangga terdekat sebagai dengan menggunakan perhitungan jarak
hasil pengenalan emosi berdasarkan ekspresi Manhattan memiliki akurasi lebih optimal yaitu
mikro. 68,09%. Detail dari pengujian dapat dilihat pada
Lampiran A. Dari rata-rata akurasi dengan tiga
12. PENGUKURAN KINERJA metode perhitungan diperoleh nilai k = 5 dan k =
Proses pengukuran kinerja atau pengujian 7 yang memiliki akurasi paling tinggi yaitu
program hasil dari implementasi dihitung dan 56,03% dapat dilihat pada Tabel 1.
digunakan nilai akurasi sebagai tingkat Perbandingan nilai k diperlihatkan pada Gambar
keberhasilan program terhadap pengenalan 6.
emosi berdasarkan ekspresi mikro. Dari hasil pengujian didapatkan bahwa
nilai k sangat memengaruhi hasil pengenalan
Keltner, D., Ekman, P., Gonzaga, G. C., & Beer, Riyanto. (2014). Validasi & Verifikasi Metode
J. (2003). Facial Expression of Emotion. Uji: Sesuai dengan ISO/IEC 17025
Handbook of affective sciences, 415- Laboratorium Pengujian dan Kalibrasi.
432. Yogyakarta: Deepublish.
Nugraheny, D. (2015). Metode Nilai Jarak Guna Russell, J. A., & Fehr, B. (1987). Relativity In
Kesamaan Atau Kemiripan Ciri Suatu The Perception of Emotion in Facial
Citra (Kasus Deteksi Awan Expressions. Journal of Experimental
Cumolonimbus Menggunakan Principal Psychology: General, 223.
Component Analysis). Jurnal Angkasa, Turiyanto, M. D., Purwanto, D., & Dikairono, R.
21-30. (2014). Penerapan Teknik Pengenalan
Ojala, T., Pietikainen, M., & Maenpaa, T. Wajah Berbasis Fitur Local Binary
(2002). Multiresolution Gray-scale and Pattern pada Robot Pengantar Makanan.
Rotation Invariant Texture 1-6.
Classification With Local Binary Widodo, A. W., & Harjoko, A. (2015). Sistem
Patterns. IEEE Trans Pattern Anal Verifikasi Tanda Tangan Off-Line
Mach Intell 24, 971-987. Berdasar Ciri Histogram Of Oriented
Pietikäinen, M., Hadid, A., Zhao, G., & Ahonen, Gradient (HOG) Dan Histogram Of
T. (2011). Computer Vision Using Local Curvature (HoC). Jurnal Teknologi
Binary Pattern. 13-47. Informasi dan Ilmu Komputer, 1-10.
Ponnmoli, K., & Selvamuthukumaran, D. S. Yan, W.-J., Li, X., Wang, S.-J., Zhao, G., Liu,
(2014). Analysis of Face Recognition Y.-J., Chen, Y.-H., & Fu, X. (2014).
Using Manhattan Distance Algorithm CASME II: An Improved Spontaneous
With Image Segmentation. Micro-Expression Database and the
International Journal of Computer Baseline Evaluation. 1-9.
Science and Mobile Computing, 18-27. Yan, W.-J., Wang, S.-J., Liu, Y.-J., Wu, Q., &
Priambodo, A., Dewi, C., & Triwiratno, A. Fu, X. (2014). For micro-expression
(2015). Implementasi Metode K- recognition: Database and suggestions.
Nearest Neighbour Untuk Identifikasi Neurocomputing 136, 82-87.
Penyakit Tanaman Jeruk Keprok
Berdasarkan Citra Daun. Doro Jurnal.