Mendeteksi Senyuman menggunakan python dengan Data-Data Gambar yang Sudah di-training.

1. Melakukan import beberapa library pada python yang diperlukan untuk menjalankan
beberapa fungsi yang akan digunakan sebagai pendeteksian wajah via gambar static atau tidak
real-time. Img_to_array adalah fungsi yang digunakan untuk mengkonversi setiap frame
individu pada pada gambar dalam bentuk array yang terurut, lalu pada load_model adalah
fungsi yang digunakan untuk memuat ulang weights dari model LeNet yang sudah dilatih di
dalam disk.

2. Memuat ulang masing-masing model LeNet yang sudah dilakukan pelatihan pada command
load_model. Diberikan ketentuan jika tidak ada data-data yang terdeteksi di dalam disk maka
akan secara langsung dialihkan ke webcam untuk mengambil gambar dan di deteksi secara
ototmatis.

3. Melakukan perulangan untuk mengambil data gambar yang terdapat pada file yang
ditentukan. Langkah pertama adalah membaca nama file yang ingin di masukan, lalu merubah
ukurannya menjadi 300px, setelah itu gambar tersebut di conver dalam profil warna grayscale
kemudian dilakukan clone data pada data yang asli yang nantinya akan digunakan untuk
program selanjutnya. Data di muat dalam gambar skala abu-abu dan terindikasi bahwa untuk
wilayah tertentu yang dianggap sebagai wajah, ia harus memiliki lebar minimum 30⇥30
piksel. Atribut minNeighbors membantu memangkas false-positive sementara scaleFactor
mengontrol jumlah level piramida gambar yang dihasilkan. Pada metode detectMultiScale,
metode tersebut mengembalikan 4-tupel yang menyerupai persegi yang digunakan untuk
menyatukan wajah pada frame gambar, beberapa nilai nya seperti x dan y, serta mempunyai
lebar dan tinggi masing-masing.
4. Untuk setiap kotak pembatas, digunakan NumPy array slicing untuk mengekstrak ROI wajah.
Setelah ROI didapatkan, kemudian diproses dan disiapkan untuk klasifikasi melalui LeNet
dengan mengubah ukurannya, menskalanya, mengubahnya menjadi array yang kompatibel
dengan Keras, dan melapisi gambar dengan dimensi ekstra.

5. Fungsi .predict dipanggil untuk mengembalikan probabilitas masing-masing "not smiling" dan
"smiling". Sisanya adalah untuk mengatur label tergantung pada probabilitas mana yang lebih
besar.

6. Fungsi yang terakhir adalah untuk menset posisi teks dan penanda area berbentuk persegi
sebagai keterangan gambar yang sudah di program dapat di deteksi sebagai gambar yang
mempunyai keluaran sebagai kategori tersenyum atau tidak tersenyum.

7. Menunjukan hasil gambar yang sudah ditandai oleh area persegi beserta teks dengan data
gambar yang sudah di program.