Professional Documents
Culture Documents
Rangkuman Artikel Turunan Numerik
Rangkuman Artikel Turunan Numerik
NIM : 2204756
1. Latar Belakang
Penelitian ini muncul dari ketertarikan terhadap pengolahan data, yang kini
menjadi fokus utama dalam penelitian ilmu komputer. Sub-bidang pada pengolahan
data, seperti pemrosesan gambar, menjadi dasar yang sangat penting dalam
perkembangan visi komputer. Salah satu aplikasi utama dari visi komputer adalah
aspek psikologis seperti gangguan mental, emosi, dan kejujuran seseorang. Sistem FER
dirancang untuk mengenali enam emosi umum, yakni kemarahan, kebahagiaan, jijik,
keterkejutan, kesedihan, dan ketakutan, yang diperkenalkan oleh Paul Ekman pada
tahun 1994. Pengembangan dalam domain FER mencakup berbagai pendekatan, mulai
dari teknik klasik hingga metode yang lebih canggih berbasis deep learning.
2. Tujuan
(FER). Pendekatan ini difokuskan pada identifikasi tiga dari enam emosi umum
dari alis dan mulut. Fitur-fitur ini diambil melalui polinomial interpolasi untuk
b. Menjelaskan secara terperinci proses yang diusulkan, merinci setiap tahapan yang
Bayes) dalam konteks klasifikasi gambar wajah berdasarkan fitur-fitur spesifik yang
diekstraksi. Artikel ini memiliki tujuan yang terdiri dari beberapa aspek:
(FER). Pendekatan ini difokuskan pada identifikasi tiga dari enam emosi universal
dari alis dan mulut. Fitur-fitur ini diekstraksi melalui polinomial interpolasi untuk
b. Menjelaskan secara terperinci proses yang diusulkan, merinci setiap tahapan yang
Bayes) dalam konteks klasifikasi gambar wajah berdasarkan fitur-fitur spesifik yang
diekstraksi.
3. Metode
Terdapat tiga metode utama dalam Facial Expression Recognition (FER) yaitu
tepi dan operator ambang digunakan untuk mendapatkan informasi transisi intensitas
OPTICS, dan CLARANS. Namun, pendekatan detektor tepi dan ambang lebih berhasil
dalam mendapatkan informasi ROI dari wilayah alis dan mulut. Tahap ekstraksi fitur
melibatkan interpolasi polinomial untuk mendapatkan fitur numerik dari wilayah alis
dan mulut. Proses klasifikasi menggunakan tiga supervised learner, yaitu Naïve Bayes,
4.Hasil
Neural Network (NN) dengan arsitektur feed forward. Pengujian melibatkan parameter
akurasi sebesar 92.4%, namun terdapat perbedaan dalam kebingungan emosi. Pada
SVM dengan kernel polinomial dan RBF, akurasi tertinggi sebesar 89.87% dicapai
dengan menggunakan PF sebagai input pelatihan. Sementara pada uji dengan Naïve
Bayes, akurasi tertinggi sebesar 84.81% terjadi ketika menggunakan PF sebagai input.