Nama : Arianti Apriani Sagita

NIM : 2204756

Rangkuman Artikel “Facial Expression Recognition Using Interpolation Features”

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

Facial Expression Recognition (FER), yang digunakan untuk mengidentifikasi berbagai

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

a. Merancang suatu pendekatan inovatif dalam konteks Pengenalan Ekspresi Wajah

(FER). Pendekatan ini difokuskan pada identifikasi tiga dari enam emosi umum

(kemarahan, kebahagiaan, dan keterkejutan) dengan menggunakan fitur-fitur khusus

dari alis dan mulut. Fitur-fitur ini diambil melalui polinomial interpolasi untuk

memberikan informasi deskriptif dari Region of Interest (ROI).

b. Menjelaskan secara terperinci proses yang diusulkan, merinci setiap tahapan yang

diterapkan dalam metode tersebut. Mulai dari pra-pemrosesan hingga langkah

 klasifikasi dengan memanfaatkan berbagai algoritma, seperti Jaringan Saraf Tiruan

(NN), Support Vector Machines (SVM), dan Naïve Bayes.

c. Melakukan perbandingan kinerja beberapa algoritma klasifikasi (NN, SVM, Naïve

Bayes) dalam konteks klasifikasi gambar wajah berdasarkan fitur-fitur spesifik yang

diekstraksi. Artikel ini memiliki tujuan yang terdiri dari beberapa aspek:

a. Merancang suatu pendekatan inovatif dalam konteks Pengenalan Ekspresi Wajah

(FER). Pendekatan ini difokuskan pada identifikasi tiga dari enam emosi universal

(kemarahan, kebahagiaan, dan keterkejutan) dengan menggunakan fitur-fitur khusus

dari alis dan mulut. Fitur-fitur ini diekstraksi melalui polinomial interpolasi untuk

memberikan informasi deskriptif dari Region of Interest (ROI).

b. Menjelaskan secara terperinci proses yang diusulkan, merinci setiap tahapan yang

diterapkan dalam metode tersebut. Mulai dari pra-pemrosesan hingga langkah

klasifikasi dengan memanfaatkan berbagai algoritma, seperti Jaringan Saraf Tiruan

(NN), Support Vector Machines (SVM), dan Naïve Bayes.

c. Melakukan pembandingan kinerja beberapa algoritma klasifikasi (NN, SVM, Naïve

Bayes) dalam konteks klasifikasi gambar wajah berdasarkan fitur-fitur spesifik yang

diekstraksi.

3. Metode

Terdapat tiga metode utama dalam Facial Expression Recognition (FER) yaitu

pra-pemrosesan, ekstraksi fitur, dan klasifikasi. Pada tahap pra-pemrosesan, detektor

tepi dan operator ambang digunakan untuk mendapatkan informasi transisi intensitas

ROI, dengan eksperimen menggunakan algoritma pengelompokan seperti DBScan,

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,

SVM, dan NN, untuk atribut numerik yang diekstraksi.

4.Hasil

Pada penelitian ini, dilakukan uji parameter untuk meningkatkan pelatihan

Neural Network (NN) dengan arsitektur feed forward. Pengujian melibatkan parameter

seperti momentum, tingkat pembelajaran, dan jumlah neuron dalam lapisan

tersembunyi. Eksperimen pertama dengan NN menggunakan set fitur PF menghasilkan

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.

Secara keseluruhan, hasil eksperimen menunjukkan bahwa NN dengan input PF

memberikan akurasi terbaik.