Electronic Theses and Dissertation

Sistem pengenalan ekspresi wajah merupakan salah satu implementasi machine learning (ml) yang mengambil dataset ekspresi wajah, kemudian dilakukan training, dan hasil training digunakan untuk mengenali ekspresi wajah pada gambar/video wajah baru. ekspresi wajah yang dikenali terdiri dari ekspresi senang, sedih, takut, marah, terkejut, jijik dan netral. metode yang digunakan untuk ekstraksi fitur wajah menggunakan histogram oriented gradient (hog). penelitian ini mengajukan metode peningkatan ekstraksi hog yaitu dengan pengurangan dimensi fitur menjadi beberapa sub-fitur berdasarkan interval orientasi gradient yang selanjutnya disebut sebagai hog channel. teknik pengujian classifier dibagi menjadi 2 (dua) skema sebagai perbandingan yaitu skema 1 berupa svm dengan fitur hog dan skema 2 berupa svm dengan fitur hog dan hog-channel. hasil pengujian menunjukkan akurasi skema 1 sebesar 99,9 % dengan rerata waktu training sebesar 18,031 menit, sedangkan skema 2 memiliki akurasi 100% dengan rerata waktu training sebesar18,085 menit. hasil pengujian menunjukkan implementasi svm dengan hog channel berhasil meningkatkan akurasi untuk klasifikasi ekspresi wajah. kata kunci : histogram oriented gradient (hog), machine learning, support vector machine (cvm), violla jones

The facial expression recognition system is one of the machine learning (ML) implementations that takes a facial expression dataset, then training is carried out, and the training results are used to recognize facial expressions in new facial images/videos. Recognized facial expressions consist of angry, sad, disgusted, surprised, happy and neutral expressions. The method used for facial feature extraction uses HOG (histogram oriented gradient). This study proposes a method of improving the HOG extraction by reducing the feature dimensions into several sub-features based on the gradient orientation interval. Each sub-feature in each gradient orientation is called a HOG channel (HOG-Channel). The classifier testing technique is divided into 2 (two) schemes for comparison, namely Scheme 1 in the form of SVM with HOG features and schema 2 in the form of SVM with HOG and HOG-Channel features. The test results show the accuracy of Scheme 1 is 99.9% with an average training time of 18.031 minutes, while Scheme 2 has an accuracy of 100% with an average training time of 18.085 minutes. The test results show that the implementation of SVM with the HOG channel has succeeded in increasing the accuracy for facial expression classification. Keywords: histogram oriented gradient (HOG), machine learning, support vector machine (SVM), viola-jones