Electronic Theses and Dissertation

Klasifikasi ekspresi wajah merupakan salah satu bidang computer vision yang memiliki tantangan dalam mengenali pola visual akibat kompleksitas karakteristik wajah dan variasi ekspresi. Penelitian ini melakukan analisis komparatif antara pendekatan Feature-based dan CNN-based untuk mengidentifikasi karakteristik masing-masing pendekatan dalam klasifikasi ekspresi wajah menggunakan dataset USK-FEMO. Pendekatan Feature-based menggunakan proses ekstraksi fitur berdasarkan karakteristik visual wajah, sedangkan pendekatan CNN-based melakukan pembelajaran fitur secara otomatis melalui jaringan konvolusi. Dataset yang digunakan terdiri dari 1.200 citra dengan lima kelas ekspresi, yaitu Kelas Senang, Kelas Sedih, Kelas Marah, Kelas Terkejut, dan Kelas Bosan. Evaluasi dilakukan menggunakan accuracy, precision, F1-score dan confusion matrix untuk menganalisis kemampuan serta pola klasifikasi dari kedua pendekatan. Hasil analisis menunjukkan bahwa Feature-based memiliki karakteristik berupa representasi fitur yang lebih terstruktur dan proses komputasi yang lebih sederhana, namun bergantung pada kualitas fitur hasil ekstraksi. Sementara itu, CNN-based memiliki karakteristik pembelajaran fitur yang lebih adaptif melalui ekstraksi fitur otomatis sehingga mampu membangun representasi visual yang lebih kompleks. Berdasarkan hasil komparasi, kedua pendekatan menunjukkan karakteristik yang berbeda dalam merepresentasikan informasi ekspresi wajah, sehingga pemilihan metode tidak hanya ditentukan oleh nilai performa, tetapi juga perlu mempertimbangkan kebutuhan sistem, kompleksitas data, dan sumber daya komputasi yang tersedia.

Facial expression classification is one of the fields in computer vision that faces challenges in recognising visual patterns due to the complexity of facial characteristics and expression variations. This research conducts a comparative analysis between Feature-based and CNN-based approaches to identify the characteristics of each method in facial expression classification using the USK-FEMO dataset. The Feature-based approach employs feature extraction processes based on visual facial characteristics, while the CNN-based approach automatically learns features through convolutional networks. The dataset used consists of 1,200 images across five expression classes: Happy, Sad, Angry, Surprised, and Bored. Evaluation is carried out using accuracy, precision, F1-score, and confusion matrix to analyse the capabilities and classification patterns of both approaches. The analysis results show that the Feature-based approach has the characteristic of more structured feature representation and simpler computational processes, but it depends on the quality of the extracted features. Meanwhile, the CNN-based approach has more adaptive feature learning through automatic feature extraction, enabling it to build more complex visual representations. Based on the comparison, both approaches exhibit different characteristics in representing facial expression information, so the choice of method should not only be based on performance values but also consider system requirements, data complexity, and available computational resources.