Pengenalan Ekspresi Wajah Menggunakan DCT dan LDA untuk Aplikasi Pemutar Musik (MOODSIC)

Penulis

  • I Gede Pasek Suta Wijaya Teknik Informatika FT-UNRAM, Jl Majapahit 62 Mataram, Lombok INDONESIA
  • Asno Azzawagaam Firdaus Teknik Informatika, Fakultas Teknik, Universitas Mataram
  • Aditya Perwira Joan Dwitama Teknik Informatika, Fakultas Teknik, Universitas Mataram
  • Mustiari Mustiari Teknik Informatika, Fakultas Teknik, Universitas Mataram

DOI:

https://doi.org/10.25126/jtiik.201855935

Kata Kunci:

ekspresi wajah, LDA, DCT, pengenalan citra, dan MOODSIC

Abstrak

Masyarakat modern dengan kesibukan sehari-harinya tentu akan mendapat tekanan emosional yang cukup tinggi. Hal yang dilakukan untuk meredakan emosi tersebut adalah salah satu dengan mendengarkan musik. MOODSIC merupakan sebuah aplikasi yang dapat memutar musik sesuai dengan ekspresi wajah pengguna. Aplikasi MOODSIC dibangun menggunakan mesin pengenalan ekspres wajah berbasis DCT dan LDA serta algoritma klasifikasi statistik. Berdasarkan hasil pengujian secara off-line mesin pengenalan ekspresi wajah berhasil memberikan performa yang baik, dengan akurasi sebesar 100% untuk data masukkan terdiri atas fitur DCT 144 elemen, 6 eigen vektor LDA dan klasifikasi statistik jenis LDA. Mesin pengenalan ekspresi wajah memerlukan waktu pengenalan yang pendek yaitu 1 milidetik. Secara real-time MOODSIC memberikan hasil yang cukup baik dengan akurasi pengenalan ekspresi sebesar 91.51% atau dengan tingkat kesalahan pengenalan 9.49%.

 

Abstract

Modern society lifestyles face many activities every day, which make people receive a fairly high emotional stress. To reduce such kind of emotions can be treated by listening music. MOODSIC is an application that can play music according to the user's face expression. MOODSIC is developed using face expression recognition machine based on DCT, LDA and statistical classification algorithm. Based on offline testing result, face expression recognition machine successfully give good performance with accuracy of 100% when DCT features are 144 elements, 6 eigen vectors of LDA and kind of statistical classifier is LDA. The face expression recognition engine took shorter time to classification about 1 milliseconds. MOODSIC also give good performance with the accuracy of expression recognition about 91.51% or recognition error of 9,49% for real-time testing.

Downloads

Download data is not yet available.

Referensi

CHEN, W., ER, M.J. & WU, S., 2005. PCA and LDA in DCT domain. Pattern Recognition Letters, 26(15), hal.2474–2482.

DUDA, R.O., HART, P.E. & STORK, D.G., 2012. Pattern classification, John Wiley & Sons.

GONZALEZ, R.C. & WOODS, R.E., 2006. Digital Image Processing (3rd Edition), Upper Saddle River, NJ, USA: Prentice-Hall, Inc.

KUMARI, J., RAJESH, R. & POOJA, K.M., 2015. Facial expression recognition: A survey. Procedia Computer Science, 58, hal.486–491.

LATIFA, R., 2012. Psikologi Emosi, Jakarta: Direktorat Pendidikan TInggi Islam, Dirjen Islam, Kementrian Agama RI.

LYONS, M.J. et al., 1998. The Japanese female facial expression (JAFFE) database. In Proceedings of third international conference on automatic face and gesture recognition. hal. 14–16.

PRASETIO, B.H., KURNIAWAN, W. & ICHSAN, M.H.H., 2017. Pengenalan Emosi Berdasarkan Suara Menggunakan Algoritma HMM. Jurnal Teknologi Informasi dan Ilmu Komputer, 4(3), hal.168–172.

PRATIWI, D.E. & HARJOKO, A., 2013. Implementasi Pengenalan Wajah Menggunakan PCA (Principal Component Analysis). IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 3(2), hal.175–184.

VIOLA, P. & JONES, M., 2001. Rapid object detection using a boosted cascade of simple features. In hal. 511–518.

WANG, M., JIANG, H. & LI, Y., 2010. Face Recognition based on DWT/DCT and SVM. In Computer Application and System Modeling (ICCASM), 2010 International Conference on. hal. V3--507.

WIJAYA, I.G.P.S. et al., 2015. Pornographic image rejection using eigenporn of simplified LDA of skin ROIs images. In 2015 International Conference on Quality in Research (QiR). hal. 77–80.

WIJAYA, I.G.P.S., UCHIMURA, K. & KOUTAKI, G., 2013. Face Recognition Based on Incremental Predictive Linear Discriminant Analysis. IEEJ Transactions on Electronics, Information and Systems, 133(1), hal.74–83.

ZHANG, H., 2004. The optimality of naive Bayes. AA, 1(2), hal.3.

Diterbitkan

30-10-2018

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Pengenalan Ekspresi Wajah Menggunakan DCT dan LDA untuk Aplikasi Pemutar Musik (MOODSIC). (2018). Jurnal Teknologi Informasi Dan Ilmu Komputer, 5(5), 559-566. https://doi.org/10.25126/jtiik.201855935