Show simple item record

dc.contributor.advisorRIYADI, SLAMET
dc.contributor.advisorDAMARJATI, CAHYA
dc.contributor.authorHAIFA, ADILAH
dc.date.accessioned2019-01-08T01:56:50Z
dc.date.available2019-01-08T01:56:50Z
dc.date.issued2018-08-28
dc.identifier.urihttp://repository.umy.ac.id/handle/123456789/23658
dc.descriptionEkspresi wajah merupakan dasarnya pada kehidupan manusia sebagai bentuk komunikasi noverbal dalam berinteraksi dan penyampaian emosi yang terungkap sesuai manusia itu sendiri rasakan terhadap orang lain. Ada beberapa ekspresi wajah seperti ekspresi netral seperti sedih, senang , marah, terkejut, takut dan jijik. Pada saat ini untuk mengamati perbandingan ekspresi wajah menggunakan metode Gabor Wavelet dan Principal Component Analysis (PCA), dalam penelitian sebelumnya dengan metode tersebut masih memiliki kelemahan diantaranya tidak dapat mengatasi faktor intrapersonal dan pemisahan antar kelas masih kurang optimal. Selain itu pada objek yang sama PCA sebagai sebuah metode unsupervised-learning gagal mengekstrak ciri diskriminatif dari data berdimensi besar. Untuk menangguli permasalahan diatas, pada penelitian ini akan mengembangkan metode klasifikasi ekspresi wajah pengolahan citra. Tahap pengolahan citra diawali dengan pengaturan ukuran citra dan konversi citra ke mode grayscale, kemudian dilakukan transformasi curvelet diskrit. Tahap selanjutnya adalah pengambilan nilai ekstraksi ciri mean, standar deviasi, energy dan entropy sebagai masukan nilai pada tahap klasifikasi. Metode klasifikasi menggunakan Support Vector Machine (SVM) karena dapat menggunakan banyak ekstraksi sekaligus. Metode validasi yang digunakan pada proses klasifikasi adalah K-Fold Cross Validation yang pada penelitian ini dibagi atas 4-fold cross validation. Penerapan empat ekstraksi ciri sekaligus pada klasifikasi dengan 120 citra uji yang dibagi menjadi 4-fold validation menghasilkan akurasi deteksi sebesar 46%, 54%, 52% dan 55%. Secara keseluruhan nilai akurasi yang didapat dari ke 4- fold menghasilkan akurasi optimal sebesar 55%.en_US
dc.description.abstractEkspresi wajah merupakan dasarnya pada kehidupan manusia sebagai bentuk komunikasi noverbal dalam berinteraksi dan penyampaian emosi yang terungkap sesuai manusia itu sendiri rasakan terhadap orang lain. Ada beberapa ekspresi wajah seperti ekspresi netral seperti sedih, senang , marah, terkejut, takut dan jijik. Pada saat ini untuk mengamati perbandingan ekspresi wajah menggunakan metode Gabor Wavelet dan Principal Component Analysis (PCA), dalam penelitian sebelumnya dengan metode tersebut masih memiliki kelemahan diantaranya tidak dapat mengatasi faktor intrapersonal dan pemisahan antar kelas masih kurang optimal. Selain itu pada objek yang sama PCA sebagai sebuah metode unsupervised-learning gagal mengekstrak ciri diskriminatif dari data berdimensi besar. Untuk menangguli permasalahan diatas, pada penelitian ini akan mengembangkan metode klasifikasi ekspresi wajah pengolahan citra. Tahap pengolahan citra diawali dengan pengaturan ukuran citra dan konversi citra ke mode grayscale, kemudian dilakukan transformasi curvelet diskrit. Tahap selanjutnya adalah pengambilan nilai ekstraksi ciri mean, standar deviasi, energy dan entropy sebagai masukan nilai pada tahap klasifikasi. Metode klasifikasi menggunakan Support Vector Machine (SVM) karena dapat menggunakan banyak ekstraksi sekaligus. Metode validasi yang digunakan pada proses klasifikasi adalah K-Fold Cross Validation yang pada penelitian ini dibagi atas 4-fold cross validation. Penerapan empat ekstraksi ciri sekaligus pada klasifikasi dengan 120 citra uji yang dibagi menjadi 4-fold validation menghasilkan akurasi deteksi sebesar 46%, 54%, 52% dan 55%. Secara keseluruhan nilai akurasi yang didapat dari ke 4- fold menghasilkan akurasi optimal sebesar 55%.en_US
dc.publisherFAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH YOGYAKARTAen_US
dc.subjecttransformasi curvelet; klasifikasi SVM; ekspresi wajah.en_US
dc.titleKLASIFIKASI EKSPRESI WAJAH MENGGUNAKAN METODE EKSTRAKSI CIRI TRANSFORMASI CURVELET DAN SUPPORT VECTOR MACHINE (SVM)en_US
dc.typeThesis SKR F T 598en_US


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record