PENDEKATAN PENGENALAN EMOSI MANUSIA MENGGUNAKAN EXTREME LEARNING MACHINE

Prasetia Utama Putra, . (2015) PENDEKATAN PENGENALAN EMOSI MANUSIA MENGGUNAKAN EXTREME LEARNING MACHINE. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

Text Skripsi_Prasetia Utama Putra_5235107381.pdf Download (1MB)

Abstract

Pengenalan emosi manusia telah menjadi permasalahan yang cukup mendapat perhatian dalam bidang interaksi manusia dan komputer. Dengan tujuan untuk membentuk sebuah interaksi yang lebih natural diantara manusia dan komputer; komputer haruslah dapat membedakan dan merespons emosi manusia. Dalam penelitian ini, sebuah pendekatan untuk mengenali emosi manusia diusulkan. Pendekatan menggunakan HAAR-classifier untuk mendeteksi mata, alis mata dan mulut pada wajah, dan, untuk mengekstrak fitur dari atribut wajah tersebut, metode yang diusulkan menggunakan Gabor wavelet. Sebelum mengklasifikasikan fitur, reduksi dimensi fitur menggunakan PCA dilakukan. Pendekatan yang diusulkan menggunakan SLFNs dengan Extreme Learning Machine (ELM) untuk mengklasifikasi fitur. Dalam eksperimen ini, pendekatan diuji dalam dua kasus, personalisasi dan generalisasi wajah, dengan sepuluh subjek mengekspresikan enam emosi dasar dan kondisi netral. Performa ELM dievaluasi dengan membandingkan hasil pengujian dengan performa k-NN dan Support Vector Machine (SVM). Pada kasus generalisasi wajah, ELM mencapai performa 93.36%, k-NN mencapai performa 87.20%, dan SVM mencapai 85.8%. Sedangkan pada kasus personalisasi wajah, ELM mencapai performa 30.41%, kNN mencapai 25.41%, dan SVM mencapai 14.06%. *Human emotion recognition has been challenging issue in field of humancomputer interaction. In order to form an interaction that is more natural between human and computer, the computer should be able to discern and respond to human emotion. In this paper, an approach for recognizing human emotion is proposed. The proposed approach operates HAAR-classifier to detect mouth, eyes, and eyebrow on face. To extract features from them, it uses Gabor wavelet. Before classifying the features, PCA is performed to reduce its dimension. The proposed approach employs SLFNs with ELM as its learning algorithm to classify the features. In this experimental, the proposed approach is tested in two cases, personalize and generalize face case, with ten subjects expressing six basic emotions and neural state. The robustness of ELM is evaluated with comparing it to k-NN and SVM. In generalize face case, the recognition rate of ELM reaches 93.36%, k-NN obtains recognition rate 87.20%, and the performance of SVM reaches 85.8%. While in personalize face case, the ELM obtains 30.41%, the performance of k-NN reaches 25.41, and the recognition rate of SVM reaches 14.06%.

Item Type:	Thesis (Sarjana)
Additional Information:	1). Hamidillah Ajie, M.T ; 2). Widodo, M. Kom
Subjects:	Teknologi dan Ilmu Terapan > Teknik Elektronika
Divisions:	FT > S1 Pendidikan Teknik Informatika Komputer
Depositing User:	Users 8922 not found.
Date Deposited:	11 May 2022 03:36
Last Modified:	11 May 2022 03:36
URI:	http://repository.unj.ac.id/id/eprint/27912

Actions (login required)

View Item