Kombinasi Fitur Histogram of Oriented Gradients (HOG) dan Modified Local Binary Patterns (MLBP) Untuk Pengenalan Emosi Melalui Ekspresi Wajah

Oleh :
Qonita Nisa - M0520065 - Fak. Teknologi Informasi dan Sains Data

Pengenalan emosi melalui ekspresi wajah merupakan salah satu bidang penelitian penting dalam computer vision dan pemrosesan sinyal digital. Melalui perubahan pada fitur wajah seperti bentuk bibir, kerutan dahi, dan posisi alis, seseorang mampu mengenali emosi orang lain dengan cepat. Penelitian ini mengkombinasikan fitur HOG dan MLBP untuk mengatasi tantangan pengenalan emosi otomatis akibat variasi ekspresi wajah. HOG berperan dalam mengekstraksi tepi dan gradien citra, sementara MLBP yang merupakan gabungan konsep dari MB-LBP dan LBP standar digunakan untuk meningkatkan deteksi tekstur lokal secara detail. Setelah ekstraksi fitur MLBP, diterapkan Gaussian Smoothing untuk mengurangi noise dan menjaga stabilitas fitur MLBP. Klasifikasi yang digunakan adalah SVM dengan CK+ Dataset yang diklasifikasikan menjadi 6 kategori emosi. Hasil kombinasi fitur yang diusulkan memberikan peningkatan kinerja signifikan dengan mencapai akurasi dari seluruh prediksi sebesar 90,32%, lebih baik dibandingkan penggunaan masing-masing metode secara terpisah dan lebih baik dibandingkan penelitian yang menggunakan varian HOG saja atau LBP saja. Metode ini juga mengungguli penelitian kombinasi fitur seperti HOG+Uniform LBP dengan peningkatan akurasi 1,32%, dan pengurangan panjang fitur 89%. Meskipun panjang fiturnya tidak sesedikit penelitian kombinasi fitur seperti PHOG+ELBP, metode ini tetap unggul dengan akurasi lebih tinggi 0,8%, meski dengan input citra beresolusi rendah. Performa model dalam mengenali emosi seperti Disgust, Fear, Happiness, dan Surprise mencapai akurasi 100%, sementara kelas Anger dan Sadness masing-masing mencapai akurasi 75% dan 60%.