INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR

Transkripsi

1 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 INTEGRASI EKSTRAKSI FITUR LOCAL BINARY PATTERN DAN GRAY-LEVEL COOCCURENCE METRIX UNTUK PENGENALAN EKSPRESI MULUT PEMBELAJAR Azwar azwarunsan@gmal.com Fakultas Ilmu Komputer Unverstas Ichsan Gorontalo Abstrak elearnng mash dperhadapkan pada masalah-masalah elearnng Strategy, Content, Management, dan Evaluaton. selan tu adaptve elearnng system belum menerapkan strateg pembelaaran sehngga pembelaar mash sult mendapatkan nformas ekspres waah dar pemelaar. Hal n mempengaruh pola nteraks antara pembelaar dengan pemelaar, Sehngga proses pembelaaran tdak optmal. Pada peneltan n dkembangkan metode pengenalan ekspres ftur mulut pemelaar untuk mengdentfkas status ekspres waah pemelaar saat menggunakan elearnng dengan pengolahan ctra dgtal dan multclass support vector machne. Metode pengolahan ctra yang dgunakan adalah peggabungan ftur ekstraks local bnary pattern (LBP) untuk ekstraks ftur ctra, gray level co-occurrence matrx (GLCM) untuk ekstraks ftur tekstur dan multclass support vector machne untuk pengenalan ctra mulut pemelaar. Setelah ekstraks ftur dlakukan pelathan menggunakan multclass svm sebanyak 4 kal penguan dengan umlah data testng 10%, 0%, 30%, dan 40% dar data tranng. Tngkat keberhaslan yang tngg ddapatkan pada penguan dengan komposs data testng 10% dengan tngkat akuras 95%. Kata kunc: elearnng, Ctra, LBP, GLCM, MultclassSVM. 1. Pendahuluan Penddkan sekarang telah menad kebutuhan pokok yang harus dmlk setap orang agar bsa menawab tantangan kehdupan. Untuk memperoleh penddkan yang efektf dan efsen maka dcptakanlah elearnng. elearnng dapat memudahkan pemelaar dalam melakukan kegatan penddkan dan pembelaaran [1]. Dalam penerapannya, elearnng efektf dalam menyampakan pembelaaran ka ddukung oleh beberapa alat bantu elektronk sepert perangkat komputer dan nternet namun demkan elearnng mash dperhadapkan pada masalah-masalah elearnng Strategy, Content, Management, dan Evaluaton. selan tu adaptve elearnng system belum menerapkan strateg pembelaaran sehngga pembelaar mash sult mendapatkan nformas ekspres waah dar pemelaar. Hal n mempengaruh pola nteraks antara pembelaar dengan pemelaar, Sehngga proses pembelaaran tdak optmal. Peneltan untuk menyelesakan masalah tersebut mash arang dlakukan. Salah satu peran komputas cerdas untuk menyelesakan masalah tersebut, khususnya pada elearnng Strategy yang memlk empat kaan, yang berupa Learnng Style, Adaptve Strategy, Smulaton Strategy, dan Blended Learnng Strategy. Peneltan tentang Adaptve Strategy dapat dlakukan melalu Computer Vson dan Image Processng guna memaham ekspres waah pemelaar. Menurut Ekman ekspres emos dasar terdr dar 6 ekspres waah sepert bahaga, terkeut, marah, k, sedh, dan takut [] namun menurut may-png-loh et al. keenam ekspres dasar tersebut tdak sesua dengan ekspres pemelaar sehngga dgunakan 4 ekspres waah untuk mendefnskan ekspres pemelaar sepert neutral, smle, confuse dan sleepy [3]. Ekspres waah dapat dkenal berdasarkan perubahan cr/ftur pentng waah sepert pada mata, als dan mulut [4]. Berdasarkan hal tersebut peneltan n akan dfokuskan untuk mendapatkan cr dar ftur mulut dar beberapa ekspres ftur mulut sepert : mulut terbuka, mulut tertutup dan mulut tersenyum. Menurut Moses et al. waah netral dgambarkan dengan mulut tertutup tersenyum dengan sudut bbr dtark ke atas, waah sedh dengan sudut-sudut mulut tertutup serapat mungkn, Mulut terbuka dgambarkan dengan rahang bawah turun seauh mungkn, Senyum terbuka dgambarkan mrp dengan senyum, tetap dengan gg terlhat [5]. Ekspres dar ftur mulut tersebut akan dadkan sebaga target (class) untuk mengklasfkaskan ekspres dar ftur mulut pengguna elearnng. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 17

2 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017. Metode Model peneltan yang dlakukan adalah peneltan ekspermen, dapat dlhat pada Gambar.1 dagram alr peneltan : Gambar 1. Dagram Alr Metode Data yang dgunakan pada peneltan n merupakan data ctra mulut hasl segmentas. Data Ctra Mulut yang dgunakan sebanyak 04 ctra terdr dar mulut terbuka, mulut tertutup dan mulut tersenyum yang telah dsegmentas. Ctra yang dgunakan merupakan data ctra dar ftur mulut pemelaar yang berekstens (*.png). berkut beberapa ctra mulut hasl segmentas : Gambar. Dataset Ctra Mulut hasl segmentas Proses ekspermen akan dlakukan dengan melakukan ekstraks ftur terhadap data yang telah dkumpulkan. Ekstraks ftur menggunakan Local Bnary Pattern (LBP) dan Gray-Level Coocurence Matrx (GLCM), Hasl ekstraks ftur akan dklasfkaskan menggunakan Multclass Support Vector Machne (SVM). Sedangkan untuk mengukur knera dar model yang dbangun akan dgunakan confuson matrx..1. Lokas Pengamblan Data Lokas pengamblan data vdeo dlakukan pada suatu ruangan (ndoor) dengan konds pencahayaan normal... Poss Perangkat Kamera Perangkat kamera yang dgunakan untuk pengamblan data vdeo adalah kamera ens webcam dengan poss kamera frontal atau tepat berada ddepan pemelaar yang sedang bernteraks dengan sstem elearnng. Kemudan untuk pengaturan kamera webcam menggunakan pengaturan default dar perangkat tersebut. Gambar 3. Ilustras Pengguna Elearnng Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 18

3 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl Skenaro Pengamblan Data Data vdeo yang dgunakan untuk ekspermen pada peneltan n datur sedemkan rupa hngga setap adegan atau ekspres yang dlakukan oleh pemelaar tampak natural sebaga seseorang yang sedang bernteraks dengan sstem elearnng. Mater pada elearnng dsapkan sesua dengan ekspres mulut yang akan damat yakn mulut terbuka, tertutup, dan tersenyum. Setap ekspres yang damat dkonfrmaskan ke pemelaar. 3. Hasl dan Pembahasan 3.1 Ekstraks Ftur Local Bnary Pattern LBP bekera dengan melakukan pemberan label pxel pada suatu ctra berdasarkan thresholdng ketetanggaan dar setap pxel dan merepresentaskannya dalam bentuk bner [6]. Operas LBP yang dasar berbasskan dengan asums bahwa tekstur memlk aspek yang berkomplemen, yatu polanya dan dayanya. Kemudan LBP dusulkan sebaga unt tekstur vers dua tngkat untuk menggambarkan pola tekstur lokal [7]. Secara umum operator LBP dapat dgambarkan sebaga berkut : Gambar 4. Operator dasar LBP [6] Nla desmal dar 8 bt dar (Operator LBP) dapat dnyatakan dalam persamaan berkut [6] : P-1 P LBP P,R (x, cy c)= s(g - g P ) c (1) P=0 Dan fungs s(x) ddefnskan sebaga berkut : 1, x 0 s x = 0, x () Keterangan : P = Samplng Pont untuk mewakl umlah pxel tetangga Radus antara pxel pusat dan pxel tetangga R = g = Pusat pxel tetangga p g =Pxel tengah c Sebelum dlakukan ekstraks ftur dengan LBP maka data ctra hasl segmentas dkonves kedalam format grayscale, Kemudan nla pksel dar ctra grayscale ftur mulut dekstraks menggunakan Local Bnary Pattern. Berkut Proses ekstraksnya : a. Nla pksel dar ctra grayscale dpecah kebeberapa regon matrx 3x3 Gambar 5. Nla Pxel Ctra Grayscale dan Pembagan Regon b. Nla pxel ctra yang telah dpecah kedalam beberapa bentuk regon matrx 3x3 pxel dbandngkan ke setap nla threshold dar setap regon matrx. pada matrx tersebut yang dnyatakan sebaga nla threshold adalah nla pxel yang berada d tengah, kemudan nla pxel tetangga yang lebh kecl dar nla threshold tersebut akan dnyatakan dengan nla bner 0 dan nla pxel yang lebh besar atau sama dengan nla threshold akan dnyatakan dengan nla bner 1, hngga ddapatkan matrx bner. Selanutnya nla bnary yang dhaslkan dtulskan kedalam bentuk strng bner Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 19

4 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 dengan cara crcular dar kanan ke kr, operas tersebut dterapkan ke setap bagan regon ctra sebagamana delaskan sebelumnya. Gambar 6. Matrx 3x3 dan Matrx bner dar ctra c. Setap strng bner yang haslkan akan dlakukan penyatuan kembal untuk mendapatkan tekstur ctra secara keseluruhan. Gambar 7. Tekstur ctra keseluruhan Tekstur ctra yang ddapatkan selanutnya akan dekstraks menggunakan ekstraks ftur GLCM. ekstraks ftur GLCM akan menghaslkan nla attrbut dar ctra yang selanutnya dapat dgunakan untuk mengklasfkaskan ftur mulut. 3. Ekstraks Ftur Gray Level Co-Occurrence Matrx (GLCM) GLCM uga dkenal sebaga grey level dependency matrx yang ddefnskan sebaga sebuah hstogram dua dmens pada gray level yang dpsahkan oleh fxed spatal relatonshp [8]. Ekstraks ftur tekstur dambl dar empat arah (0 o, 45 o, 90 o, dan135 o ) dengan arak 1 pxel. Sedangkan pada gambar 6. menunukkan bagamana untuk menghaslkan matrks menggunakan arah 0 o dan dengan arak 1 pksel. Gambar 8. Arah dalam menghtung GLCM [8] Langkah Pertama untuk menghtung nla dar GLCM yatu menentukan arah dan arak yang akan dgunakan untuk menghtung nla ctra. Selanutnya menghtung umlah pksel yang berpasangan yang terbentuk dan kemudan membentuk matrx GLCM. Matrx GLCM yang terbentuk selanutnya dnormalsas. Berkut persamaan untuk membuat matrx ternomalsas : MatrxGLCMNorm = (3) Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 0

5 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Pada peneltan n akan dgunakan arak d = 1 dengan orentas sudut θ = 0 0, Berkut proses perhtungan matrks cooccurrence dengan arak d=1 dan sudut θ = 0 0. a. Matrx ctra hasl pengolahan dar LBP merupakan gray matrx untuk dolah dengan menggunakan GLCM, Pada kasus dbawah n dlustraskan skala ntenstas dar 10 sampa dengan 49. Gambar 9. Matrks asal, matrks hasl LBP Gambar 10. Gray Matrx dengan skala ntenstas 10 sampa 49 b. Menghtung semua matrx berpasangan untuk sudut θ = 0 0, Sudut 0 0 sama dengan sudut c. Setelah menentukan setap pasangan dar matrx, Selanutnya membentuk matrx GLCM Tabel 1. Matrx Cooccurence GLCM (10,10)=0 (10,40)=0 (10,48)=1 (10,49)=0 40 (40,10)=0 (40,40)=6 (40,48)= (40,49)=1 48 (48,10)=1 (48,40)= (48,48)=6 (48,49)= 49 (49,10)=0 (49,40)=1 (49,48)= (49,49)=0 d. Langkah selanutnya, Melakukan normalsas yatu matrxglcmnorm. Jumlah total nla Matrx GLCM= 4. Berkut tabel hasl normalsas matrx cooccurence : Tabel. Matrx Ternormalsas , ,5 0,0833 0, ,0417 0,0833 0,5 0, ,0417 0, e. Setelah ddapatkan matrx GLCM maka kta dapat menemukan statstc feature suatu ctra sepert kontras, korelas, energ dan homogentas, berkut hasl perhtungan setap feature GLCM : 1). Menghtung Nla Contrast Contrast = - p(, ) (4) dmana p(,) menyatakan nla pada bars dan kolom pada matrks Contrast = ( (0.0417)) + ( (0.0833)) + ( (0.0417)) + ( (0.0417))+ ( (0.0833)) + ( (0.0833)) + ( (0.0417)) + ( (0.0833)) Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 1

6 ISSN prnt ISSN onlne ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Contrast = (683.18) + (.331) + (3.3777) + (683.18) + (5.331) + (0.0833) + (3.3777) + (0.0833) Contrast = ). Menghtung Nla Correlaton N - 1 ( - μ )( - μ )p(, ) Correlaton = = 0 σσ N- 1 μ = (p(, )) =0 N- 1 μ = (p(, )) =0 N- 1 σ = p(, )( - μ ) =0 N- 1 σ = p(, )( - μ ) = (5) = (10 * (0.0417)) + (40 * (0.0833)) + (40 * (0.0417)) + (48 * (0.0417)) + (48 * (0.0833)) + (48 * (0.0833)) + (49 * (0.0417)) + ( 49 * (0.0833)) = 5, , , , , , , ,7417 = = (48 * (0.0417)) + (48 * (0.0833)) + (49 * (0.0417)) + (10 * (0.0417)) + (40 * (0.0833)) + (49 * (0.0833)) + (40 * (0.0417)) + (48 * (0.0833)) = 10, , , , ,99 + 0, , ,6584 = ((0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + σ = (0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + (0,0833 * ( ) )) 86,89696 ((0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) σ = +(0,0417 * ( ) ) + (0,0833 * ( ) ) + (0,0833 * ( ) ) + (0,0417 * ( ) ) + (0,0833 * ( ) )) 86,89696 Correlaton = ((( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+(( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+(( )*( )*(0.0833)/(86,89696*86,89696))+((49- Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved

7 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl )*( )*(0.0417)/(86,89696*86,89696))+(( )*( )*(0.0833))) / (86,89696*86,89696) Correlaton = ). Menghtung Nla Energ ISSN prnt ISSN onlne ASM = p(, ) (6) ASM = (0,0417) + (0,5) + (0,0833) + (0,0417) + (0,0417) + (0,0833) + (0,5) + (0,0833) + (0,0417) + (0,0833) \ ASM = 0, ). Mencar Nla Homogentas p(, ) I DM = (7) 1+ - IDM = (0,0417 / ( )) + (0,5 / ( )) + (0,0833 / ( )) + (0,0417 / ( )) + (0,0417 / ( )) + (0,0833 / ( )) + (0,5 / ( )) + (0,0833/ ( )) + (0,0417 / ( )) + (0,0833 / ( )) IDM = Klasfkas Ftur Mulut Hasl ekstraks ftur yang ddapatkan dar setap ctra dsusun kedalam bentuk data tranng dan data testng yang dgunakan untuk melakukan test terhadap model yang sudah dbentuk dengan menggunakan metode klasfkas multclass SVM. Berkut beberapa hasl dar pengenalan ekspres mulut pemelaar. Gambar 11. Hasl ekstraks dan klasfkas ftur mulut tertutup dan mulut terbuka Gambar 1. Hasl ekstraks dan klasfkas ftur mulut tersenyum 3.4 Evaluas Evaluas Model dlakukan dengan melakukan pembagan data berdasarkan persentase penguan dar data tranng. Persentase yang dgunakan yakn 10%, 0%, 30% dan 40% dar data tranng yang dgunakan sebaga data testng. Berkut hasl evaluas yang ddapatkan. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 3

8 ILKOM Jurnal Ilmah Volume 9 Nomor 1 Aprl 017 Tabel 1. Hasl Pengukuran knera dar model Persentase Penguan Pengukuran 10 % 0 % 30 % 40 % Accuracy % % % % Error Rate 5.00 % 1.50 % % 4.69 % Tme (Second) ISSN prnt ISSN onlne Akuras maksmal pada penguan n ddapatkan pada persentase data testng 10% yatu tngkat akuras sebesar 95% dengan tngkat kesalahan 5%. Data tranng sangat berpengaruh terhadap tngkat akuras klasfkas sstem. 4. Kesmpulan dan saran Berkut kesmpulan dar peneltan yang telah dlakukan dan saran untuk pengembangan peneltan yang berkatan d masa mendatang. 4.1 Kesmpulan Dar peneltan yang telah dlakukan dapat dsmpulkan beberapa hal yatu : 1. Metode pengolahan ctra dgtal dengan metode ekstraks ftur Local Bnary Pattern dan Gray Level Co-occurrence Matrx yang kemudan dklasfkaskan menggunakan Multclass SVM dapat dmplementaskan untuk mengklasfkaskan ftur mulut dar ekspres pemelaar sehngga dapat dadkan masukan dalam penerapan Adaptve elearnng System.. Dengan menggunakan penggabungan metode ekstraks ftur Local Bnary Pattern dan Gray Level Co-occurrence Matrx yang dklasfkaskan dengan Multclass SVM mampu melakukan klasfkas ftur mulut pemelaar dengan akuras 95% dengan komposs pembagan dataset tranng sebanyak 90% dan data testng 10%. 4. Saran Adapun saran-saran untuk pengembangan dan modfkas ke arah yang lebh bak. 1. Perlu dlakukan perbakan bagan akuss ctra, dengan pengaturan pencahayaan bak ntenstas, sudut pencahayaan dan pemlhan kamera yang dgunakan untuk akuss ctra dar ftur mulut.. Untuk melanutkan peneltan pengenalan ekspres waah pemelaar dharapkan penambahan ftur lan dar waah pemelaar sepert mata dan als. Daftar Pustaka [1] Yulyant S. D., Pembelaaran Dengan Menggunakan Alat Elektronka (E Learnng), Unverstas Neger Surabaya. [] P. Ekman. 198 Emoton n the Human Face. Cambrdge. Cambrdge Unversty Press. [3] M. Loh, Y. Wong, C. Wong Facal Expresson Recognton for ELearnng Systems usng Gabor Wavelet & Neural Network. [4] S. Ghozal, B. Yusuf, A. Jazde, Pengenalan Emos Akadems menggunakan Jarngan Syaraf Truan untuk Mendukung Personalsas Sstem E-learnng Insttut Teknolog Sepuluh Nopember. [5] Y. Moses, D. Reynard, and A. Blake Determnng Facal Expressons n Real Tme, pp [6] Ahonen, Tmo, Abdenour Hadd, and Matt Petkänen. 004."Face recognton wth local bnary patterns." Computer vson-eccv. Sprnger Berln Hedelberg, [7] A. W. S. Fardlah Iqram, Budman Gelar, Desgn And Analyss Of Car Feature Detector System Based On Androd Moble Phone. Insttut Teknolog Telkom, Bandung. [8] Gadkar, Dhanashree Image qualty analyss usng GLCM. Dss. Unversty of Central Florda Orlando, Florda. Copyrght 017 ILKOM Jurnal Ilmah -- All rghts reserved 4