Implementasi Algoritma Hidden Markov Model Untuk Pengenalan Isyarat Wajah

Wajah manusia menyediakan banyak informasi, banyak hal menarik yang bisa diperhatikan, dan dipelajari secara intensif. Ketika manusia berinteraksi satu sama lain, mereka menggunakan berbagai macam isyarat dari wajah untuk menyampaikan informasi. Isyarat dari wajah yang terbentuk bisa menyampaikan ekspresi wajah tertentu. Pada penelitian sebelumnya mengenai pengenalan ekspresi wajah berdasarkan bentuk dan tekstur menggunakan metode SMOM dan ESTM, didapat kesimpulan bahwa metode yang digunakan menghasilkan persentase kebenaran yang kurang baik, sehingga penelitian mengenai pengenalan ekspresi wajah berdasarkan bentuk dan tekstur masih mungkin untuk dilakukan selanjutnya menggunakan metode lain. Maka penelitian ini dilakukan dengan implementasi metode Hidden Markov Model (HMM) untuk pengenalan isyarat wajah.Adapun tahapan proses penelitian ini yaitu setiap citra dilakukan praproses citra yaitu resize dengan ukuran 128x128, grayscale, deteksi tepi canny. Citra threshold deteksi tepi canny dibagi menjadi 4 bagian dengan ukuran 64x64 setiap bagiannya. Ekstraksi fitur Discrete Cousine Transform (DCT) pada setiap bagian, matriks setiap bagian DCT diubah menjadi vektor, ekstraksi fitur Principle Component Analysis (PCA) yang menghasilkan matriks 4x4 kemudian matriks tersebut diubah berbentuk vektor. Vektor nilai PCA diproses normalisasi agar nilai setiap vektor berbentuk bilangan bulat non-negatif. Hasil dari normalisasi tersebut dilakukan proses klasifikasi Hidden Markov Model (HMM). Hasil dari penelitian ini berupa data klasifikasi training sebanyak 120 data citra yang digunakan untuk mendeteksi ekspresi wajah secara waktu nyata untuk testing, dan menghasilkan output jenis ekspresi wajah yang dikenali. Berdasarkan hasil pengujian Confussion Matrix menggunakan 166 kali pendeteksian secara waktu nyata maka didapatkan nilai akurasi rata-rata 50% benar dalam klasifikasi dan 50% salah.

The human face provides a lot of information, a lot of interesting things that can be considered and studied intensively. When humans interact with each other, they use a wide range of facial cues to convey information. Cues from facial formed can convey certain facial expressions. In this research is the implementation of the method of Hidden Markov Model (HMM) for facial gesture recognition The stages of this research process that is carried out every image preprocessing that is resize images with 128x128, grayscale, canny edge detection. Result of threshold canny edge detection image is divided into four parts with each part with size 64x64. Feature extraction of Discrete Cousine Transform (DCT) on every part, every DCT matrix is converted into vectors, feature extraction Principle Component Analysis (PCA), which produces matrix with size 4x4 and then the matrix modified into a vector. Vector value of PCA processed normalized so the value of each vector in the form of integers non-negative. The results of the normalization process is carried classification Hidden Markov Model (HMM). The results of this study is use 120 data classification training of image data to detect facial expressions in real time for testing, and generate output types are recognizable facial expressions. Based on test results Confussion Matrix using 166 times the real-time detection accuracy value then obtained an average of 50% correct classification and 50% wrong.