Jurnal Teknologi Informasi dan Ilmu Komputer (Oct 2018)

Pengenalan Ekspresi Wajah Menggunakan DCT dan LDA untuk Aplikasi Pemutar Musik (MOODSIC)

  • I Gede Pasek Suta Wijaya,
  • Asno Azzawagaam Firdaus,
  • Aditya Perwira Joan Dwitama,
  • Mustiari Mustiari

DOI
https://doi.org/10.25126/jtiik.201855935
Journal volume & issue
Vol. 5, no. 5

Abstract

Read online

Masyarakat modern dengan kesibukan sehari-harinya tentu akan mendapat tekanan emosional yang cukup tinggi. Hal yang dilakukan untuk meredakan emosi tersebut adalah salah satu dengan mendengarkan musik. MOODSIC merupakan sebuah aplikasi yang dapat memutar musik sesuai dengan ekspresi wajah pengguna. Aplikasi MOODSIC dibangun menggunakan mesin pengenalan ekspres wajah berbasis DCT dan LDA serta algoritma klasifikasi statistik. Berdasarkan hasil pengujian secara off-line mesin pengenalan ekspresi wajah berhasil memberikan performa yang baik, dengan akurasi sebesar 100% untuk data masukkan terdiri atas fitur DCT 144 elemen, 6 eigen vektor LDA dan klasifikasi statistik jenis LDA. Mesin pengenalan ekspresi wajah memerlukan waktu pengenalan yang pendek yaitu 1 milidetik. Secara real-time MOODSIC memberikan hasil yang cukup baik dengan akurasi pengenalan ekspresi sebesar 91.51% atau dengan tingkat kesalahan pengenalan 9.49%. Abstract Modern society lifestyles face many activities every day, which make people receive a fairly high emotional stress. To reduce such kind of emotions can be treated by listening music. MOODSIC is an application that can play music according to the user's face expression. MOODSIC is developed using face expression recognition machine based on DCT, LDA and statistical classification algorithm. Based on offline testing result, face expression recognition machine successfully give good performance with accuracy of 100% when DCT features are 144 elements, 6 eigen vectors of LDA and kind of statistical classifier is LDA. The face expression recognition engine took shorter time to classification about 1 milliseconds. MOODSIC also give good performance with the accuracy of expression recognition about 91.51% or recognition error of 9,49% for real-time testing.

Keywords