Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKMengenali emosi dasar seseorang melalui analisa komponen wajah bukanlah hal yang mudah. Untuk itu sampai saat ini penelitian pada bidang ini masih terus berkembang, seperti penelitian ini yang terinspirasi dari pekerjaan yang telah dikembangkan lebih dahulu oleh Dewiyanti (2018). Adapun kontribusi utama pada penelitian ini adalah meningkatkan akurasi pengenalan komponen wajah menggunakan pendekatan yang lebih mendalam dari ciri geometris yang sebelumnya digunakan yakni dengan menambahkan beberapa definisi ciri lain seperti rasio jarak pada alis dalam, hidung dan juga mata serta dengan menggunakan perhitungan tambahan dalam proses untuk mendapatkan nilai eccentricity. Selain itu hal lain yang dilakukan adalah melakukan training ulang AAM (Active Appearance Model) menggunakan dataset HELEN yang lebih representatif sehingga mendapatkan model yang lebih baik. Disamping itu juga dilakukan penambahan proses perbaikan kualitas citra sebelum proses fitting AAM.Dengan menggunakan semua kombinasi tersebut pada sistem pengenalan komponen wajah, penelitian ini mampu menghasilkan hasil akurasi yang lebih baik pada dataset yang sama yakni CK+ dari akurasi penelitian sebelumnya oleh Dewiyanti (2018) sebesar 97.99% menjadi sebesar 98.95% dan pada dataset lain seperti MUG dengan akurasi sebesar 93.18% serta akurasi sebesar 94.58% untuk dataset IMED yang pada penelitian sebelumnya belum diujicobakan.

---

ABSTRACTRecognizing a person's basic emotions through facial component analysis is not easy task. So until now research in this field is still evolving, like this research which is inspired by research from Dewiyanti(2018). The main contribution of this research is to improve the accuracy of recognition component of the face using an approach that is more profound than characteristic geometric previously used by adding some other features such as the ratio of the distance on inner eyebrows, nose and eyes as well asusing additional calculations in the process to get eccentricity value. Moreover, another thing is retrained the AAM (Active Appearance Model) with HELEN dataset to get more representative model. Beside that this research also put image preprocessing to improve the image quality which carried out before the AAM fitting process. By using all these combinations in recognition system of facial component, this study could yield better accuracy in the dataset similar and CK + on the accuracy of previous studies by Dewiyanti (2018) by 97.99% to 98.95% and on other datasets such as MUG with an accuracy of 93.18 % and an accuracy of 94.58% for Imed dataset which in previous studies has not been tested."

"Skripsi ini membahas tentang desain dan pengembangan sistem Fisiognomi otomatis, untuk menentukan kecenderungan kepribadian seseorang berdasarkan fitur yang ada di wajahnya. Fisiognomi adalah metode memprediksi karakteristik seseorang berdasarkan fitur wajah mereka. Setiap fitur wajah memiliki keunikan dan karakteristiknya masing-masing misalkan variasi jarak, bentuk secara keseluruhan, dan ukuran. Arsitektur sistem menggunakan algoritma Active Appearance Model untuk menandai koordinat landmark features/fitur-fitur wajah, dan Convolutional Neural Network untuk memprediksi kecenderungan kepribadian berdasarkan fitur wajah yang telah diekstraksi. Citra wajah digunakan sebagai data masukan yang diproses hingga akhirnya menampilkan kecenderungan kepribadian yang didapatkan. Simulasi menunjukkan bahwa masing-masing algoritma dapat melakukan fungsinya masing-masing dengan baik. Hasil simulasi menunjukan bahwa kombinasi pemrosesan citra menggunakan Active Appearance Model dan klasifikasi menggunakan Convolutional Neural Network menghasilkan jumlah prediksi Personality Traits yang sangat baik yaitu dengan nilai akurasi model sebesar 93.64% - 99,73%. Selain itu, model yang dibuat terbukti menghasilkan performa yang baik untuk proses klasifikasi dengan nilai true positive overall sebesar 88,34% - 100%. Metode ini juga dapat mendeteksi jumlah Personality Traits yang lebih banyak dibandingkan dengan menggunakan metode lain sebelumnya dengan jumlah sebanyak 28 Personality Traits yang dapat terdeteksi.

---

This bachelor thesis discusses the design and development of an automatic Physiognomy system, to determine a person's tendencies based on the features of its face. Physiognomy itself is a method of predicting a person characteristic based on their facial features. Each facial feature has its uniqueness and characteristics, such as variations in distance, overall shape, and size. The system architecture uses the Active Appearance Model algorithm for marking the coordinates of facial landmark features then, the Convolutional Neural Network to predict the personality traits based on that extracted facial features. The facial image that being used as input data is brought into the every step of the system and finally the system displays the personality of that person that is obtained. Simulations show that each algorithm can perform its respective functions well. The simulation results show that the combination of Image Processing for extracting facial features using the Active Appearance Model and Convolutional Neural Network for solving classification problems produces a very good number of personality traits predictions with a model accuracy value of 93.64% - 99.73%. In addition, the model made proved to produce a good performance for the classification process with a true positive overall value of 88.34% - 100%. This method can also detect a greater number of personality traits than other previous methods with the total of 28 personality traits that can be detected."