Implementasi metode k-nearest neighborhood untuk deteksi emosi pada wajah

ABSTRAK:

Pengenalan ekspresi wajah merupakan hal baru dalam mempelajari cara menganalisis, mengenali dan perubahan fitur pada wajah. Pendeteksian wajah seseorang yang senang atau pun sedih dalam memainkan game dapat dijadikan parameter penentuan level Tingkat kepuasan pemain game. Pendeteksian pada wajah menggunakan sistem klasifikasi emosi wajah dengan metode KNN (K-Nearest Neighbor) berdasarkan jarak geometri fitur wajah. Metode ini memiliki kelebihan yaitu pelatihan yang cepat, algoritma sederhana dan mudah untuk dipelajari, tahan terhadap data latih yang memiliki noise dan efektif jika data besar. Selain itu metode hasil klasifikasi metode KNN sangat dipengaruhi oleh metode perhitungan jarak yang digunakan dan jumlah tetangga terdekat yang dipilih. Dalam penelitian ini, cara membangun model klasifikasi digunakan tiga buah metode penghitungan jarak, yaitu Euclidean, Mahattan dan Squared Chi-Square. Dari uji coba yang menggunakan nilai perbandingan 70:30 berupa 70% data latih dan 30% data uji. Hasil klasifikasi K-Nearest Neighbor pada perhitungan jarak (Euclidean, Manhattan, dan Squared Chi-Square) dievaluasi menggunakan confussion matrix. Pada Euclidean Distance nilai dari accuray 0.81, nilai precission 0.82, nilai recall 0.84, dan nilai f1-score 0.83. Pada Manhattan Distance nilai dari accuray 0.56, nilai precission 0.56, nilai recall 1, dan nilai f1-score 0.72. Pada Squared Chi-Square Distance nilai dari accuray 0.8, nilai precission 0.82, nilai recall 0.84, dan nilai f1-score 0.83.

ABSTRACT:

Facial expression recognition is a new way to learn how to analyze and modify
facial features. Detection of the face of someone who is happy or sad in playing the
game can be used as a parameter to determine the level of satisfaction of the game
player. Detection on faces uses a facial emotion classification system with the KNN
(K-Nearest Neighbor) method based on the geometric distance of facial features. In
this research, how to build a classification model using three methods of calculating
the distance, namely Euclidean, Mahattan and Squared Chi-Square. From trials
using a comparison value of 70:30 in the form of 70% training data and 30% test
data. The results of the K-Nearest Neighbor classification on distance calculations
(Euclidean, Manhattan, and Squared Chi-Square) were evaluated using a
configuration matrix. At Euclidean Distance, the accuracy value is 0.81, the
precission value is 0.82, the recall value is 0.84, and the f1-score is 0.83. At the
Manhattan Distance, the accuracy value was 0.56, the precission value was 0.56,
the recall value was 1, and the f1-score was 0.72. In the Squared Chi-Square
Distance the accuracy value is 0.8, the precission value is 0.82, the recall value is
0.84, and the f1-score is 0.83.

مستخلص البحث:

و اهيلع فرعتلاو هجولا حملام ليلتح ةيفيك ملعت في ا
ً
ديدج ا
ً
ئيش هجولا تايربعت ىلع فرعتلا دعي نكيم .اهيريغت
مدختسي .ةبعللا بعلا اضر ىوتسم ديدحتل رايعمك ةبعللا بعل في نيزح وأ ديعس صخش هجو فاشتكا مادختسا
ةقيرط مادختسبا هجولا رعاشم فينصت ماظن هوجولا ىلع فاشتكلااKNN (K-Nearest Neighbor)
يازبم ةقيرطلا هذه زيمتت .هجولا تازيلم ةيسدنلها ةفاسلما ىلع
ً
ءانب ةطيسبلا تايمزراولخاو عيرسلا بيردتلا يهو ،
ةفاضلإبا .ةيربك تناايبلا تناك اذإ ةلاعف نوكتو ءاضوض ىلع يوتتح تيلا بيردتلا تناايب ةمواقمو ، ملعتلا ةلوهسو
ةقيرطل فينصتلا ةجيتن ةقيرط رثأتت ، كلذ لىإKNN برقأ ددعو ةمدختسلما ةفاسلما باسح ةقيرطب ةدشب
راتخلما نايرلجا يهو ، تافاسلما باسلح قرط ثلاث فينصت جذونم ءانب ةيفيك تمدختسا ، ةساردلا هذه في .ني
( ةيديلقإEuclidean ) ( نتاهاموMahattan) ( ريوكس يشت عبرموSquared Chi-Square نم .)
ةنراقم ةميق مدختست تيلا براجتلا70:30 لكش في70 و بيردت تناايب ٪30تن مييقت تم .رابتخا تناايب ٪ جئا
فينصتK-Nearest Neighbor )ريوكس يشت عبرمو ، نتانهامو ، ةيديلقلإا( ةفاسلما تبااسح ىلع
ةقدلا ةميق غلبت ، ةيديلقلإا ةفاسملل ةبسنلبا .نيوكتلا ةفوفصم مادختسبا0.81 ةقدلا ةميقو ،0.82 ةميقو ،
عاجترسلاا0.84 ةجيتنلاو ،f1 يه0.83 في .Manhattan Distance غلبت ، ةقدلا ةميق0.56 ،
ةقدلا ةميقو0.56 ءاعدتسلاا ةميقو ،1 ةجيتنلاو ،f1 يه0.72 عبرم ةفاسم في .Chi-Square نوكت ،
ةقدلا ةميق0.8 ةقدلا ةميقو ،0.82 عاجترسلاا ةميقو ،0.84 ةجردو ،f1 يه0.83 .