ILHAM, Ahmad and Hadiyanto, Hadiyanto and Widodo, Catur Edi (2025) OPTIMALISASI EKSTRAKSI CIRI TEKSTUR MENGGUNAKAN METODE TAPIS MEDIAN DAN KASKADE HAAR PADA METODE HIBRID ANTARA HOG DAN VGG16 UNTUK PENGENALAN EKSPRESI WAJAH. Doctoral thesis, UNIVERSITAS DIPONEGORO.

	Text 01_Cover-Abstrak-1.pdf Download (274kB)
	Text 01_Cover-Abstrak.pdf Restricted to Repository staff only Download (3MB)
	Text 02_BAB I.pdf Download (458kB)
	Text 03_BAB II.pdf Download (2MB)
	Text 04_BAB III.pdf Restricted to Repository staff only Download (5MB)
	Text 05_BAB IV.pdf Restricted to Repository staff only Download (9MB)
	Text 06_BAB V.pdf Restricted to Repository staff only Download (370kB)
	Text 07_BAB VI.pdf Restricted to Repository staff only Download (440kB)
	Text 08_Daftar Pustaka.pdf Download (459kB)
	Text 09_Lampiran.pdf Restricted to Repository staff only Download (453kB)

Abstract

Pengenalan ekspresi wajah (PEW) memainkan peran penting dalam pengembangan interaksi manusia-komputer, tetapi tetap menjadi tantangan utama karena variabilitas pose wajah, pencahayaan, dan gangguan derau. Penelitian ini mengeksplorasi tiga pendekatan bertahap untuk meningkatkan akurasi dan ketahanan sistem FEC. Pada fase pertama, metode Histogram of Oriented Gradients-Modified Intensity Adaptive (HOG-MIA) dikembangkan untuk mengekstraksi pola tekstur geometris dasar. Fase kedua memperkenalkan Histogram of Oriented Gradients-Modified Intensity Adaptive Cascade Haar (HOG-MIACH), yang menunjukkan ketahanan lebih baik terhadap pencahayaan tidak merata. Fase terakhir mengusulkan metode Fusi HOG-MIACH dan VGG16 (F-HMV16), yang memadukan keunggulan analisis tekstur lokal dan fitur mendalam berbasis jaringan saraf konvolusional. Ketiga metode ini diuji menggunakan basisdata standar (CK+, JAFFE, FER2013, dan RaFDB) serta data waktu nyata untuk mengevaluasi generalisasi terhadap kondisi lingkungan kompleks. Hasil menunjukkan bahwa metode F-HMV16 yang dipadukan dengan Support Vector Machine (SVM) mencapai akurasi tertinggi dibandingkan metode sebelumnya. Pada basisdata standar, metode ini menunjukkan akurasi rata-rata 96,87%, sedangkan pada data waktu nyata mencapai 97,47%. Performa ini mengungguli pendekatan berbasis HOG-MIA dan HOG-MIACH, menunjukkan ketahanan terhadap variasi pose, pencahayaan, dan derau. Penelitian ini memberikan kontribusi signifikan dalam meningkatkan akurasi dan keandalan sistem PEW dengan aplikasi potensial dalam berbagai skenario, termasuk pengawasan cerdas dan teknologi kesehatan. Studi ini juga menyoroti pentingnya pendekatan hibrid dalam pengenalan ekspresi wajah. Penelitian lebih lanjut disarankan untuk mengintegrasikan teknik ekstraksi ciri tambahan, mengoptimalkan efisiensi komputasi, dan menguji model pada basisdata yang lebih besar untuk memperkuat generalisasi dalam aplikasi dunia nyata.
Kata kunci: Pengenalan ekspresi wajah, HOG-MIA, HOG-MIACH, F-HMV16, Jaringan Saraf Tiruan, Support Vector Machine

Facial expression classification (FEC) plays an important role in the development of human-computer interaction, but remains a major challenge due to the variability of facial poses, lighting, and noise interference. This research explores three phased approaches to improve the accuracy and robustness of FEC systems. In the first phase, the Histogram of Oriented Gradients-Modified Intensity Adaptive (HOG-MIA) method is developed to extract basic geometric texture patterns. The second phase introduced Histogram of Oriented Gradients-Modified Intensity Adaptive Cascade Haar (HOG-MIACH), which showed better robustness to uneven illumination. The last phase proposes the Fusion of HOG-MIACH and VGG16 (F-HMV16) method, which combines the advantages of local texture analysis and deep features based on convolutional neural networks. These three methods are tested using standard databases (CK+, JAFFE, FER2013, and RaFDB) as well as real-time data to evaluate generalization to complex environmental conditions. Results show that the F-HMV16 method combined with Support Vector Machine (SVM) achieves the highest accuracy compared to the previous methods. On the standard database, the method showed an average accuracy of 96.87%, while on real-time data it reached 97.47%. This performance outperformed the HOG-MIA and HOG-MIACH-based approaches, showing robustness to pose variation, lighting, and noise. This research makes a significant contribution in improving the accuracy and reliability of FEC systems with potential applications in various scenarios, including smart surveillance and healthcare technology. This study also highlights the importance of hybrid approaches in facial expression classification. Further research is recommended to integrate additional feature extraction techniques, optimize computational efficiency, and test the model on larger databases to strengthen generalization in real-world applications.
Keywords: Facial Expression Classification, HOG-MIA, HOG-MIACH, F-HMV16, Artificial Neural Network, Support Vector Machine

Actions (login required)

View Item