Implementasi Kombinasi Fitur Geometris, LBP, dan HOG untuk Ekstraksi Fitur dengan Model Klasifikasi SVM pada Pengenalan Ekspresi Wajah
Tahun 2024 · Penulis: Putri Regita Saptaningtias
Faculty of Computer Science, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Penelitian ini fokus pada peran ekspresi wajah dalam proses komunikasi, dimana sebanyak 55% pesan yang diterima oleh manusia melibatkan elemen ekspresi tersebut. Meskipun demikian, tantangan-tantangan seperti variasi pencahayaan, pose, dan warna kulit mempersulit pengenalan ekspresi wajah. Tujuan utama penelitian ini adalah untuk mengenali dan memahami emosi yang terkandung dalam gambar wajah manusia dengan mengekstrak fitur-fitur seperti posisi, bentuk, dan perubahan kelengkungan pada area wajah. Dalam pendekatan eksperimentalnya, penelitian ini menggunakan dua jenis ekstraksi fitur, yaitu geometric based (Vectorized Landmark dan Landmark Curvature) dan appearanced based (Histogram of Oriented Gradients dan Local Binary Pattern). Proses pemodelan dalam penelitian ini memanfaatkan algoritma Support Vector Machine (SVM), di mana parameter-parameter yang digunakan yaitu kernel dan cost. Berbagai jenis kernel, seperti Radial Basis Function (RBF), poly, dan linear, diterapkan untuk melihat pengaruhnya terhadap hasil model. Rentang nilai cost yaitu [10−2, 10−1, 100, 101, 102,102.5, 103,103.5,104]. Untuk menemukan kombinasi optimal dari parameter-parameter ini, penelitian menggunakan metode grid search. Sebelum proses pemodelan dimulai, dilakukan proses feature scaling untuk memastikan keseragaman skala pada semua fitur. Penelitian ini kemudian dibagi menjadi empat kategori eksperimen: without smote and feature selection, without smote and using feature selection, using smote and without feature selection, using smote and without feature selection, dan using smote and feature selection. Pada kategori without smote and feature selection dilakukan skenario pada ketiga jenis data fitur yaitu fitur geometri saja, fitur tekstur saja, dan gabungan keduanya. Sementara pada kategori lainnya akan diimplementasikan pada gabungan data fitur tekstur dan geometri.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,838
Tahun 2024 · Penulis: Muhammad Amirul Mukminin
Optimasi Klasifikasi Gender Berdasarkan Citra Wajah Menggunakan OD-LBP
Skripsi ini mempersembahkan tentang penelitian di bidang Computer Vision yang bertujuan untuk menggabungkan dua metode ekstraksi fitur, yaitu Orthogonal Difference Local Binary Pattern dan Viola Jones, dalam upaya meningkatkan klasifikasi gender menggunakan ci
- Cosine 0,830
Tahun 2026 · Penulis: Nurifatul Laily
Implementasi Klasifikasi Penyakit Liver dengan Teknik Penanganan Data Tidak Seimbang Synthetic Minority Oversampling Technique – Edited Nearest Neighbor
Penyakit liver adalah istilah umum yang memaksudkan berbagai kelainan atau kelainan yang mempengaruhi liver, termasuk penyakit liver yang berlemak, sirosis, hepatitis, kanker hati, tumor hati, dan lainnya. Karena gejala non-spesifik, penyakit hati menantang un
- Cosine 0,825
Tahun 2026 · Penulis: Ahmad Ghulam Ramadhan Nugroho
Analisis Komparasi Kinerja Seleksi Fitur (CFS, LDA, dan OPLS-DA) Pada Electronic Nose Untuk Klasifikasi Mutu Kopi Arabika
Penggunaan instrumen Electronic Nose (E-Nose) untuk proses klasifikasi mutu kopi Arabika seringkali dihadapkan pada kendala fundamental berupa tingginya dimensi data serta masalah multikolinearitas ekstrem antar sensor. Fenomena tersebut dapat memicu terjadiny