<![CDATA[Ekspresi wajah memainkan peran penting dalam komunikasi non-verbal, sehingga klasifikasi ekspresi wajah menjadi topik penelitian yang signifikan dalam pengenalan pola dan visi komputer. Tantangan utama dalam klasifikasi ini adalah mengekstraksi fitur yang efektif dari citra wajah, mengingat kompleksitas informasi spasial dan frekuensi yang perlu dipertahankan. Stationary Wavelet Transform (SWT) dikenal mampu mempertahankan kedua jenis informasi ini, tetapi menghasilkan fitur dengan dimensi yang tinggi yang dapat meningkatkan beban komputasi dan risiko overfitting. Penelitian ini mengeksplorasi dan membandingkan dua metode ekstraksi fitur untuk klasifikasi ekspresi wajah: penggabungan SWT dengan Discrete Cosine Transform (DCT) untuk mengurangi dimensi fitur, dan SWT saja, dengan evaluasi kinerja menggunakan Multi-Layer Perceptron (MLP). Dataset CKPLUS digunakan dalam penelitian ini, di mana citra wajah melalui preprocessing termasuk histogram equalization, resize ke 48x48 piksel, konversi ke grayscale, dan denoising. Hasil pengujian menunjukkan bahwa model yang menggunakan fitur dari SWT saja memberikan akurasi (95%), presisi (95%), recall (95%), dan F1-score (94%) yang lebih tinggi dibandingkan dengan model yang menggunakan fitur dari kombinasi SWT dan DCT, yang menghasilkan akurasi (91%), presisi (89%), recall (91%), dan F1-score (81%). Temuan ini menyarankan bahwa dalam konteks klasifikasi ekspresi wajah, penggunaan SWT saja lebih optimal dibandingkan dengan penggabungan DCT.]]>
Copyrights © 2024
