Pengenalan Ekspresi Pada Raut Wajah Pada Keselamatan Berkendara Menggunakan Principal Component Analysis (pca) Dan Linear Discriminant Analysis (lda)

Abstract

Abstrak Keselamatan berkendara adalah suatu perilaku mengendarai kendaraan terutama mobil dengan mengutamakan keselamatan diri sendiri maupun pengguna jalan lainnya. Salah satu penyebab utama terjadinya kecelakaan disebabkan oleh manusia. Pada tugas akhir ini telah dirancang sistem pengenalan pada ekspresi raut wajah pengemudi menggunakan metode ekstraksi ciri Principal Component Analysis (PCA) dan klasifikasi Linear Discriminant Analysis (LDA). Metode PCA sebagai ekstraksi ciri bertujuan untuk mereduksi informasi tanpa harus menghilangkan informasi penting pada data, informasi yang direduksi bertujuan agar kinerja sistem menjadi lebih cepat dan akurat. Metode klasifikasi LDA memiliki kelebihan yaitu dapat memaksimumkan matriks kovarian antar kelas sekaligus meminimalkan matriks kovarian dalam kelas untuk menjaga keterpisahan dari kelas tersebut. Hasil dari penelitian ini adalah sistem pengenalan ekspresi wajah yang mampu mendeteksi ekspresi wajah dan mengklasifikasikannya ke dalam dua jenis ekspresi yaitu ekspresi mengantuk dan tidak mengantuk menggunakan data dari Yawning Detection Dataset (YawDD). Dengan jumlah 400 data yang terdiri dari 100 data latih dan 100 data uji pada dashboard serta 100 data latih dan 100 data uji pada mirror. Performansi yang dihasilkan dari sistem dengan tingkat akurasi sebesar 97% menggunkan metode Principal Component Analysis (PCA) dengan parameter eigenface sebagai ekstraksi fitur dan Linear Discriminant Analysis (LDA) menggunakan parameter Bayes Prior. Kata kunci: Ekspresi Wajah, PCA, Eigenface, LDA, Bayes Prior. Abstract Driving safety is a behavior of driving a vehicle, especially a car, prioritizing the safety of yourself and other road users. One of main causes of accidents caused by human itself. In this final project a driver's facial expression recognition system is designed using Principal Component Analysis (PCA) for feature extraction method and Linear Discriminant Analysis (LDA) as the classifier. The PCA method as feature extraction aims to reduce the information without eliminating main information from the data, the information that reduced is eliminated so that the system performance is get faster and more accurate. LDA classifier has advantages that are willing to maximise the betweenclass scatter matrix and minimize the within-class scatter matrix to maintain the separation between classes. The results of this study is a facial expression recognition systems that are able to detect a facial expressions and classify them into two types, they are drowsiness and tidak mengantuk expressions using data from Yawning Detection Dataset (YawDD). This dataset have 400 datas and divided into 100 test datas and 100 train datas for dashboard also 100 test datas and 100 train datas for mirror. The performance generated from the system are 97% accurate using the Principal Component Analysis (PCA) method with eigenfaces parameter as feature extraction and Linear Distance Analysis using Bayes Prior distance as the classification. Keywords: Facial Expression, PCA, Eigenfaces,LDA, Bayes Prior.