Pengenalan Ekspresi Wajah dalam Kondisi Tertutup Sebagian Menggunakan Pendekatan Model Parsial dan Pembelajaran Ansambel

Evangelions Felix Yehdeya Gonchenkov Sekhanya Dharmaputra, Wahyono, S.Kom., Ph.D.

2025 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Pengenalan ekspresi wajah (Facial Expression Recognition/FER) merupakan bidang penting dalam pengolahan citra dan interaksi manusia-komputer. Namun, pengenalan ekspresi menjadi jauh lebih menantang ketika sebagian wajah tertutup oleh objek seperti masker, yang umum terjadi dalam situasi pasca-pandemi. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan ekspresi wajah yang tetap akurat dalam kondisi wajah tertutup sebagian (partial occlusion), dengan memanfaatkan pendekatan Partial Part Model berbasis Support Vector Machine (SVM).

Dataset yang digunakan adalah MaskedFER2013 dengan total 31.116 citra grayscale berukuran 48×48 piksel dan terdiri atas tujuh kelas emosi. Citra dipartisi menjadi 2, 3, 4, dan 6 bagian untuk memungkinkan model mempelajari informasi lokal dari area wajah yang tidak tertutup. Fitur diekstraksi menggunakan Histogram of Oriented Gradients (HoG) dan setiap bagian wajah dilatih secara terpisah menggunakan SVM.

Model-model SVM dari tiap partisi digabungkan menggunakan teknik ensemble learning dengan menggunakan soft voting untuk menghasilkan keputusan akhir. Hasil eksperimen menunjukkan bahwa pendekatan parsial 4 bagian menghasilkan performa terbaik dengan akurasi sebesar 45%, Dengan demikian, pendekatan Partial Part Model berbasis SVM efektif digunakan dalam kondisi wajah tertutup sebagian.

Facial Expression Recognition (FER) is a critical task in the fields of image processing and human-computer interaction. However, recognizing facial expressions becomes significantly more difficult when parts of the face are occluded by objects such as medical masks, especially in post-pandemic scenarios. This research aims to develop a facial expression recognition system that remains accurate and reliable under partial occlusion conditions by utilizing a Partial Part Model approach based on Support Vector Machine (SVM).

The dataset used is MaskedFER2013, consisting of 31,116 grayscale facial images (48×48 pixels) across seven emotion classes. Images are partitioned into 2, 3, 4, and 6 facial regions, allowing the model to learn from visible, non-occluded areas. Features are extracted using Histogram of Oriented Gradients (HoG), and SVM classifiers are trained independently on each facial part.

The resulting models are combined through a soft voting ensemble strategy to produce final predictions. Experimental results demonstrate that the 4-part partition model achieves the best overall performance, with 45?curacy. These findings highlight that a part-based learning strategy significantly outperforms full-face approaches under occlusion. Therefore, the SVM-based Partial Part Model is proven effective in recognizing facial expressions under partially masked conditions.

Kata Kunci : Facial Expression Recognition, Partial Occlusion, Partial Part Model, Ensemble Learning, Support Vector Machine