SINERGI Vol. 20, No. 1, Februari 2016: 74-80 IDENTIFIKASI EMOSI BERDASARKAN ACTION UNIT MENGGUNAKAN METODE BÉZIER CURVE Puji Aswari, Nova Eka Diana Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas YARSI Jl. Let. Jend. Supraptro, Cempaka Putih, Jakarta 10510 Email: aswari.puji@gmail.com; nova.diana@yarsi.ac.id Abstrak -- Ekspresi wajah menjadi bahasa yang universal. Bahkan perubahan ekspresi wajah dapat membantu pengambilan keputusan. Pada tahun 1972, Paul Ekman mengklasifikasikan emosi dasar manusia ke dalam enam jenis: senang, sedih, terkejut, marah, takut, dan jijik. Kemudian Ekman dan Wallace Friesen mengembangkan sebuah alat untuk mengukur pergerakan pada wajah yang disebut Facial Action Coding System (FACS). FACS menentukan ekspresi wajah berdasarkan pergerakan otot wajah, yang diistilahkan Action Unit (AU). Penelitian ini bertujuan untuk mengetahui emosi tertarik yang dialami seseorang berdasarkan AU yang telah ditentukan oleh Paul Ekman dengan cara membandingkan dua buah citra, yaitu citra wajah tanpa ekspresi dan citra wajah berekspresi. Hasil penelitian ini memperoleh sebuah aplikasi yang mampu mengidentifikasi emosi tertarik dengan akurasi sebesar 80%, True Positive Rate 80%, dan True Negative Rate 80%. Dengan adanya penelitian ini diharapkan dapat diketahui karakteristik action unit yang membentuk emosi tertarik, juga memberikan masukan bagi proses evaluasi belajar mengajar mata kuliah pemrograman. Kata kunci: emosi, action unit, identifikasi emosi Abstract -- Face expression is universal language. In fact, face expression can help decision making. In 1972, Paul Ekman classified basic human emotion into six: happy, sad, surprised, angry, afraid, and disgust. Then, Ekman and Wallace Friesen develop a tool to measure movement of facial muscles called Facial Action Coding System (FACS). It determines facial expression based on facial muscles movement, called Action Unit (AU). This research aims to find excited emotion based on AU which has determined by Paul Ekman, by comparing two facial images, neutral face and expression face. We crop those images so we had face-only images, get the curve using Bézier Curve, calculate the distance using Euclidean Distance, check the rules using Inference Rules, and sum the weight from every face features. From this study, we obtained an application that has 80% accuracy, 80% True Positive Rate, and 80% True Negative Rate. With this application, we expect to know the characteristics of excited emotion, and give advices for evaluation of teaching and learning process in programming courses. Keywords: emotion, action unit, emotion identification PENDAHULUAN Menurut Hockenbury & Hockenbury, sebagaimana dikutip oleh Cherry (Cherry, 2015), emosi adalah kondisi psikologis yang kompleks yang melibatkan tiga komponen yang berbeda: pengalaman subjektif, respon fisiologis, dan perilaku atau respon ekspresif. Pengalaman subjektif adalah emosi yang dialami seseorang berkaitan tentang pengalaman atau keadaan tertentu. Para periset di bidang psikologi mempercayai bahwa setiap orang memiliki respon emosi yang berbeda terhadap suatu keadaan. Emosi tersebut dapat menjadi kompleks atau sukar didefinisikan. Respon fisiologis yang terjadi ketika emosi terbentuk atau berubah misalnya rasa mual atau tubuh mengeluarkan keringat dingin karena cemas, bahkan menangis karena bahagia. Sedangkan respon ekspresif yang terjadi ketika emosi terbentuk atau berubah dapat dilihat 74 dengan jelas melalui bahasa tubuh atau perubahan ekspresi wajah. Pengambilan keputusan dapat dilakukan dengan mendeteksi emosi seseorang. Psikiater dapat menentukan pasien menderita kelainan jiwa melalui beberapa indikator. Salah satunya adalah melalui kecepatan perubahan emosi yang disertai dengan perubahan ekspresi wajah yang dilakukan oleh orang tersebut. Pihak kepolisian dapat mengetahui seorang tersangka sedang berbohong atau berkata jujur ketika wawancara dengan penyidik dengan melihat perubahan mimik wajah tersangka, sehingga dapat ditentukan tindakan yang tepat. Berbagai penelitian telah dilakukan untuk terus menggali perkembangan emosi manusia. Salah satunya adalah penelitian yang dilakukan oleh Paul Ekman, psikolog Amerika, pada tahun 1972. Paul Ekman mengklasifikasikan emosi Puji Aswari, Identifikasi Emosi berdasarkan Action Unit ISSN: 1410-2331 dasar manusia ke dalam enam jenis: senang, sedih, terkejut, marah, takut, dan jijik. Kemudian Ekman dan Wallace Friesen mengembangkan sebuah alat untuk mengukur pergerakan pada wajah yang disebut Facial Action Coding System (FACS) (Tong etc., 2007).. FACS menjadi salah satu alat untuk mendeteksi ekspresi wajah manusia (Paul Ekman Group, 2015). Sistem ini memetakan pergerakan otot wajah ke dalam Action Unit (AU). AU terdiri dari 46 jenis. Beberapa diantaranya adalah kenaikan alis bagian dalam (AU1) dan kenaikan dagu (AU17). Pergerakan beberapa otot pada wajah dapat menghasilkan sebuah ekspresi dan beberapa ekspresi dapat menghasilkan sebuah emosi. Tabel 2.Total Action Unit Nomor AU 0 1 2 KAJIAN PUSTAKA Action Unit Action Unit adalah penentu terbentuknya sebuah ekspresi dalam Facial Action Coding System (FACS). Paul Ekman & Wallace Friesen menciptakan AU untuk memetakan pergerakan yang terjadi pada otot wajah. Total terdapat 46 AU dalam FACS (Robotics Institute Carnegie Mellon University, 2002). Penentuan fitur wajah yang mempengaruhi perubahan ekspresi didasarkan pada citra dijital 8 mahasiswa dengan emosi yang sama, yaitu emosi tertarik. Setiap mahasiswa diminta untuk berfoto lima kali dengan ekspresi tersebut. Berdasarkan pengamatan dari kumpulan citra 8 orang mahasiswa tersebut, dapat diketahui fitur-fitur wajah yang banyak berpengaruh terhadap emosi tertarik yaitu alis, mata, dan mulut (Tabel 1). Tabel 1. Foto 8 Mahasiswa dengan Ekspresi Tertarik Puji Aswari, Identifikasi Emosi berdasarkan Action Unit FACS Name Neutral Face Inner Brow Raiser Outer Brow Raiser 4 Brow Lowerer 5 Upper Lid Raiser 6 Cheek Raiser 7 Lid Tightener 9 Nose Wrinkler 10 11 Upper Lip Raiser Lip Corner Puller 12 Cheek Puffer 14 Dimpler 15 Lip Corner Depressor 16 17 Lower Lip Depressor Chin Raiser 18 Lip Puckerer 20 22 23 24 25 Lip Stretcher Lip Funneler Lip Tightener Lip Pressor Lips Part 26 Jaw Drop 27 28 Mouth Stretch Lip Suck 41 Lid droop 42 Slit 43 Eyes Closed 44 Squint 45 Blink 46 Wink 51 52 53 54 55 56 57 58 61 62 63 64 Head Turn Left Head Turn Right Head Up Head Down Head Tilt Left Head Tilt Right Head Forward Head Back Eyes Turn Left Eyes Turn Right Eyes Up Eyes Down Muscular Basis frontalis (pars medialis) frontalis (pars lateralis) depressor glabellae, depresor supercilii, corrugator supercilii levator palpebrae superioris orbicularis oculi, pars orbitalis orbicularis, pars palpebralis levator labii superioris alaquae nasi levator labii superioris zygomaticus Major levator anguli oris (a.k.a caninus) buccinator depressor anguli oris (a.k.a triangularis) depressor labii inferioris mentalis incisivii labii superioris and incisivii labii inferioris risorius with platysma orbicularis oris orbicularis oris oribcularis oris depressor labii inferioris masseter, relaxed temporalis and internal pterygoid pterygoids, digastric orbicularis oris Relaxation of levator palpebrae superioris orbicularis oculi Relaxation of levator palpebrae superioris, orbicularis oculi, pars palpebralis orbicularis oculi, pars palpebralis Relaxation of levator palpebrae superioris; orbicularis oculi, pars palpebralis Relaxation of levator palpebrae superioris, orbicularis oculi pars palpebralis 75 SINERGI Vol. 20, No. 1, Februari 2016: 74-80 Penentuan action unit yang mempengaruhi pembentukan ekspresi tertarik juga mengacu pada contoh ekspresi tertarik yang direpresentasikan oleh model pada situs http://www.faceturn.com seperti yang tampak pada Gambar 1. Situs yang dibuat oleh Diana McDowell, Jordan Finch, dan Brittany Oldroyd pada tahun 2011 telah menjadi salah satu acuan dalam penelitian ini. Sumber tersebut dipilih karena berisi beberapa contoh ekspresi wajah berikut penjelasannya mengenai otot wajah bagian apa saja yang berperan membentuk sebuah ekspresi. Pengguna dapat memilih ekspresi wajah yang diinginkan dan perbedaannya tampak jelas untuk setiap ekspresi yang ada. Situs yang dibuat oleh Diana McDowell, Jordan Finch, dan Brittany Oldroyd pada tahun 2011 telah menjadi salah satu acuan dalam penelitian ini. Sumber tersebut dipilih karena berisi beberapa contoh ekspresi wajah berikut penjelasannya mengenai otot wajah bagian apa saja yang berperan membentuk sebuah ekspresi. Pengguna dapat memilih ekspresi wajah yang diinginkan dan perbedaannya tampak jelas untuk setiap ekspresi yang ada. Tabel 3.Action Unit yang Berpengaruh Action Unit yang Berpengaruh Emosi Tertarik Nomor Action Unit 1 2 5 27 Fitur Wajah Otot Wajah Alis bagian dalam naik Alis bagian luar naik Kelopak mata naik Mulut tertarik Frontalis, pars medialis Frontalis, pars lateralis Levator palpebrae superioris Pterygoids, Digastric AU 1 dan AU 2 dipilih karena perubahan tinggi dan lebar otot pars medialis dan pars lateralis berpengaruh terhadap gerakan alis mata, baik di pangkal (alis bagian dalam) maupun di ujung alis (alis bagian luar). AU 5 dipilih karena otot wajah yang direpresentasikan oleh action unit tersebut (levator palpebrae superioris) mempengaruhi kenaikan kelopak mata yang menyebabkan mata tampak membesar atau mengecil. Sedangkan AU 27 (pterygoids, digastric), yang ototnya terdapat pada rahang dan pipi, mempengaruhi terbukanya mulut. Bézier Curve Bézier Curve adalah sebuah teknik untuk menggambar garis lengkung pada citra dua dimensi. Teknik ini biasa digunakan dalam grafis komputer, animasi, dan pemodelan. Bezier Curve dipopulerkan oleh Pierre Bézier pada tahun 1960an untuk pembuatan badan mobil Renault. Teknik ini mendefinisikan lengkungan pada empat titik: posisi awal dan posisi akhir lengkungan (anchor) di P0 dan P3 dan dua titik tengah yang terpisah (handles) di P1 dan P2 (dapat dilihat pada Gambar 2). P1 dan P2 dinamakan control point yang berguna untuk menentukan arah lengkungan (Buss, 2003). P1 P2 Gambar 1. Representasi Ekspresi Tertarik (McDowell, et al., 2011) Situs tersebut menjelaskan karakteristik ekspresi tertarik, antara lain: 1. Mulut yang terbuka lebar 2. Mata yang membesar sampai ke ukuran maksimal 3. Kenaikan kedua alis mata. Emosi yang menjadi keluaran dari aplikasi deteksi emosi ditentukan oleh aturan-aturan. Pergerakan yang dihasilkan oleh alis, mata, dan mulut dihitung dan diperiksa apakah sudah sesuai dengan aturan-aturan yang ditetapkan. 76 P0 P3 Gambar 2. Empat Titik Bézier Curve q(u)  B0(u) p0  B1(u) p1  B2(u) p2  B3(u) p3 (1) Pada penelitian ini, implementasi Bézier Curve yang menggunakan Application Programming Interface (API) Java Development Puji Aswari, Identifikasi Emosi berdasarkan Action Unit ISSN: 1410-2331 Kit (JDK) 8 yang terdapat di dalam class Path2D.Double. Library yang dimiliki Java menyediakan method siap pakai untuk menggambar sebuah lengkungan menggunakan method .moveTo(double x, double y) untuk titik awal (titik P0) dan .curveTo(double x1, double y1, double x2, double y2, double x3, double y3) untuk control point (titik P1 dan P2) dan titik akhir-nya (titik P3) seperti yang direpresentasikan pada Gambar 2. Keterangan parameter-parameternya diperlihatkan pada Tabel 4. Tabel 4. Keterangan Parameter Method .moveTo dan .curveTo Nama Method .moveTo(double x, double y) .curveTo(double x1, double y1, double x2, double y2, double x3, double y3) Keterangan Parameter double x: titik P0 sumbu x double y: titik P0 sumbu y double x1: titik P1 sumbu x double y1: titik P1 sumbu y double x2: titik P2 sumbu x double y2: titik P2 sumbu y double x3: titik P3 sumbu x double y3: titik P3 sumbu y Koordinat alis, mata, dan mulut ditentukan secara manual untuk didapatkan titik awal, titik akhir, dan control point yang akan menentukan arah curve. Kemudian titik-titik tersebut dimasukkan ke dalam variabel yang menjadi parameter dari method.moveTo(double x, double y), .endTo(double x, double y), dan .curveTo(double x1, double y1, double x2, double y2, double x3, double y3). Jika titik awal alis mata kiri ditentukan di koordinat (55,88), titik akhir ditentukan di koordinat (146, 98) dan control point ditentukan di koordinat (81,62), maka penggunaan method .moveTo dan .curveTo adalah sebagai berikut: Path2D.Double leftEB = new Path2D.Double(); leftEB.moveTo(55, 88); leftEB.curveTo(81, 62, 81, 62, 146, 98); Selain digunakan untuk menggambar curve pada fitur-fitur wajah, Bézier Curve juga digunakan untuk mendapatkan jarak panjang (height) dan lebar (width) setiap fitur wajah. Untuk mendapatkan nilai height, dilakukan pengambilan setiap koordinat yang dilalui oleh curve tersebut, kemudian dicari titik tertinggi dan titik terrendahnya. Gambaran penggunaannya dapat dilihat pada Gambar 3. Gambar 3. Ilustrasi Penggunaan Bézier Curve untuk Mencari Titik Tertinggi dan Titik Terrendah dari Mata Sedangkan untuk mendapatkan nilai width, ditentukan titik awal dan titik akhir dari curve, kemudian dihitung jarak dari keduanya. Gambaran penggunaannya dapat dilihat pada Gambar 4. Gambar 4. Ilustrasi Penggunaan Bézier Curve untuk Mencari Titik Awal dan Titik Akhir dari Mata Euclidean Distance Euclidean Distance adalah salah satu metode yang umum digunakan untuk pengukuran jarak. Metode ini membandingkan dua koordinat dua dimensi yaitu (x1, y1) dan (x2, y2). Selain digunakan untuk mengukur dua dimensi, juga dapat digunakan untuk mengukur satu atau tiga dimensi. Dalam penelitian ini, digunakan pengukuran Euclidean Distance dua dimensi dengan rumus sebagai berikut: (2) Keterangan: d = jarak = sumbu x dari koordinat pertama = sumbu y dari koordinat pertama = sumbu x dari koordinat kedua = sumbu y dari koordinat kedua Aturan Inferensi Aturan Inferensi (rule of inference) adalah penalaran matematis yang digunakan untuk menentukan apakah suatu argumen logis dinyatakan benar atau salah. Aturan ini menghubungkan sekumpulan pernyataan (premis) sebagai langkah-langkah yang harus dibuktikan kebenarannya (konklusi). Proses atau prosedur dalam inferensi disebut argumen Puji Aswari, Identifikasi Emosi berdasarkan Action Unit 77 SINERGI Vol. 20, No. 1, Februari 2016: 74-80 (Baker, 2013). Dari action unit yang telah ditentukan sebelumnya, ditentukan beberapa aturan (rule). Rule dibagi menjadi tiga bagian sesuai fitur wajah: rule untuk alis, rule untuk mata, dan rule untuk mulut. Untuk menentukan citra pengujian termasuk citra berekspresi tertarik atau tidak, dilakukan pembobotan. Setiap perubahan fitur wajah, dihitung jaraknya, kemudian jarak fitur wajah dari dua citra tersebut dibandingkan sesuai aturan inferensi. Pembobotan dilakukan untuk mempermudah penentuan ekspresi citra pengujian. Semakin mirip citra pengujian dengan standar ekspresi wajah tertarik, maka bobotnya semakin besar. Untuk alis, dikenakan bobot paling tinggi sebesar 0,2. Untuk mata dan mulut, bobot paling tinggi sebesar 0,4.. Aturan inferensinya dapat dilihat pada Tabel 5. Pembobotan dilakukan untuk mempermudah penentuan ekspresi citra pengujian. Semakin mirip citra pengujian dengan standar ekspresi wajah tertarik, maka bobotnya semakin besar. Untuk alis, dikenakan bobot paling tinggi sebesar 0,2. Untuk mata dan mulut, bobot paling tinggi sebesar 0,4. Pemberian bobot untuk masing-masing fitur wajah berdasarkan pada lengkungan yang dibentuk ketika ekspresi wajah menunjukkan emosi tertarik. Karena alis hanya memiliki satu garis lengkung, maka diberi bobot 0,2. Karena mata dan mulut memiliki lengkung atas dan bawah, maka diberi bobot 0,4. Jika dijumlahkan semua bobotnya, akan didapat hasil 1 jika bentuk alis, mata, dan mulut sesuai dengan ekspresi tertarik yang tampak seperti pada Tabel 2 dan Gambar 1. RULE MATA Tabel 5. Aturan Inferensi RULE ALIS MATA 78 IF ( (eLeftEyebrowHeight > nLeftEyebrowHeight AND eLeftEyebrowWidth <= nLeftEyebrowWidth) OR (eRightEyebrowHeight > nRightEyebrowHeight AND eRightEyebrowWidth <= nRightEyebrowWidth)) THEN eyebrowWeight = 0,2 IF ( (eLeftEyebrowWidth <= nLeftEyebrowWidth AND eRightEyebrowWidth <= nRightEyebrowWidth) AND (eLeftEyebrowHeight < nLeftEyebrowHeight AND eRightEyebrowHeight < nRightEyebrowHeight)) THEN eyebrowWeight = 0,1 IF ( (eLeftEyebrowWidth <= nLeftEyebrowWidth) AND RULE MULUT (eRightEyebrowWidth <= nRightEyebrowWidth)) THEN eyebrowWeight = 0,1 IF ( ((eLeftEyebrowHeight > nLeftEyebrowHeight) OR (eRightEyebrowHeight > nRightEyebrowHeight)) AND (eRightEyebrowWidth <= nRightEyebrowWidth) AND (eLeftEyebrowWidth <= nLeftEyebrowWidth)) THEN eyebrowWeight = 0,1 IF ( (eLeftEyeHeight > nLeftEyeHeight AND eLeftEyeWidth > nLeftEyeWidth) OR (eRightEyeHeight > nRightEyeHeight AND eRightEyeWidth > nRightEyeWidth)) THEN eyeWeight = 0,4 IF ( (eLeftEyeWidth > nLeftEyeWidth AND eRightEyeWidth > nRightEyeWidth) AND (eLeftEyeHeight > nLeftEyeHeight AND eRightEyeHeight > nRightEyeHeight)) THEN eyeWeight = 0,3 IF ( (eLeftEyeWidth > nLeftEyeWidth) AND (eRightEyeWidth > nRightEyeWidth)) THEN eyeWeight = 0,2 IF ( ((eLeftEyeHeight > nLeftEyeHeight) OR (eRightEyeHeight > nRightEyeHeight)) AND (eRightEyeWidth > nRightEyeWidth) AND (eLeftEyeWidth > nLeftEyeWidth)) THEN eyeWeight = 0,1 IF ( (eMouthHeight > nMouthHeight) AND (eMouthWidth > nMouthWidth)) THEN eyeWeight = 0,4 Keterangan: eLeftEyebrowHe ight eLeftEyebrowWi dth nLeftEyebrowHe ight nLeftEyebrowWi dth eRightEyebrowH eight = Jarak panjang alis kiri citra tertarik = Jarak lebar alis kiri citra tertarik = Jarak panjang alis kiri citra netral = Jarak lebar alis kiri citra netral = Jarak panjang alis kanan citra tertarik Puji Aswari, Identifikasi Emosi berdasarkan Action Unit ISSN: 1410-2331 eRightEyebrow Width nRightEyebrowH eight nRightEyebrow Width eyebrowWeight eLeftEyeHeight eLeftEyeWidth nLeftEyeHeight nLeftEyeWeight eRightEyeHeight eRightEyeWidth nRightEyeHeight nRightEyeWidth eyeWeight eMouthHeight eMouthWidth nMouthHeight nMouthWidth mouthWeight = Jarak lebar alis kanan citra tertarik = Jarak panjang alis kanan citra netral = Jarak lebar alis kanan citra netral = Bobot nilai fitur alis = Jarak panjang mata kiri citra tertarik = Jarak lebar mata kiri citra tertarik = Jarak panjang mata kiri citra netral = Jarak lebar mata kiri citra netral = Jarak panjang mata kanan citra tertarik = Jarak lebar mata kanan citra tertarik = Jarak panjang mata kanan citra netral = Jarak lebar mata kanan citra netral = Bobot nilai fitur mata = Jarak panjang mulut citra tertarik = Jarak lebar mulut citra tertarik = Jarak panjang mulut citra netral = Jarak lebar mulut citra netral = Bobot nilai fitur mulut Digunakan data citra berekspresi tertarik, ekspresi lain dan netral untuk mengetahui apakah aplikasi dapat mengenali emosi tertarik dengan cara membandingkannya dengan ekspresi netral. Sehingga jika hasil percobaan memiliki bobot lebih dari sama dengan 0,7 maka dapat ditentukan bahwa hasil percobaan sudah sesuai. Sehingga jika hasil percobaan tersebut memiliki bobot kurang dari 0,7 maka dapat ditentukan bahwa hasil percobaan tidak sesuai dengan hasil yang diharapkan. Pada hasil percobaan di atas, didapat prediksi menggunakan Confusion Matrix. Confusion matrix adalah tabel yang digunakan untuk menjelaskan performa model klasifikasi dari sekumpulan data tes yang diketahui nilai kebenarannya (Markham, 2014). Confusion matrix dapat membantu untuk mengetahui akurasi dan ketepatan prediksi. Tabel ini membandingkan data prediksi dengan data aktual setelah pengujian dilakukan. Pengujian aplikasi dapat diukur berdasarkan hasil accuracy, true positive rate (TPR), dan true negative rate (TNR) yang dapat dihitung dengan rumus dibawah ini: Accuracy = (3) = True Positive Rate (4) = True Negative Rate (5) PENGUJIAN APLIKASI Aplikasi diujikan terhadap 15 foto dari 5 orang. Setiap orang diminta untuk menampilkan wajah tanpa ekspresi, dengan ekspresi tertarik, dan dengan ekspresi bebas (selain ekspresi tertarik). Proses pengujian dilakukan sebanyak 10 kali dengan ambang batas antara 0 sampai 1. Untuk kasus ini, ambang batas minimal ditentukan sebesar 0,7 untuk ketentuan bobot emosi tertarik. Hasil percobaan dapat dilihat pada Tabel 6. True Positive (TP) adalah jumlah data positif yang diprediksi positif, True Negative ( TN) adalah jumlah data negatif yang diprediksi negatif, False Positive (FP) adalah jumlah data negatif yang diprediksi positif, dan False Negative (FN) adalah jumlah data positif yang diprediksi negatif. Berdasarkan hasil percobaan pada Tabel 5, maka didapat accuracy, TPR dan TNR seperti yang tampak pada Tabel 7. Tabel 6. Hasil Percobaan Deteksi Emosi Tertarik Tabel 7. Nilai Akurasi, True Positive Rate, dan True Negative Rate dari Aplikasi No. Citra Hasil 1 2 3 4 5 6 7 8 9 10 Tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tertarik Tidak tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tidak tertarik Tertarik Tidak tertarik Accuracy 80% True Positive Rate 80% True Negative Rate 80% Akurasi aplikasi sebesar 80%, nilai TPR sebesar 80%, dan nilai TNR sebesar 80%. Hal tersebut berarti aplikasi ini memiliki kemampuan untuk mendeteksi citra tidak tertarik dengan baik dan kemampuan untuk mendeteksi citra tertarik sebesar 80%. Puji Aswari, Identifikasi Emosi berdasarkan Action Unit 79 SINERGI Vol. 20, No. 1, Februari 2016: 74-80 KESIMPULAN Berdasarkan hasil implementasi dan analisis pada bab-bab sebelumnya, maka dapat disimpulkan sebagai berikut: 1. Aplikasi ini dapat mengidentifikasi emosi tertarik dengan akurasi sebesar 80%, nilai TPR sebesar 80%, dan nilai TNR sebesar 80%. Hal tersebut berarti aplikasi ini memiliki kemampuan untuk mendeteksi citra tidak tertarik dengan baik dan kemampuan untuk mendeteksi citra tertarik sebesar 80%. 2. Metode Bézier Curve dapat digunakan untuk mendapatkan kontur fitur wajah dan memudahkan pengguna untuk melihat kontur fitur wajah dengan jelas. 3. Action unit yang berpengaruh terhadap terbentuknya ekspresi wajah dengan emosi tertarik adalah alis mata, mata, dan mulut. NOMENCLATURE AU = Action Unit TPR = True Positive Rate TNR = True Negative Rate TP = True Positive TN = True Negative FP = False Positive FN = False Negative REFERENSI Baker, G., Causal inference, probability theory, and graphical insights. Stat Med. 2013; 32 (25): 4319-4330. 80 Buss, S. R.,. 3-D Computer Graphic: A Mathematical Introduction with OpenGL. New York: Cambridge University Press. 2003. Cherry, K.,. About Education: What Are Emotions. 2015. Diakses 12 Februari 2015. http://psychology.about.com/od/emotion/f/wha t-are-emotions.htm Markham, K.,. Simple Guide to Confusion Matrix Terminology. 2014. Diakses 2 Desember 2015. http://www.dataschool.io/simple-guideto-confusion-matrix-terminology/. McDowell, D., Finch, J. & Oldroyd, B.,. FaceTurn The 3D Face Expression Viewer. 2011. Diakses 15 Agustus 2015. http://www.faceturn.com/excited/index.php McDowell, D., Finch, J. & Oldroyd, B.,. FaceTurn: The 3D Face Expression Viewer. 2011. Diakses 16 Agustus 2015. http://www.faceturn.com/index.php Paul Ekman Group,. Are There Universal Facial Expressions?. 2015. Diakses 2015 Mei 13. http://www.paulekman.com/universal-facialexpressions/ Paul Ekman Group,. Facial Action Coding System. 2015. Diakses Agustus 13 2015. http://www.paulekman.com/productcategory/facs/ Robotics Institute Carnegie Mellon University,. FACS - Facial Action Coding System. 2002. Diakses 13 Agustus 2015. http://www.cs.cmu.edu/~face/facs.htm Tong, Y., Liao, W. & Ji, Q.,. Facial Action Unit Recognition by Exploiting Their Dynamic and Semantic Relationship. IEEE Trans. Pattern Analysis and Machine Intelligence. 2007; 29 (10): 1-17. . Puji Aswari, Identifikasi Emosi berdasarkan Action Unit