<![CDATA[Penelitian ini dibuat untuk mengenali ekspresi wajah sebagai indikator untuk menjalankan playlist musik. Sistem pengenalan ekspresi wajah berasal dari data masukan seseorang yang diambil secara offline, dengan posisi terdekat dengan kamera, dimana posisi wajah tidak boleh miring. Prosesnya dengan pengambilan citra wajah secara offline yang dikenali dengan kombinasi warna, dan mengekstrak fitur penting dari wajah berdasarkan lokasi alis, mata, dan bentuk mulut kemudian mengenali ekspresi wajah menggunakan Jaringan Saraf Tiruan Propagasi Balik (Backpropagation Neural Network). Ekspresi yang akan dikenali Data keluaran dari pengenalan ekspresi wajah berupa indek yang secara otomatis akan digunakan sebagai indikator untuk menjalankan musik, sehingga musik akan berubah mengikuti perubahan ekspresi wajah seseorang. Sistem yang telah dibuat dapat mengenali tiga jenis ekspresi yaitu: normal, marah, dan bahagia. Pengujian dengan pengambilan gambar wajah secara offline sebagai data masukan untuk Jaringan Saraf Tiruan Propagasi Balik, dimana pada saat pembelajaran diperoleh hasil yang konvergen dengan error terendah dengan jumlah neuron pada lapisan hidden sebanyak 10 unit, nilai laju pembelajaran sebesar 0.0625325 dan nilai mean square error sebesar 0.0135. Kata Kunci: Ekspresi Wajah, Backpropagation, Music Playlist. Abstract The objective of the research is to detect facial expression as indicator to cast a music playlist. Facial expression detection system input is performed offline by taking photograph of a subject with nearest position from the camera and facial position should not be tilted. The image is identified as a combination of color and feature extraction is performed based on location of eyebrow, eye, and mouth. Facial expression is detected with Artificial Neural Network Backpropagation method. The output data is an index, which automatically select and play the music. In this way, the music is modified according to the changes of facial expression. The system is designed to detect three facial expressions: normal, angry, and happy expression. The similarity between features values from each expression influence the ability to differentiate each expression. Offline system evaluation is performed with backpropagation neural network method,for learning process, it reaches convergent value with lowest error value when using 10 unit neuron on hidden layer, learning rate value is 0.0625325 and mean square error value is 0.0135.]]>
Copyrights © 2012
