Latar Belakang Permasalahan
Ekspresi wajah merupakan salah satu bentuk komunikasi nonverbal yang membawa informasi mengenai kondisi emosional seseorang. Kemampuan manusia mengenali ekspresi tersebut kemudian dikembangkan ke dalam sistem berbasis computer vision agar mesin dapat mendeteksi dan menginterpretasikan pola wajah secara otomatis. Dalam dokumen, penerapan teknologi ini dikaitkan dengan berbagai kebutuhan, mulai dari keamanan, interaksi manusia–komputer, hingga pemantauan kondisi kesehatan.
Tantangannya tidak hanya terletak pada kemampuan model mengenali ekspresi, tetapi juga bagaimana proses tersebut dapat dilakukan secara real-time pada perangkat mobile yang memiliki keterbatasan daya, memori, dan kemampuan komputasi.
YOLOv8 dipilih karena pendekatan YOLO memang dirancang untuk deteksi objek secara real-time. Penelitian ini secara khusus diarahkan untuk mengkaji penggunaan YOLOv8 dalam identifikasi ekspresi wajah pada lingkungan mobile, yang menurut naskah masih belum banyak dikaji secara mendalam.
Solusi dan Pendekatan
Kami merancang sistem facial expression recognition berbasis YOLOv8 yang dapat menerima input dari kamera perangkat mobile, mendeteksi area wajah, kemudian menentukan kategori ekspresi yang teridentifikasi secara langsung. Fokus model dibatasi pada tiga ekspresi utama, yaitu: Senang · Sedih · Marah
Pemilihan YOLOv8 diarahkan untuk memperoleh keseimbangan antara kemampuan deteksi, kecepatan pemrosesan, dan implementasi pada perangkat mobile. Tujuan penelitian memang mencakup implementasi YOLOv8 secara real-time serta evaluasi kinerjanya dengan mempertimbangkan sumber daya perangkat seperti daya, memori, dan kecepatan pemrosesan.
Secara konseptual, setiap input citra atau video diproses oleh model untuk menghasilkan bounding box, kelas ekspresi, dan confidence score. Mekanisme YOLO sendiri memprediksi posisi objek dan probabilitas kelas secara bersamaan sehingga cocok untuk kebutuhan deteksi dengan respons cepat.
Proses Pengerjaan
Pengerjaan dimulai dari pengumpulan dataset ekspresi wajah FER2013, kemudian data dipersiapkan sebelum memasuki proses training. Berdasarkan rancangan penelitian, dataset awal memiliki beberapa kelas ekspresi, tetapi penelitian difokuskan hanya pada senang, sedih, dan marah. Data kemudian melalui tiga proses utama preprocessing:
- Cropping, untuk memusatkan data pada bagian wajah.
- Grayscale, untuk menyederhanakan informasi warna dan mengurangi beban komputasi.
- Image augmentation, untuk meningkatkan variasi data melalui rescale, rotate, zoom, dan flip.
Setelah preprocessing, dataset dibagi menjadi training data dan testing data. Training data digunakan untuk membangun kemampuan model mengenali karakteristik ekspresi, sedangkan testing data digunakan untuk mengevaluasi kemampuan model terhadap data yang belum dipelajari sebelumnya.
Model YOLOv8 selanjutnya dilatih dan digunakan pada alur deteksi real-time. Input berasal dari video atau kamera aplikasi mobile, kemudian sistem melakukan deteksi dan menghasilkan informasi seperti bounding box, kelas, serta tingkat kepercayaan prediksi. Konsep keluaran YOLO dalam dokumen memang terdiri atas confidence, nama kelas, dan koordinat bounding box dari objek yang berhasil dideteksi.
Output yang Dirancang
Output utama proyek adalah sebuah sistem mobile yang mampu menampilkan hasil identifikasi ekspresi wajah secara langsung dari input kamera. Secara sederhana, alurnya adalah:
Camera Input → Face Detection → YOLOv8 Processing → Expression Classification → Real-Time Result
Saat wajah terdeteksi, aplikasi dirancang untuk menampilkan:
Bounding Box
Kategori Ekspresi
Confidence Score
Kategori ekspresi yang menjadi fokus penelitian terdiri dari senang, sedih, dan marah.
Model kemudian dievaluasi menggunakan beberapa metrik klasifikasi, yaitu accuracy, precision, recall, dan F1-score. Confusion matrix juga digunakan dalam dokumen sebagai dasar untuk melihat prediksi yang benar dan salah.
