Prodi Studi Ilmu Komputer Departemen Pendidikan Ilmu Komputer Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam Universitas Pendidikan Indonesia, Bandung, Indonesia

Ambiya Wikarsa, Rosa Ariani Sukamto, Yaya Wihardi

Abstract


Pose kepala mengindikasi serta memvisualisasi
seseorang akan atensi dan ketertarikan akan sesuatu, hal itu
memainkan peranan penting di berbagai macam aplikasi.
Dengan banyaknya jumlah kelas dari pose kepala membuat
tugas dalam mengestimasi ini merupakan tugas yang sulit.
Dalam penelitian ini metode yang digunakan dalam
mengestimasi pose kepala adalah Histogram of Oriented
Gradients dan Multiclass Support Vector Machine.
Histogram of Oriented Gradient digunakan sebagai ekstrasi
fitur kepada kepala gambar yang akan diestimasi
menggunakan fungsi dalam OpenCV dan Multiclass
Support Vector Machine dijalankan sebagai pengestimasi
pose kepala menggunakan fungsi dari Scikit-learn. Head
pose database dari INRIA Rhône-Alpes 2004 digunakan
sebagai Training dan Testing, memiliki jumlah gambar
sebanyak 2790 buah lalu dibagi menjadi 93 kelas untuk pose
kepala menghasilkan 30 gambar pose per kelas . Dilakukan
pengujian dengan menggunakan cross validation sebanyak
5-folds rata-rata akurasi yang didapat adalah 22,5% dengan
rata-rata dari fi-score (0,21), precision (0,23), recall (0,22)


Keywords


estimasi pose kepala, Historgam of Oriented gradient, Multiclass Support Vector Machine

Full Text:

PDF

References


S. Wu, J. Liang dan J. Ho, “Head pose estimation and its

application in TV viewers' behavior analysis,” dalam Canadian

Conf. on Electrical and Computer Engineering (CCECE),

Vancouver, Canada, 2016.

R. Stiefelhagen, M. Finke, J. Yang dan A. Waibe, “From gaze to

focus of attention,” dalam In Visual Information and Information

Systems, Springer, 1999, p. 765–772.

S. R. Langton, H. Honeyman dan E. Tessler, “The influence of head

contour and nose angle on the perception of eye-gaze direction,”

dalam Perception & psychophysics, 2004, p. 66(5):752–771.

K. Smith, S. O. Ba, J.-M. Odobez dan D. Gatica-Perez, “Tracking

the visual focus of attention for a varying number of wandering

people,” Pattern Analysis and Machine Intelligence, IEEE

Transactions on, vol. 30, no. 7, p. 1212–1229, 2008.

INTEL, “Intel® Integrated Performance,” dalam Developer

Reference, Volume 2: Image Processing, INTEL, 2019, pp. 949 -

C. Cortes dan V. Vapnik, “Support-vector networks,” Machine

learning, vol. 20, no. 3, pp. 273-297, 1995.

L. B. D. Cahyo, “IMPLENTASI METODE SUPPORT VECTOR

MACHINE UNTUK MELAKUKAN KLASIFIKASI PADA

DATA BIOINFORMATIKA. YOGYAKARTA : UNIVERSITAS

ISLAM INDONESIA,” 2018.

P. W. Angriyasa, “KLASIFIKASI TEKANAN DALAM RONGGA

KEPALA MENGGUNAKAN SUPPORT VECTOR MACHINE SEQUENTIAL,” UNIVERSITAS INDONESIA, DEPOK , 2011

G. Bradski dan A. Kaehler, Learning OpenCV: Computer Vision

with the OpenCV Library, O’Reilly Media, Inc, 2008.

P. e. al, “Scikit-learn: Machine Learning in Python,” JMLR, vol. 12,

pp. pp. 2825-2830, 2011.

N. Gourie, D. Hall dan J. L. Crowley, “Estimating Face Orientation

from Robust Detection of Salient Facial Features,” dalam

International Workshop on Visual Observation of Deictic Gestures,

Cambridge, UK, 2004.




DOI: https://doi.org/10.17509/jatikom.v3i1.33178

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Jurnal Aplikasi dan Teori Ilmu Komputer