Z. Abidin, Facial Expression Recognition by Using Fisherface Method Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network Zaenal Abidin dan Agus Harjoko Abstract— In daily lives, especially in interpersonal communication, face often used for expression. Facial expressions give information about the emotional state of the person. A facial expression is one of the behavioral characteristics. The components of a basic facial expression analysis system are face detection, face data extraction, and facial expression recognition. Fisherface method with backpropagation artificial neural network approach can be used for facial expression recognition. This method consists of two-stage process, namely PCA and LDA. PCA is used to reduce the dimension, while the LDA is used for features extraction of facial expressions. The system was tested with 2 databases namely JAFFE database and MUG database. The system correctly classified the expression with accuracy of 86.85%, and false positive 25 for image type I of JAFFE, for image type II of JAFFE 89.20% and false positive 15, for type III of JAFFE 87.79%, and false positive for 16. The image of MUG are 98.09%, and false positive 5. Keywords— facial expression, fisherface method, PCA, LDA, backpropagation neural network. I. PENDAHULUAN i dalam kehidupan sehari hari, khususnya dalam komunikasi interpersonal, wajah sering digunakan untuk berekspresi. Melalui ekspresi wajah, maka dapat dipahami emosi yang sedang bergejolak pada diri individu. Ekspresi atau mimik sendiri sebenarnya adalah salah satu bentuk komunikasi nonverbal yang merupakan hasil dari satu atau lebih gerakan atau posisi otot pada wajah serta dapat menyampaikan keadaan emosi dari seseorang kepada orang yang mengamatinya. Z. Abidin, Universitas Negeri Semarang, e-mail : zaenalabidin@staff.unnes.ac.id A. Harjoko, Elektronika dan Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fakultas MIPA, Universitas Gadjah Mada, Yogyakarta, e-mail : aharjoko@ugm.ac.id Ekspresi wajah mengungkapkan pikiran yang sedang melintas pada diri seseorang. Sebagai contoh, sebuah senyum mengungkap keramah- tamahan dan kasih-sayang; mengangkat alis mata menunjukkan ekspresi heran; mengernyitkan dahi menunjukkan ketakutan dan kegelisahan. Semua emosi dan berbagai macam tingkah manusia diekspresikan dalam emosi yang berbeda yang tergambar di wajah. Seorang psikolog bernama Mehrabian dalam penelitiannya menyatakan bahwa ekspresi wajah menyumbang sebesar 55% dalam penyampaian pesan, sementara bahasa dan suara masing-masing menyumbang 7% dan 38%. Paul Ekman, seorang psikolog Amerika juga mendefinisikan enam kategori klasifikasi emosi yaitu senang, sedih, terkejut, marah, takut dan jijik. Kebanyakan sistem pengenal ekspresi wajah, mengklasifikasikan emosi ke dalam enam kategori universal tersebut, [4]. Dewasa ini teknologi menggunakan biometrika telah banyak sekali diaplikasikan. Teknologi biometrika diterapkan dengan menggunakan karakteristik pembeda (distinguishing traits). Secara umum karakteristik pembeda itu sendiri dibedakan menjadi 2, yaitu karakteristik fisiologis atau fisik, dan karakteristik perilaku. Ekspresi wajah merupakan salah satu karakteristik perilaku. Penggunaan sistem teknologi biometrika dengan karakteristik ekspresi wajah memungkinkan untuk mengenali mood atau emosi seseorang. Analisis ekspresi wajah berhubungan dengan pengenalan secara visual gerakan wajah dan perubahan fitur wajah. Komponen dasar sistem analisis ekspresi wajah adalah deteksi wajah, ekstraksi data wajah, dan pengenalan ekspresi wajah. Beberapa penelitian yang telah dilakukan dan yang berkaitan dengan ekspresi wajah diantaranya dilakukan oleh Lekshmi dan Sasikumar [5], yang melakukan analisis ekspresi wajah dengan menggunakan metode Gabor Wavelet Transform (GWT) dan DCT. Jaringan Radial Basis Function (RBF) digunakan sebagai classifier. Bashyal dan Venayagamoorthy [1], D 83