Publisher

PLBPLB

Journal TEMATIKTEMATIK Abstract

Perkembangan teknologi kecerdasan buatan (AI) dan visi komputer telah membuka peluang besar dalam penerapan pengenalan ekspresi wajah pada berbagai bidang. Dalam konteks pendidikan tinggi, keterlibatan mahasiswa selama proses belajar menjadi faktor penting yang masih sulit diukur secara objektif menggunakan metode konvensional. Penelitian ini berkontribusi dengan membandingkan kinerja dua arsitektur deep learning, yaitu VGG-16 dan ResNet, dalam klasifikasi ekspresi wajah mahasiswa pada Smart Learning Environment. Penelitian dilakukan dengan pendekatan eksperimen kuantitatif melalui lima tahapan, yaitu pengumpulan data wajah mahasiswa di kelas, preprocessing berupa cropping, resizing, dan augmentasi, pengembangan model CNN, pelatihan menggunakan data split 80% training dan 20% validasi, serta evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa VGG-16 unggul dalam mengenali ekspresi suka dengan nilai F1-score tertinggi sebesar 85%, sedangkan ResNet relatif lebih baik pada ekspresi bosan dengan F1-score 73,2%. Sementara itu, keduanya sama-sama lemah dalam mengenali ekspresi tidak suka. Temuan ini mengimplikasikan bahwa VGG-16 lebih sesuai digunakan untuk mendukung analisis keterlibatan mahasiswa secara real-time dalam Smart Learning Environment berbasis AI.

Conclusion

Berdasarkan hasil penelitian, VGG-16 menunjukkan performa yang lebih stabil dan unggul dalam tugas klasifikasi ekspresi wajah mahasiswa pada Smart Learning Environment.VGG-16 lebih efektif dalam mengenali ekspresi suka, sementara ResNet relatif lebih baik dalam mendeteksi ekspresi bosan.Penelitian ini mengindikasikan bahwa model CNN dapat menjadi salah satu komponen penting dalam mendukung inovasi pendidikan digital yang lebih personal.

Future Research

Penelitian selanjutnya dapat memperluas jumlah kelas emosi yang dikenali, menggunakan dataset yang lebih besar dan bervariasi, serta menguji performa model dalam kondisi nyata dengan tingkat dinamika yang lebih kompleks. Integrasi dengan sensor multimodal seperti detak jantung atau suara juga dapat menjadi arah pengembangan untuk memberikan analisis afektif yang lebih komprehensif dan akurat. Selain itu, perlu dilakukan eksplorasi lebih lanjut mengenai potensi fine-tuning parameter atau integrasi mekanisme attention pada arsitektur ResNet untuk meningkatkan kemampuannya dalam mengenali ekspresi wajah, terutama ekspresi negatif yang cenderung lebih kompleks dan bervariasi.

References

1. Emotion Classification Using Facial Expression. emotion facial expression doi ijacsa pdf author devi... thesai.org/Publications/ViewPaper?Volume=2&Issue=7&Code=IJACSA&SerialNo=14Emotion Classification Using Facial Expression emotion facial expression doi ijacsa pdf author devi thesai Publications ViewPaper Volume 2 Issue 7 Code IJACSA SerialNo 14

Metadata

File size	818.84 KB
Pages	12
DMCA	Report