IDENTIFIKASI EMOSI BERDASARKAN CITRA WAJAH ANAK UNTUK MENDUKUNG PROSES PEMBELAJARAN
DOI:
https://doi.org/10.29407/cw80v319Abstract
Penelitian ini bertujuan untuk mengembangkan sistem identifikasi emosi pada citra wajah anak menggunakan metode deep learning dengan arsitektur MobileNetV2 guna mendukung proses pembelajaran yang lebih adaptif. Emosi anak memiliki pengaruh terhadap konsentrasi, motivasi, dan pemahaman materi pembelajaran, namun guru sering mengalami kesulitan dalam mengenali kondisi emosional siswa secara objektif dan real-time. Penelitian ini menggunakan metode Research and Development (R&D) dengan tahapan pengumpulan dataset, preprocessing citra, pelatihan model, evaluasi sistem, dan implementasi aplikasi berbasis Streamlit. Dataset terdiri dari empat kategori emosi yaitu marah, netral, sedih, dan senang. Tahap preprocessing dilakukan melalui crop wajah, resize citra RGB 128×128 piksel, dan augmentasi data. Hasil penelitian menunjukkan bahwa model MobileNetV2 mampu mengklasifikasikan emosi wajah anak dengan akurasi sebesar 70,45% berdasarkan pengujian confusion matrix, precision, recall, dan F1-score. Sistem yang dikembangkan diharapkan dapat membantu guru dalam memahami kondisi emosional siswa sehingga proses pembelajaran menjadi lebih adaptif dan interaktif.Penelitian ini bertujuan untuk mengembangkan sistem identifikasi emosi pada citra wajah anak menggunakan metode deep learning dengan arsitektur MobileNetV2 guna mendukung proses pembelajaran yang lebih adaptif. Emosi anak memiliki pengaruh terhadap konsentrasi, motivasi, dan pemahaman materi pembelajaran, namun guru sering mengalami kesulitan dalam mengenali kondisi emosional siswa secara objektif dan real-time. Penelitian ini menggunakan metode Research and Development (R&D) dengan tahapan pengumpulan dataset, preprocessing citra, pelatihan model, evaluasi sistem, dan implementasi aplikasi berbasis Streamlit. Dataset terdiri dari empat kategori emosi yaitu marah, netral, sedih, dan senang. Tahap preprocessing dilakukan melalui crop wajah, resize citra RGB 128×128 piksel, dan augmentasi data. Hasil penelitian menunjukkan bahwa model MobileNetV2 mampu mengklasifikasikan emosi wajah anak dengan akurasi sebesar 70,45% berdasarkan pengujian confusion matrix, precision, recall, dan F1-score. Sistem yang dikembangkan diharapkan dapat membantu guru dalam memahami kondisi emosional siswa sehingga proses pembelajaran menjadi lebih adaptif dan interaktif.
Keywords:
Deep learning, identifikasi emosi, MobileNetV2, pembelajaran adaptif, wajah anak.##plugins.themes.default.displayStats.downloads##
References
[1] O. Veza, S. Kom, M. Kom, S. Agustini, S. Kom, and M. Kom, Pengenalan Dasar
Pengolahan Citra. Cendikia Mulia Mandiri, 2025.
[2] R. Rahmawati, “Analisis Tingkat Keterlibatan Orang Tua dalam Proses Evaluasi Belajar
Anak Usia Dini di Lingkungan PAUD,” Thufuli J. Pendidik. Islam Anak Usia Dini, vol.
1, no. 2, pp. 40–45, 2023.
[3] G. A. Bahagia and M. Akbar, “Klasifikasi sampah organik dan anorganik menggunakan
metode convolutional neural network (CNN),” JATI (Jurnal Mhs. Tek. Inform., vol. 8,
no. 5, pp. 10349–10355, 2024.
[4] M. I. Maulana, K. Aeni, and F. Fathulloh, “Pengenalan Ekspresi Wajah Menggunakan
Convolutional Neural Network (CNN),” Indones. J. Informatics Res., vol. 4, no. 2, 2023.
[5] A. Y. Setyawan, J. Jumadi, and E. Nurlatifah, “Deteksi Emosi Pada Citra Wajah Dengan
Deep Learning Sebagai Alat Pendukung Terapi Bagi Pengidap Alexithymia,” SMATIKA
J., vol. 14, no. 02, pp. 353–362, 2024.
[6] E. S. Agung, A. P. Rifai, and T. Wijayanto, “Image-based facial emotion recognition
using convolutional neural network on emognition dataset,” Sci. Rep., vol. 14, no. 1, p.
14429, 2024.
[7] C. T. Noora et al., “Facial Expression Analysis for Academic Engagement Monitoring
With Kriging Geometry and Region Proposal Network Deep Transfer Learning,” J.
Theor. Appl. Inf. Technol., vol. 102, no. 20, 2024.
[8] B. Syafitri, “Klasifikasi Emosi Berdasarkan Citra Ekspresi Menggunakan Metode
Capsule Network (Capsnet)”, Universitas Medan Area, 2024.
[9] L. F. Olivia, Y. Yuhandri, and S. Arlis, “Penerapan Deep Learning Menggunakan Metode
Convolutional Neural Network dan K-Means dalam Klasterisasi Citra Butiran Pasir,” J.
KomtekInfo, pp. 54–62, 2025.
[10] S. Birowo and M. A. Maulana, “Deteksi Suasana Hati Karyawan Berbasis Deep Learning
Menggunakan CNN,” bit-Tech, vol. 8, no. 1, pp. 18–24, 2025.
[11] R. Aprilia Anggun Sari, “Klasifikasi Penyakit Karat Daun dan Tungau Merah pada
Tanaman Kopi Menggunakan Metode Convolutional Neural Network (CNN) dengan
Arsitektur Squeezenet,” 2025.
Downloads
Published
Issue
Section
License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
