Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 2

Klasifikasi dan Pengenalan Emosi dari Ekspresi Wajah Menggunakan CNN-BiLSTM dengan Teknik Data Augmentation

Decode: Jurnal Pendidikan Teknologi Informasi · Vol. 5 No. 1 (2025) · hlm. 79–91

DOI
10.51454/decode.v5i1.1038
ISSN
2775-1813, 2775-2984
Terbit
2025-03-18
Penerbit
Universitas Muhammadiyah Kendari
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Teknologi computer vision terus berkembang dan diterapkan dalam berbagai bidang, termasuk interaksi manusia dan komputer (human-computer interaction), khususnya dalam pengenalan emosi dari ekspresi wajah atau facial expression recognition (FER). Penelitian ini bertujuan untuk mengembangkan model CNN-BiLSTM yang dilengkapi dengan data augmentation untuk mendeteksi emosi seperti marah, bahagia, takut, sedih, terkejut, jijik, dan netral. Dataset yang digunakan dalam penelitian ini adalah dataset publik FER2013, yang terdiri dari 35.887 gambar wajah grayscale berukuran 48x48 piksel. Teknik augmentasi data meliputi rotasi, flipping, dan pergeseran gambar untuk meningkatkan keragaman data dan mencegah overfitting. Model dilatih menggunakan optimizer Adam, dengan hyperparameter berupa batch size sebesar 32, jumlah epoch sebanyak 100, dan learning rate 0.001. Hasil pengujian menunjukkan bahwa model CNN-BiLSTM mencapai akurasi validasi sebesar 95%, lebih tinggi dibandingkan CNN yang hanya mencapai akurasi 70%. Selain itu, validation loss pada CNN-BiLSTM lebih stabil, menunjukkan kemampuan generalisasi yang lebih baik dibandingkan CNN, yang mengalami fluktuasi signifikan akibat kemungkinan overfitting dan kurang optimalnya parameter seperti learning rate. Analisis menggunakan confusion matrix menunjukkan bahwa CNN-BiLSTM menghasilkan klasifikasi yang lebih akurat untuk setiap emosi. Model CNN-BiLSTM memberikan kinerja lebih unggul dalam mendeteksi emosi pada FER, terutama dalam menghadapi tantangan seperti pencahayaan, posisi wajah, dan kompleksitas ekspresi.

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Data ini berasal dari Crossref (yang disetorkan penerbit), karena endpoint OAI-PMH milik jurnal tidak dapat di-harvest.

Sumber metadata: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, pertama di-harvest 26 Okt 2026, terakhir terlihat 15 Nov 2026.
Metadata sebagai oai_dc, dikonversi dari Crossref
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title>Klasifikasi dan Pengenalan Emosi dari Ekspresi Wajah Menggunakan CNN-BiLSTM dengan Teknik Data Augmentation</dc:title><dc:creator>Sutarti</dc:creator><dc:creator>Fariza Syaqialloh</dc:creator><dc:description>&lt;jats:p&gt;Teknologi computer vision terus berkembang dan diterapkan dalam berbagai bidang, termasuk interaksi manusia dan komputer (human-computer interaction), khususnya dalam pengenalan emosi dari ekspresi wajah atau facial expression recognition (FER). Penelitian ini bertujuan untuk mengembangkan model CNN-BiLSTM yang dilengkapi dengan data augmentation untuk mendeteksi emosi seperti marah, bahagia, takut, sedih, terkejut, jijik, dan netral. Dataset yang digunakan dalam penelitian ini adalah dataset publik FER2013, yang terdiri dari 35.887 gambar wajah grayscale berukuran 48x48 piksel. Teknik augmentasi data meliputi rotasi, flipping, dan pergeseran gambar untuk meningkatkan keragaman data dan mencegah overfitting. Model dilatih menggunakan optimizer Adam, dengan hyperparameter berupa batch size sebesar 32, jumlah epoch sebanyak 100, dan learning rate 0.001. Hasil pengujian menunjukkan bahwa model CNN-BiLSTM mencapai akurasi validasi sebesar 95%, lebih tinggi dibandingkan CNN yang hanya mencapai akurasi 70%. Selain itu, validation loss pada CNN-BiLSTM lebih stabil, menunjukkan kemampuan generalisasi yang lebih baik dibandingkan CNN, yang mengalami fluktuasi signifikan akibat kemungkinan overfitting dan kurang optimalnya parameter seperti learning rate. Analisis menggunakan confusion matrix menunjukkan bahwa CNN-BiLSTM menghasilkan klasifikasi yang lebih akurat untuk setiap emosi. Model CNN-BiLSTM memberikan kinerja lebih unggul dalam mendeteksi emosi pada FER, terutama dalam menghadapi tantangan seperti pencahayaan, posisi wajah, dan kompleksitas ekspresi.&lt;/jats:p&gt;</dc:description><dc:publisher>Universitas Muhammadiyah Kendari</dc:publisher><dc:date>2025-03-18</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.51454/decode.v5i1.1038</dc:identifier><dc:identifier>10.51454/decode.v5i1.1038</dc:identifier><dc:source>Decode: Jurnal Pendidikan Teknologi Informasi; Vol 5 No 1 (2025); 79-91</dc:source><dc:source>2775-1813</dc:source><dc:source>2775-2984</dc:source><dc:relation>https://journal.umkendari.ac.id/decode/article/download/1038/512</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>