Melola Discovery

← Melola Discovery

Open access Journal 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) · pp. 79–91

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

Abstract

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.

Collaboration network of the authors

2 authors · 1 co-authorship link

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

This record comes from Crossref (what the publisher deposited), because the journal's own OAI-PMH endpoint could not be harvested.

Metadata source: Crossref API (cadangan, berdasarkan ISSN) https://api.crossref.org/journals/2775-1813/works, first harvested 26 Oct 2026, last seen 15 Nov 2026.
Metadata as oai_dc, converted from 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>