Deteksi Emosi pada Ekspresi Wajah Manusia Menggunakan Convolutional Neural Network (CNN) Berbasis Android

Authors

Abstract

Abstrak — Pada era teknologi digital saat ini, teknologi pengolahan citra menjadi salah satu yang berkembang pesat. Hal ini bersamaan juga dengan perkembangan pesat pada teknologi bidang Artificial Intelligence (AI) yang relevan pada bidang teknologi pengenalan wajah dan deteksi emosi. Penelitian ini mengembangkan sebuah sistem deteksi emosi pada wajah dengan menggunakan Convolutional Neural Network (CNN) yang didesain untuk mengolah data dua dimensi yang dijalankan pada sistem Android. Dengan mengetahui ekspresi emosi seseorang, maka seseorang dapat dinilai kondisi psikologinya dengan bantuan mesin. Sistem ini dapat digunakan pada beberapa bidang seperti bidang kesehatan. Dengan sistem deteksi emosi maka tenaga medis dapat memantau dan menentukan pemberian dukungan apa yang dibutuhkan pasien. Model pada sistem penelitian ini dijalankan dengan model CNN dengan konfigurasi hyperparameter batch size 256, jumlah epoch 76, dan dropout rate sebesar 50%, serta menggunakan optimizer Adam. Hasil dari pengujian model ini menunjukkan angka akurasi sebesar 84% yang cukup baik. Melalui penelitian ini, diharapkan memberi kontribusi dalam pengembangan teknologi citra digital untuk deteksi emosi manusia menggunakan CNN yang diimplementasikan pada aplikasi Android. Diharapkan juga dengan penelitian ini dapat mendorong motivasi penelitian dengan teknologi yang serupa di masa depan.

Kata kunci— Android, CNN, AI, hyperparameter.

Downloads

Download data is not yet available.

References

[1] A. L. Sigit Guntoro, E. Julianto, and D. Budiyanto, “Pengenalan Ekspresi Wajah Menggunakan Convolutional Neural Network,” 2022.

[2] I. W. E. P. W. A. Y. S. R. Suartika, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” 2016.

[3] M. Wu et al., “Prediction of the Remaining Time and Time Interval of Pebbles in Pebble Bed Htgrs Aided by CNN via DEM Datasets,” Nuclear Engineering and Technology, vol. 55, no. 1, pp. 339–352, Jan. 2023, doi: 10.1016/j.net.2022.09.019.

[4] M. M and S. P, “COVID-19 Infection Prediction from CT Scan Images of Lungs Using Iterative Convolution Neural Network Model,” Advances in Engineering Software, vol. 173, p. 103214, 2022, doi: https://doi.org/10.1016/j.advengsoft.2022.103214.

[5] Z. Li, F. Liu, W. Yang, S. Peng, and J. Zhou, “A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects,” IEEE Trans Neural Netw Learn Syst, vol. 33, no. 12, pp. 6999–7019, 2022, doi: 10.1109/TNNLS.2021.3084827.

[6] M. K. Bohmrah and H. Kaur, “Classification of COVID-19 Patients Using Efficient Fine-Tuned Deep Learning Densenet Model,” Global Transitions Proceedings, vol. 2, no. 2, pp. 476–483, 2021, doi: https://doi.org/10.1016/j.gltp.2021.08.003.

[7] A. Khan, A. Sohail, U. Zahoora, and A. S. Qureshi, “A Survey of The Recent Architectures of Deep Convolutional Neural Networks,” Artif Intell Rev, vol. 53, no. 8, pp. 5455–5516, 2020, doi: 10.1007/s10462-020-09825-6.

[8] M. Sobron et al., Implementasi Artificial Intelligence Pada System Manufaktur Terpadu. 2021.

[9] R. J. Gunawan, B. Irawan, and C. Setianingsih, “Pengenalan Ekspresi Wajah Berbasis Convolutional Neural Network Dengan Model Arsitektur VGG16,” 2021.

[10] A. F. Subianto, “Penerapan Gerbang Spektrum Untuk Mengurangi Noise Pada Sistem Penghitung Pembicara,” 2024.

Published

2025-12-01

Issue

Pages

1 - 5

Section

Prodi S1 Teknologi Informasi - Kampus Surabaya

How to Cite

Kristoforus Ferel Viandito, Farah Zakiyah Rahmanti, & Yohanes Setiawan. (2025). Deteksi Emosi pada Ekspresi Wajah Manusia Menggunakan Convolutional Neural Network (CNN) Berbasis Android. EProceedings of Engineering, 12(6), 1-5. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/28981