Pengembangan Sistem Klasifikasi Ekspresi Wajah Untuk Monitoring Kondisi Work Life Balance Menggunakan Teknologi Image Processing Dan Deep Learning (CNN)

Abstrak

Perkembangan teknologi digital mengubah pola kerja dan meningkatkan tuntutan perusahaan dalam menjaga keseimbangan antara produktivitas dan kondisi emosional pegawai. Pemantauan work life balance selama ini masih bergantung pada metode manual seperti observasi dan kuesioner yang bersifat subjektif dan kurang akurat. Keterbatasan tersebut dapat menghambat deteksi dini permasalahan kesejahteraan mental karyawan. Penelitian ini bertujuan mengembangkan sistem otomatis untuk mengklasifikasikan ekspresi wajah sebagai indikator kondisi emosional pegawai. Sistem dirancang menggunakan metode deep learning dengan arsitektur MobileNetV2 dan pendekatan model valence–arousal. Dataset FER-2013 digunakan dalam proses pelatihan dan pengujian model. Evaluasi dilakukan terhadap beberapa parameter, meliputi jumlah epoch, ukuran batch, optimizer, dan learning rate. Hasil pengujian menunjukkan bahwa konfigurasi terbaik diperoleh pada 30 epoch, ukuran batch 16, optimizer Adam, dan learning rate 0,001, dengan akurasi pengujian sebesar 89,40% dan nilai loss 0,0520. Hasil tersebut menunjukkan bahwa model memiliki kinerja yang stabil dan efisien. Sistem yang dikembangkan berpotensi menjadi alat pendukung awal dalam pemantauan kondisi emosional pegawai secara objektif dan berkelanjutan.

 Kata kunci — deep learning, ekspresi wajah, fer-2013, mobilenetv2, work life balance