![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
Dokumen Asli
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Terbatas  Dessy Rondang Monaomi
» Gedung UPT Perpustakaan
Interaksi emosional antara guru dan pelajar memegang peranan krusial dalam
lingkungan pendidikan. Dalam upaya mendukung guru untuk memonitor dan
merespons emosi setiap pelajar secara lebih efektif, penelitian ini membahas terkait
metode sistem pengenalan wajah yang sesuai untuk diterapkan dalam sistem
pengenalan emosi pelajar. Penelitian dilakukan dengan membandingkan dua model:
FaceNet dengan Support Vector Machine (SVM) dan Eigenface dengan SVM
dengan menggunakan single sample per pelajar. Proses deteksi wajah dalam
penelitian ini menggunakan metode Multi-task Cascaded Convolutional Networks
(MTCNN) karena keandalannya dalam mendeteksi landmark wajah. Hasil pengujian
menunjukkan keunggulan signifikan model FaceNet dan SVM yang mencapai
akurasi hampir sempurna, yaitu 98%, berbanding dengan model Eigenface yang
hanya mencapai 84%. Selanjutnya, dalam kondisi pencahayaan yang beragam,
model FaceNet dan SVM masih menunjukkan performa yang baik dengan akurasi
90%, sementara Eigenface hanya mencapai 9%. Di bawah kondisi wajah tertutup
sebagian, FaceNet dan SVM mencatat akurasi 67%, jauh lebih tinggi dibandingkan
dengan 11% untuk Eigenface dan SVM. Kemampuan adaptasi FaceNet dalam
berbagai kondisi pencahayaan dan tantangan visual menegaskan bahwa model deep
learning ini sangat cocok untuk aplikasi pengenalan emosi dalam pembelajaran
daring. Berdasarkan hasil tersebut, penelitian ini merekomendasikan penggunaan
FaceNet dalam sistem pengenalan emosi pelajar untuk meningkatkan kualitas
interaksi dan efektivitas pembelajaran.