Perpustakaan Digital ITB

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.