PENERAPAN CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI EMOSI WAJAH PEKERJA

Abstract

Stres dan kelelahan di lingkungan kerja berdampak pada penurunan produktivitas, keselamatan dan kesulitan konsentrasi. Deteksi emosi secara manual kurang efisien dan cenderung subjektif, padahal ekspresi wajah dapat menjadi indikator penting kondisi psikologis pekerja. Oleh karena itu, penelitian ini mengembangkan sistem klasifikasi emosi wajah berbasis Convolutional Neural Network (CNN) untuk mendeteksi emosi secara otomatis dan real-time. Model CNN terdiri dari empat block Conv2D, BatchNormalization, MaxPooling, diikuti oleh GlobalAveragePooling2D, Dense, dan Dropout. Dataset yang digunakan berjumlah 12.000 gambar enam kelas emosi yang telah diproses melalui preprocessing dan augmentasi. Pelatihan dilakukan selama 100 epoch dengan optimizer Adam dan callback seperti EarlyStopping. Model terbaik mencapai akurasi 87,97% untuk train, 83,42% untuk valid, dan 82,92% untuk test dengan train loss 0.3262, valid loss 0.4672, test loss 0.4606. Sistem juga berhasil diimplementasikan dalam antarmuka real-time. Hasil menunjukkan bahwa CNN efektif untuk klasifikasi emosi wajah, dan penyesuaian arsitektur maupun parameter berperan penting dalam meningkatkan performa dan mengurangi overfitting.