ANALISIS PERBANDINGAN KINERJA ARSITEKTUR CNN, RESNET50, DAN EFFICIENTNET-B0 UNTUK PENGENALAN EKSPRESI WAJAH (MACRO EXPRESSION)

Abstract

Penelitian ini membahas analisis perbandingan kinerja tiga arsitektur deep learning, yaitu Convolutional Neural Network (CNN), ResNet50, dan EfficientNet-B0 dalam tugas pengenalan ekspresi wajah (Facial Expression Recognition/Fer). Permasalahan utama dalam penelitian ini adalah bagaimana menentukan arsitektur yang paling efektif untuk dataset ekspresi wajah beresolusi rendah dengan distribusi kelas yang telah diseimbangkan. Penelitian bertujuan untuk mengevaluasi dan membandingkan performa ketiga model berdasarkan metrik accuracy, precision, recall, dan F1-score. Dataset yang digunakan adalah CK+ yang telah melalui tahap preprocessing meliputi resize, normalisasi, dan augmentasi data. Setiap model dilatih menggunakan dua skenario epoch, yaitu 50 dan 70 epoch. Hasil penelitian menunjukkan bahwa CNN memberikan performa terbaik dengan akurasi mencapai 0,83, serta menunjukkan stabilitas yang lebih baik dibandingkan ResNet50 mencapai akurasi 0,67 dan EfficientNet-B0 mencapai akurasi 0,50. Sementara itu, ResNet50 menunjukkan peningkatan moderat, dan EfficientNet-B0 memiliki performa terendah akibat keterbatasan dalam generalisasi pada dataset beresolusi rendah. Temuan ini menunjukkan bahwa kompleksitas model tidak selalu berbanding lurus dengan peningkatan performa