Computer Vision Berbasis Deep Learning dalam Identifikasi Ekspresi Wajah sebagai Parameter Pengenalan Emosi Anak Usia Dini
DOI:
https://doi.org/10.31294/simpatik.v6i1.12778Keywords:
ekspresi wajah, CNN, Deep LearningAbstract
Perkembangan teknologi kecerdasan buatan dan deep learning telah memungkinkan terciptanya alat pembelajaran interaktif bagi anak usia dini. Pengenalan emosi memiliki peran yang sangat penting dalam perkembangan sosial dan kognitif anak. Namun, proses identifikasi emosi dalam kegiatan pembelajaran umumnya masih dilakukan melalui pengamatan manual, yang dapat dipengaruhi oleh bias subjektif dan perbedaan penilaian antar pengamat. Penelitian ini bertujuan untuk mengembangkan model Convolutional Neural Network (CNN) yang mampu mengenali ekspresi wajah sebagai media pembelajaran untuk membantu deteksi emosi pada anak usia dini. Penelitian ini menggunakan metode kuantitatif dengan pendekatan eksperimental, dengan memanfaatkan data citra wajah dari dataset FER-2013 yang tersedia di platform Kaggle. Dataset tersebut terdiri dari citra wajah skala abu-abu, dengan fokus pada tiga emosi utama, yaitu senang, sedih, dan takut. Untuk meningkatkan efektivitas model, dilakukan tahapan pra-pemrosesan data berupa normalisasi dan augmentasi citra. Model CNN dilatih dan dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score, serta dianalisis menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model CNN yang diusulkan mampu mengidentifikasi ekspresi wajah dengan kinerja yang baik, dengan tingkat akurasi tertinggi pada emosi senang, diikuti oleh emosi sedih dan takut. Model tersebut kemudian diintegrasikan ke dalam aplikasi berbasis kamera secara real-time yang secara otomatis mendeteksi ekspresi wajah selama sesi pembelajaran. Hasil ini menunjukkan bahwa penggunaan deteksi ekspresi wajah berbasis CNN sebagai media pembelajaran interaktif dapat secara efektif mendukung pengenalan emosi pada pendidikan anak usia dini.
References
Abdullah, M. S., & Abdulazeez, A. M. (2021). Facial Expression Recognition Based on Deep Learning Convolution Neural Network. Journal of Soft Computing and Data Mining, 2(1), 53–65.
Aly, M., Ghallab, A., & Fathi, I. S. (2023). Enhancing Facial Expression Recognition System in Online Learning Context Using Efficient Deep Learning Model. IEEE Access, 11, 121419–121433.
Arsal, M., Wardijono, B. A., & Anggraini, D. (2020). Face Recognition untuk Akses Pegawai Bank Menggunakan Deep Learning dengan Metode CNN. Jurnal Nasional Teknologi Dan Sistem Informasi, 6(1), 55–63.
Gupta, S., Kumar, P., & Tekchandani, R. K. (2023). Facial Emotion Recognition Based Real-Time Learner Engagement Detection System in Online Learning Context Using Deep Learning Models. Multimedia Tools and Applications, 82(8), 11365–11394.
Hadi, S., & Arifin, Z. (2021). Pengaruh Media Video terhadap Pembelajaran Anak Usia Dini. Jurnal Pendidikan.
Kemendikbudristek. (2022). Transformasi Digital Pendidikan Indonesia.
Kemendikbudristek. (2023). Panduan Implementasi Kurikulum Merdeka dan Profil Pelajar Pancasila untuk PAUD.
Markets, & Markets. (2024). Facial Recognition Market by Component (Software, Hardware, Services), Technology (2D, 3D, Facial Analytics), Application (Access Control, Attendance Tracking), and Region — Global Forecast to 2028.
Maulinda, R., Muslihin, H. Y., & Sumardi, S. (2020). Analisis Kemampuan Mengelola Emosi Anak Usia 5–6 Tahun (Literature Review). Jurnal PAUD Agapedia, 4(2), 300–313.
Mulyana, A., Pratama, D. R., & Rizki, M. A. (2023). Deteksi Emosi Wajah Menggunakan Metode YOLOv5 untuk Mendukung Pembelajaran Daring. Jurnal Teknologi Informasi Dan Komunikasi Pendidikan, 10(2), 145–153.
Nugroho, P. A., Fenriana, I., & Arijanto, R. (2020). Implementasi Deep Learning Menggunakan Convolutional Neural Network (CNN) pada Ekspresi Manusia. Algor, 2(1), 12–20.
Nurjannah, S. (2025). Pengaruh Permainan Ekspresi (Expression Board) terhadap Kecerdasan Sosial Emosional Anak Usia Dini. Jurnal Raudhah, 13(2), 141–154.
Rahmawati, D. (2022). Literasi Digital Guru dalam Era Pembelajaran Modern. Jurnal Teknologi Pendidikan.
Salihu, S. A., Adebayo, S. O., Abikoye, O. C., Usman-Hamza, F. E., Mabayoje, M. A., Brahma, B., & Bandyopadhyay, A. (2025). Detection and Classification of Potato Leaves Diseases Using Convolutional Neural Network and Adam Optimizer. Procedia Computer Science, 258, 2–17. https://doi.org/10.1016/j.procs.2025.04.159
Suryani, N. (2020). Pengembangan Media Pembelajaran Berbasis Teknologi. Prenadamedia.
UNICEF. (2020). Digital Learning for Children.
Widiyanarti, T., Fadianti, C. A., Yunandar, F., Ningsih, F. S., Aji, J. F., & Syifa, M. (2024). Analisis Perbedaan Pola Komunikasi Verbal dan Non-Verbal dalam Interaksi Antar Budaya. Interaction Communication Studies Journal, 1(3), 12.
Yang, J., Lyu, M., Qi, Z., & Shi, Y. (2023). Deep Learning Based Image Quality Assessment: A Survey. Procedia Computer Science, 221, 1000–1005. https://doi.org/10.1016/j.procs.2023.08.080
Zhou, T., Ruan, S., & Canu, S. (2019). A review: Deep learning for medical image segmentation using multi-modality fusion. Array, 3–4. https://doi.org/10.1016/j.array.2019.100004
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Saptriasya Refanda, Nurul Tsania Fazriah, Cintami Oktafiani, Tya Septiani Nurfauzia Koeswara, Ramdhan Saepul Rohman, Saeful Bahri
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
