Monitoring Aktivitas Kelas Menggunakan Klasifikasi Ekspresi Wajah Siswa dengan Metode Transfer Learning Berbasis Website

Latar belakang. Perkembangan teknologi computer vision memungkinkan analisis aktivitas siswa secara otomatis melalui ekspresi wajah. Namun, klasifikasi ekspresi wajah di lingkungan kelas masih menghadapi berbagai tantangan seperti variasi pencahayaan, pose, serta ketidakseimbangan data. Tujuan. Penelitian ini bertujuan mengembangkan model klasifikasi ekspresi wajah berbasis deep learning menggunakan arsitektur EfficientNet-B2 untuk meningkatkan akurasi pengenalan ekspresi siswa dalam kegiatan pembelajaran. Metode. Penelitian dilakukan melalui beberapa tahap, yaitu: 1) pengambilan data berupa ekstraksi frame dari video aktivitas pembelajaran; 2) preprocessing dan augmentasi data; 3) pelatihan model menggunakan EfficientNet-B2 dengan pendekatan transfer learning; dan 4) evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score. Proses preprocessing meliputi deteksi wajah, seleksi kualitas citra, serta normalisasi data untuk memastikan konsistensi input model. Hasil. Model yang dikembangkan mampu mencapai akurasi sebesar 90,29% dengan nilai macro precision sebesar 0,9049, macro recall sebesar 0,8991, dan macro F1-score sebesar 0,9007. Kelas happy menunjukkan performa terbaik dengan nilai F1-score tertinggi, sedangkan kelas angry dan surprised menunjukkan performa yang relatif lebih rendah akibat kemiripan karakteristik visual antar ekspresi. Secara umum, model mampu mengklasifikasikan sebagian besar data uji dengan tingkat kesalahan yang rendah. Kesimpulan. Model EfficientNet-B2 yang dikembangkan menunjukkan performa yang sangat baik dan memiliki kemampuan generalisasi yang tinggi dalam mengklasifikasikan ekspresi wajah siswa. Sistem yang dihasilkan berpotensi digunakan sebagai alat bantu dalam monitoring aktivitas pembelajaran berbasis computer vision secara lebih objektif dan terukur.