Electronic Theses and Dissertation

Belajar adalah proses mengubah perilaku individu melalui interaksi dengan lingkungan. Dalam proses pembelajaran emosi memegang peranan yang sangat penting yang memberikan pengaruh terhadap cepat atau lambatnya proses pembelajaran itu dilaksanakan. Emosi adalah reaksi psikologis dan fisiologis terhadap suatu peristiwa atau stimulus. Memahami emosi peserta didik membantu guru dan pendidik berinteraksi lebih efektif dengan peserta didik dan menciptakan lingkungan pembelajaran yang lebih baik. Pentingnya memahami emosi peserta didik dalam proses pembelajaran telah mendorong eksplorasi penggunaan teknologi klasifikasi emosi wajah. Dalam penelitian ini, memperkenalkan dataset emosi baru yang diakusisi pada peserta didik SMP Negeri 1 Darul Imarah, Aceh Besar. Dataset ini mencakup 5 kelas yang meliputi emosi senang, sedih, marah, terkejut dan bosan. Dataset tersebut diuji menggunakan pendekatan deep learning, yaitu menerapkan pendekatan Ensemble yang terdiri dari Resnet152, MobileNetV2, dan InceptionV3 untuk mengidentifikasi ekspresi emosi pada wajah peserta didik sekolah. Model Ensemble dapat mengoptimalkan klasifikasi emosi dengan menggabungkan probabilitas prediksi masing-masing model Resnet152, MobileNetV2, dan InceptionV3. Sehingga menghasilkan prediksi yang lebih akurat dan konsisten. Hasil kinerja menunjukkan model Ensembel menghasilkan akurasi, presisi, recall, dan F1-score yang paling tinggi yaitu 91%, sementara model Resnet152, MobileNetV2, dan InceptionV3 menghasilkan akurasi 88%, 85% dan 843%. Dengan menggabungkan prediksi dari ketiga model, pendekatan Ensemble mampu mengatasi variasi emosi dengan lebih konsisten dan akurat. Implementasi model-model klasifikasi emosi, baik secara individual maupun dalam bentuk Ensemble, dapat memberikan kontribusi dalam meningkatkan interaksi guru-peserta didik dan mengoptimalkan strategi pembelajaran yang responsif terhadap kebutuhan emosi peserta didik.

Kata Kunci: Klasifikasi Emosi, Ensemble, MobileNetV2, Resnet152, InceptionV3.

Learning is the process of changing individual behavior through interaction with the environment. In the learning process, emotions play a very important role, which influences how quickly or slowly the learning process is carried out. Emotions are psychological and physiological reactions to an event or stimulus. Understanding students' emotions helps teachers and educators interact more effectively with students and create a better learning environment. The importance of understanding students' emotions in the learning process has encouraged exploration of the use of facial emotion classification technology. In this research, we introduce a new emotion dataset that was acquired from students at SMP Negeri 1 Darul Imarah, Aceh Besar. This dataset includes five classes, which include the emotions happy, sad, angry, surprised, and bored. This dataset was tested using a deep learning approach, namely applying the Ensemble approach consisting of Resnet152, MobileNetV2, and InceptionV3 to identify emotional expressions on the faces of school students. The Ensemble model can optimize emotion classification by combining the prediction probabilities of each Resnet152, MobileNetV2, and InceptionV3 model. This results in more accurate and consistent predictions. The performance results show that the Ensemble model produces the highest accuracy, precision, recall, and F1-score, namely 91%, while the Resnet152, MobileNetV2, and InceptionV3 models produce accuracy of 88%, 85%, and 843%, respectively. By combining predictions from all three models, the ensemble approach is able to deal with variations in emotions more consistently and accurately. Implementation of emotion classification models, both individually and in ensemble form, can contribute to improving teacher-student interactions and optimizing learning strategies that are responsive to students' emotional needs. Keywords: Emotion Classification, Ensemble, MobileNetV2, Resnet152, InceptionV3.