Pengenalan Ekspresi Wajah untuk Mendeteksi Ketertarikan Siswa Sekolah Dasar dalam Mata pelajaran Menggunakan Metode CNN (Convolutional Neural Network)
DOI:
https://doi.org/10.52436/1.jpti.724Kata Kunci:
Convolutional Neural Network (CNN), Deep Learning, Ekspresi Wajah, Ketertarikan SiswaAbstrak
Efektivitas pembelajaran sangat dipengaruhi oleh tingkat ketertarikan siswa terhadap materi yang disampaikan. Salah satu indikator ketertarikan siswa yang dapat diamati adalah ekspresi wajah mereka selama proses pembelajaran. Namun, pengamatan manual oleh pendidik sering kali kurang akurat dan tidak konsisten. Oleh karena itu, pengenalan ekspresi wajah berbasis teknologi menjadi alternatif yang potensial untuk memantau dan menganalisis ketertarikan siswa secara objektif dan real-time. Penelitian ini menggunakan algoritma deep learning untuk mendeteksi ekspresi wajah siswa dan mengklasifikasikannya ke dalam kategori ketertarikan. Data diambil dari video pembelajaran yang direkam di lingkungan kelas. Model convolutional neural network (CNN) digunakan untuk ekstraksi fitur wajah, sementara algoritma klasifikasi emosi diterapkan untuk mengenali ekspresi yang relevan. Dataset pelatihan dan pengujian berupa gambar yang di photo kemudian di proses untuk menentukan ekspresi wajah siswa yang dan diberi label berdasarkan tingkat ketertarikan. Hasil penelitian menunjukkan bahwa model deep learning yang dikembangkan memiliki tingkat akurasi yang baik dalam mengenali ekspresi wajah siswa terkait ketertarikan. Model ini berhasil mendeteksi perubahan ekspresi secara konsisten dalam berbagai kondisi pencahayaan dan sudut pandang kamera. Dengan hasil ini, sistem yang diusulkan memiliki potensi untuk diimplementasikan sebagai alat pendukung dalam meningkatkan kualitas pembelajaran berbasis teknologi dapat mendukung dalam menentukan metode mengajar yang tepat.
Unduhan
Referensi
N. Aliah, A. Suwarni, and N. Natsir, “Evaluating The Impact Of Innovative Assignment Design On Student Engagement And Learning Outcomes In Higher Education,” Teach. Learn. a Sustain. Futur. Innov. Strateg. Best Pract., vol. 2, no. 2, pp. 207–223, 2024, doi: 10.4018/978-1-6684-9859-0.ch012.
K. Dimililer, “Use of Intelligent Student Mood Classification System (ISMCS) to achieve high quality in education,” Qual. Quant., vol. 52, pp. 651–662, 2018, doi: 10.1007/s11135-017-0644-y.
V. Soloviev, “Machine learning approach for student engagement automatic recognition from facial expressions,” Sci. Publ. State Univ. Novi Pazar Ser. A Appl. Math. Informatics Mech., vol. 10, no. 2, pp. 79–86, 2018, doi: 10.5937/spsunp1802079s.
K. Sai Bhavya Sri, K. Sai Swetha, K. Bhavani, M. Venkata Sahitya, and Naga Babu Pachhala, “Student Expression Detection in E-Learning Platforms,” EPRA Int. J. Res. Dev., vol. 7838, no. March, pp. 275–280, 2024, doi: 10.36713/epra16128.
D. Gašpar and M. Mabi?, “Student Engagement in Fostering Quality Teaching in Higher Education,” J. Educ. Soc. Res., vol. 5, no. 1, pp. 147–154, 2015, doi: 10.5901/jesr.2015.v5n1s1p147.
J. H. Niasmara, I. Kadek, and D. Nuryana, “Sistem Deteksi Ekspresi Siswa Dalam E-Learning Menggunakan Metode Convolutional Neural Network (CNN),” J. Informatics Comput. Sci., vol. 06, pp. 551–556, 2024.
A. Lioga Seandrio, A. Hendrianto Pratomo, and M. Y. Florestiyanto, “Implementation of Convolutional Neural Network (CNN) in Facial Expression Recognition Implementasi Convolutional Neural Network (CNN) Pada Pengenalan Ekspresi Wajah,” J. Inform. dan Teknol. Inf., vol. 18, no. 2, pp. 211–221, 2021, doi: 10.31515/telematika.v18i2.4823.
K. Salma and S. Hidayat, “Deteksi Antusiasme Siswa dengan Algoritma Yolov8 pada Proses Pembelajaran Daring,” J. Indones. Manaj. Inform. dan Komun., vol. 5, no. 2, pp. 1611–1618, 2024, doi: 10.35870/jimik.v5i2.716.
L. C. Limanjaya, H. Khoswanto, and I. Sugiarto, “Sistem Untuk Mengklasifikasikan Emosi Dan Mendeteksi Wajah Pada Pembelajaran Daring,” J. Tek. Elektro, vol. 15, no. 2, pp. 41–47, 2023, doi: 10.9744/jte.15.2.41-47.
B. R. A. Febrilia, I. C. Nissa, P. Pujilestari, and D. U. Setyawati, “Analisis Keterlibatan Dan Respon Mahasiswa Dalam Pembelajaran Daring Menggunakan Google Classroom Di Masa Pandemi Covid-19,” FIBONACCI J. Pendidik. Mat. dan Mat., vol. 6, no. 2, p. 175, 2020, doi: 10.24853/fbc.6.2.175-184.
S. Widodo, D. Setiawan, T. Ridwan, and R. Ambari, “Perancangan Deteksi Emosi Manusia berdasarkan Ekspresi Wajah Menggunakan Algoritma VGG16,” Syntax J. Inform., vol. 11, no. 01, pp. 01–12, 2022, doi: 10.35706/syji.v11i01.6594.
F. R. Chan, F. Annas, Y. E. Yuspita, and G. Darmawati, “Perancangan Sistem Pendeteksi Emosional Siswa Menggunakan Algoritma CNN untuk Mengukur Tingkat Pengelolaan Kelas,” vol. 03, no. 02, pp. 85–101, 2024.
S. W. Nurjihan, N. Faturrahman, and I. M. Wiguna, “Pengenalan Pola Ekspresi Wajah Untuk Pengolahan Citra Menggunakan Metode Convolutional Neural Network,” vol. 11, no. 4, 2024.
A. T. S and R. M. R. Guddeti, “Automatic detection of students’ affective states in classroom environment using hybrid convolutional neural networks,” Educ. Inf. Technol., vol. 25, no. 2, pp. 1387–1415, 2020, doi: 10.1007/s10639-019-10004-6.
A. Sun, Y. J. Li, Y. M. Huang, and Q. Li, “Using facial expression to detect emotion in e-learning system: A deep learning method,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 10676 LNCS, pp. 446–455, 2017, doi: 10.1007/978-3-319-71084-6_52.
Z. Shi, Y. Zhang, C. Bian, and W. Lu, “Automatic academic confusion recognition in online learning based on facial expressions,” 14th Int. Conf. Comput. Sci. Educ. ICCSE 2019, no. Iccse, pp. 528–532, 2019, doi: 10.1109/ICCSE.2019.8845348.
A. Sharma and V. Mansotra, “Deep learning based student emotion recognition from facial expressions in classrooms,” Int. J. Eng. Adv. Technol., vol. 8, no. 6, pp. 4691–4699, 2019, doi: 10.35940/ijeat.F9170.088619.
I. Lasri, A. R. Solh, and M. El Belkacemi, “Facial Emotion Recognition of Students using Convolutional Neural Network,” 2019 3rd Int. Conf. Intell. Comput. Data Sci. ICDS 2019, pp. 1–6, 2019, doi: 10.1109/ICDS47004.2019.8942386.
M. U. Abdullah and A. Alkan, “A Comparative Approach for Facial Expression Recognition in Higher Education Using Hybrid-Deep Learning from Students’ Facial Images,” Trait. du Signal, vol. 39, no. 6, pp. 1929–1941, 2022, doi: 10.18280/ts.390605.
X. Guo, J. Zhou, and T. Xu, “Evaluation of teaching effectiveness based on classroom micro-expression recognition,” Int. J. Performability Eng., vol. 14, no. 11, pp. 2877–2885, 2018, doi: 10.23940/ijpe.18.11.p33.28772885.
M. Sajjad, S. Zahir, A. Ullah, Z. Akhtar, and K. Muhammad, “Human Behavior Understanding in Big Multimedia Data Using CNN based Facial Expression Recognition,” Mob. Networks Appl., vol. 25, no. 4, pp. 1611–1621, 2020, doi: 10.1007/s11036-019-01366-9.
