Article Per Year (5 Year)
p-Index From 2021 - 2026
1.8
P-Index
This Author published in this journals
All Journal Jurnal sistem informasi, Teknologi informasi dan komputer JURTEKSI CSRID (Computer Science Research and Its Development Journal) JISKa (Jurnal Informatika Sunan Kalijaga) bit-Tech Teknika Jurnal Ilmiah Dan Karya Mahasiswa
Muhammad Akbar Maulana
Institut Bisnis Dan Informatika Kwik Kian Gie
Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Languange, Linguistic, Communication & Media Library & Information Science Mathematics

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Deteksi Suasana Hati Karyawan Berbasis Deep Learning Menggunakan CNN Michelle; Sigit Birowo; Muhammad Akbar Maulana
bit-Tech Vol. 8 No. 1 (2025): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i1.1882

Abstract

Emosi adalah bagian penting dari kehidupan manusia yang membantu kita memahami diri sendiri dan mengekspresikan perasaan. Emosi mencerminkan respons atau reaksi alami pada berbagai situasi yang dihadapi. Penelitian ini bertujuan untuk mengembangkan Model Convolutional Neural Network (CNN) yang mampu mengenali emosi manusia berdasarkan ekspresi wajah, khususnya pada kategori “Senang”, “Sedih”, “Marah” dan “Netral” dengan fokus pada karyawan setelah bekerja, untuk melihat apakah karyawan menikmati pekerjaannya atau tidak. Dengan menggunakan dataset berisi 2.059 gambar dari platform Kaggle, proses penelitian mencakup tahapan pengumpulan data, pre-processing data, pelatihan data hingga klasifikasi. Model ini dilatih selama 200 epoch dan menghasilkan akurasi sebesar 89,11% dengan performa yang cukup baik untuk kategori emosi “Senang” dan “Marah”. Namun, model masih mengalami kesultan dalam mengenali emosi “Sedih” dan “Netral”, kemungkinan karena kurangnya data pelatihan dan fitur yang belum optimal. Selama pelatihan, akurasi pada training menunjukkan peningkatan yang konsisten, sedangkan validasi sempat fluktuatif sebelum stabil. Analisis hasil pengujian menunjukkan bahwa model mampu memprediksi emosi dengan probabilitas tinggi, meskipun terdapat kendala dalam generalisasi ke kondisi yang lebih kompleks. Grafik dan evaluasi metriks,seperti precision, recall dan f1-score, menunjukkan adanya ruang untuk perbaikan, terutama dalam pengenalan emosi dengan nilai recall yang rendah. Penelitian ini memiliki potensi signifikan dalam pengenalan emosi melalui ekspresi wajah, yang digunakan untuk memahami emosi yang dialami oleh karyawan. Penelitian ini juga diperlukan pengembangan lebih lanjut guna meningkatkan kemampuan model dalam menangani komplesitas data.
Co-Authors Agung Saputra D. Diffran Nur Cahyo Ema Utami Fahmi Rusdi Al Islami Fidya Farasalsabila Geraldo Tan Gerard, Jeremiah Giesta Rahguna Putri Giesta Rahguna Putri Habib, Muhammad Hanafi Hanafi Hudha, Yans Safarid Istioso, Jason Joko Susilo Juanda Gilang Purnomo Kriswantoro, Andi Leonard Winata Marcheleno, Marco Michelle Mikael Putri, Giesta Rahguna Radja Ardjuna Rithaudin Pua Richardo Renzo Chandra Samsul Bahri Sigit Birowo Syarham, Syarham Tutik Lestari Tutik Lestari Verra Budhi Lestari