<![CDATA[Perkembangan teknologi kecerdasan buatan (AI) dan visi komputer telah membuka peluang besar dalam penerapan pengenalan ekspresi wajah pada berbagai bidang. Dalam konteks pendidikan tinggi, keterlibatan mahasiswa selama proses belajar menjadi faktor penting yang masih sulit diukur secara objektif menggunakan metode konvensional. Namun pada kenyataannya, penelitian sebelumnya masih jarang menguji performa arsitektur CNN populer secara langsung di lingkungan pembelajaran nyata dengan kondisi pencahayaan dan pose yang beragam. Penelitian ini berkontribusi dengan membandingkan kinerja dua arsitektur deep learning, yaitu VGG-16 dan ResNet, dalam klasifikasi ekspresi wajah mahasiswa pada Smart Learning Environment. Penelitian dilakukan dengan pendekatan eksperimen kuantitatif melalui lima tahapan, yaitu pengumpulan data wajah mahasiswa di kelas, preprocessing berupa cropping, resizing, dan augmentasi, pengembangan model CNN, pelatihan menggunakan data split 80% training dan 20% validasi, serta evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa VGG-16 unggul dalam mengenali ekspresi suka dengan nilai F1-score tertinggi sebesar 85%, sedangkan ResNet relatif lebih baik pada ekspresi bosan dengan F1-score 73,2%. Sementara itu, keduanya sama-sama lemah dalam mengenali ekspresi tidak suka. Temuan ini mengimplikasikan bahwa VGG-16 lebih sesuai digunakan untuk mendukung analisis keterlibatan mahasiswa secara real-time dalam Smart Learning Environment berbasis AI.]]>
