<![CDATA[Pemantauan kondisi emosional peserta didik merupakan komponen penting dalam penyelenggaraan pembelajaran yang berkualitas, namun dalam konteks pembelajaran daring hal ini menjadi tantangan yang jauh lebih kompleks akibat ketiadaan interaksi tatap muka langsung. Penelitian ini menerapkan algoritma Gaussian Naive Bayes untuk mengklasifikasikan tujuh kategori emosi dasar peserta didik, yaitu marah (angry), jijik (disgust), takut (fear), senang (happy), sedih (sad), terkejut (surprise), dan netral (neutral), berdasarkan ekspresi wajah menggunakan dataset FER-2013 yang terdiri dari 35.887 gambar wajah berukuran 48×48 piksel. Fitur statistik yang diekstraksi meliputi nilai rata-rata piksel, standar deviasi, nilai minimum-maksimum piksel, dan histogram intensitas. Seluruh implementasi dilakukan menggunakan bahasa pemrograman Python dengan pustaka scikit-learn pada perangkat standar tanpa akselerasi GPU. Evaluasi model pada 7.178 gambar data uji menghasilkan akurasi keseluruhan sebesar 35,2% dengan F1-score macro-averaged 33,8%. Kelas happy mencapai performa terbaik dengan F1-score 56,3%, sementara kelas disgust memperoleh performa terendah sebesar 8,2% akibat ketidakseimbangan data dan kemiripan visual yang tinggi dengan kelas angry. Keterbatasan utama model bersumber dari asumsi independensi antar fitur yang tidak sesuai dengan karakteristik data citra wajah yang memiliki korelasi spasial tinggi. Meskipun akurasi yang diperoleh masih di bawah metode deep learning, Gaussian Naive Bayes membuktikan keunggulannya dalam efisiensi komputasi dengan waktu pelatihan kurang dari 5 detik tanpa GPU, menjadikannya kandidat yang layak sebagai komponen baseline sistem pemantauan emosi peserta didik pada platform pembelajaran daring berbasis perangkat standar. Pengembangan selanjutnya disarankan mengeksplorasi fitur HOG atau LBP, teknik SMOTE untuk penyeimbangan kelas, serta arsitektur hibrida yang menggabungkan CNN ringan dengan Gaussian Naive Bayes.]]>
