Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer
sherly dwi puspita
Universitas Halu Oleo
Civil Engineering, Building, Construction & Architecture Computer Science & IT Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
IMPLEMENTASI DEEP LEARNING MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK KLASIFIKASI GAYA BELAJAR SISWA BERDASARKAN EKSPRESI WAJAH SISWA SELAMA PROSES PEMBELAJARAN sherly dwi puspita; Sutardi; L.M. Golok Jaya; L.M. Bahtiar Aksara; Andi Tenriawaru; Isnawaty
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 3 (2026): Agustus
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i3.9163

Abstract

Perbedaan gaya belajar siswa menjadi tantangan bagi guru dalam menentukan metode pembelajaran yang tepat, terutama pada kelas dengan jumlah siswa yang besar. Penelitian ini bertujuan mengembangkan sistem analisis respons afektif dan estimasi kecenderungan gaya belajar siswa secara otomatis berdasarkan ekspresi wajah selama proses pembelajaran tatap muka menggunakan metode Convolutional Neural Network (CNN). Data dikumpulkan melalui perekaman video pembelajaran di kelas XI.A4 SMA Negeri 1 Kendari dan diproses menggunakan Haar Cascade dan CSRT untuk menghasilkan 1.652 citra wajah yang terbagi ke dalam empat kelas ekspresi yaitu Tertarik, Fokus, Bingung, dan Bosan. Proses pelabelan divalidasi oleh dua anotator independen dengan nilai Cohen's Kappa (κ = 0,8138) dan Gwet's AC1 (AC1 = 0,8323) yang termasuk kategori Almost Perfect Agreement. Model CNN yang dibangun dengan arsitektur empat blok konvolusi bertingkat menghasilkan akurasi sebesar 94,76% pada data pengujian. Hasil klasifikasi ekspresi selanjutnya dipetakan ke kecenderungan gaya belajar berdasarkan model VARK melalui mekanisme majority voting dan diimplementasikan dalam sistem berbasis web bernama EduFace yang memungkinkan guru menganalisis kecenderungan gaya belajar siswa secara otomatis dari video pembelajaran tanpa memerlukan observasi manual.
Co-Authors Andi Tenriawaru Isnawaty L.M. Bahtiar Aksara L.M. Golok Jaya Sutardi