<![CDATA[Penilaian intensitas nyeri pada bayi merupakan tantangan klinis yang kritis karena bayi belum mampu melaporkan rasa sakit secara verbal, sementara metode observasional manual berbasis skala perilaku bersifat subjektif, rentan terhadap variasi antarpengamat, dan tidak praktis diterapkan secara konsisten dalam situasi klinis yang dinamis. Kemajuan deep learning berbasis pengenalan ekspresi wajah membuka peluang untuk mengotomatisasi asesmen nyeri secara lebih objektif, namun penerapannya masih menghadapi tantangan, baik dari sisi perbedaan ekspresi antar tingkat nyeri yang halus dan cenderung tumpang tindih, maupun dari sisi keterbatasan sumber daya komputasi pada perangkat edge atau mobile. Arsitektur lightweight seperti MobileNetV4 yang dirancang untuk efisiensi pada perangkat mobile berpotensi dipadukan dengan mekanisme atensi untuk meningkatkan sensitivitas model terhadap fitur wajah yang relevan, namun perbandingan sistematis antara keluarga arsitektur Conv dan Hybrid dengan berbagai mekanisme atensi pada domain ini belum banyak dikaji. Penelitian ini bertujuan menganalisis performa klasifikasi dan efisiensi komputasi dari enam skenario model yang mengombinasikan dua keluarga arsitektur MobileNetV4, yaitu Conv-Medium dan Hybrid-Medium, dengan dua mekanisme atensi eksternal, yaitu Convolutional Block Attention Module (CBAM) dan Efficient Channel Attention (ECA), menggunakan subset dataset Infant Facial Expressions of Pain Intensity (IFEPI) sebanyak 8.000 gambar pada empat kelas nyeri. Seluruh model dilatih menggunakan pendekatan transfer learning dengan pembagian data 70:15:15, kemudian dievaluasi berdasarkan Macro-F1 Score, efisiensi komputasi, uji statistik Friedman, dan skor keseimbangan performa-efisiensi. Hasil pengujian menunjukkan bahwa MobileNetV4-Conv-Medium + CBAM memperoleh performa klasifikasi tertinggi dengan Macro-F1 Score sebesar 97,09% sekaligus skor keseimbangan tertinggi sebesar 0,9956, sedangkan MobileNetV4-Conv-Medium + ECA memperoleh efisiensi komputasi terbaik dengan latensi inferensi 15,67 ms. Uji Friedman menunjukkan perbedaan performa yang signifikan secara global antar keenam skenario model (p = 0,028), meskipun uji lanjutan Nemenyi belum menemukan pasangan model yang berbeda signifikan secara individual.]]>
