Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Journal of Informatics and Computer Science (JINACS)
Niasmara, Jeptika Herni
Unknown Affiliation
Computer Science & IT

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

Found 1 Documents
Search

 1 
Sistem Deteksi Ekspresi Siswa Dalam E-Learning Menggunakan Metode Convolutional Neural Network (CNN) Niasmara, Jeptika Herni; Nuryana, I Kadek Dwi
Journal of Informatics and Computer Science (JINACS) Vol. 6 No. 02 (2024)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/jinacs.v6n02.p551-556

Abstract

Proses pembelajaran jarak jauh memiliki keunggulan seperti memperoleh fleksibilitas saat belajar dalam waktu dan tempat yang berbeda. Akan tetapi proses pembelajaran dari jarak jauh memiliki kekurangan yaitu guru tidak dapat memantau siswa mengenai antusiasme siswa dalam proses belajar. Dengan menggunakan sistem deteksi ekspresi siswa pada saat proses pembelajaran guru dapat memantau siswa. Sistem deteksi ekspresi siswa dalam e-learning menggunakan metode Convolutional Neural Network (CNN) dan menggunakan dataset dari Kaggle yaitu The Facial Expression Recognition 2013 (FER-2013). FER-2013 terdapat tujuh kategori emosi yaitu marah, jijik, takut, senang, sedih, terkejut dan biasa. Sistem deteksi ekspresi siswa akan menganalisis emosi siswa pada saat proses pembelajaran berlangsung. Kemudian sistem deteksi ekspresi akan menunjukan nilai presentase ekspresi positif ataupun negatif dan kondisi emosi siswa. Setelah itu, sistem akan menyimpan hasil dari deteksi ekspresi berupa video dan dokumen teks. Hasil pengujian dari sistem deteksi ekspresi siswa dalam e-learning menggunakan metode CNN dengan menggunakan arsitektur AlexNet dapat mengklasifikasi ekspresi wajah dan didapatkan hasil training accuracy 94,81%, training loss 15,30%. Pada pengujian model CNN menggunakan arsitektur LeNet dapat mengklasifikasi wajah dan didapatkan hasil training accuracy 98,84%, training loss 6,92%.
Co-Authors I Kadek Dwi Nuryana, I Kadek Dwi