<![CDATA[Pengenalan ekspresi wajah menjadi salah satu komponen penting dalam sistem interaksi manusia-komputer, khususnya untuk memahami emosi pengguna. Tantangan utama dalam pengenalan ekspresi wajah meliputi variasi pencahayaan, pose wajah, oklusi, dan kemiripan antar ekspresi. Penelitian ini mengusulkan metode klasifikasi ekspresi wajah berbasis kombinasi antara ekstraksi fitur tekstur dari Local Binary Pattern (LBP) dan representasi spasial dari arsitektur Multi-Level Convolutional Neural Network (MLCNN). Dataset yang digunakan adalah FER2013 yang terdiri dari 35.887 gambar grayscale berukuran 48×48 piksel dan terbagi dalam tujuh kategori ekspresi dasar. Tahapan penelitian mencakup prapemrosesan data (deteksi wajah, augmentasi, dan normalisasi), ekstraksi fitur melalui LBP dan MLCNN, serta penggabungan fitur (feature fusion) sebelum klasifikasi. Tiga jenis koneksi fitur diuji dalam MLCNN, yaitu dari lapisan max pooling, lapisan konvolusi tengah, dan lapisan konvolusi terakhir sebelum pooling. Model dilatih menggunakan optimizer Adam, early stopping, dan penyesuaian learning rate otomatis (ReduceLROnPlateau). Hasil eksperimen menunjukkan bahwa kombinasi LBP dan MLCNN dengan koneksi tipe 1 memberikan hasil terbaik dengan akurasi pengujian sebesar 69,17%. Pendekatan ini menunjukkan peningkatan akurasi dan kestabilan terutama dalam mengenali ekspresi seperti happy dan angry. Penelitian ini menunjukkan bahwa integrasi fitur tekstur dan spasial dari berbagai level abstraksi dapat meningkatkan performa sistem pengenalan ekspresi wajah dalam kondisi dunia nyata.]]>
