<![CDATA[Abstrak—Emosi berperan penting dalam interaksi manusia-mesin, se-hingga Facial Emotion Recognition (FER) menjadi topik penelitian yang relevan. FER2013, sebagai salah satu benchmark FER yang umum digunakan, terdiri atas citra grayscale beresolusi rendah, sedan-gkan arsitektur modern seperti ConvNeXt Tiny dilatih pada ImageNet dengan citra RGB beresolusi tinggi, sehingga muncul kesenjangan do-main saat keduanya diadaptasi satu sama lain. Penelitian ini mem-bandingkan dua strategi adaptasi input untuk menjembatani kesen-jangan tersebut, yaitu Grayscale Adapter (proyeksi kanal yang dapat dipelajari) dan RGB ConvNeXt (duplikasi kanal deterministik), dalam mentransfer ConvNeXt Tiny pretrained ImageNet ke FER2013. Ke-dua strategi diuji dengan backbone dan protokol evaluasi yang iden-tik, dievaluasi menggunakan akurasi, F1-Score, dan AUC pada 7.178 citra data uji. Hasil menunjukkan bahwa RGB ConvNeXt menca-pai Test Accuracy 58,71% dan F1-Score (macro) 0,5649, mengung-guli Grayscale Adapter yang hanya mencapai 34,15% dan F1-Score (macro) 0,2564, pada seluruh metrik agregat maupun pada F1-Score setiap kelas emosi. Analisis performa per kelas menunjukkan pola peningkatan yang tidak seragam antar kelas, mengindikasikan kon-tribusi gabungan dari penyelarasan normalisasi input dan pembob-otan kelas terhadap kesenjangan performa. Temuan ini menegaskan bahwa strategi adaptasi kanal input bukan keputusan teknis yang ne-tral, melainkan berdampak signifikan terhadap efektivitas transfer learning pada dataset grayscale beresolusi rendah. Kata Kunci—ConvNeXt Tiny, FER2013, Grayscale Adapter, RGB ConvNeXt, ImageNet Pretrained, Transfer Learning.]]>
Copyrights © 2026
