Penelitian ini membahas pengolahan data citra wajah dengan variasi ekspresi menggunakan pendekatan Convolutional Neural Network (CNN). Permasalahan utama dalam penelitian ini adalah bagaimana mengenali ekspresi wajah secara akurat meskipun terdapat tantangan berupa variasi pencahayaan, pose, serta keterbatasan data yang dapat menyebabkan overfitting. Tujuan penelitian ini adalah melakukan pengolahan data citra wajah untuk mengevaluasi kinerja beberapa arsitektur CNN dalam klasifikasi ekspresi wajah dasar.
Dataset yang digunakan diperoleh dari Kaggle dengan total lebih dari 15.000 citra yang terbagi ke dalam empat kategori ekspresi dasar, yaitu senang, sedih, marah, dan takut. Proses preprocessing dilakukan melalui konversi grayscale, resize citra, normalisasi piksel. Untuk memperkaya variasi data dilakukan augmentasi berupa rotasi, flipping, penyesuaian kontras, dan penambahan noise. Analisis dilakukan dengan menguji tiga arsitektur CNN, yaitu CNN sederhana, VGG16, dan MobileNetV1. Evaluasi performa menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix.
Hasil pengolahan menunjukkan bahwa CNN sederhana memperoleh akurasi sebesar 84,6%, MobileNetV1 mencapai 88,3%, dan VGG16 memberikan performa tertinggi dengan akurasi 91,7%. Perbandingan ini memperlihatkan bahwa VGG16 lebih unggul dalam ketepatan klasifikasi berkat kedalaman lapisannya, sementara MobileNetV1 menawarkan efisiensi komputasi dengan akurasi yang tetap kompetitif. Analisis ini menegaskan bahwa preprocessing yang tepat, augmentasi data, dan pemilihan arsitektur CNN sangat berpengaruh terhadap peningkatan kualitas klasifikasi ekspresi wajah.
Kata kunci: Convolutional Neural Network, pengolahan citra wajah, ekspresi wajah, klasifikasi emosi, VGG16, MobileNetV1, akurasi model.