KLASIFIKASI EKSPRESI WAJAH MENGGUNAKAN TRANSFER LEARNING ARSITEKTUR VGG16 TERINTEGRASI MODUL ATENSI SQUEEZE-AND-EXCITATION (SE-BLOCK)

Pengenalan ekspresi wajah pada dataset in-the-wild seperti FER-2013 memiliki tantangan utama berupa variasi pencahayaan ekstrem, oklusi, dan ketidakseimbangan kelas data. Penelitian ini menerapkan metode Deep Learning dengan teknik Transfer Learning menggunakan arsitektur VGG16 yang dimodifikasi. Kebaruan (novelty) yang diusulkan adalah integrasi mekanisme atensi Squeeze-and-Excitation (SE-Block) untuk meningkatkan sensitivitas model terhadap fitur wajah penting, serta penerapan strategi Aggressive Fine-Tuning dengan optimasi Label Smoothing. Metode ini menguji dua skenario eksperimental: Skenario 1 (Baseline) menggunakan VGG16 standar dengan bobot beku (frozen), dan Skenario 2 (Optimized) menerapkan pencairan bobot (unfreezing) pada lapisan konvolusi tingkat tinggi yang dilengkapi SE-Block. Pelatihan dilakukan menggunakan teknik Mixed Precision untuk efisiensi komputasi GPU dan penyeimbangan bobot kelas (Class Weights) untuk menangani masalah data tidak seimbang. Hasil pengujian menunjukkan bahwa integrasi SE-Block dan strategi fine-tuning pada Skenario 2 mampu meningkatkan akurasi validasi secara signifikan menjadi 66,9%, yaitu mengalami peningkatan sebesar 15,2% dibandingkan metode baseline (51,7%) serta menunjukkan ketahanan (robustness) yang lebih baik terhadap variasi ekspresi.