Institutional Repository UIN Sunan Kalijaga YogyakartaANALISIS KOMPARATIF RETINAFACE dan YOLOv8-FACE TERHADAP KINERJA KLASIFIKASI EKSPRESI WAJAHNIM.: 23206052007MurdifinauthorDeteksi wajah merupakan tahap kritis dalam sistem Facial Expression Recognition (FER) yang mempengaruhi akurasi klasifikasi ekspresi. Penelitian ini menganalisis pengaruh dua algoritma deteksi wajah satu tahap, RetinaFace dan YOLOv8-Face, terhadap kinerja klasifikasi ekspresi wajah menggunakan pendekatan kuantitatif eksperimental dengan metode komparatif. Dataset terdiri dari 15.000 citra wajah dengan tiga kategori ekspresi, yaitu marah, sedih, dan senang. Evaluasi deteksi dilakukan menggunakan metrik Precision, Recall, F1-Score, mAP@0.5, dan inference time. Hasil deteksi selanjutnya digunakan untuk melatih model MobileNetV2 dan EfficientNetB0 dengan pendekatan transfer learning, yang kemudian dievaluasi menggunakan metrik Precision, Recall, F1-Score, Accuracy, Loss, dan Expected Calibration Error (ECE). Hasil penelitian menunjukkan bahwa YOLOv8-Face unggul pada tahap deteksi dengan Precision sebesar 0,9449, Recall 0,9220, F1-Score 0,9333, mAP@0.5 sebesar 0,8754, serta inference time 1,27 detik, yang lebih baik dibandingkan RetinaFace. Namun, pada tahap klasifikasi ekspresi, sistem berbasis RetinaFace menunjukkan performa yang lebih optimal. RetinaFace-MobileNetV2 mencapai akurasi 0,98 dengan loss 0,35 dan ECE 0,003, sedangkan RetinaFace-EfficientNetB0 mencapai akurasi 0,99 dengan loss 0,36 dan ECE 0,005. Sistem berbasis YOLOv8-Face menghasilkan akurasi 0,98 dengan loss sebesar 0,40 pada MobileNetV2 dan 0,41 pada EfficientNetB0, serta ECE sebesar 0,006 pada kedua model. Temuan ini menunjukkan bahwa meskipun YOLOv8-Face lebih unggul dalam aspek efisiensi dan kinerja deteksi, RetinaFace mampu menghasilkan area wajah yang lebih representatif untuk proses ekstraksi fitur, sehingga memberikan dampak positif terhadap akurasi, stabilitas pelatihan, dan kalibrasi prediksi pada tahap klasifikasi. Dengan demikian, kombinasi RetinaFace-MobileNetV2 menjadi konfigurasi yang paling optimal dalam penelitian ini. Hasil penelitian ini memberikan kontribusi dalam pemilihan metode deteksi wajah yang tepat pada sistem FER dengan mempertimbangkan keseimbangan antara efisiensi komputasi dan performa klasifikasi. Kata kunci: Deteksi Wajah, Klasifikasi Ekspresi Wajah, RetinaFace, YOLOv8-Face, MobileNetV2, EfficientNetB0, Deep Learning, Facial Expression RecognitionTehnik Informatika2026-02-27UIN SUNAN KALIJAGA YOGYAKARTA;FAKULTAS SAINS DAN TEKNOLOGIThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant Institutional Repository UIN Sunan Kalijaga Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that Institutional Repository UIN Sunan Kalijaga Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at Institutional Repository UIN Sunan Kalijaga Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.