Text

IMPLEMENTASI SISTEM PENGENALAN EKSPRESI WAJAH BERBASIS CNN DAN OPENCV UNTUK MENINGKATKAN KUALITAS PELAYANAN PELANGGAN DI INDUSTRI PERHOTELAN

---

ABSTRAK

Kualitas pelayanan merupakan aspek kritis dalam industri perhotelan, dimana pemahaman terhadap emosi tamu menjadi tantangan utama. Ekspresi wajah seringkali menjadi indikator emosi yang tidak terungkap secara verbal, nemun tidak semua petugas mampu mengenalinya dengan akurat. Penelitian ini bertujuan mengembangkan sistem pengenalan ekspresi wajah berbasis Convolutional Neural Network (CNN) dan OpenCV untuk meningkatkan responsitivitas pelayanan di front office hotel. Metode yang digunakan meliputi pengumpulan data dari dataset FER-2013, pelatihan model CNN dengan arsitektur lapisan konvolusi, serta evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan sistem mampu mengenali tujuh ekspresi wajah (marah, jijik, takut, senang, netral, sedih, terkejut) dengan akurasi 58,9%. Ekspresi terkejut dan senang mencapai kinerja terbaik (F1-score 0,77 dan 0,72), sementara jijik dan takut memiliki akurasi rendah akibat keterbatasan data. Sistem ini berpotensi membantu petugas hotel dalam memahami emosi tamu secara real-time, sehingga layanan dapat disesuaikan secara lebih empatik.

Kata Kunci: CNN, OpenCV, ekspresi wajah, perhotelan, klasifikasi emosi.




ABSTRACT

Service quality is a critical aspect in the hospitality industry, where understanding guest emotions remains a key challenge. Facial expressions often serve as unspoken emotional indicators, yet not all staff can accurately interpret them. This study aims to develop a facial expression recognition system based on Convolutional Neural Network (CNN) and OpenCV to enhance service responsiveness at hotel front offices. The methodology includes data collection from the FER-2013 dataset, CNN model training with convolutional layers, and evaluation using accuracy, precision, recall, and F1-score metrics. The results indicate that the system can classify seven facial expressions (angry, disgust, fear, happy, neutral, sad, surprise) with 58.9% accuracy. Surprise and happy expressions achieved the best performance (F1-Score 0.77 and 0.72), while disgust and fear had lower accuracy due to data limitations. This system has the potential to assist hotel staff in real-time emotion detection, enabling more empathetic service adjustments.

Keywords: CNN, OpenCV, facial expression, hospitality, emotion classification.

---

Ketersediaan

S251001012

607.2 SAP i

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 SAP i

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment