<![CDATA[Melakukan komunikasi tidak sebatas berbentuk verbal saja, bisa juga berkomunikasi nonverbal yaitu dengan menyampaikan informasi dari ekspresi wajah. Namun, permasalahan dalam analisa ekspresi wajah jika melakukan pendeteksian ekspresi wajah secara manual maka akan membutuhkan waktu yang cukup lama dan tidak selalu akurat, sedangkan jika melakukan pendeteksian menggunakan machine learning berbasis Python maka akan mempersingkat proses pendeteksian ekspresi wajah, oleh karena itu diperlukan suatu model yang memiliki tingkat accuracy yang mumpuni sehingga dapat mendeteksi dan mengklasifikasikan ekspresi wajah dengan cepat dan akurat. Tujuan utama dari penelitian ini yaitu untuk mengetahui optimizer mana yang terbaik diantara Adam, SGD, dan RMSprop untuk model klasifikasi dengan membandingkan performa hasil training dari setiap optimizer dimana hasil dari proses training menghasilkan file model dengan ekstensi h5. Model dengan metrik accuracy, validation accuracy, loss, waktu tempuh, dan size model terbaik di antara optimizer tersebut akan di nyatakan sebagai optimizer terbaik. Data yang digunakan berupa foto sebanyak 71.774 foto dengan 7 label ekspresi wajah yang diantaranya senang, sedih, terkejut, marah, takut, jijik, dan netral. Metode yang digunakan untuk mengukur performa model pada dataset yang diberikan yaitu evaluate() dari library Keras, classification_report dan precision_recall_fscore_support yang terdapat pada library sklearn.metrics. Dengan skenario pengujian 60 epochs dan learning rate sebesar 0.001, Optimizer Adam memiliki nilai accuracy lebih tinggi yaitu 68.61% disusul oleh SGD dengan nilai accuracy sebesar 57.68% dan accuracy RMSprop sebesar 54.83%.Kata kunci: Adam, Deep learning, Ekspresi Wajah, Klasifikasi, Optimizer, RMSprop, SGD.]]>
