ABSTRAK Nama : Diah Anggraeni Pitaloka Program Studi : Magister Ilmu Komputer Judul : U-CGAN (U-NET Conditional Generative Adversarial Networks) sebagai Image Generator untuk Transfer Emosi yang Mempertahankan Informasi Identitas pada Ekspresi Wajah Pengenalan emosi dasar pada ekspresi wajah merupakan salah satu permasalahan sinyal sosial yang dapat diselesaikan dengan pendekatan deep learning. Performa deep learning bergantung pada jumlah dan varian data yang artinya semakin besar jumlah data, maka semakin baik performa yang diberikan. Emosi dasar terdiri dari marah, senang, jijik, terkejut, takut, dan sedih. Dataset citra wajah dengan label emosi saat ini jumlahnya masih terbatas sedangkan citra wajah non-label sangat melimpah. Memberi label emosi pada ekspresi wajah cukup mahal dilakukan karena dibutuhkan standar khusus seperti framework facial action coding system (FACS) untuk memvalidasi suatu emosi. Pada penelitian ini, mensintesis citra wajah non-label (emosi netral) menggunakan metode U-CGAN (U-NET Conditional Generative Adversarial Networks) menjadi 6 target emosi digunakan sebagai alternatif solusi augmentasi data pada deep learning untuk mempelajari high level features. Model U-CGAN dilatih untuk mempelajari fitur wajah yang paling merepresentasikan perubahan wajah ke suatu emosi tertentu. Kami menyebutnya sebagai transfer emosi ketika bagaimana pengetahuan model dari hasil pelatihan ditransfer dan diujikan untuk memetakan suatu citra wajah baru dari emosi netral ke 6 target emosi. Kualitas citra yang dihasilkan dengan resolusi 128x128 cukup realistis dalam merepresentasikan emosi dan mampu mempertahankan informasi identitas pada wajah. Penambahan latent regression pada U-CGAN membuat lokalisasi fitur wajah lebih akurat khususnya area-area yang mengalami perubahan otot wajah. Evaluasi dilakuan secara manual oleh peneliti dengan menganotasi subjek dan emosi dari citra sintetis yang diujikan pada data uji. Peneliti dapat mengenali seluruh subjek pada citra sintetis dan mampu mengenali emosi dengan cukup baik. Selanjutnya, Pendekatan SSIM juga digunakan untuk mengukur tingkat kemiripan antara citra asli dan citra sintetis. Skor SSIM menunjukkan bahwa model yang diusulkan dapat mentransfer emosi tanpa menghilangkan informasi identitas pada subjek. Kata kunci: Ekspresi wajah, Sintesis Citra, Emosi, Transfer Emosi, Informasi Identitas, Deep Learning, Facial Action Coding System, U-CGAN, Generative Adversarial Networks, latent regression, SSIM.