Ekspresi wajah merupakan salah satu bentuk komunikasi non-verbal yang penting dalam mengungkapkan emosi manusia, seperti, senang, sedih, terkejut, marah, takut, dan jijik. Dalam konteks pendidikan, pemahaman ekspresi wajah peserta didik memiliki peran krusial dalam evaluasi pembelajaran, karena dapat memberikan informasi mengenai fokus dan pemahaman peserta didik terhadap materi yang diajarkan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi ekspresi wajah peserta didik dalam proses pembelajaran di kelas, yang terbagi kedalam enam kelas ekspresi wajah. Selain itu, penelitian ini juga bertujuan untuk mengukur performa model dengan melakukan beberapa percobaan dengan membandingkan nilai hyperparameter batch size, epoch, learning rate, dan penggunaan ‘class_weight’. Sistem ini dikembangkan menggunakan metode CNN yang memadukan dua model melalui functional API Keras. Model pertama adalah model citra wajah dengan input berukuran 96x96 pixel dan 1 channel grayscale, sedangkan model kedua adalah model fitur geometri wajah. Fitur-fitur geometri tersebut dihasilkan dari proses perhitungan fitur wajah seperti alis, mata, dan mulut, dimana setiap landmark wajah diperoleh menggunakan pretrained dlib. Proses perhitungan tersebut menghasilkan 9 fitur yang kemudian direduksi menjadi 2 dimensi menggunakan PCA. Total data yang digunakan sebanyak 2.069 citra wajah yang terbagi ke dalam enam kelas ekspresi, bahagia, sedih, netral, terkejut, marah, dan lelah. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mengklasifikasikan ekspresi wajah peserta didik dengan akurasi 92% pada data validasi dan 95% pada data testing. Hyperparameter yang digunakan meliputi batch size 12, epoch 50, dan learning rate 0,001, tanpa menggunakan ‘class_weight’.