Deteksi emosi memainkan peran krusial dalam aplikasi kesehatan mental dengan memahami kondisi psikologis pengguna. Studi ini bertujuan untuk mengembangkan aplikasi seluler yang memanfaatkan teknik pembelajaran mendalam, menggabungkan Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) untuk menganalisis gambar wajah dan mengidentifikasi emosi. Aplikasi ini menggunakan dataset FER 2013 yang mencakup tujuh jenis emosi, dan model CNN-BiLSTM yang diterapkan telah diuji untuk akurasi serta fungsionalitas dengan hasil positif. Selama pelatihan pada Google Colab dengan runtime GPU L4 dan 60 epoch, model mencapai akurasi pelatihan sebesar 97,66%. Selain fitur deteksi emosi, aplikasi ini juga menyediakan fitur tambahan seperti catatan harian, tips kesehatan mental, survei, dan notifikasi motivasi, yang bertujuan membantu pengguna dalam mengelola kesehatan mental mereka. Dengan pendekatan ini, aplikasi tidak hanya berfungsi sebagai alat deteksi emosi, tetapi juga sebagai platform kesehatan mental yang holistik, mendukung deteksi dini dan intervensi yang diperlukan. Dengan memanfaatkan teknologi pembelajaran mendalam, aplikasi ini diharapkan dapat memberikan kontribusi signifikan dalam mendukung kesehatan mental melalui teknologi seluler, terutama dalam memberikan dukungan psikologis awal.

Emotion detection plays a crucial role in mental health applications by understanding users' psychological conditions. This study aims to develop a mobile application that leverages deep learning techniques, combining Convolutional Neural Network (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) to analyze facial images and identify emotions. The application utilizes the FER 2013 dataset, which includes seven types of emotions, and the CNN-BiLSTM model has been tested for accuracy and functionality with positive results. During training on Google Colab with GPU L4 runtime and 60 epochs, the model achieved a training accuracy of 97.66%. In addition to emotion detection, the application also features additional components such as a diary, mental health tips, surveys, and motivational notifications, designed to assist users in managing their mental health. With this approach, the application functions not only as an emotion detection tool but also as a holistic mental health platform, supporting early detection and necessary interventions. By utilizing deep learning technology, the application is expected to make a significant contribution to supporting mental health through mobile technology, particularly in providing early psychological support.