With the increasing use of online meeting and virtual reality (VR) with all its limitations, there is a growing need for new methods to understand user behavior and emotions. Traditional methods for analyzing user emotions often rely on facial expressions, typically focusing on the entire face. On the other hand, recent research has begun to highlight the significance of the periocular area as a valuable source of information for this purpose. This study explores the effectiveness of utilizing the periocular area for facial expression classification through neural network architectures, including variants of MobileNet and EfficientNet. Training was conducted using the TFEID dataset, and evaluation was performed using the Chinese Face dataset installed on mobile devices. This research employed a transfer learning approach to assess the performance of architectures on Android platforms. Metrics such as accuracy, precision, recall, and F1-score were used to evaluate the effectiveness of each model, revealing the potential of periocular features in enhancing facial expression classification. The findings of this study demonstrate the robustness of MobileNet architectures in this domain, contributing to the field of expression recognition systems. This research not only enhances understanding of user expressions in virtual environments but also offers practical solutions for real-world applications, paving the way for more effective interaction models in online and VR settings. / Seiring meningkatnya penggunaan ruang pertemuan daring dan virtual reality (VR) dengan segala keterbatasannya, memunculkan adanya kebutuhan baru akan metode yang dapat digunakan untuk memahami perilaku dan emosi pengguna. Metode tradisional untuk menganalisis emosi pengguna sering kali bergantung pada ekspresi wajah, yang biasanya berfokus pada seluruh wajah. Di sisi lain, penelitian baru-baru ini mulai menyoroti pentingnya area periokular sebagai sumber informasi penting untuk kebutuhan tersebut. Penelitian ini mengeksplorasi keefektifan pemanfaatan area periokular untuk klasifikasi ekspresi wajah melalui arsitektur jaringan saraf, antara lain varian MobileNet dan EfficientNet. Pelatihan dilakukan dengan memanfaatkan dataset TFEID, dan evaluasi dilakukan dengan menggunakan dataset Chinese Face yang dipasang pada perangkat seluler. Penelitian ini menggunakan pendekatan transfer learning untuk menilai kinerja arsitektur pada platform Android. Metrik seperti akurasi, presisi, recall, dan F1-score digunakan untuk mengevaluasi keefektifan setiap model, yang mengungkap potensi fitur periokular dalam meningkatkan klasifikasi ekspresi wajah. Temuan dalam penelitian ini menunjukkan ketangguhan arsitektur MobileNet dalam domain ini, memberikan kontribusi dalam bidang sistem pengenalan ekspresi. Penelitian ini tidak hanya meningkatkan pemahaman tentang ekspresi pengguna di lingkungan virtual, tetapi juga menawarkan solusi praktis untuk aplikasi dunia nyata, membuka jalan bagi model interaksi yang lebih efektif dalam pengaturan ruang daring dan VR.