El análisis de sentimiento de imágenes de memes es una tarea que examina la opinión pública basada en imágenes de memes publicadas en redes sociales. En varios campos, las partes interesadas a menudo necesitan determinar rápida y precisamente el sentimiento de los memes a partir de grandes cantidades de datos disponibles. Por lo tanto, se necesita innovación en el preprocesamiento de imágenes para que se pueda obtener un aumento en las métricas de rendimiento, especialmente en la precisión, mejorando así la clasificación del sentimiento de las imágenes de memes. Esto se debe a que la clasificación de sentimientos utilizando conjuntos de datos de rostros humanos produce una mayor precisión que el uso de imágenes de memes. Esta investigación tiene como objetivo desarrollar un modelo de análisis de sentimiento para imágenes de memes basado en puntos clave. Las imágenes de memes analizadas contienen rostros humanos. Las características faciales extraídas utilizando puntos clave son las cejas, los ojos y la boca. En el método propuesto, los puntos clave de las características faciales se representan en forma de gráficos, específicamente gráficos dirigidos, gráficos ponderados o gráficos dirigidos ponderados. Estas representaciones gráficas de los puntos clave se utilizan para construir un modelo de análisis de sentimiento basado en una Red Neuronal Profunda (DNN) con tres capas (capa oculta: i = 64, j = 64, k = 90). Hay varias contribuciones de este estudio, a saber, desarrollar un modelo de detección de sentimiento facial humano utilizando puntos clave, representar puntos clave como varios gráficos y construir un conjunto de datos de memes con texto en indonesio. El modelo propuesto se evalúa utilizando varias métricas, a saber, precisión, exactitud, recuperación y puntuación F-1. Además, se realiza un análisis comparativo para evaluar el rendimiento del modelo propuesto frente a enfoques existentes. Los resultados experimentales muestran que el modelo propuesto, que utilizó la representación gráfica dirigida de los puntos clave, obtuvo la mayor precisión con un 83% y una puntuación F1 del 81%, respectivamente.