Pengaruh Peningkatan Kontras Citra terhadap Akurasi Model Deep Learning dalam Pengenalan Ekspresi Wajah

Abstract

Dalam sistem pengenalan ekspresi wajah berbasis deep learning, kualitas citra input memegang peran krusial dalam memengaruhi akurasi klasifikasi. Citra dengan kontras rendah atau distribusi intensitas yang tidak merata dapat mengurangi performa model dalam mengenali fitur-fitur penting pada wajah. Oleh karena itu, diperlukan eksplorasi terhadap teknik peningkatan kontras seperti histogram equalization untuk mengetahui sejauh mana pengaruhnya terhadap hasil klasifikasi ekspresi wajah. Penelitian ini bertujuan untuk menganalisis pengaruh peningkatan kontras citra terhadap akurasi model deep learning, khususnya model CNN berbasis arsitektur VGG-Face, dalam mengenali ekspresi wajah manusia. Penelitian ini menggunakan pendekatan kuantitatif dengan desain eksperimen. Dataset yang digunakan adalah FER-2013 yang terdiri dari enam kategori ekspresi wajah. Citra-citra dibagi dalam dua kelompok: citra asli (tanpa peningkatan kontras) dan citra yang telah melalui proses peningkatan kontras menggunakan histogram equalization. Kedua kelompok citra dilatih menggunakan model VGG-Face yang dimodifikasi pada lapisan akhir untuk klasifikasi ekspresi. Evaluasi dilakukan menggunakan metrik akurasi, F1-score, dan confusion matrix. Hasil eksperimen menunjukkan bahwa citra yang telah melalui proses peningkatan kontras menghasilkan akurasi sebesar 86.3%, meningkat sebesar 3.7% dibandingkan dengan citra tanpa peningkatan kontras yang hanya mencapai akurasi 82.6%. Selain itu, terjadi peningkatan F1-score pada kategori ekspresi netral dan marah yang sebelumnya memiliki tingkat kesalahan klasifikasi tertinggi. Analisis visual menunjukkan bahwa fitur wajah seperti garis senyum dan kerutan menjadi lebih terdefinisi setelah peningkatan kontras, sehingga mempermudah proses klasifikasi oleh model.