Keywords
CNN
Histogram Equalization
Epoch
Pengolahan Citra
How to Cite
Abstract
Pengenalan wajah (Face Recognition) merupakan salah satu cabang dari pengolahan citra digital yang berfokus pada proses identifikasi dan klasifikasi wajah individu berdasarkan ciri atau fitur unik yang dimiliki setiap orang. Namun, performa sistem pengenalan wajah dapat mengalami penurunan akurasi akibat kondisi pencahayaan yang tidak optimal, yang menyebabkan citra wajah menjadi kurang jelas dan sulit diidentifikasi. Untuk mengatasi permasalahan tersebut, digunakan teknik Histogram Equalization (HE) guna meningkatkan kualitas citra dengan meratakan distribusi intensitas piksel, sehingga kontras gambar menjadi lebih optimal. Selain itu, implementasi Convolutional Neural Network (CNN) dalam sistem ini sangat krusial karena CNN mampu mempelajari fitur-fitur penting dari citra wajah secara otomatis dan hierarkis, yang membuatnya efektif dalam tugas-tugas seperti deteksi wajah, klasifikasi, dan pengenalan objek. Penelitian ini juga melakukan proses pelatihan (training) dan pengujian (testing) dua kali dengan nilai epoch yang berbeda, yaitu 15 dan 20, untuk mengevaluasi performa model. Pemilihan nilai epoch ini didasarkan pada belum adanya standar baku dari penelitian sebelumnya mengenai skala optimal epoch. Hasil dari kombinasi metode ini diharapkan dapat meningkatkan akurasi sistem pengenalan wajah, khususnya untuk aplikasi seperti sistem absensi, keamanan, dan layanan medis.
References
[1] S. Ashor dan H. M. Ahmed, “Applying Gamma and Histogram Equalization Algorithms for Improving System-performance of Face Recognition-based CNN,” IRAQI JOURNAL OF COMPUTERS, COMMUNICATIONS, CONTROL AND SYSTEMS ENGINEERING, vol. 22, no. 1, 2022, doi: 10.33103/uot.ijccce.22.1.11.
[2] S. Saifullah dan R. Dreżewski, “Modified histogram equalization for improved CNN medical image segmentation,” Procedia Comput Sci, vol. 225, hlm. 3021–3030, 2023, doi: 10.1016/j.procs.2023.10.295.
[3] M. T. Ahad, Y. Li, B. Song, dan T. Bhuiyan, “Comparison of CNN-based deep learning architectures for rice diseases classification,” Artificial Intelligence in Agriculture, vol. 9, hlm. 22–35, 2023, doi: 10.1016/j.aiia.2023.07.001.
[4] M. Hassan, M. Suhail Shaikh, dan M. A. Jatoi, “Image quality measurement-based comparative analysis of illumination compensation methods for face image normalization,” Multimed Syst, vol. 28, no. 2, 2022, doi: 10.1007/s00530-021-00853-y.
[5] A.-P. Song, Q. Hu, X.-H. Ding, X.-Y. Di, dan Z.-H. Song, “Similar face recognition using the IE-CNN model,” IEEE Access, vol. 8, hlm. 45244–45253, 2020, doi: 10.1109/ACCESS.2020.2978938.
[6] S. Saifullah dan R. Drezewski, “Modified Histogram Equalization for Improved CNN Medical Image Segmentation,” dalam Procedia Computer Science, 2023. doi: 10.1016/j.procs.2023.10.295.
[7] S. Agrawal, R. Panda, P. K. Mishro, dan A. Abraham, “A novel joint histogram equalization based image contrast enhancement,” Journal of King Saud University-Computer and Information Sciences, vol. 34, no. 4, hlm. 1172–1182, 2022, doi: 10.1016/j.jksuci.2019.05.010.
[8] S. Saifullah dan R. Drezewski, “Modified Histogram Equalization for Improved CNN Medical Image Segmentation,” dalam Procedia Computer Science, 2023. doi: 10.1016/j.procs.2023.10.295.
[9] A.-P. Song, Q. Hu, X.-H. Ding, X.-Y. Di, dan Z.-H. Song, “Similar face recognition using the IE-CNN model,” IEEE Access, vol. 8, hlm. 45244–45253, 2020, doi: 10.1109/ACCESS.2020.2978938.
[10] K. Bhosle dan V. Musande, “Evaluation of deep learning CNN model for recognition of devanagari digit,” dalam Artificial intelligence and applications, 2023, hlm. 98–102. doi: 10.47852/bonviewaia3202441.
[11] R.-C. Chen, C. Dewi, Y.-C. Zhuang, dan J.-K. Chen, “Contrast limited adaptive histogram equalization for recognizing road marking at night based on YOLO models,” IEEE Access, vol. 11, hlm. 92926–92942, 2023, doi: 10.1109/ACCESS.2023.3309410.
[12] D. Vijayalakshmi dan M. K. Nath, “A novel contrast enhancement technique using gradient-based joint histogram equalization,” Circuits Syst Signal Process, vol. 40, no. 8, hlm. 3929–3967, 2021, doi: 10.1007/s00034-021-01655-3.
[13] J. Gupta, S. Pathak, dan G. Kumar, “Deep learning (CNN) and transfer learning: a review,” dalam Journal of Physics: Conference Series, IOP Publishing, 2022, hlm. 012029. doi: 10.1088/1742-6596/2273/1/012029.
[14] K. G. Dhal, A. Das, S. Ray, J. Gálvez, dan S. Das, “Histogram equalization variants as optimization problems: a review,” Archives of Computational Methods in Engineering, vol. 28, hlm. 1471–1496, 2021, doi: 10.1007/s11831-020-09425-1.
[15] S. Gangwar, R. Devi, dan N. A. Mat Isa, “Optimized exposer region-based modified adaptive histogram equalization method for contrast enhancement in CXR imaging,” Sci Rep, vol. 15, no. 1, hlm. 6693, 2025, doi: 10.1038/s41598-025-90876-6.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Nurul Hana Shahla Fitriani