EVALUASI USER EXPERIENCE PADA SISTEM INFORMASI E-COMMERCE MENGGUNAKAN METODE EYE TRACKING DAN HEATMAP

RATNA SARI SIAGIAN, NPM 2209400172 (2026) EVALUASI USER EXPERIENCE PADA SISTEM INFORMASI E-COMMERCE MENGGUNAKAN METODE EYE TRACKING DAN HEATMAP. Tugas_Akhir (Artikel) : Jurnal Sistem Informasi, Teknik Komputer dan Teknologi Pendidikan (JUSTIKPEN) Sinta 5, 5 (2). pp. 20-24. ISSN 2828- 7921 (Online)

	Text COVER RATNA.pdf Download (2MB)
	Text ARTIKEL RATNA.pdf Restricted to Registered users only Download (1MB)

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, Fl -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 Fl -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. Kata Kunci : Peningkatan Kontras Citra, Deep Learning, Pengenalan Ekspresi Wajah, Histogram Equalization, VGG-Face ============================================================ In deep learning-based facial expression recognition systems, the quality of input images plays a pivotal role in influencing classification accuracy. Low contrast images or those with uneven intensity distribution often hinder the model's ability to accurately detect critical facial features. Therefore, exploring contrast enhancement techniques such as histogram equalization becomes essential to evaluate their effect on model performance. This study aims to analyze the impact of image contrast enhancement on the accuracy of deep learning models, specifically a modified Convolutional Neural Network (CNN) architecture based on VGG-Face, in classifying facial expressions. A quantitative experimental approach was adopted. The FER-2013 dataset, containing six facial expression categories, was utilized. Images were divided into two groups: original (no enhancement) and contrast- enhanced using histogram equalization. Both sets were trained using the VGG-Face model, which was adapted for expression classification by adjusting the final layers. Evaluation metrics included accuracy, Fl -score, and confusion matrix. The experiment revealed that contrast-enhanced images achieved an accuracy of 86.3%, a 3.7% improvement over the original images which recorded an accuracy of 82.6%. Furthermore, the F I-scores showed notable improvements for expressions such as "neutral" and "angry," which previously had high misclassification rates. Visual analysis demonstrated that enhanced contrast enabled clearer definition of facial features such as smile lines and wrinkles, facilitating improved classification by the model. Keywords : Image Contrast Enhancement, Deep Learning, Facial Expression Recognition, Histogram Equalization, VGG-Face

Item Type:	Article
Uncontrolled Keywords:	Peningkatan Kontras Citra, Deep Learning, Pengenalan Ekspresi Wajah, Histogram Equalization, VGG-Face ============================ Image Contrast Enhancement, Deep Learning, Facial Expression Recognition, Histogram Equalization, VGG-Face
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General)
Divisions:	Fakultas Sains Dan Teknologi > Sistem Informasi
Depositing User:	Unnamed user with email repository@ulb.ac.id
Date Deposited:	01 Sep 2026 07:43
Last Modified:	01 Sep 2026 07:43
URI:	http://repository.ulb.ac.id/id/eprint/2711

Actions (login required)

View Item