penelitian untuk deteksi dan pengenalan wajah beberapa
TRANSCRIPT
14
Penelitian untuk deteksi dan pengenalan wajah beberapa tahun belakangan
ini banyak sekali dilakukan oleh beberapa peneliti yang menggunakan beberapa
metode algortima. salah satunya adalah menggunakan Anti Symetrical Wavelet
(Yin et al., 2007). Kebanyakan penelitian tersebut menggunakan gambar wajah
single dalam input-an datanya. Ada beberapa metode atau algortima yang biasa
digunakan oleh beberapa peneliti yaitu Tracking In Color Images Using Color
Centroids Segmentation (Zhang et al., 2009a), Modified Skin-Color Model (Ma
et al., 2013), Weighted Pairwise Fuzzy (Zhou et al., 2009), Multi-resolution
Pyramidal Gabor (Lin et al., 2004), LBPH, PCA dan LDA (Wijaya, 2014), Haar
dan LBP (Vazquez-Fernandez et al., 2011), MBLBP +Adaboost+Camshift (Ye et
al., 2015) untuk mendapatkan lokasi image wajah dari suatu gambar.
Secara umum sistem pengenalan wajah dibagi menjadi dua janis yaitu
sistem feature-based dan sistem image-based. Pada sistem pertama digunakan
ciri/fitur yang diekstraksi dari komponen citra wajah seperti mata, hidung, mulut
dan lain-lain yang kemudian dimodelkan secara geometris hubungan antara ciri-
ciri tersebut. Sedangkan pada sistem kedua menggunakan informasi mentah dari
piksel citra yang direpresentasikan dalam metode tertentu, misalnya adalah
Principal Component Analisys (PCA). (Kremic et al., 2012) melakukan penelitian
pengenalan wajah dengan memanfaatkan perangkat mobile untuk pengambilan
citra selanjutnya menggunakan metode PCA dan Mathlab untuk pengenalan
wajah, dimana metode tersebut di gunakan pada media server. Hasilnya Aplikasi
15
yang dibangun adalah 88,88% otentikasi identitas sesuai dan aplikasi
tersebut digunakan untuk kontrol akses dan pencegahan penggunaan ponsel yang
tidak sah.
Penelitian yang dilakukan oleh (Chen et al., 2009) menggunakan metode
half face template. Menurut mereka wajah manusia adalah simetris secara garis
besar. Jadi bisa menggunakan dari separuh wajah yakni wajah yang kiri atau
wajah yang kanan untuk di gunakan sebagai template matching untuk
mengoptimalkan proses deteksi.
Dalam penelitian yang di lakukan oleh (Zakaria and Suandi, 2011) pada
perangkat mobile menggunakan kombinasi dari neural network dan adaboost
dalam proses deteksi wajah. High false positive merupakan suatu masalah dalam
pendeteksi wajah terutama dalam rendahnya waktu deteksi. Adaboost di gunakan
untuk memproduksi high false positive sedangkan neural network untuk
medeteksi wajah dan bukan wajah. Penelitian lain pendektesi wajah dengan
perangkat mobile seperti dilakukan oleh (Indrawan, 2012) dengan menganalisa
berbagai ukuran citra wajah menggunakan tool Face API, selain itu dengan tool
yang sama deteksi wajah juga dilakukan pada server cloud.
Pengambilan suatu citra dengan kamera terkadang hasilnya tidak sesuai
dengan yang diinginkan seperti citra yang tidak fokus, tentunya hasil citra tersebut
tidak memuaskan. Untuk mengatasi hal tersebut peneliti (Popkin et al., 2010)
menggunakan algoritma space-variant Gaussian blurring untuk memfokuskan
citra dengan hasil akurasi sangat tinggi dan sangat efesien dalam komputasi.
16
Ukuran citra sangat dibutuhkan dalam proses pengenalan wajah untuk itu
perlu dilakukan memperbesar atau memperkecil ukuran citra. Peneliti (Darujati et
al., 2014) melakukan penelitian mengubah ukuran citra dengan metode Low Pass
Filter dan Interpolasi Bilinear. Pengujian ukuran citra wajah yang dilakukan oleh
(Ahonen et al., 2006) menunjukan bahwa pada ukuran wajah dengan piksel kecil
21x21 dan 32x32 tidak ada masalah dalam pengenalan wajah menggunakan
metode LBP. Sedangkan peneliti (Indrawan, 2012) citra wajah baru dikenali pada
ukuran citra mulai 40x40 piksel.
Peneliti (Wijaya, 2014) Melakukan penelitian dengan proses : proses
pertama melakukan pre-processing, salah satunya dengan mengkonversi kedalam
bentuk grayscale dengan tujuan untuk meningkatkan akurasi citra. Selanjutnya
sistem akan menghitung hasil ekstraksi fitur sesuai metode yang digunakan pada
fitur wajah yang terdapat pada citra masukan tersebut. Ekstraksi fitur pada citra
pada penelitian ini menggunakan LBPH, PCA dan LDA. Dari ketiga metode yang
digunakan ini memiliki proses ekstraksi fitur yang berbeda-beda. Kemudian
dilakukan penghitungan untuk setiap citra yang menjadi data training yang ada
dalam memori dan citra masukan yang menjadi citra test. Penghitungan akurasi
dilakukan dengan melakukan test pada setiap citra pada rentang waktu yang
berbeda-beda. Hasil pengujian yang dilakukan didapatkan bahwa pada waktu
proses 20 detik diperoleh tingkat akurasi tertinggi dalam mengenal citra wajah
menggunakan metode LBPH adalah 72%, metode PCA 64% dan metode LDA
44% .
17
Peneliti (Vazquez-Fernandez et al., 2011) melakukan penelitian dengan
judul Built-In Face Recognition For Smart Photo Sharing In Mobile Devices
menggunakan beberapa metode untuk deteksi wajah diantaranya metode eyes
detection, Viola & Jones Haar dan LBP untuk face detection, Geometric
normaliz, Illumination normaliz. Hasil dari penelitian ini adalah menghubungkan
daftar kontak telepon untuk informasi biometrik yang telah diekstraksi dari
pengguna terdaftar. Informasi ini digunakan oleh modul wajah recognizer secara
otomatis menandai gambar yang dideteksi selanjutnya dicocokkan dengan gambar
yang sudah disimpan pada phonebook. Penelitian yang sama juga dilakukan oleh
(Hadid et al., 2007) mendeteksi wajah menggunakan metode Viola & Jones Haar
dan LBP.
Peneliti (Intan P and Imah, 2015) dalam jurnalnya melakukan penelitian
perbandingan ekstraksi fitur untuk pengenalan wajah menggunakan metode
Principal Component Analysis (PCA) dan Wavelet Daubechies untuk pengenalan
wajah. Hasil yang diperoleh adalah Wavelet Daubechies cocok digunakan dalam
ekstraksi fitur pada pengenalan wajah adalah wavelet db2 menggunakan fitur
aproksimasi, selain itu waktu pengenalan wajah lebih cepat menggunakan metode
wavelet dibandingkan dengan metode PCA. Peneliti (Sutarno, 2010) melakukan
penelitian perbandingan transformasi wavelet pada pengenelan wajah, hasil yang
diperoleh jenis wavelet haar dan wavelet daubechies memiliki hasil yang sama
sedangkan wavelet coiflet hasilnya dibawahnya. Variasi dimensi dan level
dekomposisi citra dengan wavelet haar memberikan peningkatan unjuk kerja
sistem lebih baik pada ukuran yang lebih besar.
18
Peneliti (Ye et al., 2015) menggunakan android untuk otentikasi identitas
wajah. Dalam penelitiannya menggunakan algoritma CamShift menangkap
gambar wajah yang bergerak, dan untuk mengklasifikasikan citra menggunakan
algoritma Adaboost sedangkan deteksi citra wajah menggunakan metode Haar
laike dan MBLBA Sedangkan (Damayanti et al., 2010) mengektraksi fitur
menggunakan metode Two Dimensional Linear Diskrimination Analisys
(TDLDA) dan klasifikasi menggunakan metode Support Vector Machines (SVM)
yang dilakukan pada media komputer. Metode klasifikasi yang berbeda dilakukan
oleh (Sikki, 2009) yaitu menggunakan K-Nearest Neighboar.
Peneliti (Cao et al., 2018) dari Universitas Oxford melakukan penelian
pengenalan wajah menggunakan dataset yang sangat besar. Untuk pengenalan
penelitiannya mereka menggunakan model VGGface2 yang berbasis CNN. Citra
wajah yang digunakan diperoleh dari penelusuran gambar di Google, citra yang
digunakan memiliki variasi besar dalam pose, usia, pencahayaan, etnis, dan
profesi (mis. Aktor, atlet, politisi). Pada penelitiannya memfokuskan pada pose
dan usia. Penelitian lain yang menggunakan dataset yang besar juga dilakukan
oleh peneliti (Schroff et al., 2015) yang melakukan penelitian pengenalan wajah
menggunakan dataset wajah dari Google dan Youtube Faces dimana jumlah
dataset atau database yang digunakan untuk training sangat banyak yaitu 200 juta
citra. Selanjutnya transfer learning yang digunakan oleh peneliti ini untuk
training adalah Stochastic Gradient Descent (SGD). Hasil pengujian untuk
klasifikasi akurasi sebesar 98,87%. Peneliti lainnya yang menggunakan dataset
yang besar adalah peneliti (Taigman et al., 2015) melakukan penelitian
19
pengenalan wajah menggunakan 500 juta citra dengan 10 juta subyek atau orang
yang mana citra tersebut dikumpulkan dari sosial media Facebook dan Youtube.
Transfer learning yang digunakan penelitian ini adalah ImageNet. Peneliti
(Krishnapriya et al., 2020) membandingkan transfer learning ArcFace dan
VGGface2 untuk mengenali wajah berdasarkan warna kulit menggunakan dataset
MORPH. Peneliti (Khan et al., 2019) menggunakan transfer learning AlexNet
untuk men-training data yang sangat besar yaitu 1000 gambar per kelas dan
diperoleh hasil sangat memuaskan. Peneliti yang lain yaitu (Prakash et al., 2019)
menggunakan transfer learning VGG-16 dan memperoleh hasil eksperimental
untuk verifikasi sangat memuaskan, serta menyatakan bahwa metode ini
memberikan hasil pengenalan yang lebih baik dibandingkan dengan metode lain.
Transfer learning juga digunakan oleh peneliti (Bahadure and Shah, 2019) untuk
men-training database yang besar, transfer learning yang digunakan dalam
penelitiannya adalah VGGface.
Dalam penelitian yang lain (Teja and Ravi, 2012) telah melakukan
penelitian pengenalan wajah dengan metode sub-space tehcniques, yang
menginvestigasi image sebagai pre-processing untuk mengurangi jumlah error
yang ada pengujian dilakukan dengan Computing False Acceptence Rates (FAR)
dan False Rejection Rates (FRR). Peneliti (Krishnapriya et al., 2020) melakukan
penelitian pengenalan wajah berdasarkan ras atau warna kulit dan hasil pengujian
menghasilkan warna kulit yang lebih gelap menyebabkan FMR yang lebih tinggi.
Sementara peneliti (Vetrekar and Gad, 2014) menggunakan FMR dan FNMR
untuk pengujian pengenalan Hyperspectral dan multimodal (sidik jari dan wajah).