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

14
 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).