ini banyak sekali dilakukan oleh beberapa peneliti yang menggunakan beberapa
single dalam input-an datanya. Ada beberapa metode atau algortima yang biasa
digunakan oleh beberapa peneliti yaitu Tracking In Color Images Using Color
Pyramidal Gabor (Lin et al., 2004), LBPH, PCA dan LDA (Wijaya, 2014), Haar
al., 2015) untuk mendapatkan lokasi image wajah dari suatu gambar.
Secara umum sistem pengenalan wajah dibagi menjadi dua janis yaitu
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
wajah, dimana metode tersebut di gunakan pada media server. Hasilnya Aplikasi
14
15
tersebut digunakan untuk kontrol akses dan pencegahan penggunaan ponsel yang
tidak sah.
half face template. Menurut mereka wajah manusia adalah simetris secara garis
besar. Jadi bisa menggunakan dari separuh wajah yakni wajah yang kiri atau
Dalam penelitian yang di lakukan oleh (Zakaria and Suandi, 2011) pada
dalam proses deteksi wajah. High false positive merupakan suatu masalah dalam
medeteksi wajah dan bukan wajah. Penelitian lain pendektesi wajah dengan
berbagai ukuran citra wajah menggunakan tool Face API, selain itu dengan tool
dengan yang diinginkan seperti citra yang tidak fokus, tentunya hasil citra tersebut
tidak memuaskan. Untuk mengatasi hal tersebut peneliti (Popkin et al., 2010)
citra dengan hasil akurasi sangat tinggi dan sangat efesien dalam komputasi.
16
Ukuran citra sangat dibutuhkan dalam proses pengenalan wajah untuk itu
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
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
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
proses 20 detik diperoleh tingkat akurasi tertinggi dalam mengenal citra wajah
menggunakan metode LBPH adalah 72%, metode PCA 64% dan metode LDA
44% .
17
judul Built-In Face Recognition For Smart Photo Sharing In Mobile Devices
detection, Viola & Jones Haar dan LBP untuk face detection, Geometric
daftar kontak telepon untuk informasi biometrik yang telah diekstraksi dari
pengguna terdaftar. Informasi ini digunakan oleh modul wajah recognizer secara
yang sudah disimpan pada phonebook. Penelitian yang sama juga dilakukan oleh
(Hadid et al., 2007) mendeteksi wajah menggunakan metode Viola & Jones Haar
dan LBP.
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
diperoleh jenis wavelet haar dan wavelet daubechies memiliki hasil yang sama
yang dilakukan pada media komputer. Metode klasifikasi yang berbeda dilakukan
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
pengenalan wajah menggunakan 500 juta citra dengan 10 juta subyek atau orang
yang mana citra tersebut dikumpulkan dari sosial media Facebook dan Youtube.
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)
memberikan hasil pengenalan yang lebih baik dibandingkan dengan metode lain.
Transfer learning juga digunakan oleh peneliti (Bahadure and Shah, 2019) untuk
Dalam penelitian yang lain (Teja and Ravi, 2012) telah melakukan
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).