Oleh :  Marco Adrian, Haryono Soeparno, Wikaria Gazali

 

Teknologi informasi yang berkembang sangat cepat menyebabkan bertumbuhnya permintaan terhadap aplikasi yang semakin kompleks, salah satunya adalah aplikasi untuk pengenalan diri. Ada berbagai macam jenis teknik pengenalan diri yang sudah digunakan, dari yang paling umum adalah pengenalan diri berdasarkan sidik jari, citra wajah, telapak tangan, geometri tangan, iris mata, hingga pengenalan pembuluh darah vena, dan DNA. Di antara jenis – jenis teknik tersebut teknik pengenalan wajah merupakan teknik yang paling fleksibel, yaitu dapat dengan mudah diterapkan di mana saja tanpa membutuhkan upaya yang besar dari subjek yang akan dikenali, contohnya pengambilan citra wajah melalui Closed-circuit Television (CCTV). Namun, banyak kendala yang dihadapi oleh aplikasi pengenalan wajah, contohnya adalah pengambilan gambar yang buruk yang disebabkan oleh sudut pengambilan yang tidak baik, pencahayaan yang minim atau justru berlebihan, juga ekspresi wajah yang berubah – ubah. Selain itu, kendala juga terjadi pada metode yang kurang mampu mengolah gambar yang kurang baik, sehingga terjadi kesalahan pada tahap pengenalan. Hal tersebut memotivasi penulis untuk merancang sebuah program aplikasi pengenalan wajah yang memiliki kemampuan pengenalan lebih baik.

Sudah banyak metode – metode yang diajukan untuk digunakan dalam pengenalan wajah selama beberapa dekade ini. Metode Eigenfaces dan Fisherfaces adalah dua metode linear paling populer untuk pengenalan wajah. Eigenfaces mengaplikasikan Principal Component Analysis (PCA) untuk memproyeksikan titik – titik data sepanjang arah variasi maksimum. Metode Eigenfaces mampu menemukan geometri intrinsik manifold wajah jika sifatnya linear. Tidak seperti metode Eigenfaces yang sifatnya unsupervised, metode Fisherfaces bersifat supervised. Fisherfaces mengaplikasikan Linear Discriminant Analysis (LDA) untuk memproyeksikan titik – titik data sepanjang arah optimal untuk diskriminasi citra wajah. Kedua metode tersebut, Eigenfaces dan Fisherfaces, hanya memperhatikan struktur global Euclidean. Metode Laplacianfaces, yang diusulkan pada tahun 2005, diajukan untuk memodelkan struktur manifold lokal. Laplacianfaces adalah perkiraan linear untuk fungsi eigen dari operator Laplace Beltrami pada manifold wajah. Namun, fungsi basis yang dihasilkan oleh metode Laplacianfaces yang bersifat non-ortogonal, membuat metode ini sulit untuk merekonstruksi data.

Orthogonal Laplacianfaces pada dasarnya berbasis pada metode Laplacianfaces. Metode ini membentuk adjacency graph yang mampu merefleksikan geometri dari manifold wajah dan hubungan kelas dengan titik – titik percobaan dengan sangat baik. Proyeksinya kemudian didapat dengan menjaga struktur graph. Metode ini memiliki locality preserving characteryang sama dengan metode Laplacianfaces, namun pada waktu yang sama, metode ini membutuhkan fungsi basisnya bersifat ortogonal. Fungsi basis yang ortogonal menjaga struktur metrikdari wajah. Bahkan, jika semua dimensi yang didapat oleh Orthogonal Laplacianfaces digunakan, peta proyeksinya adalah sebuah peta rotasi yang tidak mengubah struktur metrik. Selain itu, hasil studi empiris menunjukkan bahwa Orthogonal Laplacianfaces mampu memiliki locality preserving power lebih baikdibanding Laplacianfaces. Locality preserving powerberhubungan langsung dengan discriminating power, sehingga Orthogonal Laplacianfaces diharapkan mampu memiliki discriminating power lebih baik dibandingkan dengan Laplacianfaces.