ABSTRAKSI: Pengenalan wajah merupakan salah satu biometrik yang memiliki akurasi dari pendekatan fisiologis individu tanpa bersifat intrusive (mengganggu) [11] karena tidak memerlukan kerja sama pengguna. Namun demikian, citra wajah manusia bersifat sangat dinamis karena adanya perubahan ekspresi, variasi pose wajah, aksesoris (misal kacamata) pencahayaan, dsb.
Dalam sistem pengenalan individu berbasis citra wajah terdapat data latih dan data uji. Orthogonal Laplacianfaces membangkitkan sebuah ruang ciri dari data latih tersebut. Ruang ciri ini digunakan untuk memetakan baik data latih maupun data uji. Hasil pemetaan ini disebut dengan feature yang merupakan hasil ekstraksi citra wajah dengan mengambil ciri diskriminan wajah. Klasifikasi citra wajah dilakukan dengan membandingkan feature citra wajah dari data uji dan data latih.
Pengujian dilakukan dengan beberapa skenario untuk mengetahui pengaruh jumlah individu, jumlah data latih setiap individu, dan reduksi dimensi vektor citra wajah terhadap akurasi sistem pengenalan citra wajah. Pengujian performansi sistem dalam mendiskriminasi wajah individu dilakukan menggunakan metode klaster. Pengujian terhadap kelayakan sistem sebagai sistem identifikasi wajah dilakukan dengan menerapkan nilai ambang. Hasil pengujian dengan menggunakan database ORL sebagai sistem identifikasi wajah (dengan 7 data latih dan 3 data uji untuk setiap individu) menunjukkan akurasi optimal 99.6% dengan FAR 0.125% dan FRR 0.2708%.Kata Kunci : pengenalan wajah, OLPP, PCAABSTRACT: Face recognition is one of biometric that non-intrsusive[11] because it doesn’t need user cooperation. However, human face is dynamically varies because of variation in expression, pose, accessories (e.g. glasses), illumination, etc.
In the individual identification system based on face images, there are train data and test data. Orthogonal Laplacianfaces generates a subspace from the train data. Both data are then mapped in to this subspace to get the features. This feature is actually the extraction from face image by taking the discriminative characteristic of face image. The face images are classified by comparing the features of train face images and the test ones.
The testing is carried out with several scenarios to find out the accuration of the system based on the number of individual, number of train data, and the dimension reduction of face image vector. Performance of the system in discriminate individual face images is tested by clustering the data. The system feasibility in identifying individual is tested by implementing threshold value. The result of this test using ORL database (7 train images and 3 test images from each individual) shows the optimum accuration 99.6% with FAR 0.125% and FRR 0.2708%.Keyword: face recognition, OLPP, PCA