Pemanfaatan pengolahan citra dalam era yang hampir serba digital ini sangat dibutuhkan. Analisa komposisi suatu citra dapat berdampak terhadap perubahan kehidupan.

Sistem Informasi Geografis (SIG) adalah salah satu pemanfaatan pengolahan citra. Pemotretan citra suatu daratan dari satelit dapat menggambarkan apa yang tersimpan di dalam daratan tersebut. Dari tingkat ketinggian, kesuburan, kandungan air, mineral maupun sumber daya alam lainnya. Bahkan keberadaan tempat rahasia seperti bunker, gudang senjata, dan penyimpanan senjata nuklir pun dapat dideteksi.

Efek - efek khusus seperti efek ledakan, adegan perubahan wujud (mutasi) pada pembuatan suatu sinema juga tak lepas dari peranan pemanfaatan teknologi pengolahan citra.

Bidang keamananpun tak luput untuk memanfaatkan teknologi ini. Teknologi pengenalan wajah atau lebih dikenal dengan face recognition sedikit banyak dapat membantu penegak keamanan dalam menjalankan tugasnya. Dengan perangkat lunak face recognition ini, penegak hukum dapat mencari variasi perubahan wajah seorang tindak kriminal. Sehingga walaupun penjahat tersebut berusaha menyamar, penegak hukum dapat mengenalinya.

Untuk itu melalui makalah ini penulis mencoba memberi sedikit informasi mengenai teknologi pengenalan wajah ini, baik implementasi maupun cara kerja teknologinya.

Teknologi identifikasi penjahat terutama oleh pihak kepolisian terus berkembang. Jika semula polisi hanya berpedoman pada ilustrasi gambar wajah dan sidik jari penjahat, kini teknologi tersebut sudah jauh berkembang lebih baik.

Dengan teknologi yang sudah ada, pengenalan citra wajah diproses melalui sistem digital, artinya citra - citra wajah diolah oleh sistem komputer dengan menggunakan teknologi kecerdasan buatan untuk memperoleh segala bentuk perubahan pada wajah tersebut yang mungkin terjadi. Hal ini memungkinkan kepolisian dapat mengenali pola wajah seorang penjahat walaupun penjahat tersebut mengenakan kacamata, memotong rambut, janggut, bahkan perubahan wajah karena bertambahnya umur.

Dengan sistem pengenalan wajah ini, maka tindak kriminalitas dapat ditekan. Namun seberapa efektifkah sistem pengenalan wajah ini?

Sebagai ilustrasi dapat disimak pada sebuah contoh kasus berikut. Seorang detektif Richard sedang berpatroli di kasino dalam sebuah hotel di Atlantic City, Amerika Serikat, saat melihat seseorang yang wajahnya mereka kenali. Orang itu adalah Michael, seorang residivis, pencuri kecil-kecilan, pemeras dan penipu yang memiliki banyak catatan kejahatan.

Bisa jadi kehadirannya kali ini juga untuk berbuat kriminal tapi para detektif itu tidak bisa langsung bertindak mengingat belum ada bukti yang kuat. Mereka meminta informasi dari markasnya kalau ada perintah penangkapan atas Michael. Hasilnya nihil.

Dahulu ceritanya akan berakhir di sini. Sekarang detektif Boero, seorang polisi veteran yang bertugas di divisi Gaming Enforcement, bisa bertindak lain. Dia kembali ke kantornya, menyalakan komputer dan menekan tombol search untuk memperoleh tampilan wajah Michael secara digital. Didapatnya serangkaian wajah pria yang secara bervariasi mirip dengan Michael. Beberapa di antaranya adalah Michael sendiri namun menggunakan nama berlainan.

Boero lalu memeriksa daftar perintah penangkapan untuk nama-nama tersebut. Dua di antaranya ternyata dicari karena mencuri mobil. Bergegas sang detektif kembali ke kasino dan membekuk Michael. Sang penjahat sendiri tidak melawan dan mengakui perbuatannya. Skor 1-0 untuk perangkat lunak pengenalan wajah (face recognition).

Implementasi sistem pengenalan wajah sebenarnya sangat luas, tidak hanya terbatas seperti yang telah dijelaskan dalam ilustrasi di atas. Namun umumnya, implementasi sistem ini untuk keperluan keamanan (security purpose), baik untuk keperluan pribadi maupun korporasi.

Implementasi penggunaan pribadi sistem pengenalan wajah dapat diaplikasikan untuk mengunci atau membatasi penggunaan komputer oleh orang yang tidak berhak. Dengan perangkat lunak dan perangkat keras yang telah disesuaikan, komputer akan mengunci secara otomatis begitu pemilik atau pengguna yang sah meninggalkan komputer, sehingga tidak dapat digunakan oleh orang yang tidak berhak. Begitu pemilik atau pengguna yang sah tersebut kembali di depan komputer, secara otomatis pengunci akan terbuka dan pemakai dapat menggunakannya kembali seperti biasa.


Gb. Screen Saver dengan proteksi perangkat lunak Face Recognition.
(How Stuff Works - How Facial Recognition Systems Work)

Implementasi dalam lingkup korporasi bahkan lebih luas. Proses validasi pada biro imigrasi, bandar udara dan pelabuhan dapat membantu pihak kepolisian, khususnya interpol dalam melacak keberadaan kriminal, bahkan teroris internasional. Dengan dilengkapi database wajah teroris, sistem dapat mengenali teroris yang melintasi sensornya, bahkan dengan penampilan yang berbeda dan bersembunyi diantara kerumunan orang.


Gb. Teroris yang menyusup sebagai imigran biasa.
(How Stuff Works - How Facial Recognition Systems Work)

Implementasi lain adalah untuk keperluan identifikasi nasabah pada sebuah mesin pengambil uang (ATM - Automatic Teller Machine). Dengan digunakannya sistem ini, nasabah tidak perlu bersusah payah mengingat nomor PIN (Personal Identification Number), membawa kartu ATM, dan sebagainya. Pihak bank-pun tidak perlu menerbitkan kartu ATM beserta nomor PIN-nya.

Pengambilan uang pada mesin ATM tersebut cukup mudah dan praktis. Sesaat setelah nasabah tiba di depan mesin ATM tersebut, sebuah kamera pemantau akan men-scan wajah nasabah dan langsung mengirim citra wajah ke pusat data. Selanjutnya sistem akan mengolah citra tersebut dan melakukan verifikasi terhadap database nasabah. Jika nasabah tersebut sah, maka nasabah dapat memulai transaksi, sebaliknya jika tidak sah, mesin ATM tersebut tidak akan bereaksi terhadap nasabah tersebut.


Gb. ATM dengan sistem pengenalan wajah.
(How Stuff Works - How Facial Recognition Systems Work)

Sistem pengenalan wajah bahkan dapat diterapkan untuk membantu pencarian orang hilang. Keluarga korban tinggal mengirim foto korban, dapat berupa citra foto maupun citra digital ke pusat data. Kemudian pusat data akan mengirim citra tersebut ke seluruh cabang dan relawan. Dan kemudian jika relawan atau anggota masyarakat melihat orang yang mirip dengan korban, pelapor dapat mengirim citra wajah ke cabang terdekat atau dapat juga melalui internet, kemudian citra tersebut diolah dan diverifikasi oleh sistem untuk diketahui seberapa jauh kemiripannya.

Teknologi pengenalan wajah secara digital atau lebih sering dikenal dengan face recognition sebenarnya masih dalam taraf pengembangan. Secara umum, cara kerjanya adalah dengan mengkonversikan foto, sketsa, dan gambar video menjadi serangkaian angka, yang disebut dengan faceprint lalu membandingkannya dengan rangkaian angka lain yang mewakili wajah - wajah yang sudah dikenal. Proses pembandingan, baik pembandingan persamaan maupun perbedaan yang ada dilakukan dengan menggunakan rumus matematika dan algoritma yang cukup rumit.

Secara umum metode yang digunakan sistem pengenalan citra wajah dibagi menjadi 2 yaitu feature based dan image based.

1. Metode feature based
   Pada metode ini, fitur lokal didapat dari proses ekstraksi komponen citra wajah seperti mulut, hidung, mata, pipi dan lain - lain yang kemudian di modelkan secara geometris hubungan antar fitur - fitur tersebut.
2. Metode image based
   Metode ini menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan dalam metode tertentu, misalnya Principal Component Analysis (PCA), transformasi Wavelet, dan sebagainya, yang kemudian digunakan untuk pelatihan dan klasifikasi identitas citra.

Salah satu perusahaan perangkat lunak pengenalan citra wajah adalah Visionic Corporation. Sistem ini memetakan lebih dari selusin titik wajah, atau disebut dengan nodal points, pada tempat di mana lekuk - lekuk wajah berubah lalu mencoba mencari wajah dengan konstelasi titik kritis yang mirip. Titik - titik wajah yang dapat dijadikan pedoman antara lain jarak antar mata, dagu, lebar dahi, tulang pipi, rahang, dan sebagainya. Pada wajah manusia, sedikitnya terdapat 80 buah titik wajah.

Setelah proses analisa suatu wajah selesai dikerjakan, sistem menampilkan perbendaharaan gambar wajah yang mirip berdasarkan urutan kesamaan.

Perusahaan lain, Viisage Technology menggunakan metode yang agak berbeda. Sistem ini bekerja dengan menggambarkan seberapa jauh kemiripan satu wajah dengan 128 wajah archetypal yang ada. Archetype atau disebut juga eigenfaces tercipta dari kombinasi ratusan wajah yang ada di bank data lalu dianalisa persamaan dan perbedaannya menggunakan rumus matematika. Kemudian setelah hasil analisa wajah diperoleh, perangkat lunak ini menampilkan perbendaharaan gambar wajah yang mirip berdasarkan urutan kesamaan.

Secara garis besar, proses pengenalan citra wajah oleh sistem dapat dibagi menjadi lima tahap, yaitu:

1. Deteksi
   Ketika sistem terhubung dengan kamera video, perangkat lunak men-scan keberadaan wajah pada resolusi rendah dengan menggunakan algoritma multi-scale. Scanning dengan resolusi tinggi digunakan setelah ditemukan citra wajah. Tahap ini memastikan keberadaan kelengkapan bagian kepala seperti mata, hidung, dahi, mulut, dan sebagainya.
2. Pengenalan Posisi
   Sesaat setelah sistem mengenali adanya citra wajah, sistem mencoba mengenali posisi, ukuran maupun pose kepala. Wajah haruslah berada sedikitnya 35 derajat menghadap kamera agar sistem dapat menganalisanya dengan baik.
   
   
   Gb. Scanning kelengkapan wajah.
   (Photobook/Eigenfaces Demo)
3. Normalisasi
   Setelah citra wajah berhasil dikenali, sistem kemudian mengatur ulang posisi dan ukuran wajah agar dapat diproses pada tahap berikutnya dengan baik. Penyesuaian ini dilakukan untuk memperbaiki kualitas citra wajah berdasarkan posisi kepala dan perbedaan jarak kamera. Intensitas pencahayaan tidak berpengaruh dalam tahap ini.
4. Pengkodean
   Dengan algoritma khusus, sistem kemudian mengubah citra wajah menjadi serangkaian angka yang cukup unik (faceprint). Pengkodean ini dilakukan untuk mempermudah proses perbandingan citra wajah yang diproses dengan database. Di sinilah inti dari sistem pengenalan wajah.
   
   
   Gb. Grafik atas hasil pengkodean.
   (Photobook/Eigenfaces Demo)
5. Perbandingan
   Tahap terakhir, sistem membandingkan angka atau nilai yang diperoleh pada tahap sebelumnya dengan nilai yang telah tersimpan pada database.
   
   
   Gb. Pembandingan hasil analisa sistem.
   (Photobook/Eigenfaces Demo)

Sampai saat ini telah banyak dikembangkan algoritma untuk mendapatkan faceprint. Berikut beberapa algoritma diantaranya.

1. Standar PCA (Eigenfaces)
   Standar ini disebut dengan nearest neighbor PCA classifier, atau lebih singkatnya algoritma Eigenfaces. Algoritma ini telah dipakai sejat awal tahun 1990 dan saat ini telah banyak variasi hasil pengembangan dan penyempurnaan dari algoritma ini. Algoritma ini digunakan oleh hampir semua orang. Tujuan algoritma ini sebenarnya adalah kesederhanaan namun sangat ampuh dalam prakteknya.
   
   Untuk mengenali pola citra wajah, algoritma ini harus mempelajari dahulu melalui citra - citra yang biasanya telah disediakan pada database citra. Pada tahap pembelajaran ini, citra dibaca dari suatu matriks data (data matrix) yaitu citra di-dekomposisi dan disusun menjadi bentuk vektor kolom (coloumn vector). Kolom - kolom vektor yang telah tersusun digabung menjadi bentuk matriks data.
   
   Data matriks ini kemudian digunakan untuk membuat variasi matriks percontohan. Nilai eigenfaces dan eigenvectors dari matriks percontohan ini kemudian dihitung. Eigenvector k pertama (didapatkan dari proses pengurutan nilai eigenvalue) kemudian ditulis ke file untuk proses klasifikasi selanjutnya. Kemudian serangkaian citra dibaca dan dianalisa. Hasil analisa kemudian ditulis dalam file untuk kemudian diproses sesuai dengan parameter yang dikehendaki oleh sistem.
2. Linear Discriminant Classifier
   Algortima ini merupakan kombinasi dari algoritma Standard PCA yang dilanjutkan dengan Analisa Diskriminan Linier (Linear Discriminant Analysis) pada lingkup PCA.
3. Bayesian Intrapersonal / Extrapersonal Classifier
   Algoritma ini dikembangkan di MIT (Massachusetts Informatic Technology). Algoritma ini dibagi menjadi dua bagian yaitu bagian pembelajaran atau pelatihan (learning part) dan bagian uji (testing part). Versi awal algoritma ini bekerja kurang memuaskan, timbul beberapa masalah yang belum ditemukan solusinya.
4. Gabor Filter Graph Matching
   Algoritma ini sebenarnya lebih tepat digunakan untuk proses perbandingan. Algoritma ini menonjolkan aspek perbandingan fitur.

Harus diakui teknik pengenalan citra wajah menjanjikan kemudahan dan keamanan yang cukup tinggi, namun sebenarnya teknologi ini masih dalam taraf pengembangan, belum dapat dikatakan sempurna untuk diaplikasikan dalam kehidupan sehari - hari. Hal ini dapat dibuktikan dengan masih banyaknya prosentase kesalahan diagnosa dan analisa yang dilakukan oleh sistem ini.

Di samping itu, investasi yang dibutuhkan untuk meng-aplikasikan sistem ini masih terbilang mahal. Semoga beberapa tahun mendatang, sistem ini dapat mencapai tahap Kematangan yang cukup dan tersedia dengan harga yang lebih murah.

Howstuffworks Inc, How Facial Recognition Systems Work, http://www.howstuffworks.com/facial-recognition.htm/printable.

Stefanie Olsen dan Robert Lemos, Can face recognition keep airports safe?, CNET news.com.

Resmana Lim, Marcel J.T. Reinders dan Thiang, Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi Wavelet, Proceeding, Digital Sinyal Prosessing, Teknologi dan Aplikasinya (DSPTA), Gedung Pasca Sarjana ITS, Surabaya.

Baback Moghaddam, Photobook/Eigenfaces Demo, http://www-white.media.mit.edu/vismod/demos/facerec/basic.html.