Analisis Ketahanan Ekstraksi Landmark Dan Pengenalan Wajah Berbasis Dlib Resnet Terhadap Variasi Sudut, Pencahayaan Ekstrem, Dan Oklusi Parsial

Abstract

Sistem pengenalan wajah (face recognition) otomatis berbasis komputasi cerdas sering kali mengalami penurunan akurasi drastis saat dihadapkan pada variasi kondisi lingkungan di dunia nyata, seperti sudut tampilan wajah yang condong, perubahan tingkat kecerahan cahaya, dan juga penutupan sebagian pada wajah. Penelitian ini bertujuan untuk mengkarakterisasi secara empiris batas operasional dan ketahanan model deep learning Dlib ResNet (128 dimensi) yang dipadukan dengan shape predictor 68 titik facial landmark. Pengujian komprehensif dilakukan menggunakan kamera berfitur auto-exposure dengan tiga variabel uji utama: variasi sudut rotasi wajah horizontal (30, 45, dan 60 derajat), variasi intensitas pencahayaan (40 lux , 200 lux , 80 lux , hingga kondisi ekstrem 1 lux  dan 0 lux ), serta uji ablasi penutupan parsial fitur wajah (mata, hidung, mulut, dan rahang). Hasil eksperimen menunjukkan bahwa sistem memiliki batas toleransi sudut hingga 45 derajat dengan tingkat keberhasilan 100%, namun mengalami kegagalan total (0%) pada sudut 60 derajat. Pada aspek pencahayaan, fitur auto-exposure kamera memungkinkan pengenalan bertahan hingga tingkat pencahayaan serendah 1 lux , meskipun stabilitasnya menurun, dan gagal total pada 0 lux. Pada pengujian oklusi, sistem terbukti sangat sensitif terhadap area mata, di mana penutupan salah satu mata mengakibatkan kegagalan deteksi total terlepas dari jumlah landmark yang tersisa. Di sisi lain, sistem tetap bisa mengidentifikasi wajah meski mulut tertutup pada minimal 36 titik landmark dan hidung tertutup pada minimal 32 titik landmark. Penemuan ini memberikan batasan empiris yang sangat penting dalam merancang sistem kontrol akses yang menggunakan teknologi pengenalan wajah di tempat yang tidak memiliki pengawasan ketat (unconstrained environment).