9
BAB II
LANDASAN TEORI
2.1
SISTEM BIOMETRIK
Biometrik berasal dari bahasa Yunani yaitu, bios artinya “hidup” dan metron
berarti “ukuran”. Biometrik berarti mengukur karakteristik pembeda (distinguishing
traits) pada badan atau perilaku seseorang yang digunakan untuk melakukan
pengenalan
secara
otomatis
terhadap
identitas
orang
tersebut,
dengan
membandingkanya dengan karakteristik yang sebelumnya telah disimpan pada suatu
database. Pengertian pengenalan secara otomatis pada definisi biometrik diatas adalah
dengan menggunakan teknologi (computer), pengenalan terhadap identitas seseorang
dapat dilakukan secara waktu nyata (realtime), tidak membutuhkan waktu berjamjam atau berhari-hari untuk proses pengenalan tersebut.
Sistem biometrik memberikan pengakuan individu yang didasarkan pada
beberapa jenis fitur atau karakteristik yang dimiliki oleh individu. Sistem biometrik
bekerja dengan terlebih dahulu menangkap fitur, seperti rekaman suara sinyal digital
untuk pengenalan suara, atau mengambil gambar warna digital untuk pengenalan
wajah dan iris mata. Sampel ini kemudian berubah dengan menggunakan beberapa
jenis fungsi matematika menjadi sebuah template biometrik. Template biometrik akan
memberikan normalisasi, efisiensi dan sangat diskriminatif merepresentasi fitur
10
tersebut, yang kemudian membandingkan dengan template lain untuk menentukan
identitas. Kebanyakan sistem biometrik menggunakan dua model operasi. Yang
pertama adalah modus pendaftaran untuk menambahkan template ke dalam database,
dan yang kedua adalah identifikasi, dimana sebuah template dibuat untuk
perbandinagn individu dan kemudian di cari dalam database.
Karakteristik biometrik dibagi menjadi dua, yaitu biometrik physiological dan
biometrik behavorial dapat dilihat pada gambar 2.1:
Gambar 2.1 Bagan Karakteristik Biometrik ( Sumber
http://scgwww.epwl.ch/courses)
1. Physiological
Dihubungkan dengan bentuk tubuh atau badan.
Misalnya: fingerprints, face recognition, hand geometry, dan iris
recognition.
11
2. Behavioral
Dihubungkan dengan tingkah laku seseorang
Misalnya: keystroke, signature, voice.
Perkembangan terbaru dari dunia biometrik adalah munculnya teknologi
biometrik kognitif (cognitive biometriks), yaitu teknologi biometrik yang didasarkan
pada tanggapan spesifik otak manusia sebagai pemicu agar komputer melakukan
pencarian pada database. Teknologi ini menggabungkan persepsi manusia dengan
suatu database pada komputer melalui antarmuka brain-machine. Saat ini di beberapa
Negara maju, seperti Amerika, biometrik kognitif telah dikembangkan untuk
pengenalan bau dan pemantau wajah [Darma Putra, 2009].
Penggunaan
biometrik
untuk
sistem
pengenalan
memiliki
beberapa
keunggulan dibanding sistem konvensional (penggunaan password, PIN, kartu, dan
kunci), di antaranya:
1. Non-repudation: suatu sistem yang menggunakan teknologi biometrik
untuk melakukan suatu akses, penggunaanya tidak akan menyangkal
bahwa bukan dia yang melakukan akses atau transaksi. Hal ini berbeda
dengan penggunaan password atau PIN. Pengguna masih dapat
menyangkal atas transaksi yang dilakukanya, karena PIN atau
password bisa dipakai bersama-sama.
2. Keamanan (security): sistem berbasis password dapat diserang
menggunakan metode atau algoritma brute force, sedangkan sistem
biometrik tidak dapat diserang dengan cara ini, karena sistem
12
bimetrika membutuhkan kehadiran pengguna secara langsung pada
proses pengenalan.
3. Penyaringan (screening): proses penyaringan untuk mengatasi
seseorang yang menggunakan banyak identitas, seperti teroris yang
dapat menggunakan lebih dari satun paspor untuk memasuki suatu
Negara. Sebelum menambahkan identitas seseorang ke sistem, perlu
dipastikan terlebih dahulu bahwa identitas orang tersebut belum
terdaftar sebelumnya. Untuk mengatasi masalah tersebut maka
diperlukan
konvensional
proses
tidak
penyaringan
dapat
identitas
melakukanya.
yang
mana
Biometrik
sistem
mampu
menghasilkan atau menyaring beberapa informasi sidik jari atau wajah
yang mirip dengan sidik jari atau wajah yang dicari.
Faktor perbandingan penggunaan biometrik:
a. Ke-umuman: tingkat keumuman biometrik bisa ditemui di setiap individu.
b. Keunikan: tingkat keunikan biometrik pada setiap individu.
c. Ketahanan: tingkat ketahanan terhadap penuaan.
d. Pengumpulan: tingkat kemudahan pengumpulan data utuk biometrik.
e. Performa: tingkat akurasi dan kecapatan alat pengumpul data.
f. Penerimaan: tingkat penerimaan publik dalam penggunaan sehari-hari.
g. Keamanan: tingkat keamanan sistem terhadap pemalsuan.
Sistem pengenalan biometrik (biometriks recognition sistem), merupakan
sistem otentikasi (authentication sistem) dengan menggunakan biometrik. Sistem
13
biometrik akan melakukan pengenalan secara otomatis atas identitas sesorang
berdasarkan suatu ciri biometrik dengan mencocokkan ciri tersebut dengan ciri
biometrik yang telah disimpan pada database. Sebagai suatu sistem otentikasi, sistem
biometrik mampu memutuskan apakah hasil pengenalan itu sah atau tidak sah,
diterima atau tidak diterima, dikenali atau tidak dikenali.
Secara umum terdapat dua model sistem biometrik, yaitu sistem verifikasi
(verification sistem) dan sistem identifikasi (identification sistem).
Sistem verifikasi bertujuan untuk menerima atau menolak identitas yang
diklaim oleh seseorang. Pengguna membuat klaim “positif” terhadap suatu identitas.
Diperlukan pencocokan “satu ke satu” dari sample yang diberikan terhadap acuan
(template) yang terdaftar atas identitas yang diklaim tersebut. Sistem verifikasi
biasanya menjawab pertanyaan “apakah identitas saya sama dengan identitas yang
saya klaim?”.
Sistem identifikasi bertujuan untuk memecahkan identitas seseorang.
Pengguna dapat tidak memberi klaim atau memberi klaim implicit negative untuk
identitas terdaftar. Diperlukan pencocokan “satu ke banyak”, yaitu pencarian ke
seluruh database identitas terdaftar. Sistem identifikasi biasanya menjawab
pertanyaan “identitas siapakah ini”?
2.1.1
Modul Dalam Sistem Biometrik
Sistem biometrik umumnya memiliki lima modul antara lain:
14
1.
Modul sensor ( sensor modul ), merupakan modul untuk mengumpulkan
data atau akuisisi data, yang mengambil data biometrik pengguna dan
mengolahnya menjadi bentuk yang layak untuk proses pegolahan
berikutnya.
2.
Modul pemisahan ciri ( feature extraction modul ), yaitu modul untuk
menghasilkan ciri unik dari biometrik yang digunakan untuk dapat
membedakan satu orang dengan yang lain. Modul ini akan mengubah data
dari modul sensor ke dalam representasi matematika yang diperlukan oleh
modul pencocokan.
3.
Modul pencocokan ( matching modul ), yaitu modul untuk menentukan
tingkat kesamaan/ketidaksamaan antara ciri biometrik yang diuji dengan
ciri biometrik acuan pada basis data.
4.
Modul keputusan ( decision modul ), yaitu modul untuk memutuskan
apakah pengguna yang diuji diterima atau ditolak berdasarkan skor hasil
pencocokan. Sah atau tidak sahnya pengguna diputuskan berdasarkan
suatu nilai ambang (threshold).
5.
Modul penyimpanan data ( storage modul ), yaitu modul untuk
mendaftarkan ciri atau referensi atau template biometrik pengguna ke
dalam basis data acuan. Basis data referensi ini yang akan digunakan
sebagai acuan saat proses pengenalan.
15
2.1.2
Perbandingan Biometrik
Tabel 2.1 menunjukkan perbandingan 15 biometrik yang didasarkan pada
universalitas kemampuan membedakan, permanent, mudah didapat, unjuk kerja,
penerimaan dan mudah dikelabuhi. Sedangkan Gambar 2.2
menunjukkan
perbandingan berbagai biometrik berdasarkan tingkat akurasi dan biaya sistem.
Masing-masing biometrik memiliki kelebihan dan kekurangan, tergantung
bidang penerapanya. Contohnya adalah, kemampuan membedakan dari biometrik
suara jauh lebih rendah dari sidik jari, akan tetapi bila digunakan untuk aplikasi
pengenalan diri melalui jaringan telepon, maka biometrik suara lebih cocok dibanding
biometrik sidik jari. Tetapi bila diterapkan untuk sistem keamanan dengan populasi
banyak (bukan pada jaringan telepon), maka biometrik sidik jari jelas lebih cocok.
Contoh lain, misalkan biometrik DNA, meskipun alat akuisisinya jauh lebih mahal
dibandingkan biometrik yang lain seperti sidik jari, wajah, suara atau yang lainya,
akan tetapi untuk mengetahui hubungan kekerabatan atau kekeluargaan seseorang
maka harus menggunakan DNA. Karena biometrik yang lain tidak dapat digunakan
pada kasus ini. Akan tetapi bila digunakan untuk membedakan orang kembar maka
sidik jari lebih cocok, karena sidik jari orang kembar adalah berbeda [Richards, E.P,
2005 ], sedangkan DNA orang yang kembar memiliki pola yang sama [Jain A.K.,
Ross A., and Pankanti S., 1999].
16
Karakteristik
Biometrik
Universalitas
Membedakan
Permanen
Mudah didapat
Unjuk kerja
Penerimaan
Dapat
dikelabuhi
Tabel 2.1 Perbandingan karakteristik biometrik, T, M, dan R
berturut-turut menyatakan Tinggi, Menengah, Rendah
[Jain A.K, Ross A, and Pankanti S., 1999]
DNA
Telinga
Wajah
Thermograf Wajah
Sidik jari
Gaya berjalan
Geometri tangan
Pembuluh Tangan
Iris
Hentakan tombol
Bau
Telapak tangan
Retina
Tandatangan
Suara
T
M
T
T
M
M
M
M
T
R
T
M
T
R
M
T
M
R
T
T
R
M
M
T
R
T
T
T
R
R
T
T
M
R
T
R
M
M
T
R
T
T
M
R
R
R
M
T
T
M
T
T
M
M
M
R
M
R
T
M
T
M
R
M
T
R
M
M
T
R
R
T
T
R
R
R
T
T
T
M
T
M
M
R
M
M
M
R
T
T
R
M
T
R
M
M
M
R
R
M
R
M
R
T
T
Gambar 2.2 Perbandingan Akurasi dan harga Sistem Biometrik
[Zhang D., 2004]
17
2.2
MATA SEBAGAI SISTEM BIOMETRIK
Mata adalah organ penglihatan yang mendeteksi cahaya. Yang dilakukan mata
yang paling sederhana adalah mengetahui, bahwa lingkungan gelap atau terang. Mata
yang lebih kompleks dipergunakan untuk pengertian visual. Mata berisi cairan yang
dibungkus oleh tiga lapisan. Dari luar ke dalam antara lain:
1. Sklera/kornea
2. Koroid/badan siliaris/iris
3. Retina
Sebagian besar mata dilapisi oleh jaringan ikat yang protektif dan kuat
disebelah luar sclera, yang membentuk bagian putih mata. Di anterior (kearah depan),
lapisan luar terdiri atas kornea transparan tempat lewatnya berkas-berkas cahaya ke
enterior mata.lapisan tengah dibawah sclera adalah koroid yang sangat berpigmen
dan mengandung pembuluh darah untuk memberi makan retina. Lapisan paling dalam
dibawah koroid adalah retina, yang terdiri dari lapisan yang sangat berpigmen
disebelah luar dan sebuah lapisan syaraf di dalam. Retina mengandung sel batang dan
sel kerucut, fotoreseptor yang mengubah energi cahaya menjadi impuls syaraf.
Kornea dan lensa berguna untuk mengumpulkan cahaya yang akan difokuskan ke
retina. Cahaya ini akan menyebabkan perubahan kimiawi pada sel fotosintesis di
retina. Hal ini akan merangsang impuls saraf dan akan menjalar ke otak.
18
2.2.1
Anatomi mata
Mata adalah organ penglihatan yang mendeteksi cahaya. Yang dilakukan mata
yang paling sederhana adalah mengetahui, bahwa lingkungan gelap atau terang. Mata
yang lebih kompleks dipergunakan untuk pengertian visual. Mata juga bisa disebut
jendela hati, jendela dunia, karena dengan mata kita bisa menyerap berbagai
informasi, mengumpulkan berbagai informasi dan data.
Organ mata manusia terdiri dari organ mata luar dan organ mata dalam
(Sumber Wikipedia bahasa Indonesia, ensiklopedia).
Organ mata luar antara lain:
1. Alis mata
2. Bulu mata
3. Kelopak mata
4. Kulit mata
Alis Mata
Bulu Mata
Kulit Mata
Kelopak Mata
Gambar 2.3. Anatomi mata bagian luar
19
Organ dalam mata terdiri dari beberapa bagian (dapat terlihat pada gambar 2.4)
diantaranya adalah:
1. Superior Rectus Muscle, adalah otot mata bagian atas yang berfungsi
menggerakkan mata ke atas.
2. Sclera, adalah bagian pelindung mata yang berwarna putih di bagian luar
bola mata.
3. Iris, adalah pigmen yang kita bisa melihat warna coklat atau hitam atau
berwarna biru jika orang eropa.
4. Lens, adalah kristalin lens yang jernih sekali dan ini sebagai media refraksi
untuk bisa kita melihat.
5. Kornea, adalah bagian paling depan dari fungsi melihat kita. Kornea tidak
ada pembuluh darah dan mempunyai kekuatan yang besar untuk
membiaskan sinar yang masuk ke mata.
6. Anterior Chamber, adalah bilik mata depan.
7. Posterior Chamber, adalah bilik mata belakang.
8. Conjunctiva, lapisan tipis bening yang menghubungkan sclera dengan
kornea.
9. Inferior Rectus Muscle, adalah otot mata bagian bawah.
10. Vitreous Chamber, adalah Aquos humor yang beruap seperti gel yang
mengisi bola mata kita.
11. Retina, adalah lapisan yang akan menerima sinar yang diterima oleh mata
kita.
20
12. Fovea centralis, daerah di retina yang paling tinggi resolusinya untuk
mendapatkan sinar yang masuk ke mata.
13. Optic Nerve, adalah saraf mata yang menghantarkan sinar ke otak untuk
diterjemahkan sebagai penglihatan yang kita lihat saat ini.
Gambar 2.4 Anatomi Mata Bagian dalam (Sumber
Wikipedia bahasa Indonesia, ensiklopedia)
2.2.2
Pupil Mata
Pupil atau anak mata adalah bagian terbuka dari iris, yang terletak ditengah-
tengah bagian iris. Pupil terlihat seperti titik hitam. Seperti terlihat pada gambar 2.5.
Semua cahaya dibutuhkan untuk melihat lebih jelas, pupil menjadi mengecil atau
membesar dengan gerakan otot di iris. Aqueous humor mengalir melalui pupil ke
ruang kecil antara iris dan lensa mata.
Cara sederhana untuk melihat pupil merespon terhadap cahaya adalah dengan
berdiri didepan cermin dengan mata ditutup tangan kira-kira 10 detik. Saat mata
dibuka, pupil mengecil atau kontraksi merespon terhadap cahaya. Jika cahaya
21
dikurangi, pupil akan mengembang dan sebaliknya jika cahaya ditambah pupil akan
mengecil.
Pada proses lokalisasi iris, pupil digunakan sebagai langkah awal untuk
mendapatkan daerah iris. Setelah pupil mata didapatkan, selanjutnya mencari titik
tengah pupil yang kemudian dikembangkan menghasilkan radius sampai berpotongan
dengan sclera, yang mempunyai warna lebih terang dari iris, sehingga didapatkan tepi
iris.
Gambar 2.5 Pupil mata
2.2.3
Iris Mata
Iris merupakan bagian yang berwarna yang tampak pada bola mata, yang
terlihat pada gambar 2.6. Bagian iris terlihat sebagai lingkaran mata yang melingkupi
bagian hitam pupil dengan warna-warna tertentu.
22
Gambar 2.6 Anatomi Iris Mata
Pola iris mata terbentuk mulai sejak bulan ke-3 kehamilan melalui proses
yang dikenal dengan kekacauan morfogenesis (chaotic morphogenesis) yakni
perkembangan dan reaksi jaringan secara random terhadap kondisi-kondisi
lingkungan yang berubah (E. Wolff, 1976). Setelah bayi berusia 1 tahun, pola iris
tidak akan berubah sepanjang umur. Tidak ada iris mata yang persis sama, bahkan iris
mata kanan dan kiri dari orang yang sama. Anak kembar yang identik memiliki pola
DNA yang sama tetapi mempunyai pola iris mata yang berbeda dan benar-benar unik.
Secara anatomi iris merupakan sebuah organ internal yang dilindungi, terletak
dibelakang cornea dan aqueous humour, serta terdapat di depan lensa mata. Iris
merupakan satu-satunya organ internal yang terlihat dari luar. Iris dapat terlihat cukup
jelas pada jarak 1 meter. Bagian depan dari iris berbentuk tidak teratur, cenderung
kasar serta memiliki alur yang tidak rata. Bagian ini dibentuk oleh lapisan yang terdiri
dari sel pigmen dan fibroblast. Bagian bawah dari lapisan ini adalah jaringan ikat
23
yang berkadar darah rendah (poorly vascularized) dengan beberapa serat, fibroblast
dan melanocyte. Bagian selanjutnya merupakan bagian yang kaya akan suplai darah
tertutup oleh jaringan ikat yang longgar (Basic History 8th edition oleh L. Carlos
Janquerira, Jose Carneiro, Robert O, Kelley ISBN : 0-8385-0567-8).
Tekstur dari iris bersifat stakostik. Hal ini disebabkan karena morfologi iris
tergantung pada kondisi awal pada fasamesoderm embrionik, saat dimana iris mulai
berkembang. Bentuk fenotip dari dua iris yang bahkan mempunyai genotip yang
sama (misalnya pada dua orang yang kembar atau iris yang kiri dan yang kanan) akan
tidak berkolerasi satu sama lainya.
Adapun karakteristik iris adalah:
a. Mempunyai bentuk geometri polar, merupakan sistem koordinat
yang alami.
b. Mempunyai tingkat ketidakaturan yang tinggi, dan mempunyai
entropi 3.2 bit per millimeter persegi jaringan iris.
Warna iris manusia sangat beraneka ragam. Tergantung dari ras dan etniknya.
Beberapa ahli iridologi mengklasifikasikan warna iris menjadi hitam, coklat, emas,
biru tua, hijau, biru muda, dan abu-abu. Semuanya dapat dibagi menjadi tiga bagian
utama, yaitu : biru, coklat, dan campuran.
Warna biru dan coklat merupakan warna iris murni. Warna campuran berasal
dari gabungan genetik yang berbeda sebagai akibat perkawinan antar ras, dan
merupakan anomali genetik dari warna iris coklat dan biru.
24
Sekarang ini sebagai akibat perkawinan antar ras, terdapat bermacam-macam
warna dasar iris. Tidak terdapat warna yang ideal, dengan kata lain tidak terdapat iris
dengan warna yang paling baik, masing-masing memiliki kelebihan dan kekurangan.
Iris yang jernih mengindikasikan sebagai organ didalam tubuh berfungsi dengan baik.
Jika salah satu organ tubuh tidak berfungsi dengan normal, terdapat kemungkinan
warna iris akan berubah pada area yang berhubungan dengan bagian tubuh yang
bersangkutan. Penjelasan masing-masing warna pada iris mata sebagai berikut:
a. Iris biru
Warna biru dari iris merupakan refleksi cahaya dari jaringan ephitel
posterior yang terlihat melalui stromal yang tak berpigmen (lapisan otot pada
iris). Iris berwarna dasar biru atau abu-abu ditemukan di Nordic, Eropa, dan ras
Anglo-saxon. Warna ini mengindikasikan mudahnya terserang kondisi ‘asam’
seperti arthritic, rheumatic, asma, dan penyakit bisul (ulcer). Pada umumnya
mereka mempunyai sel darah yang lebih kecil, dan kecenderungan cold
extremities, ginjal yang lemah dan penyempitan pembuluh limfe.
b. Iris coklat
Pada iris yang berwarna coklat, sel pigmen dari stromal memberikan
warna pada mata. Warna coklat ditentukan oleh konsentrasi sel pigmen dalam
mata. Warna dasar iris coklat ditemukan di Asia, Afrika, India, dan ras Semit. Hal
ini menunjukkan sel darah yang lebih tebal, dan kecenderungan pada penyakit
pencernaan, dan kerusakan sistem saraf. Iris yang berwarna coklat umumnya
menunjukkan tekstur berpasir.
25
c. Iris campuran
Iris campuran merupakan hasil pencampuran antara warna biru dan coklat.
Terdapat berbagai macam variasi antara biru dan coklat. Warna iris campuran
mempunyai dasar genetik biru, dan orang yang memiliki warna iris ini rawan
terhadap kondisi ‘asam’ dan keracunan. Orang dengan iris campuran memerlukan
pemeliharaan tubuh secara khusus, terutama pada pencernaan dan sistem saraf,
dengan kebiasaan hidup yang teratur.
Selain warna dasar iris, seringkali kita temukan ada warna lain dalam iris.
Hal ini menunjukkan adanya disfungsi dari organ di dalam tubuh yang letaknya
ditunjukkan oleh letak warna lain tersebut di dalam iris. Warna lain ini antara lain
putih, kuning, orange, coklat, merah, dan hitam.
2.2.4
Iris Mata Sebagai Sistem Biometrik
Iris merupakan bagian mata yang berbentuk bulat yang terletak di antara lensa
mata dan kornea. Iris memiliki lingkaran lubang tepat di tengan yang merupakan
tempat dari pupil mata. Iris berfungsi untuk mengontrol jumlah cahaya yang masuk
ke pupil. Rata-rata diameter iris adalah 12 mm sedangkan diameter pupil berubahubah dari 10%-80% diameter iris.
Iris terdiri dari beberapa lapisan, antara lain :
a. Lapisan epitalium: Mengandung sel-sel pigmentasi.
b. Lapisan stromal: Mengandung pembuluh darah, sel-sel, pigmen dan
kedua buah otot iris.
26
Gambar 2.7 Lapisan-lapisan yang terdapat pada Iris
Kerapatan dari sel-sel pigmen yang terdapat pada lapisan stromal inilah yang
menentukan warna iris. Lapisan teratas membagi iris menjadi dua bagian yaitu bagian
luar dan bagian dalam yang dekat pupil. Kedua bagian ini dipisahkan dengan
collarette yang tampak seperti bagian zig-zag pada foto iris.
Keunikan dari iris itu sendiri adalah setiap manusia memiliki corak iris yang
berbeda-beda. Karena iris manusia tidak tergantung dari genetika (genetic
independence). Manusia kembar identik sekalipun memiliki corak iris yang berbeda.
Hal ini yang menjadi ide dasar dari sistem pengenalan iris [Just another
WordPress.com webblog. March,5 2008].
Penelitian para ahli menyimpulkan bahwa pola iris mata tiap individu
berbeda, sangat stabil (tidak berubah) untuk jangka waktu yang lama dan terlindungi
27
oleh kornea dan aqueous humor. Pada kasus anak kembar, meskipun kesamaan fitur
genetika, tetapi iris mata mereka berbeda bahkan antara iris pada mata kiri dan kanan.
1. Kelebihan Teknologi Pengenalan Iris Mata
Teknologi biometrik pengenalan iris mata memiliki beberapa
kelebihan
sebagai berikut:
a. Iris memiliki tingkat penerimaan kesalahan yang sangat kecil, karena itu
iris dapat menjadi alat biometrik aplikasi identifikasi yang baik.
b. Proses
identifikasi
dilakukan
tanpa
adanya
kontak
fisik
dan
ketidaknyamanan dapat diatasi.
c. Vendor-vendor
komersial
yang
berpengaruh
mengklaim
bahwa
penggunaan teknologi ini tidak membutuhkan biaya pelatihan yang tinggi.
2. Kekurangan Teknologi Pengenalan Iris Mata
Teknologi biometrik pengenalan iris mata memiliki beberapa kekurangan
sebagai berikut:
a. Karena bentuk iris yang kecil, sehingga untuk mendapatkan pola iris
dibutuhkan kerjasama dan pengertian pengguna.
b. Penggunaan kacamata atau lensa kontak dapat mempengarui hasil
identifikasi, sehingga pengguna harus melepasnya.
c. Sebagian orang ada yang kehilangan kedua atau salah satu bola matanya,
sementara sebagian yang lain memiliki tingkat kontrol yang motorik otot
mata yang rendah padahal ini sangat dibutuhkan dalam identifikasi iris
mata.
28
2.2.5 Tahapan Umum Sistem Biometrik Iris Mata
Gambar 2.8 Proses umum sistem biometrik iris mata
1. Pre-processing: pada tahap ini, langkah pertama adalah untuk menentukan
lokasi pupil. Kemudian iris dicirikan dengan menggunakan berbagai teknik
seperti membuka penuh iris untuk koordinat polar, dan membuat
penyesuaian untuk pencahayaan, skala dan rotasi variasi.
2. Pendeteksian iris: tahap ini melibatkan lokasi tepi luar iris dan
memisahkanya dari sisa bagian mata. Data yang mewakili bagian iris,
disebut pola iris. Pola iris berisi semua data penting yang dibutuhkan untuk
membuat suatu yang positif untuk identifikasi.
3. Membuat kode iris: membuat template atau kode iris dalam bentuk biner
dengan nilai 1 dan 0, yang kemudian akan disimpan dalam database untuk
29
menciptakan data resmi individu. Selain itu kode iris juga untuk melekukan
pengujian database identifikasi dan verifikasi yang dibuat.
4. Perbandingan: tahap ini melakukan indentifikasi atau verifikasi dengan
membandingkan kode iris yang disimpan didalam database. Pada tahap ini
menghitung perbedaan antara kode iris yang diproses dan disimpan.
Terdapat beberapa teknik pemisahan ciri, diantaranya adalah deteksi garis,
deteksi tepi, blok, moment, histogram, co-occurrence, nilai Eigen dan vektor
Eigen, spectrum fourier, alihragam wavelet, dimensi fractal, dan metode
simpul proyeksi. Untuk mempelajari berbagai macam metrika untuk
mencocokkan dua vektor cirri, dapat digunakan metode, Euclide Distance,
City Block (Manhattan) Distance, Chebyshev Distance, Minkowski
Distance, Canberra Distance, Bray Curtis Distance. Angular Separation,
Correlation Coefficient, Hamming Distance, dan Dynamic Time Warping
(DTW). Metrika pencocokan digunakan untuk menentukan tingkat
kesamaan (similarity degree) atau ketidaksamaan (dissimilarity degree) dua
vektor ciri. Tingkat kesamaan berupa suatu skor dan berdasarkan skor
tersebut dua vektor akan dikatakan mirip atau tidak. Pada sistem biometrik,
skor tersebut digunakan untuk mengenali (mengklasifikasi) suatu vektor cirri
apakah sah atau tidak sah, dengan membandingkanya dengan suatu nilai
ambang (Threshold value).
5. Keputusan: tahap ini adalah tahap akhir dalam proses identifikasi iris. Tahap
ini membuat keputusan berdasarkan perbandingan yang dilakukan pada
30
tahap
sebelumnya.
Pada
tahap
ini
terdapat
dua
nilai,
yaitu
TERIDENTIFIKASI atau DITOLAK.
Pada penulisan skripsi ini, penulis meneliti dengan memfokuskan pada satu
poin dari lima poin. satu langkah untuk biometrik iris mata tersebut adalah preprossesing atau lokalisasi iris mata. Tahap pre-processing atau lokalisasi iris mata
sangat penting untuk keberhasilan proses-proses selanjutnya.
2.2.6 Beberapa Metode Sistem Biometrik Iris Mata
Terdapat beberapa metode dalam sistem pengenalan biometrika iris mata, diantaranya
adalah:
2.2.6.1 Metode Daugman
1. Akuisisi Citra
Sistem Daugman ini, pengambilan data dapat dilakukan dengan sebuah kamera video,
lensa, framegrabber, dan sebuah monitor tampilan yang dihubungkan ke sebuah
komputer workstation. Dalam penelitian ini, pengambilan database telah diasumsikan
tersedia di Opthamology Assosiaties of Connecticus. Jumlah citra mata yang diambil
sebanyak 592 iris yang berasal dari 323 orang yang berbeda (masing-masing orang
sekitar 3 citra iris) dengan ukuran 480x640 monokrom 8 bits/piksel.
2. Segmentasi
Pada proses segmentasi, metode Daugman melalui beberapa tahapan yaitu proses
pengenalan citra, proses deteksi tepi, dan proses pendeteksian batas radius pupil dan
iris. Bentuk iris yang berupa lingkaran, untuk menentukan lokasinya dibutuhkan
31
rumus integrasi dan diferensiasi. Proses ini dilakukan dengan memperbesar rekayasa
pengaburan gambar parsial, dan menambahkan batas radius r, dari integral kontur
gambar yang dinormalisasi sepanjang busur radius dan pusat iris.
Dibawah ini rumus integrasi dan deferensiasi:
max((r, x0, y0) G σ (r ) *
∂
1( x, y)
∫r, x0, y0 2πr ds …...…..……(1)
∂r
Dimana * menandakan perkalian dan Gσ (r) adalah fungsi smoothing atau
penghalusan seperti Gaussian skala σ. Lengkap operator behaves berlaku sebagai
ujung detector circular, kabur pada skala σ yang telah ditetapkan oleh intensitas
pencarian untuk maksimum garis integral turunan dengan peningkatan berturut-turut
di radius halus skala analisis melalui tiga parameter ruang pusat dan radius koordinat
(x0, y0, r) mendefinisikan garis integrasi. Proses pendeteksian batas dalam ini mirip
dengan prose sebelumnya, hanya menggunakan jangkauan pencarian batas yang lebih
kecil.
3. Ekstraksi Ciri
Setelah proses segmentasi dilakukan, untuk menentukan ekstraksi ciri suatu citra iris
digunakan metode filter Gabor 2-D. Property matematis yang digunakan memiliki
kemampuan menyediakan informasi resolusi tinggi tentang orientasi dan isi frekuensi
spasial dari struktur gambar. Dengan memperoleh koefisian yang dibutuhkan untuk
32
fungsi kompleks ini akan menghasilkan informasi yang dibutuhkan untuk
merepresentasikan iris dengan transformasi Gabor.
4. Pencocokan
Pencocokan dilakukan dengan jarak hamming (Hamming Distance) yang cocok untuk
pencocokan vektor biner. Hasil pencocokan adalah skor yang akan menentukan hasil
pengenalan citra.
2.2.6.2 Metode Wildes
1. Akuisisi citra
Terdapat 3 sub komponen antara lain:
1. Penengkapan fisik: untuk menangkap gambar mata digunakan kamera putih
(Silicon intensified SIT) dengan tingkat pencahayaan rendah digabung dengan
penangkap frame standar (DASMFGM Analog) dengan resolusi 512x480
piksel.
2. Iluminasi: untuk pencahayaan yang merata tanpa mengurangi kenyamanan
pengguna, digunakan sebuah array cahaya (8.5 watt lampu quartzhalogen)
diarahkan pada iris. Pencahayaan merata dapat dicapai dengan meletakkan
filter (panel difusi) antara iris dengan kamera.
3. Peletakan Posisi: menggunakan proses otomatis yang diarahkan oleh self
positioning operator. Tujuanya untuk memberikan batasan pada tiga derajat
kebebeasan mata yang akan digambarkan dengan menempatkan mata
ditengah array sensor pada fokus lensa. Hal ini bias dicapai dengan
33
menggunakan kontur segi empat dan membuat operator memposisikan mata
dengan mengatur ukuran dan jarak relatif [Wildes,1997].
2. Segmentasi
Terdapat 2 langkah yang akan dilakukan dalam segmentasi. Yang pertama adalah
informasi intensitas gambar di rubah menjadi biner edge-map, kedua adalah edge
point memberikan nilai-nilai parameter garis tertentu. Dibawah ini adalah rumus
untuk mencari nilai intensitas threshold magnitude:
∇G( x, y) * I ( x, y) ………………………………………………...(2)
Dimana,
∇ ≡ (∂ / ∂x, ∂ / ∂y ) sehingga:
( x − x0) 2 + ( y − y0) 2
G( x, y) =
−
…………………...(3)
2σ 2
2πσ 2
1
Rumus diatas adalah dua dimensi Gaussian dengan pusat (x0,y0) dan standar deviasi
σ yang digunakan untuk menghaluskan gambar untuk memilih ruang skala tepi
gambar.
3. Ekstraksi Ciri
Menurut Wildes, untuk ekstraksi ciri dari citra iris dapat menggunakan metode
Transformasi Hough. Dengan melakukan segmentasi kita dapat menentukan lokasi
iris melalui lokasi komponennya atau dengan batas luar dan batas dalam iris (limbic,
34
papillary, dan kelopak mata). Dengan Tranformasi Hough, kita dapat menentukan
parameter-parameter lingkaran dari pupil.
4. Pencocokan
Pencocokan ciri iris dapat dilakukan dengan menggunakan bandpass decomposition
yang berasal dari Laplacian Filter Gaussian. Berikut adalah rumus untuk filter
tersebut:
⎛
p 2 ⎞⎟
p2
⎜
…………………………………………………(4)
1
−
e
−
⎟
⎜
2
2
2
⎟
⎜
πσ ⎝ 2σ ⎠ 2σ
− 1
Proses penyeleksian yang sebenarnya adalah berdasarkan pita dengan lebar oktaf
yang dihunting pada empat resolusi yang berbeda sesuai dengan piramid laplace.
Subsampling pada pita frekuensi rendah memungkinkan kecepatan proses tinggi dan
penggunaan penyimpanan data yang efektif. Sedangkan untuk mencapai tingkat
korespondensi yang presisi antar struktur, digunakan teknik registrasi image areabased. Fungsi ini memaksimalkan kemiripan nilai piksel antara gambar input dan
data gambar.
Atas dasar hasil penelitian diatas itulah penulis tertarik untuk melakukan
penelitian mengenai sistem pengenalan biometrik iris mata khususnya pre-processing
dan lokalisasi pupil dan iris mata.
35
2.3
PRE-PROCESSING DAN LOKALISASI
Secara umum pengenalan pola adalah suatu ilmu untuk mengklasifikasikan
atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif ciri atau sifat dari
objek. Pola sendiri merupakan suatu entitas yang terdefinisi dan dapat di identifikasi
dan diberi nama. Iris mata adalah suatu contoh pola.pola bias merupakan kumpulan
hasil pengukuran atau pemantauan dan bias dinyatakan dalam notasi vector atau
matrik.
Pre-processing adalah transformasi input data mentah untuk membantu
kemampuan komputasional dan pencari ciri serta untuk memperbaiki kualitas citra.
Kualitas ciri yang dihasilkan pada proses pemisahan ciri sangat tergantung pada hasil
pre-processing.
Secara luas, ciri adalah semua hasil pengukuran yang bisa diperoleh. Ciri
juga bisa menggambarkan karakteristik objek yang dipantau. Contoh dari ciri level
rendah adalah intensitas sinyal. Contoh dari ciri numeric adalah berat. Ciri bisa
diperoleh dengan mengaplikasikan algoritma pencari ciri pada data masukan. Ciri
dapat dinyatakan dengan variable kontinu, diskret atau diskrte-biner. Diskret-biner
dapat digunakan untuk menyatakan ada tidaknya suatu ciri tertentu.
Ciri yang baik memiliki syarat sebagai berikut: (1) mudah dalam komputasi;
(2) memiliki tingkat keberhasilan yang tinggi; dan (3) besarnya data dapat diperkecil
tanpa menghilangkan informasi yang penting.
Ciri disusun sebagai vektor ciri berdimensi d, dilambangkan dengan x, yang
menghasilkan ruang ukur multidimensional atau ruang ciri (feature space). Contoh
36
vektor ciri adalah suatu citra grayscale 2D, berukur 512x512 piksel, yang dengan
menggunakan teknik pemisahan ciri bisa diubah menjadi ciri 1D berdimensi 144.
Berbagai teknik pre-processing, diantaranya adalah: sistem ruang warna,
grayscale (keabuan), thresholding (pengambangan), normalisasi intensitas, histogram
equalization (equalisasi histogram), contrast stretching (peregangan kontras), tapis
gaussian dan normalisasi kemiringan.
Berikut ini adalah konsep-konsep dasar yang dibutuhkan untuk melakukan
pre-processing atau lokalisasi objek citra dijital:
2.3.1
Citra Dijital
Istilah citra yang digunakan dalam bidang pengolahan citra dapat diartikan
sebagai suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi.
Pemrosesan citra dengan komputer dijital, membutuhkan citra dijital sebagai
masukanya. Citra dijital adalah citra kontinu yangn diubah dalam bentuk diskrit, baik
koordinat ruang maupun intensitas cahayanya. Pengolahan dijitalisasi terdiri dari dua
proses, yaitu pencuplikan (sampling) posisi, dan kuantisasi intensitas. Citra dijital
dapat dinyatakan dalam matrik dua dimensi f(x,y) dimana ‘x’ dan ‘y’ merupakan
koordinat piksel dalam matrik dan ‘f’ merupakan derajat intensitas piksel tersebut.
Citra dijital berbentuk matrik dengan ukuran M x N akan tersusun sebagai berikut:
37
f(0,0)
f(1,0)
f(x,y ) = f(2,0)
.
.
f(M-1,0)
f(0,01)
f(1,1)
f(2,1)
.
.
f(M-1,1)
f(0,2)
f(1,2)
f(2,2)
.
.
f(M-1,2) …
…
…
…
.
.
f(0,N-1)
f(1,N-1)
f(2,N-1)
.
.
f(M-1,N-1)
…….(5)
Suatu citra f(x,y) dalam fungsi matematis dapat dituliskan sebagai berikut:
0 ≤ x ≤ M-1
0 ≤ y ≤ N-1
0 ≤ f(x,y) ≤ G-1
Dimana:
M = banyaknya baris pada array citra
N = banyaknya kolom pada array citra
G = banyaknya skala keabuan (grayscale)
Interval (0,G) disebut skala keabuan (grayscale). Besar G tergantung pada
proses dijitalisasinya. Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan G
menyatakan intensitas putih. Untuk citra 8 bit, nilai G sama dengan 28 = 256 warna
(derajat keabuan).
Jika kita memperhatikan citra dijital secara seksama, kita dapat melihat titiktitik tersebut merupakan satuan terkecil dari suatu citra dijital disebut sebagai
”picture element”, “piksel”, piksel, atau “pel”. Jumlah piksel per satuan panjang akan
menentukan resolusi citra tersebut. Makin banyak piksel yang mewakili suatu citra,
maka makin tinggi nilai resolusinya dan makin halus gambarnya. Pada sistem dengan
38
tampilan citra dijital yang dirancang dengan baik (beresolusi tinggi), titik-titik kecil
tersebut tidak teramati oleh kita yang melihat secara normal.
Untuk menyederhanakan perhitungan, semua citra pada laporan ini akan
diolah kedalam bentuk derajat keabuan (grayscale), dimana pada citra berwarna
dipersentasikan dengan nilai yang sama pada ketiga komponen RGB-nya,
penyederhanaan ini akan mengurangi waktu yang dibutuhkan untuk melakukan
operasi pengolahan citra.
2.3.1.1 Image Processing
Image Processing adalah suatu metode yang digunakan untuk memproses atau
memanipulasi gambar dalam bentuk 2 dimensi (Gonzales, 2002). Image processing
dapat juga dikatakan segala operasi untuk memperbaiki, menganalisa, atau mengubah
gambar. Konsep dasar pemrosesan atau objek pada gambar menggunakan image
processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya di
hubungkan dengan kemampuan otak manusia.
Dalam sejarahnya, image processing telah diaplikasikan dalam berbagai
bentuk, dengan tingkat kesuksesan cukup besar. Seperti berbagai cabang ilmu lainya,
image processing menyangkut pula berbagai gabungan cabang-cabang ilmu,
diantaranya adalah optic, elektronik, matematika, fotografi, dan teknologi computer.
Pada
umumnya,
objektivitas
dari
image
processing
adalah
mentransformasikan atau menganalisa suatu gambar sehingga informasi baru tentang
gambar dibuat lebih jelas.
39
Ada empat klasifikasi dasar dalam image processing yaitu point, area,
geometric, dan frame.
1. Point memproses nilai piksel suatu gambar berdasarkan nilai atau posisi
dari piksel tersebut. Contoh dari proses point adalah adding, substracting,
contrast stretching dan lainya.
2. Area memproses nilai piksel suatu gambar berdasarkan nilai piksel
tersebut beserta nilai piksel sekelilingnya. Contoh dari proses area adalah
convolusion, blurring, sharpening, dan filtering.
3. Geometric digunakan untuk mengubah posisi dari piksel. Contoh dari
proses geometric adalah scalling, rotation, dan mirroring.
4. Frame memproses nilai piksel suatu gambar berdasarkan operasi dari 2
buah gambar atau lebih. Contoh dari proses frame adalah addition,
substraction, dan and/or.
Selain itu masih ada 3 tipe image processing yaitu:
1. Low-level process: proses-proses yang berhubungan dengan operasi
primitive
seperti
image
pre-processing
untuk
mengurang
noise,
menambah kontras dan menajamkan gambar. Pada low-level process,
input dan output-nya berupa gambar.
2. Mid-level process: proses-proses yang berhubungan dengan tugas-tugas
seperti segmentasi gambar (membagi gambar menjadi objek-objek),
pengenalan recognition) suatu objek individu. Pada Mid-level process,
input pada umumnya berupa gambar tetapi output-nya berupa atribut yang
40
dihasilkan dari proses yang dilakukan gambar tersebut seperti garis, garis
countour, dan objek-objek individu.
3. High-level process: proses-proses yang berhubungan dengan hasil dari
Mid-level process.
2.3.1.2 Dasar Pengolahan Citra Dijital
Pengolahan citra (image processing) merupakan proses mengolah pikselpiksel dalam citra dijital untuk suatu tujuan tertentu. Beberapa alasan dilakukanya
pengolahan citra pada citra dijital antara lain:
1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena
pengaruh derau. Proses pengolahan bertujuan mendapatkan citra yang
diperkirakan medekati citra sesungguhnya.
2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara
visual yang dibutuhkan untuk tahap yang lebih lanjut dalam pemrosesan
analisis citra.
Dalam proses akuisisi, citra yang akan diolah ditranformasikan dalam suatu
representasi numerik. Pada proses selanjutnya representasi numerik yang akan diolah
secara dijital oleh komputer.
Pengolahan citra pada umumnya dapat dikelompokkan dalam dua jenis
kegiatan, yaitu:
1. Memperbaiki kualitas citra sesuai kebutuhan
2. Mengolah informasi yang terdapat pada citra
41
Bidang aplikasi yang kedua ini sangat erat kaitanya dengan komputer aided
analisis yang umumnya bertujuan untuk mengolah suatu objek citra dengan cara
mengektrasi informasi penting yang terdapat di dalamnya. Dari informasi tersebut
dapat dilakukan proses analisis dan klasifikasi secara cepat memanfaatkan algoritma
perhitungan komputer.
Dari pengolahan citra diharapkan terbentuk suatu sistem yang dapat
memproses citra masukan hingga citra tersebut dapat dikenali cirinya. Pengenalan ciri
inilah yang sering diaplikasikan dalam kehidupan sehari-hari. Aplikasi yang dibahas
pada laporan ini adalah aplikasi di bidang kedokteran, yaitu untuk aplikasi analisis
prediagnosis melalui penampakan citra iris mata dengan metoda iridiologi.
Dalam citra dijital terdapat enam operasi pengolahan citra, antara lain:
1. Perbaikan kualitas citra ( image enhacement )
2. Pemugaran citra ( image restoration )
3. Pemampatan citra ( image compression )
4. Segmentasi citra ( image segmentation )
5. Pengorakan citra ( image analysis )
6. Rekontruksi citra ( image recontruction )
1. Perbaikan Citra ( image enhacement )
Pada hakikatnya semua operasi dalam pengolahan citra bertujuan untuk memperbaiki
kualitas citra untuk suatu keperluan tertentu. Perbaikan citra bertujuan untuk
memperbaiki kualitas citra dengan memanipulasi parameter-parameter citra.
42
Operasi perbaikan citra:
a. Perbaikan kontras gelap/terang.
b. Perbaikan tepian objek (edge enhacement).
c. Penajaman (sharpening).
d. Pemberian warna semu (pseudocoloring).
e. Penapisan citra (noise filtering).
2. Pemugaran citra (image restoration)
Pemugaran citra bertujuan untuk menghilangkan cacat pada citra. Perbedaan dengan
perbaikan citra adalah degradasi citra diketahui.
Operasi pemugaran citra:
a. Penghilangan kesamaran (deblurring)
b. Penghilangan derau (noise)
3. Pemampatan cita (image compression)
Pemampatan citra bertujuan untuk merepresentasikan dalam bentuk lebih kompak,
sehingga keperluan memori lebih sedikit namun dengan tetap mempertahankan
kualitas gambar (misal dari BMP menjadi JPG).
4. Segmentasi citra (image segmentation)
Segmentasi citra merupakan suatu proses pengelompokkan citra menjadi beberapa
region berdasarkan kriteria tertentu. Berdasarkan pengertianya, segmentasi memiliki
43
tujuan menemukan karakteristik khusus yang dimiliki oleh citra. Oleh karena itu,
segmentasi sangat diperlukan pada proses pengenalan pola. Semakin baik kualitas
segmentasi maka semakin baik pula kualitas pengenalan polanya. Secara umum ada
beberapa pendekatan yang banyak digunakan dalam proses segmentasi, antara lain:
1. Tehnik threshold, yaitu pengelompokan citra sesuai dengan distribusi
properti piksel penyusun citra.
2. Tehnik region-based, yaitu pengelompokan citra kedalam region-region
tertentu secara langsung berdasar persamaan karakteristik suatu area
citranya.
3. Tehnik edge-based methods, yaitu pengelompokkan citra kedalam wilayah
berbeda yang terpisahkan karena adanya perbedaan perubahan warna tepid
an warna dasar citra yang mendadak.
5. Pengorakan citra (image analysis)
Tujuan pengorakan citra adalah menghitung besaran kuantitatif dari citra untuk
menghasilkan deskripsinya. Diperlukan untuk melokalisasi objek yang diinginkan
dari sekelilingnya.
Operasi-perasi dari pengorakan citra antara lain:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
44
6. Rekontruksi citra (image recontruction)
Rekontruksi citra bertujuan untuk membentuk ulang objek dari beberapa citra hasil
proyeksi.
2.3.2 Filter
Pemfilteran adalah sebuah cara untuk memodifikasi atau memperbaiki citra.
Sebagai contoh, kita dapat memfilterkan sebuah citra untuk memperkuat fitur tertentu
atau menghapus fitur yang lain [Marvin Ch. Wijaya dan Agus Prijono, 2007].
Filter juga termasuk dari operasi neighborhood (ketetanggaan), yaitu nilai dari
piksel yang diberikan pada citra keluaran ditentukan dengan menerapkan suatu
algoritma pada sekumpulan piksel yang berkorespondensi pada citra masukan.
Terdapat beberapa operasi pemfilteran, tetapi pada penulisan skripsi ini operasi
pemfilteran yang dipakai adalah filter median.
Filter median adalah yang paling efektif untuk menghilangkan derau (noise).
Filter median sangat bermanfaat untuk menghilangkan outlier, yaitu nilai-nilai piksel
yang ekstrim. Filter median menggunakan sliding neigborhoods untuk memproses
suatu citra, yaitu suatu operasi dimana filter ini akan menentukan nilai masingmasing piksel keluaran dengan memeriksa tetangga m x n disekitar piksel masukan
yang bersangkutan. Filtering median mengatur nilai-nilai piksel dalam satu tetangga
dan memilih nilai tengah atau median sebagai hasil. Di dalam filter median terdapat
rumus persamaan sebagai berikut:
45
Y(n)=med(Xn-k,Xn-k,....,Xn,....Xn+k) …………………………..(6)
Dmana, x1 = x2 =…= xp
p≥K+1
Sedangkan dalam Matlab, fungsi-fungsi yang sering digunakan dalam filter median
adalah filter2, fspecial dan medfilt2. dimana fungsi fspecial adalah dapat
menghasilkan sebuah filter perata-rata, fungsi filter2 adalah untukf filter linear dua
dimensi. filter2 menghasilkan hasil yang sama dengan conv2, hanya mempunyai
perbedaan pada computational molecule sebagai argument masukan dan bukan
menggunakan convolution kernel. Operasi yang dilakukan oleh filter2 disebut dengan
korelasi. Jika k adalahsebuah convolution kernel, h adalah computational molecule
dan A adalah matrik dari citra, maka kedua perintah dibawah ini menghasilkan hasil
yang sama:
B = conv2(a,k,’same’);
B = filter2(h,A,’same’);
Fungsi fspecial menghasilkan beberapa macam filter predefined dalam bentuk
computational molecules. Setelah menghasilkan sebuah filter fungsi fspecial, kita
dapat menerapkanya secara langsung pada citra. Satu filter fspecial dapat
menghasilkan sebuah filter perata-rata. Tipe filter ini menghitung nilai keluaran dari
sebuah
piksel
keluaran
dengan
merata-ratakan
nilai
piksel
tetangganya
(sekelilingnya). Ukuran default dari filter perata-rata fspecial adalah 3 x 3, tetapi kita
dapat merubah ukuranya. Nilai dari setiap elemen adalah 1/length(h(:)). Sebagai
contoh, filter perata-rata berukuran 5 x 5 adalah:
46
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500
0.0500 …….(7)
Menerapkan filter tersebut dalam sebuah piksel adalah sama dengan menjumlahkan
nilai piksel disekelilingnya yang berukuran 5 x 5 kemudian dibagi dengan 25. hal ini
akan memberikan efek smoothing dan membuat blurring pada sebuah citra.
Sedangkan fungsi medfilt2 adalah untuk memperhalus citra yang sudah dihilangkan
noise-nya yang terdapat pada citra asli
2.3.3 Deteksi Tepi Canny
Pengambilan garis tepi dilakukan untuk memudahkan perhitungan parameterparameter lingkaran iris nantinya. Tepian citra dapat didefinisikan sebagai piksel
yang mengalami perubahan tajam pada skala keabuanya. Tepian akan terlihat sebagai
frekuensi tinggi pada spectrum citra, sehingga dapat diekstrak dengan menggunakan
filter tertentu dengan meredam bagian frekuensi rendah. Ada
deteksi tepi yang dapat digunakan, antara lain:
- Metode Canny
- Metode Sobel
- Metode Robert
- Metode Log
- Metode Prewitt
- Metode Zerocross
beberapa metode
47
Dalam penelitian ini digunakan metode Canny, karena memiliki beberapa
kelebihan dalam mengekstrak tepian dengan kebebasan pemilihan parameter yang
digunakan.
Canny edge detector ditemukan oleh Marr dan Hildreth yang meneliti
pemodelan persepsi visual manusia. Dalam memodelkan pendeteksian tepi, dia
menggunakan ideal step edge, yang direpresentasikan dengan fungsi Sign satu
dimensi.
Ada beberapa kriteria pendeteksian tepian paling optimum yang dapat
dipenuhi oleh algoritma Canny;
1. Mendeteksi dengan baik (criteria deteksi)
Kemampuan untuk meletakkan dan menandai semua tepi yang ada sesuai
dengan pemilihan parameter-parameter konvolusi yang dilakukan. Sekaligus
juga memberikan fleksibilitas yang sangat tinggi dalam hal menentukan
tingkat deteksi ketebalan tepi sesuai yang diinginkan.
2. Melokalisasi dengan baik (criteria lokalisasi)
Dengan metode Canny dimungkinkanya jarak minimum antara tepi yang
dideteksi dengan tepi yang asli.
3. Respon yang jelas (criteria respon)
Hanya ada satu respon untuk tiap tepi. Sehingga mudah dideteksi dan tidak
menimbulkan kerancuan pada pengolahan citra selanjutnya.
48
Gambar 2.9 Contoh Deteksi Tepi Canny darI Citra Asli
2.4
PENGENALAN TENTANG BAHASA PEMROGRAMAN MATLAB
Matlab merupakan singkatan dari ‘matrix laboratory’. Pada awalnya Matlab
dibuat untuk mempermudah pengembangan perangkat lunak berbasis matrik oleh
proyek LINPACK dan EISPACK. Matlab adalah sebuah bahasa (pemrograman)
dengan unjuk kerja tinggi (high-performance) untuk komputasi teknis, yang
mengintegrasikan komputasi, visualisasi, dan pemrograman di dalam lingkungan
yang mudah penggunaanya dalam memecahkan persoalan dengan solusinya yang
dinyatakan dengan notasi matematika. Penggunaan Matlab antara lain:
1. Matematika dan komputasi.
2. Pengembangan algoritma.
3. Pemodelan, simulasi dan pembuatan ‘prototipe’.
4. Analisa data, explorasi dan visualisasi.
5. grafik untuk sains dan teknik.
49
6. pengembangan aplikasi, termasuk pembuatan anatarmuka grafis untuk
pengguna (Graphical User Interface).
Fitur-fitur Matlab untuk penyelesaian spesifik disebut ‘toolboxes’. ‘Toolboxes’adalah
koleksi komprehensif dari fungsi-fungsi Matlab (M-files) yang memperlebar
lingkungan Matlab dalam menyelesaikan kelas-kelas tertentu dari permasalahan.
Beberapa ‘toolbox’ yang tersedia meliputi bidang : pengolahan sinyal, sistem kendali,
jaringan syaraf (neural network), logika ‘fuzzy’, wavelet, simulasi dan lain
sebagainya.
2.4.1 Fungsi Matlab Untuk Pengolahan Citra Dijital
Sistem MATLAB terdiri dari 5 (lima) bagian utama:
1. Bahasa (pemrograman) Matlab.
Bagian ini adalah bahasa (pemrograman) tingkat tinggi yang menggunakan
matrik/array dengan pernyataan aliran kendali program, struktur data,
masukan/keluaran, dan fitur-fitur pemrograman berorientasi objek.
2. Lingkungan kerja Matlab.
Bagian ini adalah sekumpulan kelas dan fasilitas Matlab yang digunakan oleh
pengguna atau pemrogram. Fasilitas yang dimaksudkan untuk mengelola
variable di dalam ruang kerja (workspace) dan melakukan impor dan ekspor
data. Sedangkan kakas yang disediakan untuk pengembangan, pengelolaan,
proses ‘debugging’, dan pembuatan profil M-files untuk aplikasi Matlab.
50
3. Penanganan grafik
Bagian ini adalah sistem grafik Matlab, termasuk perintah-perintah (program)
tingkat tinggi untuk visualisasi data dimensi dua dan dimensi tiga, pengolahan
citra, animasi, dan presentasi grafik.
4. Pustaka (library) fungsi matematis Matlab
Bagian ini adalah koleksi algoritma komputasi mulai dari fungsi dasar seperti
menjumlahkan (sum), menentukan nilai sinus (sine), kosinus (cosine), dan
aritmatika bilangan komplek: fungsi-fungsi seperti inverse matrik, nilai eigen
matrik, fungsi bessel, dan FFT (fast fourier transform). Seperti bahasa
pemrograman lainya, Matlab juga menyediakan lingkungan kerja terpadu.
Lingkungan terpadu ini terdiri atas beberapa form atau window yang memiliki
kegunaan masing-masing,
Seperti bahasa pemrograman lainya, Matlab juga menyediakan lingkungan kerja
terpadu yang sangat mendukung dalam pembangunan aplikasi. Pada setiap versi
Matlab yang terbaru, lingkungan terpadunya akan semakin dilengkapi.
Lingkungan terpadu ini terdiri atas beberapa form atau window yang memiliki
kegunaan masing-masing, diantaranya dapat terlihat pada Gambar 2.9.
51
Window Utama MATLAB
Workpace Window
Matlab Editor
Command Window
Command History
Gambar 2.10 Window utama yang terdapat pada MATLAB
a. Window Utama Matlab
Window ini adalah window induk yang melingkupi seluruh lingkungan
kerja Matlab. Tidak ada fungsi utama yang ditawarkan oleh window ini
selain sebagai tempat dock-ing bagi form yang lain.
b. Workspace Window
Window ini berfungsi sebagai navigator bagi pemakai dalam penyediaan
informasi mengenai variable yang sedang aktif dalam workspace pada saat
52
pemakaian. Workspace adalah suatu lingkungan abstrak yang menyimpan
seluruh variable dan perintah yang pernah digunakan selama penggunaan
Matlab berlangsung.
c. Matlab Editor
Window ini berfungsi untuk membuat skrip program Matlab. Walaupun
skrip program dapat dibuat dengan menggunakan berbagai program editor
seperti notepad, wordpad, word dan lain-lain. Namun sangat dianjurkan
untuk menggunakan Matlab editor ini karena kemampuanya dalam
mendeteksi kesalahan pengetikan sintak oleh programmer. Ketika
Window utama Matlab muncul. Window Matlab editor tidak akan muncul
dengan sendirinya, anda harus memanggilnya dengan cara mengklik pada
ikon Create New.
d. Command History Window
Window ini berfungsi sebagai penyimpan perintah-perintah yang pernah
dikerjakan pada suatu workspace.
e. Command Window
Window ini berfungsi sebagai penerima perintah dari pemakai untuk
menjalankan seluruh fungsi-fungsi yang disediakan oleh Matlab pada
dasarnya window ini adalah inti dari pemrograman Matlab yang menjadi
media utama satu-satunya bagi kita untuk berinteraksi dengan Matlab.
53
5. API (Applicatian Program Interface) MATLAB
Bagian ini adalah pustaka (library) untuk menuliskan program dalam bahasa
C dan Fortran yang berinteraksi dengan Matlab, termasuk fasilitas untuk
memanggil rutin program dari Matlab (dynamic linking), memanggil atlab
sebagai mesin komputasi (computational engine), dan untuk pembacaan serta
penulisan MAT-files.
2.4.2
Graphic User interface (GUI)
Graphic User interface atau yang disingkat GUI pada dasarnya adalah media
tampilan grafis sebagai pengganti perintah teks untuk user berinteraksi.
Untuk keperluan pemrograman windows, Matlab telah menyediakan
komponen-komponen standar, seperti pushbutton, edit, text, combo, checkbox dan
lain-lain. Tetapi sebelum dapat menggunakan komponen-komponen tersebut dengan
benar, kita harus memahami konsep Pemrograman Berbasisi Objek (PBO). Dalam
konteks pemrograman Matlab sendiri, setiap objek tersebut memiliki hierarki objek
yang dijabarkan dalam konsep i.
Maksud dari diagram pada Gambar 2.10 adalah setiap objek yang akan
digunakan harus diposisikan pada objek parent-nya. Misalnya pushbutton harus
diletakkan pada objek figure sebagai parent-nya.
54
Screen
Parent
Figure
Uimenu
Uicontrol
•
•
•
•
•
•
•
Axes
Pushbutton
Edit
Text
Chechbox
Frame
Listbox
Radiobutton
Children
Gambar 2.11 Diagram Parent-Children
Pada umumnya objek yang paling sering digunakan dalam pemrograman
Matlab adalah sebagai berikut:
1. Objek Figure adalah objek tertinggi yang dapat kita gunakan dalam
pemrograman Window.
2. Objek Uicontrol adalah objek yang paling kita butuhkan untuk berinteraksi
dengan program. Uincontrol berisi komponen-komponen yang kita
butuhkan untuk mendesain form untuk media interaksi objek.
3. Objek Uimenu pada dasarnya mirip dengan uincontrol khususnya pada
komponen pushbutton. Contoh dari objek Uimenu biasa terdapat pada
aplikasi Window di pojok kiri atas terdapat daftar menu yang dapat
digunakan dengan cara meng-klik pada menu yang disorot.
55
4. Objek Axes dalam pemrograman Matlab sangat penting untuk melakukan
visualisasi data, tanpa menggunakan objek axes, kita tidak dapat
menampilkan hasil eksekusi fungsi plot, mesh, contour, dan lain-lain, karena
objek axes adalah medianya.
5. Properti Callback sebagai media interaksi agar objek-objek yang kita buat
dapat digunakan untuk mengerjakan perintah-perintah pemrograman
sebagaimana mestinya, ada media yang disediakan disetiap objek untuk itu.
Medianya adalah melalui property callback. Dimana nilai property callback
akan dieksekusi sebagai program Matlab ketika objek pemiliknya dikenai
sesuatu (pada pushbutton misalnya diklik).
6. Interaksi Antar Objek Visual (Fungsi Get dan Set) mengambil nilai property
dari satu objek dan menggunakanya untuk mengisi property pada objek lain,
itulah hakekat pemrograman Window.
2.4.3 Fungsi Matlab Untuk Melokalisasi Objek
Metode yang dikembangkan untuk pemisahan Iris mata dilakukan dengan 3
tahap, antara lain:
a. Filter Median
Dalam filter median terdapat beberapa fungsi yang digunakan antara lain.
1. Filter2 berfungsi untuk menghasilkan hasil yang sama dengan fungsi
konvolusi.
56
2. Fspecial berfungsi untuk menghitung nilai keluaran dari sebuah piksel
keluaran dengan merata-ratakan nilai dari piksel disekelilingnya.
3. Medfilt2 berfungsi untuk meperluas gambar yang sudah dihilangkan nois-nya.
b. Binerisasi
Data sekunder dari Casia Iris Database version 1.0 sudah bertipe citra grayscale atau
indeks. Citra bertipe grayscal tersebut dirubah menjadi citra biner dengan threshold
nilai derajat keabuan 128. Hasil dari proses ini adalah bentuk iris mata yang berwarna
hitam (piksel 1)/ proses ini bisa disebut juga tahap segmentasi yang memisahkan
pupil dan iris yang diinginkan dengan bagian lain mata yang tidak dibutuhkan secara
global.
Fungsi-fungsi MATLAB yang digunakan antara lain:
1. Imread berfungsi untuk memanggil dan menampilkan citra asli fungsi
MATLAB. Contoh penggunaan fungsi Imread pada Matlab adalah:
RGB = imread('iris_mata.jpg');
2. Imbw berfungsi untuk mengkonversi suatu gambaran biner yang didasarkan
pada nilai threshold.
3. Edge berfungsi untuk merubah nilai intensitas. Sintaks edge dengan
menggunakan deteksi Canny berikut:
BW = edge(I,'Canny')
BW = edge(I,'Canny',thresh)
BW = edge(I,'Canny',thresh,sigma)
[BW,threshold] = edge(I,'Canny',...)
57
c. Pencarian daerah objek yang dilokalisasi
Tahap ini adalah mencari daerah objek yang akan dilokalisasi. Hal pertama yang
dilakukan adalah untuk mendapatkan titik tengah dari keselurauhan citra yang
diperoleh dari panjang dan lebar citra akan dibagi dua (2) untuk mendapatka x_center
dan y_center. Setelah titik tengah citra ditemukan kemudian mencari batas pupil
dengan menentukan delapan titik dari pusat citra yang dicari dengan membagi
delapan keliling lingkaran 360 derajat yang kemudian mendapatkan 45 derajat sudut
yang sama, setelah itu kemudian mencari estimasi titik tengah pupil. Dengan
kedelapan titik dan estimasi titik tengah pupil didapatkan daerah pupil dan titik
tengah pupil. Setelah pupil ditemukan, kemudian mencari daerah iris dengan
menggunakan delapan titik dan hal yang sama dilakukan seperti pdoses mencari titik
tengah pupil (pencarian delapan titik iris dicari dari batas titik luar citra).
Fungsi matlab yang digunakan pada tahap lokalisasi pupil dan iris mata adalah:
1. round berfungsi untukmemutar elemen X ke bilangan bulat terdekat. Untuk X
yang kompleks bagian imajiner dan real dibulatkan secara independent.
Sintaks dalam bahasa Matlab adalah:
Y = round(X)
2. num2str berfungsi untuk mengkonversi angka ke string Sintaks dalam bahasa
Matlab adalah:
str = num2str(A)
str = num2str(A, precision)
str = num2str(A, format)
58
3. sqrt atau akar pangkat dua berfungsi untuk mengembalikan akar kuadrat dari
setiap elemen dari array X. untuk unsure-unsur X yang negative atau
kompleks, sqrt menghasilkan hasil yang kompleks. Sintaks dalam bahasa
Matlab adalah:
B = sqrt(X)
4. sum atau jumlah berfungsi untuk menjumlah sepanjang dimensi yang berbeda
dari array. Sintaks dalam bahasa Matlab adalah:
B = sum(A)
B = sum(A, dim)
B = sum(A, 'double')
B = sum(A, dim, 'double')
B = sum(A, 'native')
B = sum(A, dim, 'native')
5. find berfungsi untuk mencari indeks dan nilai-nilai elemen yang bukan nol.
Sintaks dalam bahasa Matlab adalah:
indices = find(X)
indices = find(X, k)
indices = find(X, k, 'first')
indices = find(X, k, 'last')
[i,j] = find(...)
[i,j,v] = find(...)
59
2.5
RUMUS PERHITUNGAN LINGKARAN
Pada penulisan skripsi ini untuk mencari daerah pupil digunakan 8 titik yang
diperoleh dari titik tengah citra dapat terlihat pada gambar 2.12(i). Delapan titik
tersebut didapat dari keliling lingkaran 360º dibagi dengan 45º. Jadi kedelapan titik
tersebut memiliki sudut yang sama. Untuk mencari iris cara yang dipakai sama
dengan pupil dengan menggunakan 8 titik, tetapi cara mendapatkan kedelapan titik
ditarik dari sisi luar citra, ilustrasinya dapat terlihat pada gambar 2.12(b).
(i)
(ii)
Gambar 2.12 Bentuk Lingkaran yang Menggambarkan
Pupil (i) dan Iris(ii)
60
Rumus perhitungan lingkaran digunakan untuk memnghitung jari-jari pupil dan jarijari iris mata di gunakan persamaan lingkaran:
r2=(x-a)2+(y-b) 2…...…………………………….(8)
Dimana,
r
: Jari-jari lingkaran (belum diketahui)
(a,b)
: Titik pusat lingkaran (belum diketahui)
(x,y)
: Koordinat titik sepanjang lingkaran (tepi pupil pada 8 arah sudut)
Formula derivation:
r 2 = (x-a)2 + (y-b) 2………………...……………………(9)
r2 = x2-2ax + a2 + y2 - 2by +b2…………………………(10)
r2 = (x2+y2) - (2x)a - (2y)b + (a2+b2)...………………...(11)
Dengan substitusikan variabel x dan y dengan 3 variabel koordinat berlokasi pada
lingkaran dari pusat pupil, (x1,y1), (x2,y2) dan (x3,y3), dimana ketiga persamaan itu
adalah :
r2 = (x12+y12) - (2x1)a - (2y1)b + (a2+b2)….……………(12)
r2 = (x22+y22) - (2x2)a - (2y2)b + (a2+b2)……………….(13)
r2 = (x32+y32) - (2x3)a - (2y3)b + (a2+b2)……………….(14)
61
Substitusi dari (12)dan (13):
r2 = (x12+y12) - (2x1)a - (2y1)b + (a2+b2)
r2 = (x22+y22) - (2x2)a - (2y2)b + (a2+b2)
2
2
2
2
0 = (x1 +y1 ) - (x2 +y2 ) - (2x1+2x2)a + (2y1+2y2)b
C
D
E
Dimana hasil dari persamaan (12)dan (13)yaitu persamaan (15)
0 = C - Da – Eb………………………………………..(15)
Lalu subtitusi persamaan (13)dan (14):
r2 = (x12+y12) - (2x1)a - (2y1)b + (a2+b2)
r2 = (x32+y32) - (2x3)a - (2y3)b + (a2+b2)
2
2
2
2
0 = (x2 +y2 ) - (x3 +y3 ) - (2x2+2x3)a + (2y1+2y2)b
F
G
H
Maka hasil dari persamaan (13)dan (14)akan menghasilkan persamaan (16)
0 = F – Ga – Hb……………………………………….(16)
Setelah itu, subtitusikan persamaan (15)dan (16):
62
0 = C – Da – Eb x G
0 = CG – DGa – EGb
0 = F – Ga – Hb x D
0 = DF – DGa – DHb
0 = CG – DF – EGb + DHb
0 = CG – DF – b(EG – DH)
b(EG – DH) = CG – DF
b = CG – DF ……………..…(17)
EG – DH
Lalu ambil salah satu persamaan, misalnya persamaan (15):
0 = C – Da – Eb
Da = C Eb
a = C – Eb ………………………..………...…………….….(18)
D
(a,b) merupakan koordinat dari titik pusat pupil