PERANCANGAN APLIKASI SISTEM PENGENALAN IRIS
MATA MENGGUNAKAN METODE
GABOR
WAVELET
PADA EKSTRAKSI CIRI
SKRIPSI
PRISILIA LUKAS
081401039
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PERANCANGAN APLIKASI SISTEM PENGENALAN IRIS
MATA MENGGUNAKAN METODE GABOR
WAVELET PADA EKSTRAKSI CIRI
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
PRISILIA LUKAS 081401039
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PERANCANGAN APLIKASI SISTEM PENGENALAN
IRIS MATA MENGGUNAKAN METODE GABOR
WAVELET PADA EKSTRAKSI CIRI
Kategori : SKRIPSI
Nama : PRISILIA LUKAS
Nomor Induk Mahasiswa : 081401039
Program Studi : S1 ILMU KOMPUTER
Departemen : ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
(FASILKOM-TI) SUMATERA UTARA
Diluluskan di
Medan, Maret 2013
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Syurahbil,S.Si,MCompSc Prof. Dr. Opim Salim Sitompul
NIP 1975022722008101001 NIP 196108171987011001
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
PERANCANGAN APLIKASI SISTEM PENGENALAN IRIS MATA
MENGGUNAKAN METODE GABORWAVELET
PADA EKSTRAKSI CIRI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Maret 2013
PENGHARGAAN
Puji dan syukur saya ucapkan kehadirat Tuhan Yang Maha Esa yang selalu
memberikan berkat dan perlindunganNya, sehingga saya dapat menyelesaikan penyusunan
skripsi ini, sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi S1 Ilmu
Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih saya sampaikan kepada Dekan dan Pembantu Dekan Fakultas
Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, serta bapak Dr. Poltak
Sihombing, M.Kom dan ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Ketua dan sekretaris
Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi USU.
Ucapan terima kasih juga ditujukan kepada bapak Prof. Dr. Opim Salim Sitompul dan bapak
Syurahbil, S.Si, M.comp.Sc selaku pembimbing I dan pembimbing II pada penyelesaian
skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada saya untuk
menyempurnakan kajian ini. Panduan ringkas dan padat dan profesional telah diberikan
kepada saya agar dapat menyelesaikan tugas ini. Terima kasih yang mendalam juga saya
ucapkan kepada bapak Dr. Poltak Sihombing, M.Kom dan bapak Sajadin Sembiring S.Si,
M.comp.Sc. selaku pembanding I dan pembanding II yang telah memberikan kritik dan
masukan-masukan positif guna penyempurnaan skripsi ini.
Ucapan terima kasih juga ditujukan kepada ibunda tercinta, Anthon Mezak Lukas
dan Lusye Panoto yang telah memberikan semangat dan motivasi dan yang selalu sabar
dalam mendidik saya serta kakak dan abang saya, Nancy Lukas, Dalisang Lukas yang telah
banyak berjasa dan selalu memberi dorongan serta bantuan baik moril maupun meteril. Selain
itu, penulis juga mengucapkan banyak terima kasih kepada sahabat-sahabat dan teman-teman
angkatan 2008 serta junior dan senior di Program Studi S1 Ilmu Komputer yang telah
memberi motivasi, semangat serta dukungan dalam menyelesaikan skripsi ini.semua dosen
dan pegawai pada Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi
Infromasi USU yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga
ABSTRAK
Penelitian yang disajikan pada tugas akhir ini
Kata Kunci : Iris, Segmentasi, Normalisasi, Ekstraksi, Gabor Wavelet.
adalah bagaimana mengimplementasikan
metode pengenalan citra iris ke dalam perangkat lunak. Pembuatan sistem sebatas mampu
mengenali citra iris database dengan memilih metode pengenalan citra yang dianggap
sederhana untuk tahap pemula yang ingin membangun suatu sistem pengenalan citra iris yang
pada umumnya dianggap sulit untuk mengimplemetasikan ke dalam bentuk software. Untuk melakukan pengujian terhadap sistem dipakai database digital dari CASIA (Chinese Academy of Science Institute of Auutomation) Iris Database. Sistem pengenalan iris terdiri dari proses segmentasi yaitu Gaussian filter, grayscale, binerisasi, deteksi tepi sobel dan terakhir transformasi Hough. Wilayah hasil segmentasi kemudian dinormalisasikan dengan
menggunakan Daugman Rubber Sheet setelah selesai kemudian masuk ke dalam ekstraksi ciri menggunakan Gabor Wavelet, hasil ekstraksi dengan mengkodekan pola unik iris ke
dalam bentuk template bit biometrik. Jarak hamming digunakan untuk hasil pengujian template iris. Hasil akhir yang diperoleh adalah sistem mampu mengenali citra yang diuji dengan membandingkan yang ada dalam database dengan akurasi tertentu. Sistem mampu mengenali dengan baik pada 100 citra mata yang berbeda, untuk 50 citra mata yang berbeda
sudah tersimpan lebih dahulu dalam database, setiap mata terdiri dari 3 citra mata yang sama baik bentuk dan jaraknya masing-masing diberi noise yang berbeda pada citra tersebut. Jadi dalam perancangan sistem aplikasi pengenalan citra ini kontribusi saya sebagai peneliti
adalah bagaimana merancang aplikasi pengenalan iris mata yang sederhana dengan
ABSTRACT
The research presented in this thesis is how to implement iris image recognition methods into
the software. Making the system is able to recognize the extent of iris image database by
selecting the image recognition method is considered simple for beginners who want to build
the stage of an iris recognition system image that is generally considered difficult to
implement into the form of software. For perform testing of the system used digital database
of CASIA (Chinese Academy of Science Institute of Auutomation) Iris Database. Iris
recognition system consists of the segmentation process is Gaussian filters, grayscale,
threshold, Sobel edge detection and Hough transformation recent. Region segmentation
results then normalized by using Daugman Rubber Sheet after then get into using the Gabor
wavelet feature extraction, the extraction of the unique iris patterns to encode the bits of
biometric templates. Hamming distance is used to test the results of the iris template. The
final result obtained is a system capable of recognizing tested by comparing the images in the
database with a certain accuracy. The system is able to recognize well over 100 different eye
images, for 50 different eye images are first stored in the database, each eye consists of three
images of the same eye both shape and distance were each given a different noise in the
image. Thus in the design of image recognition application system these my contribution as
researchers is how to design iris recognition application is simple to implement the the Gabor
wavelet of feature extraction.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel x
Daftar Gambar xi
Bab 1 Pendahuluan 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 2
1.3 Batasan Masalah 2
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Metode Penelitian 3
1.7 Sistematika Penulisan 4
Bab 2 Landasan Teori 5
2.1 Sistem Biometrik 5
2.1.1 Modul dalam Sistem Biometrik 7
2.1.2 Perbandingan Biometrik 7
2.2 Mata Sebagai Sistem Biometrik 8
2.2.1 Pupil Mata 9
2.2.2 Iris Mata 10
2.3 Sistem Pengenalan Iris Mata 11
2.4 Beberapa Metode Sistem Biometrik Iris Mata 12
2.4.1 Representasi Citra Digital 12
2.4.2 Segmentasi 13
2.4.2.1 Gaussian Filter 13
2.4.2.2 Grayscale 14
2.4.2.3 Treshold (Binerisasi) 14
2.4.2.4 Deteksi Tepi Sobel 14
2.4.2.5 Transformasi Hough 15
2.4.3 Normalisasi 16
2.4.3.1 Daugman Rubber Sheet Model 16
2.4.4 Gabor Wavelet 17
2.4.5 Pencocokan (Matching) 18
2.5 Flowchart 19
Bab 3 Perancangan dan Implementasi 20
3.1 Perancangan 20
3.1.1.1 DFD Level 0 21
3.1.1.2 DFD Level 1 22
3.1.2 Kamus Data 25
3.1.3 Relasi Antar Entitas 27
3.1.4 Perancangan Flowchart 28
3.1.5 Gambaran Umum Sistem 29
3.1.6 Perhitungan dari Sistem Pengenalan Citra Iris 30
3.1.6.1 Pengolahan Awal 30
3.1.6.2 Segmentasi 32
3.1.6.2.1 Gaussian Filter 32
3.1.6.2.2 Grayscale 39
3.1.6.2.3 Threshold (Binerisasi) 40
3.1.6.2.4 Deteksi Tepi 42
3.1.6.3 Normalisasi 44
3.1.6.4 Ekstraksi fitur 45
3.1.6.5 Pencocokan Iris Mata 46
3.1.7 Spesifikasi Rancangan Algoritma Program Utama Aplikasi 47 3.1.7.1 Algoritma Program Rancangan Template 47
3.1.7.2 Algoritma Program Segmentasi 47
3.1.7.3 Algoritma Program Normalisasi 48
3.1.7.4 Algoritma Program Encoding 49
3.1.7.5 Algoritma Program Hamming Distance 49 3.1.7.6 Algoritma Program Koordinat Lingkaran 50
3.1.7.7 Algoritma Program Koordinat Garis 50
3.1.7.8 Algoritma Program Hough 51
3.1.7.9 Algoritma Program Gabor Wavelet 51
3.2 Rancangan Antarmuka Pengguna (User Interface) 52
3.2.1 Rancangan Menu Utama 52
3.2.2 Rancangan Login 53
3.2.3 Rancangan Pengenalan 53
3.2.4 Rancangan Data Pendukung 54
3.2.5 Rancangan Data Iris 54
3.3 Implementasi 55
3.3.1 Tampilan Menu Utama 55
3.3.2 Tampilan Menu Masuk 55
3.3.3 Tampilan Login 56
3.3.4 Tampilan Menu Pengenalan Iris 56
3.3.5 Tampilan Data Iris 57
3.3.6 Tampilan Pengujian Pemasukan Data Iris dan Template 57
3.3.7 Tampilan Pengujian Identifikasi 59
3.3.8 Tampilan hasil Pengujian 61
Bab 4 Hasil dan Pembahasan 63
4.1 Hasil dan Pembahasan Pengujian Proses Citra Iris Mata 63 4.1.1 Hasil Segmentasi (Deteksi Tepi Sobel) Citra Iris Mata 63 4.1.2 Hasil Segmentasi (Transformasi Hough) Citra Iris Mata 64 4.1.3 Hasil Koordinat Pusat dan Jari-Jari dan Pupil Mata 65
4.1.4 Hasil Ekstraksi Gabor Wavelet 65
4.1.5 Hasil Uji Coba Pencocokan 65
Bab 5 Kesimpulan dan Saran 67
5.1 Kesimpulan 67
5.2 Saran
DAFTAR TABEL
Halaman
2.1 Perbandingan Karakteristik Biometrik 8
2.2 Simbol-Simbol Flowchart Program 19
3.1 Tabel User 25
3.2 Tabel Hasil 26
3.3 TabelTemplate 26
3.4 Matriks Kernel Gaussian 2D 5x5 32
3.5 Matriks Citra Iris Heksadesimal 33
3.6 Nilai Heksadesimal Diubah dalam Desimal 33
3.7 Hasil Dari Konvolusi Citra Dengan Matriks Kernel 34
3.8 Hasil Matriks Citra Iris RGB 38
4.1 Hasil Segmentasi (Deteksi Tepi Sobel) Citra Iris Mata 63
4.2 Hasil Segmentasi (Transformasi Hough) Citra Iris Mata 64
4.3 Hasil Koordinat Pusat dan Jari-jari Iris Mata 65
4.4 Hasil Koordinat Pusat dan Jari-jari Pupil 65
4.5 Hasil Ekstraksi 65
DAFTAR GAMBAR
Halaman
2.1 Anatomi Mata Bagian Luar 8
2.2 Pupil Mata 9
2.3 Anatomi Iris Mata 10
2.4 Tahapan Sistem Pengenalan Iris 11
2.5 Fungsi Koordinat sebagai Representasi Citra Digital 12
2.6 Kernel Filter Gaussian untuk ukuran 5 x 5 14
2.7 Ilustrasi Daugman Rubber Sheet Model 17
3.1 Proses Pengolahan Iris Mata 20
3.2 DFD Level 0 21
3.3 DFD Level 1 22
3.4 Relasi Antar Entitas 27
3.5 Tahap Penyimpanan 28
3.6 Tahap Pengujian 28
3.7 Skema Sistem 29
3.8 Data Citra Digital Iris 30
3.9 Matriks Nilai Grayscale Citra 40
3.10 Matriks RGB Citra Iris 41
3.11 Matriks Citra Biner 42
3.12 Citra Iris Biner 42
3.13 Duah Buah Matriks Kernel 43
3.14 Matriks Citra 3x3 Piksel dengan Dua Filter 44
3.15 Nilai Konvolusi (M) Sekitar Piksel 3x3 43
3.16 Matriks Hasil Deteksi Tepi Citra 3x3 44
3.17 Model Normalisasi Daugman Rubber Sheet 44
3.18 Hasil Ekstraksi Fitur 46
3.19 Template Iris Mata 47
3.20 Rancangan Menu Utama 51
3.21 Rancangan Login 51
3.22 Rancangan Identifikasi 52
3.23 Rancangan Data Pendukung 53
3.24 Rancangan Data Iris 53
3.25 Tampilan Menu Utama 54
3.26 Tampilan Login 55
3.27 Tampilan Pengenalan 55
3.28 Tampilan Data Iris 56
3.29 Tampilan Awal Pemasukan Citra Iris dan Template 56
3.30 Tampilan Kotak Dialog Pemilihan Citra Iris Pengujian 57
3.31 TampilanPemilihan Citra Iris 57
3.32 Tampilan Hasil Template Iris Dalam Citra dan Biner 58
3.33 TampilanPesan Penyimpanan 58
3.34 Tampilan Awal Identifikasi 58
3.35 Tampilan Kotak Dialog Pemilihan Citra Iris Pengujian 59
3.37 Tampilan Pemilihan Citra Iris Database 60
3.38 Tampilan Hasil Identifikasi Citra Pengujian 60
ABSTRAK
Penelitian yang disajikan pada tugas akhir ini
Kata Kunci : Iris, Segmentasi, Normalisasi, Ekstraksi, Gabor Wavelet.
adalah bagaimana mengimplementasikan
metode pengenalan citra iris ke dalam perangkat lunak. Pembuatan sistem sebatas mampu
mengenali citra iris database dengan memilih metode pengenalan citra yang dianggap
sederhana untuk tahap pemula yang ingin membangun suatu sistem pengenalan citra iris yang
pada umumnya dianggap sulit untuk mengimplemetasikan ke dalam bentuk software. Untuk melakukan pengujian terhadap sistem dipakai database digital dari CASIA (Chinese Academy of Science Institute of Auutomation) Iris Database. Sistem pengenalan iris terdiri dari proses segmentasi yaitu Gaussian filter, grayscale, binerisasi, deteksi tepi sobel dan terakhir transformasi Hough. Wilayah hasil segmentasi kemudian dinormalisasikan dengan
menggunakan Daugman Rubber Sheet setelah selesai kemudian masuk ke dalam ekstraksi ciri menggunakan Gabor Wavelet, hasil ekstraksi dengan mengkodekan pola unik iris ke
dalam bentuk template bit biometrik. Jarak hamming digunakan untuk hasil pengujian template iris. Hasil akhir yang diperoleh adalah sistem mampu mengenali citra yang diuji dengan membandingkan yang ada dalam database dengan akurasi tertentu. Sistem mampu mengenali dengan baik pada 100 citra mata yang berbeda, untuk 50 citra mata yang berbeda
sudah tersimpan lebih dahulu dalam database, setiap mata terdiri dari 3 citra mata yang sama baik bentuk dan jaraknya masing-masing diberi noise yang berbeda pada citra tersebut. Jadi dalam perancangan sistem aplikasi pengenalan citra ini kontribusi saya sebagai peneliti
adalah bagaimana merancang aplikasi pengenalan iris mata yang sederhana dengan
ABSTRACT
The research presented in this thesis is how to implement iris image recognition methods into
the software. Making the system is able to recognize the extent of iris image database by
selecting the image recognition method is considered simple for beginners who want to build
the stage of an iris recognition system image that is generally considered difficult to
implement into the form of software. For perform testing of the system used digital database
of CASIA (Chinese Academy of Science Institute of Auutomation) Iris Database. Iris
recognition system consists of the segmentation process is Gaussian filters, grayscale,
threshold, Sobel edge detection and Hough transformation recent. Region segmentation
results then normalized by using Daugman Rubber Sheet after then get into using the Gabor
wavelet feature extraction, the extraction of the unique iris patterns to encode the bits of
biometric templates. Hamming distance is used to test the results of the iris template. The
final result obtained is a system capable of recognizing tested by comparing the images in the
database with a certain accuracy. The system is able to recognize well over 100 different eye
images, for 50 different eye images are first stored in the database, each eye consists of three
images of the same eye both shape and distance were each given a different noise in the
image. Thus in the design of image recognition application system these my contribution as
researchers is how to design iris recognition application is simple to implement the the Gabor
wavelet of feature extraction.
BAB 1 PENDAHULUAN
1.1Latar Belakang Masalah
Dalam beberapa tahun terakhir, identifikasi seseorang berdasarkan biometrik telah
berkembang dengan pesat di kalangan akademik dan industri. Metode pengenalan
identitas seseorang yang banyak digunakan di antaranya berdasarkan nomor identitas
unik (kunci fisik, kartu identitas dan lainnya) atau berdasarkan ingatan terhadap sesuatu
(sandi rahasia dan lainnya). Metode tersebut banyak memiliki kekurangan di antaranya
adalah kartu identitas dapat hilang dan sandi dapat lupa dari ingatan seseorang. Ada
dua jenis biometrik di antaranya adalah physiological (iris mata, wajah dan sidik jari) dan behavioural (suara dan tulisan tangan) (Munir, 2004).
Pengenalan iris mata adalah jenis biometrik berdasarkan fitur physiological. Iris memiliki tekstur yang unik dan cukup kompleks untuk digunakan dalam biometrik.
Dibandingkan dengan metode biometrik lain seperti tanda tangan, pola iris lebih stabil
dan dapat diandalkan. Iris mata seseorang juga memiliki pola yang konsisten (Ramy,
2003).
Untuk menciptakan hal tersebut diatas penulis melakukan penelitian, sistem
pengenalan untuk iris mata. Proses pengenalan yang di lakukan adalah dengan mencari suatu
ekstraksi ciri dengan Gabor Wavelet. Filter ini digunakan untuk mengetahui mata siapa yang
paling sesuai dengan yang ada di dalam database. Percobaan yang di lakukan untuk proses pengenalan ini diambil dari citra mata skala keabuan milik CASIA Iris Database yang siap untuk diproses.
Sistem pengenalan iris yang dikembangkan dalam penelitian ini terdiri atas empat
tahap. Tahap pertama adalah proses segmentasi citra untuk mengambil citra iris mata
saja lalu membuang bagian citra yang lainnya. Pada tahap kedua, proses normalisasi
dilakukan dengan mengubah dimensi citra iris menjadi tetap sehingga menghasilkan
citra yang sudah ternormalisasi sehingga dihasilkan nilai biner dari hasil ekstraksi ciri yaitu
dinamakan kode template, dilanjutkan ke tahap terakhir yaitu melakukan pencocokan iris mata yang sudah tersimpan dalam database dengan data iris user yang akan dicocokan.
Berdasarkan uraian diatas, penulis menuangkannya dalam penelitian yang berjudul
“Perancangan Aplikasi Sistem Pengenalan Iris Mata Menggunakan Metode Gabor Wavelet”.
1.2 Rumusan Masalah
Bagaimana mengimplementasikan metode sistem pengenalan iris yang sederhana
tetapi mampu melakukan proses segmentasi, normalisasi, ekstraksi ciri sampai melakukan
pengujian dengan citra iris yang telah tersimpan lebih dahulu pada database .
1.3Batasan Masalah
Manfaat dari penelitian ini adalah sebagai berikut:
1. Penulis tidak mengambil citra dengan alat scanner iris melainkan citra iris mata keabuan diambil yang sudah jadi dan siap untuk diproses berupa gambar iris dengan
format bitmap (*.bmp) dengan ukuran 200 x 175 piksel, yang diambil dari database Chinese Academy of Sciences-Institute of Automation (CASIA) pada
2. Implementasi pada pengenalan citra iris mata ini menggunakan bahasa pemrograman Visual Basic 6.0.
1.4Tujuan Penelitian
Tujuan penelitian ini adalah memperoleh aplikasi perangkat lunak sistem pengenalan citra
1.5Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut:
1. Manfaat bagi penulis :
Menambah pengetahuan penulis dalam melakukan proses pengenalan citra iris mata.
2. Manfaat bagi bidang ilmu :
Sebagai bahan referensi bagi peneliti yang ingin merancang aplikasi sistem pengenalan citra iris yang sejenis dengan lebih mudah dan sederhana.
3. Manfaat bagi masyarakat :
Adanya software pengenalan iris yang murah dan sederhana dengan ekstraksi ciri menggunakan Gabor Wavelet yang tercipta.
1.6Metodologi Penelitian
Dalam penelitian ini, tahapan-tahapan yang akan dilalui adalah sebagai berikut:
a. Studi Literatur
Metode ini dilaksanakan dengan melakukan studi kepustakaan yang relevan serta buku-buku maupun artikel-artikel atau e-book dan juga journal international yang didapatkan melalui internet.
b. Analisis
Pada tahap ini digunakan untuk mengolah data yang ada dan kemudian melakukan analisis terhadap hasil studi literatur yang diperoleh sehingga menjadi suatu informasi.
c. Perancangan Perangkat Lunak
Pada tahap ini, digunakan seluruh hasil analisa terhadap studi literatur yang dilakukan untuk merancang perangkat lunak yang akan dihasilkan. Dalam tahapan ini juga dilakukan perancangan model antarmuka serta proses kerja sistem untuk memudahkan dalam proses implementasi.
Pada tahap ini dilakukan pemasukan data data serta memproses data untuk mendapatkan hasil apakah sudah sesuai dengan yang diharapkan. Pengujian adalah dengan melakukan perbandingan hasil sebelum dan sesudah penyisipan pesan.
1.7 Sistematika Penulisan
BAB 1 : PENDAHULUAN
Bab ini akan menjelaskan mengenai latar belakang pemilihan judul, rumusan masalah,
batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika
penulisan.
BAB 2 :TINJAUAN PUSTAKA
Bab ini berisi tentang landasan teori dari referensi penunjang dan penjelasan permasalahan
yang dibahas dalam tugas akhir ini yang meliputi pengertian tentang Biometrika, Segmentasi,
Normalisasi, Ekstraksi, Gabor Wavelet, Jarak Hamming.
BAB 3 :PERANCANGAN SISTEMDAN IMPLEMENTASI PERANGKAT LUNAK
Pada bab ini dibahas mengenai rancangan proses-proses yang terjadi pada pra-pengolahan
citra, segmentasi, normalisasi, smpai ekstraksi dengan Gabor Wavelet, kemudian dilanjutkan
dengan pengimplementasian ke dalam bahasa pemrograman berdasarkan rancangan yang
telah dibuat agar dapat menghasilkan perangkat lunak yang dapat digunakan untuk
mendapatkan besar akurasi sistem pengenalan iris mata.
BAB 4: PENGUJIAN SISTEM DAN PEMBAHASAN
Pada bab ini dibahas tentang hasil yang diperoleh uji coba penyelesaian program sebagai
penyelesaian dari masalah sistem pengenalan iris mata dengan metode Gabor Wavelet.
BAB 5: KESIMPULAN DAN SARAN
Bab terakhir akan memuat kesimpulan isi dari keseluruhan uraian bab-bab sebelumnya dan
saran-saran dari hasil yang diperoleh yang diharapkan dapat bermanfaat dalam
BAB 2
LANDASAN TEORI
2.1Sistem 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 berjam-jam atau berhari-hari untuk proses pengenalan tersebut (Sutoyo,
2009).
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 tersebut, yang kemudian membandingkan dengan template
lain untuk menentukan identitas (Ma et al. 2003). 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
(Munir, 2004).
1.Physiological
Dihubungkan dengan bentuk tubuh atau badan, misalnya: fingerprints, face recognition, hand geometry, dan iris recognition.
2.Behavioral
Dihubungkan dengan tingkah laku seseorang, misalnya: keystroke, signature, voice.
Penggunaan biometrik untuk sistem pengenalan memiliki beberapa keunggulan
dibanding sistem konvensional (penggunaan password, PIN, kartu, dan kunci), di antaranya (Putra, 2010) :
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 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 satu
paspor untuk memasuki satu negara. Sebelum menambahkan identitas seseorang ke
sistem, perlu dipastikan terlebih dahulu bahwa identitas orang tersebut belum terdaftar
sebelumnya. Untuk mengatasi masalah tersebut maka diperlukan proses penyaringan
identitas yang mana sistem konvensional tidak dapat melakukanya. Biometrik mampu
menghasilkan atau menyaring beberapa informasi sidik jari atau wajah yang mirip dengan
sidik jari atau wajah yang dicari.
a.Keumuman: 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 untuk 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.
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 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.
2.1.1 Modul Dalam Sistem Biometrik
Sistem biometrik umumnya memiliki lima modul antara lain (Sutoyo, 2009):
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
data referensi ini yang akan digunakan sebagai acuan saat proses pengenalan.
2.1.2 Perbandingan Biometrik
Tabel 2.1 menunjukkan perbandingan karakteristik biometrik yang didasarkan pada
pengenalan iris, pola, tingkat kesalahan, keamanan, aplikasi.
Tabel 2.1 Perbandingan karakteristik biometrik (Jain et al, 2004). Metode Pola Tingkat kesalahan Keamanan Aplikasi
Pengenalan Iris Iris 1/1.200.000 Tinggi High- Security Facilites
Pengenalan Sidik jari
sidik jari 1/1.000 Sedang Universal
Bentuk Tangan Ukuran, panjang, dan ketebalan telapak tangan
1/700 Rendah Low-Security Facilities
Pengenalan Wajah
Outline, bentuk dan distribusi dari mata dan hidung
1/100 Rendah Low-Security Facilities
Tanda Tangan Bentuk huruf, urutan penulisan dan tekanan
1/100 Rendah Low_Security Facilities
Suara Karakteristik suara
1/30 Rendah Pelayanan
Telepon
2.2Mata 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 (Putra, 2010).
Organ mata manusia terdiri dari organ mata luar dan organ mata dalam. Organ mata
luar antara lain:
1.Alis mata adalah berupa bagian yang sedikit menonjol sedikit di atas kedua belah
kelopak mata dan mempunyai sedikit rambut halus.
2.Bulu mata adalah bagian dari kelopak mata yang berupa helaian rambut-rambut.
3.Kelopak mata adalah lipatan kulit yang lunak yang menutupi dan melindungi mata.
4.Kulit mata adalah bagian kulit disekitar mata, kulit ini sangat sensitif dari bagian
Gambar 2.1. Anatomi mata bagian luar (Sumber : Putra, 2010)
Organ dalam mata terdiri dari beberapa bagian kita lihat pada Gambar 2.1 diantaranya
adalah:
1.Iris adalah pigmen yang kita bisa melihat warna coklat atau hitam atau berwarna biru
jika orang eropa.
2.Lens adalah kristalin lens yang jernih sekali dan ini sebagai media refraksi untuk bisa kita melihat.
3. 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.
4. Retina adalah lapisan yang akan menerima sinar yang diterima oleh mata kita.
5. Pupil adalah bagian terbuka dari iris, yang terletak ditengah-tengah bagian iris.
2.2.1 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 2.2. 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.
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 (Sutoyo, 2009).
2.2.2 Iris Mata
Iris adalah bagian yang berwarna yang tampak pada bola mata, yang terlihat pada Gambar
2.3. Bagian iris terlihat sebagai lingkaran mata yang melingkupi bagian hitam pupil dengan
warna-warna tertentu.
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. Dalam Gambar 2.3 lebih diterangkan bagian-bagian struktur dari iris.
Gambar 2.3 Anatomi Iris Mata (Sumber : Jain et al. 2004)
Iris mata manusia dapat digunakan untuk kepentingan identifikasi seseorang yang
memiliki tingkat keamanan yang cukup tinggi. Hal ini didukung oleh sifat–sifat yang dimiliki
iris mata manusia sebagai berikut (Jain et al. 2004) :
a. iris mata manusia sangat terlindungi keberadaannya yang merupakan organ dalam
dari mata.
b. iris mata manusia tampak (kelihatan) dari suatu jarak tertentu.
c. pola iris mata manusia mempunyai derajat keacakan yang tinggi.
e. tidak bergantung pada sifat genetik.
f. mempunyai tekstur dan struktur yang kompleks.
Adapun karakteristik iris adalah (Sutoyo, 2009) :
a.Mempunyai bentuk geometri polar, merupakan sistem koordinat yang alami.
b.Mempunyai tingkat ketidakaturan yang tinggi.
2.3 Sistem Pengenalan Iris Mata
Berikut ini adalah tahapan pengenalan iris mata dari gambar hingga menjadi kode dengan
melalui proses pengolahan citra, proses pengujian diambil dari yang sudah ditetapkan para
peneliti sistem pengenalan iris mata, pada Gambar 2.4 dapat kita lihat proses dari tahapan
tersebut.
Gambar 2.4 Tahapan Sistem Pengenalan Iris
(Sumber: Masek, 2003)
Keterangan:
1. Citra Iris : Array dari nilai-nilai dimana sebuah nilai merupakan sekumpulan angka
mendeskripsikan atribut dari piksel-piksel terdapat di dalamnya. Piksel adalah
titik-titik yang digunakan untuk membangun citra. Piksel terdiri atas tiga komponen
warna yaitu R (red), G (green), B (blue), masing-masing komponen tersebut merupakan warna dasar cahaya.
2. Segmentasi 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
identifikasi.
3. Normalisasi : Tahap ini menghasilkan area iris yang memiliki dimensi yang konstan,
sehinnga dua citra iris yang sama dalam kondisi yang berbeda akan mempunyai
karakteristik pada posisi ruang yang sama.
4. Ekstraksi : Tahap ini menghasilkan ciri unik dari data yang diekstrak dengan
menggunakan algoritma tertentu dan menciptakan sebuah template yang disimpan dalam database.
5. 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.
2.4. Beberapa Metode Sistem Biometrik Iris Mata
Berikut adalah urutan beberapa tahapan metode yang sering digunakan para peneliti untuk
meneliti sistem pengenalan iris mata, umumnya tahapan tersebut sama hanya pada saat
ekstraksinya saja rumusannya yang diganti.
2.4.1 Representasi Citra Digital
Citra didefinisikan sebagai suatu fungsi dua dimensi f(x, y), dengan x dan y merupakan koordinat spasial, dan f disebut sebagai kuantitas bilangan skalar positif yang memiliki maksud secara fisik ditentukan oleh sumber citra. Suatu citra digital yang diasumsikan
dengan fungsi f(x, y) direpresentasikan dalam suatu fungsi koordinat berukuran M x N. Variabel M adalah Baris dan N adalah kolom sebagaimana ditunjukkan pada Gambar 2.5 Setiap elemen dari array matriks disebut image element, picture element, atau pixel (Gonzales et al. 2003).
�(�,�) = �
�(0.0) �(0,1) �(1,0)
⋮ �(� −1,0)
�(1,1) ⋮ �(� −1,1)
⋯ �(0,� −1) ⋯ �(1,� −1) …�(� −1,� −1)
�
(Gonzales et al. 2003)
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 ... (2.1) 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 2 8
Jika kita memperhatikan citra dijital secara seksama, kita dapat melihat titik-titik
tersebut merupakan satuan terkecil dari suatu citra digital disebut sebagai ”picture element”, 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 tampilan citra digital yang dirancang dengan baik
(beresolusi tinggi), titik-titik kecil tersebut tidak teramati oleh kita yang melihat secara
normal.
= 256 warna (derajat keabuan).
2.4.2 Segmentasi
Tahap pertama dalam sistem pengenalan iris mata adalah memisahkan daerah iris mata pada
suatu citra mata. Hal ini disebabkan daerah iris mata dipengaruhi bulu mata dan kelopak
mata. Proses segmentasi dilakukan dengan proses deteksi tepi. Tepi citra memberi ciri
batasan-batasan citra. Tepi citra dapat didefinisikan sebagai piksel-piksel yang mengalami
perubahan tajam pada skala keabuannya. Pendekatan tepi yang ideal digunakan deteksi tepi
2.4.2.1 Gaussian Filter
Gaussian filter adalah linear filter yang biasanya digunakan sebagai lebih halus. Gaussian
filter yang banyak digunakan dalam memproses gambar. Gaussian filter bertujuan untuk
menghilangkan noise pada citra dan meningkatkan kualitas detail citra.
Gaussian filter ini sebenarnya hampir sama dengan filter rata-rata hanya ada nilai
bobot yang tidak rata seperti pada filter rata-rata, tetapi mengikuti fungsi Gaussian sebagai
berikut (Shah dan Ros, 2006) :
G(x,y)
=
1 √�� �−�(�−��)2+(�−��)2�... (2.2)
G (x,y) = Gaussian 2 dimensi
s = sebaran dan fungsi Gaussian
(
��,��) = titik tengah dari fungsi GaussianBerdasarkan rumus dari fungsi gaussian maka pada Gambar 2.6 untuk ukuran 5x5 akan diperoleh
matrik kernel filter Gaussian :
Gambar 2.6 Kernel Filter Gaussian untuk ukuran 5x5
(Sumber : Daugman, 2007)
2.4.2.2 Grayscale
Grayscale adalah teknik yang digunakan untuk mengubah citra berwarna (RGB) menjadi bentuk tingkat keabuan (dari hitam ke putih). Dengan pengubahan ini, matriks penyusun citra
yang sebelumnya 3 matriks akan berubah menjadi 1 matriks saja, pengubahan dari citra
I (i,j) = � (�,�)+� (�,�)+�(�,�)
3 ...(2.3)
I (i,j) = Nilai intensitas citra grayscale
R (i,j) = Nilai intensitas warna merah dan citra asal G (i,j) = Nilai intensitas warna hijau dan citra asal B (i,j) = Nilai intensitas warna biru dan citra asal
2.4.2.3 Binerisasi
Binerisasi merupakan proses merubah citra ke dalam bentuk biner (0 dan 1) dengan merubah
ke bentuk biner. Citra hanya akan mempunyai 2 warna yakni hitam dan putih. Dengan proses
ini, citra RGB juga akan menjadi 1 matriks penyusun saja. Untuk melakukan proses ini
digunakan threshold, nilai threshold dapat diatur sesuai dengan kebutuhan (Masek, 2003).
Formula binerisasi citra yaitu :
�(�,�) = �1 �����(�,�) ≥ �
0 �����(�,�) <� ...(2.4)
Contoh proses binerisasi citra :
Citra Asal = �
216 111
63 163
52 160 179
213 247 231
193 168 219 174 142
� Citra Hasil = � 255
0 0
0 0 0
0 255 255
0 255
0 0 255
0 �
2.4.2.4 Deteksi Tepi Sobel
Pengambilan garis tepi dilakukan untuk memudahkan perhitungan parameter-parameter
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 beberapa operator deteksi tepi yang dapat digunakan,
antara lain:
-Operator Canny - Operator Sobel
- Operator Prewitt – Operator Zerocross
Dalam penelitian ini digunakan Metode Sobel, karena metode ini adalah yang paling
banyak digunakan sebagai pelacak tepi karena kesederhananaan dan keampuhannya (Munir,
2004). Kelebihan dari metode ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi. Operator sobel terbentuk dari matriks berukuran 3 x 3
seperti berikut ini. Pengaturan piksel di sekitar piksel (x,y) :
��0�7 (��1,�) �2�3 �6 �5 �4
� ...(2.5)
Untuk mendapatkan gradien gabungan dapat dihitung dengan menggunakan persamaan
berikut (Munir, 2004) :
|�| = ���2+��2 ...(2.6)
Turunan parsial dihitung dengan cara
�� = ( �2 + �3 + �4 ) - ( �0 + �7 + �6 ) ...(2.7) �� = ( �0 + �1 + �2 ) - ( �6 + �5 + �4 )...(2.8) Dengan konstanta c adalah 2, dalam bentuk mask �� dan �� dapat dinyatakan sebagai :
�� = �
−1 0 1 −2 0 2 −1 0 1
� �� = �
1 2 1
0 0 0
−1 −2 −1
�... (2.9)
Operator tersebut sudah ditentukan Sobel, yang nantinya dapat langsung digunakan sebagai
perhitungan dalam deteksi tepi.
2.4.2.5 Transformasi Hough
Transformasi Hough adalah sebuah metode yang dapat digunakan untuk mengisolasi feature
tertentu dalam sebuah citra. Prinsip dasar dari transformasi Hough adalah terdapat jumlah tak
terbatas dari garis yang melalui suatu titik, masing-masing pada orientasi berbeda. Tujuan
dari transformasi Hough adalah menentukan garis teoritis yang mana melewati titik - titik
Metode Hough Transform biasanya digunakan untuk mendeteksi bentuk geometri
yang dapat dispesifikasikan dalam bentuk parametrik seperti garis, lingkaran, elips, dan lain–
lain. Di dalam penelitian ini dipakai dua jenis yaitu mendeteksi garis lurus dan mendeteksi
lingkaran. Cara yang paling sederhana mendeteksi garis lurus adalah menemukan semua garis
yang ditentukan oleh dua buah pixel dan memeriksa apakah sebagian dari pixel tepi termasuk ke dalam garis tersebut (cara exhaustive search).
Tinjau persamaan garis lurus:
y = mx + c ...(2.10)
Dalam bentuk parametrik, setiap garis dinyatakan sebagai (m, c) di dalam ruang parameter m-c.
Persamaan 9.2 dapat ditulis menjadi
c = y – mx...(2.11) Sembarang titik (x,y) pada bidang planar X-Y berkoresponden dengan sebuah garis lurus pada
ruang parameter m–c.
Transformasi Hough dapat juga digunakan untuk mendeteksi bentuk lingkaran di dalam
citra tepi. Persamaan lingkaran yang berpusat di titik (a, b) dengan jari-jari r adalah
(x − a)2 + ( y − b)2 = r2 ...(2.12) Jadi, ruang parameter untuk lingkaran adalah r–a–b ,sehingga matriks trimatra P(r, a, b)
dibutuhkan untuk menyimpan perhitungan suara.
Persamaan polar untuk setiap titik (x, y) di lingkaran:
x = a + r cos q ... (2.13) y = b + r sin q ... (2.14) Persamaan (9.6) dan (9.7) dapat ditulis menjadi persamaan
a = x – r cos q ... (2.15)
b = y – r sin q ... (2.16)
Pada operasi deteksi tepi, selain magnitudo pixel tepi, juga dihasilkan arah tepi q, karena itu cos
q dan sin q dapat dihitung.
2.4.3. Normalisasi
Area iris pada manusia bisa mengalami perubahan bentuk dikarenakan pembesaran dan
pengecilan pupil sebagai respon dari cahaya, karena itu harus dilakukan normalisasi untuk
dilakukan perbandingan. Proses normalisasi akan menghasilkan area iris yang memiliki
dimensi yang konstan, sehingga dua citra iris yang sama dalam kondisi yang berbeda akan
mempunyai karakteristik pada posisi ruang yang sama. Proses normalisasi dilakukan
menggunakan model rubber sheet Daugman yang memetakan setiap titik pada area iris
menjadi sepasang koordinat polar (Ramy, 2003).
2.4.3.1. Daugman Rubber Sheet Model
Model rubber sheet dikembangkan oleh Daugman (Daugman, 2007) untuk melakukan proses
normalisasi pada citra region iris. Model rubber sheet memetakan tiap titik dalam region iris.
Model rubber sheet memetakan tiap titik dalam region iris menjadi pasangan koordinat polar (r, θ) dimana r ada pada interval 0 – 1 dan θ adalah sudut (2 phi).
Pola ternormalisasi tersebut didapatkan dengan mencari koordinat kartesius titik data
dari posisi radial dan anguler dalam pola tersebut. Normalisasi pada area iris, menghasilkan
array dua dimensi dengan dimensi horizontal berupa resolusi angular dan dimensi vertikal
berupa resolusi radial. Sebuah array dua dimensi yang lain juga didapatkan untuk mencatat /
menandai noise seperti kelopak mata dan bulu mata. Ilustrasi pemetaan kembali ke dalam koordinat polar dapat dilihat pada Gambar 2.7
Gambar 2.7 Ilustrasi Daugman Rubber Sheet Model. (Sumber : Daugman, 2007)
Persaman pemetaan wilayah iris dari koordinat koordinat polar (r, θ) ke koordinat
kartesian (x, y) adalah sebagai berikut (Daugman, 2007):
dengan
�(�,�) = (1− �)�� (�) + ��1(�) ...(2.18)
�(�,�) = (1− �)�� (�) + ��1(�) ...(2.19)
dimana �(�,�) adalah citra region iris, (�,�) adalah koordinat kartesius awal, (�,�) adalah
koordinat polar yang ternormalisasi, dan ��,��, �1,�1 adalah koordinat batas pupil dan iris
sepanjang arah � .
Model rubber sheet tetap memperhitungkan perubahan ukuran pupil dan inkonsitensi ukuran
supaya bisa menghasilkan sebuah represntasi ternormalisasi dengan dimensi yang konstan.
2.4.4 Gabor Wavelet
Secara umum Gabor Wavelet adalah Gabor filter yang merupakan fungi sinus yang dikalikan oleh Gaussian. Pada proses pengenalan iris ini, penulis menggunakan gambar 2 dimensi, sehingga pada proses pengenalan citra iris ini penulis menyesuaikan dengan menggunakan
Gabor filter 2 dimensi juga. Sehingga defenisi Gabor Wavelet adalah fungi sinus 2 dimensi yang dikalikan dengan Gausian 2 dimensi. Gabor Wavelet memiliki kemampuan
menyediakan informasi resolusi tinggi tentang orientasi dan isi frekuensi spasial dari struktur
gambar. Dengan memperoleh koefisian yang dibutuhkan untuk fungsi kompleks ini akan
menghasilkan informasi yang dibutuhkan untuk merepresentasikan iris dengan transformasi
Hough.
Proses ini melakukan ekstraksi terhadap hasil dari citra ternormalisasi dengan menggunakan
Gabor Wavelet kemudian dikodekan ke dalam template, proses pengolahan citra digunakan sebagai sebuah proses yang mengubah sebuah citra menjadi citra diskrit yang memiliki nilai
1 dan nilai 0. Proses ini mampu menggambarkan sebuah citra yang memiliki perbedaan
ketinggian dan kedalaman.
penulis gunakan sesuai dengan paper yang menjadi rujukan penulis. Berikut ini merupakan formula gabor yang penulis gunakan dalam tugas akhir ini (Daugman, 2007) :
G(f) = exp
�
–�log�f f0��
2
2�log�f0σ��
�
... (2.20)G(x,y ; θ,f ) = exp
�−
1 2�
��2 ��2
+
��2
��2
��
cos (2����) ...(2.21)��= ����� – ����� ...(2.22) �� =�����+ ����� ... (2.23)
� = orientasi gabor filter
�= frekuensi gelombang cosinus ��,�� = standar deviasi sifat Gaussian ��,�� = sumbu koordinat filter
2.4.5 Pencocokan (Matching)
Proses ini melakukan pencocokan terhadap 2 kode iris untuk kemudian dihitung jarak
diantara kedua kode tersebut. Pada proses ini dilakukan dengan menggunakan metode jarak
Hamming (Hamming Distance). Jarak Hamming merupakan proses perbandingan dua pola yang sangat sensitif terhadap nilai bit. Penentuan apakah pola yang dibandingkan merupakan
pola yang sama dapat dilihat dari nilai HD yang dihasilkan. Semakin kecil nilai HD yang
dihasilkan (mendekati 0), semakin sama pola bit yang dihasilkan. Semakin besar nilai HD
yang dihasilkan (mendekati 1), semakin berbeda pola bit yang dibandingkan. Dalam
membandingkan dua pola bit misalkan X dan Y, jarak Hamming (HD) didefinisikan sebagai (Masek, 2003) :
HD = 1
� � ��
�
�=1 ⊗ ��... (2.23) �� = Kode bit template I
�� = Kode bit template II N = Jumlah bit template
⊗ = Operator XOR
2.5 Flowchart
(Munir, 2004). Simbol-simbol yang digunakan pada bagan flowchart ini antara lain seperti pada Tabel 2.2
Tabel 2.2 Simbol-simbol Flowchart Program
Simbol Fungsi
Terminator
Menunjukkan awal dan akhir suatu proses.
Data
Digunakan untuk mewakili data input/output. Process
Digunakan untuk mewakili proses.
Decision
Digunakan untuk suatu seleksi kondisi didalam program.
Predefined Process
Menunjukkan suatu operasi yang rinciannya ditunjukkan di
tempat lain.
Preparation
Digunakan untuk memberi nilai awal variabel.
Flow Lines Symbol
Menunjukkan arah dari proses.
Connector
Menunjukkan penghubung ke halaman yang sama.
BAB 3
PERANCANGAN DAN IMPLEMENTASI
3.1 Perancangan
Perancangan Sistem Biometrik Berdasarkan Citra Iris Mata Dengan Algoritma Gabor
Wavelet terdiri dari beberapa tahap antara lain:
a. Segmentasi, terdiri dari penghalusan (smoothing) dengan gaussian filter dilakukan grayscale citra lalu dilakukan threshold (binerisasi) pengubahan nilai keabu-abuan piksel menjadi nilai biner (0 dan 1) dan terakhir deteksi tepi dengan Sobel, agar dapat
mendeteksi tepi iris mata dan mendapatkan template (kode iris mata).
b. Normalisasi, memperoleh daerah iris mata yang telah dinormalisasi sehingga mempunyai
dimensi tertentu untuk memudahkan dalam perhitungan ekstraksi ciri.
c. Ekstraksi, untuk mendapatkan kode iris template dari citra iris.
d. Verifikasi, melakukan pencocokan template iris mata dengan template pada database. Proses pengolahan citra iris mata dilakukan untuk mendapatkan data citra iris mata yang
digunakan pada proses segmentasi, yaitu mendapatkan template iris dari bentuk bulat menjadi bentuk datar seperti pada Gambar 3.1.
Citra Mata Hasil Deteksi Tepi Template Iris
[image:37.595.103.478.515.646.2]
Gambar 3.1 Proses Pengolahan Iris Mata
Usulan dalam perancangan perangkat lunak Sistem Biometrik Berdasarkan Citra Iris Mata
rancangan antarmuka (interface) yang terdiri dari tampilan sebagai perantara antara sistem dengan User (pengguna).
3.1.1 Perancangan DFD (Data Flow Diagram)
Dalam merancang suatu sistem, diperlukan beberapa alat bantu, salah satunya adalah Data Flow Diagram (DFD). Data Flow Diagram merupakan suatu bentuk atau model yang memungkinkan untuk menggambarkan sistem sebagai suatu jaringan proses fungsional atau
sebagai jaringan proses dan fungsi yang dihubungkan satu sama lain oleh suatu penghubung
yang disebut alur data (Data Flow), sehingga DFD sering digunakan sebagai alat penghubung antara perancang dan pemakai. DFD dari aplikasi sistem Pengenalan Iris mata yang dibuat
dimulai dari DFD level 0 hingga DFD level 1. DFD digunakan untuk menggambarkan aliran
informasi dan proses data yang bergerak dari input data hingga output. 3.1.1.1DFD Level 0
Gambar 3.2 DFD Level 0
a. Proses
Nama Proses : Sistem Pengenalan Iris Mata menggunakan Gabor Wavelet Keterangan : Proses Pengujian iris apakah data citra yang dimasukan sesuai
dengan citra yang telah terdaftar dalam database. b. Arus Data
Masukan : - Data username dan password - citra iris mata
- Hapus Data Pengujian
Keluaran : - Data username dan password - Hasil Pencocokan Iris Mata
c. Entitas Luar
Nama Entitas : - Admin
Keterangan : Merupakan bagian yang mengontrol dan memperbaiki sistem
Masukan : - Data username dan password - Data dan citra pengguna iris
- Hapus Data Pengujian
Keluaran : - Data username dan password - Data dan citra pengguna iris
- Hapus Data Pengujian
- Hasil Pencocokan Iris Mata
Nama Entitas : - User
Keterangan :Pengguna yang menggunakan sistem untuk mengetahui hasil
perbandingan iris mata yang ingin dibandingkan.
Masukan : - Citra iris mata
Keluaran : - Hasil Pencocokan Iris Mata
- Laporan Hasil Pengujian
[image:39.595.109.562.441.741.2]3.1.1.2DFD Level 1
Penjelasan proses DFD level 1 sistem pengenalan iris mata menggunakan Gabor wavelet :
a. Proses 1
Nama Proses : Proses Login
Masukan : - Username dan Password
Keluaran : - Laporan username sudah berhasil atau belum
Keterangan : Proses dilakukan dengan mendaftar user (administrator) terlebih
dahulu.
b. Proses 2
Nama Proses : Proses Pencocokan
Masukan : - Data citra iris mata
Keluaran : - Data persentase jarak Hamming dan kodebiner Template
Keterangan : Proses dilakukan dengan citra iris yang telah tersimpan terlebih
dahulu dengan iris yang akan diujikan, apakah cocok atau tidak dan
berapa persen kecocokannya.
c. Proses 3
Nama Proses : Data Pendukung
Masukan : Data username dan password Keluaran : laporan sudah teregistrasi atau belum.
Keterangan : Masuk ke pilihan menu data hak akses sebagai admin yang telah
terdaftar terlebih dahulu yaitu data user, data iris, dan hapus data
pengujian.
d. Proses 4
Nama Proses : Proses Laporan/ Hasil Pengujian data
Masukan : - Data hasil dari pengujian iris (jarak hamming, persen
kecocokan).
Keluaran : - Data laporan hasil pengujian yang siap dicetak
Keterangan : Proses akan mencetak data hasil yang telah disimpan dari pengujian
e. Proses 5
Nama Proses : Proses data user (tambah admin)
Masukan : - Data username dan password baru yang ingin ditambahkan Keluaran : - info data telah tersimpan.
Keterangan : Menambah admin yang baru, mencari admin yang telah terdaftar,
mengubah admin lama dengan admin yang baru, menghapus admin
yang terdaftar, batal untuk user yang tidak jadi mendaftar admin
baru, lalu tersedia pilihan keluar untuk balik ke menu awal.
f. Proses 6
Nama Proses : Proses Data Iris (Penyimpanan Database) Masukan : - Keterangan File citra iris (CASIA iris )
Keluaran : - laporan hasil pengujian File citra iris (CASIA iris ).
Keterangan : Proses mengolah file citra iris mata menjadi sebuah kode biner yang
dapat dibaca komputer sehingga dapat melakukan pengujian iris
mata dengan tepat dan akurat, adapun dalam tahapan ini memiliki
pilihan browse iris, proses, clear data, save, dan keluar dari tahap ini.
g. Proses 7
Nama Proses : Proses hapus data pengujian
Masukan : - Data diambil dari yang telah disimpan dalam database hasil dan template
Keluaran : -Laporan telah terhapus seluruh data.
Keterangan : Hasil laporan yang siap dicetak, bisa langsung di hapus di
menu ini, tahap ini juga dilengkapi pilihan untuk kembali ke
menu awal.
3.1.2 Kamus Data
Kamus data merupakan suatu daftar data elemen yang terorganisir dengan definisi yang tetap
dan sesuai dengan sistem, sehingga user dan analis sistem mempunyai pengertian yang sama tentang input, output, dan komponen data store.
1. Menjelaskan arti aliran data dan penyimpanan dalam DFD.
2. Menguraikan komposisi paket data pada alur data ke dalam alur yang lebih
elementary (kecil) contoh : alamat langganan yang terdiri dari nama jalan, kota dan
kode pos.
3. Menguraikan komposisi paket data dalam data store. Menguraikan komposisi. 4. Menspesifikasikan nilai dan unit informasi dalam alur data dan data store. .
1. Tabel User
Tabel ini berisi username dan password yang telah tersimpan.data yang berada pada tabel ini berasal dari masukan data user. Kamus data untuk daftar pertanyaan diperlihatkan pada Tabel 3.1.
Table 3.1 Tabel User
2. Tabel Hasil
Tabel ini berisi hasil pengujian iris dari 2 buah citra iris yang telah dibandingkan dan
[image:42.595.131.547.506.731.2]mendapatkan hasil. Hasil tersebut yang disimpan pada Tabel 3.2.
Table 3.2 Tabel Hasil
FIELD TIPE KETERANGAN
User_ID Int(10) Daftar nama pengguna
Password Text Kode untuk masuk ke
data pendukung
FIELD TIPE KETERANGAN
ID int Nomor Urut dari File
NmFileIrisUji Text Asal direktori file yang
mau diuji.
FileTitleUji Text Isi dari topik
IDTemplate Int Pertanyaan pertama
NmFileIrisDB Text Asal direktori file
tersimpan
Hasil Text Hasil yang diperoleh dari
pengujian
3. Tabel Template
Tabel berisi semua data solusi yang akan muncul saat sistem melakukan konsultasi
dengan user. Data solusi dirancang dan diberi kode untuk mempermudah pemanggilan solusi yang akan muncul pada tampilan hasil konsultasi. Kamus data untuk daftar solusi
diperlihatkan pada Tabel 3.3.
Tabel 3.3 Tabel Template
NAMA TIPE KETERANGAN
NmFile Text Dari direktori mana file
diambil.
FileTitle Text Kode file citra iris mata
NmFileTemplate Text Di direktori mana hasil
gambar ekstraksi disimpan.
3.1.3 Relasi Antar Entitas
Dari kumpulan tabel yang dibuat, maka dapat dibentuk hubungan relasi antar entitas tersebut
[image:43.595.227.496.482.695.2]dapat dilihat pada Gambar 3.4 berikut ini :
3.1.4 Perancangan Flowchart
Flow chart Sistem Biometrik iris mata dapat dilihat seperti pada Gambar 3.5 dan Gambar 3.6.
3.1.5 Gambaran Umum Sistem
Seperti yang terlihat pada Gambar 3.7 pada penelitian ini penulis hanya memfokuskan pada
perancangan aplikasi pengenalan pola iris manusia, sedangkan dataset citra iris yang
digunakan sudah tersedia tanpa harus merancang sistem akuisisi citra. Sistem pengambilan
citra dilakukan oleh penelitian lain dan pengambilan citra dilakukan oleh penelitian lain dan
[image:45.595.125.475.232.633.2]pengambilan citra diperoleh dari data yang sudah tersedia dan siap diproses.
3.1.6 Perhitungan dari Sistem Pengenalan Citra Iris
Sistem Pengenalan Iris Mata Manusia mempunyai spesifikasi mampu menghitung ciri–ciri
citra query dan membandingkan ciri–ciri tersebut dengan ciri–ciri dalam basis data iris template serta dapat menentukan apakah suatu citra query dikenali atau tidak dikenali. Dalam menghitung ciri–ciri citra query sistem melakukan proses yang sama dengan sistem pengenalan iris yang sudah tersimpan dalam database.
3.1.6.1 Pengolahan Awal
Pengolahan awal dilakukan dengan membaca seluruh pixel citra iris mata untuk mendapatkan nilai piksel. Nilai pixel citra iris berada dibawah data bitmap yang terdiri dari bilangan hexadecimal (0 sampai F). Selanjutnya nilai pixel tersebut diubah ke dalam bilangan biner. Sebagai contoh sebuah citra digital yang akan dienkripsi seperti pada Gambar 4.3.
Gambar 3.8 Data Citra Digital Iris
Sebagai contoh diambil cuplikan citra digital iris pada Gambar 4.3 dengan dimensi 4 x 4
piksel dengan nilai piksel berada di bawah data bitmap seperti pada Gambar 3.8.
Pixel (0,0) = 90B4F1 Pixel (0,1) = 90B4F1 Pixel (0,2) = 93B4F1 Pixel (0,3) = 10B491 Pixel (0,4) = 90E1F1
<Header> <data bitmap>
Pixel (1,0) = 96B491 Pixel (1,1) = 90B411 Pixel (1,2) = 98B491 Pixel (1,3) = 9034F1 Pixel (1,4) = 15D411
Pixel (2,0) = F3B415 Pixel (2,1) = F4B4D1 Pixel (2,2) = 8024F0 Pixel (2,3) = 8946837 Pixel (2,4) = 22C480
Pixel (3,0) = 90B4F1 Pixel (3,1) = 90F4C1 Pixel (3,2) = 90B7F9 Pixel (3,3) = 90B4F1 Pixel (3,4) = 740491
Pixel (4,0) = F3B491 Pixel (4,1) = 9CB6C1 Pixel (4,2) = 96B491 Pixel (4,3) = 96A4FF Pixel (4,4) = C3B425
Dengan nilai piksel di atas adalah:
Pixel (0,0) = 90B4F1 = 1001 0000 1011 0100 1111 0001 Pixel (0,1) = 90B4F1 = 1001 0000 1011 0100 1111 0001 Pixel (0,2) = 93B4F1 = 1001 0000 1011 0100 1111 0001 Pixel (0,3) = 10B491 = 0001 0000 1011 0100 1001 0001
Pixel (1,0) = 96B491 = 1001 0110 1011 0100 1001 0001 Pixel (1,1) = 90B411 = 1001 0000 1011 0100 0001 0001 Pixel (1,2) = 98B491 = 1001 1000 1011 0100 1001 0001 Pixel (1,3) = 9034F1 = 1001 0000 0011 0100 1111 0001 Pixel (1,4) = 15D411 = 1010 1110 1010 0000 1000 1000
Pixel (2,0) = F3B415 = 1111 0011 1011 0100 0001 0101 Pixel (2,1) = F4B4D1 = 1111 0100 1011 0100 1101 0001 Pixel (2,2) = 8024F0 = 1000 0000 0010 0100 1111 0000 Pixel (2,3) = 894683 = 1000 1001 0100 0110 1000 0011 Pixel (2,4) = 22C480 = 1000 1011 0001 0010 0000 0000
Pixel (3,0) = 90B4F1 = 1001 0000 1011 0100 1111 0001 Pixel (3,1) = 90F4C1 = 1001 0000 1111 0100 1100 0001 Pixel (3,2) = 90B7F9 = 1001 0000 1011 0111 1111 1001 Pixel (3,3) = 90B4F1 = 1001 0000 1011 0100 1111 0001 Pixel (3,4) = 740491 = 1110 1000 0000 1001 0010 0001
Pixel (4,2) = 96B491 = 1001 0110 1011 0100 1001 0001 Pixel (4,3) = 96A4FF = 1001 0110 1010 0100 1111 1111 Pixel (4,4) = C3B425 = 1100 0011 1011 0100 0010 0101
3.1.6.2 Segmentasi
Tahap pertama dalam sistem pengenalan iris mata adalah memisahkan daerah iris mata pada
suatu citra mata. Hal ini disebabkan daerah iris mata dipengaruhi bulu mata dan kelopak
mata, inilah penyebab terjadinya noise dalam mengenali pemilik citra iris. Adapun dalam penelitian ini segmentasi dilakukan dengan proses penghalusan (smoothing) yaitu menggunakan Gaussian Filter, Grayscale, Threshold (Binerisasi), dan terakhir dengan deteksi tepi.
3.1.6.2.1 Gaussian Filter
Gaussian Filter secara meluas telah digunakan dalam bidang analisis citra terutama untuk proses penghalusan (smoothing), pengaburan (bluring), menghilangkan detail, dan menghilangkan derau (noise) dan merupakan salah satu proses memperhalus gambar yang dinilai sudah cukup optimal. Proses penghalusan citra dilakukan dengan melakukan
konvolusi citra dengan filter kernel Gaussian seperti pada Tabel 3.4
Tabel 3.4 Matriks Kernel Gaussian 2 D 5 x 5
0.0030 0.0133 0.0219 0.0133 0.0030
0.0133 0.0596 0.0983 0.0596 0.0133
0.0219 0.0983 0.1621 0.0983 0.0219
0.0133 0.0596 0.0983 0.0596 0.0133
0.0030 0.0133 0.0219 0.0133 0.0030
Matriks citra awal dalam heksadesimal dapat dilihat pada Tabel 3.5
Tabel 3.5 Matriks Citra Iris Heksadesimal
90B4F1 90B4F1 93B4F1 10B491 90E1F1
96B491 90B411 98B491 9034F1 15D411
F3B415 F4B4D1 8024F0 8946837 22C480
90B4F1 90F4C1 90B7F9 90B4F1 740491
F3B491 9CB6C1 96B491 96A4FF C3B425
Agar dapat dikonvolusi dengan matriks kernel maka nilai heksadesimal diubah ke dalam
Tabel 3.6 Nilai Heksadesimal Diubah Dalam Desimal
9483505 9483505 9680113 1094801 9495025 9876625 9483281 10007697 9450737 1430545 15971349 16037073 8398064 9876625 2278528 9483505 9499841 9484281 9483505 7603345 15971473 10270401 9876625 9872639 12825637
Hasil konvolusi yaitu perkalian Matriks kernel dengan nilai piksel:
0.0030* 9483505 = 28450,515 0.0133* 9483505 = 126130,6165 0.0219* 9680113 = 211994,4747 0.0133*1094801 = 14560,8533 0.0030*9495025 = 28485,075
0.0133* 9876625 = 129383,7875 0.0596* 9483281 = 554771,9385 0.0983* 10007697 = 965742,7605 0.0596* 9450737 = 552868,1145 0.0133* 1430545 = 18740,1395
0.0219*15971349 = 349772,5431 0.0983* 9483281 = 932206,5223 0.1621* 8398064 = 1361326,1744 0.0983* 9876625 = 970872,2375 0.0219* 2278528 = 49899,7632
0.0133* 9876625 = 131359,1125 0.0596* 9499841 = 566190,5236 0.0983* 9484281 = 932304,8223 0.0596* 9483505 = 565216,898 0.0133* 7603345 = 101124,4885
0.0030* 15971473 = 47914,419 0.0133*10270401 = 136596,3333 0.0219* 9876625 = 216298,0875 0.0133* 9872639 = 131306,0987 0.0030* 12825637 = 38476,911
Berikut adalah hasil dari konvolusi Matriks kernel dengan nilai matriks citra pada tabel 3.7
dari iris mata.
28450,515 129383,7875 349772,5431 131359,1125 47914,419
126130,6165 554771,9385 932206,5223 566190,5236 136596,3333
211994,4747 965742,7605 1361326,1744 932304,8223 216298,0875
14560,8533 552868,1145 970872,2375 565216,898 131306,0987 28485,075 18740,1395 49899,7632 101124,4885 38476,911
Dari perhitungan konvolusi lanjut ke perhitungan RGB, Selanjunya dilakukan perhitungan
nilai RGB dengan rumus:
Nilai R = c and 255...(3.1) Nilai G = (c and 65,280)/256...(3.2) Nilai B = ((c and 16,711,680)/256)/256...(3.3) Dari nilai bitmap di atas dapat dihitung nilai komponen RGB citra dengan menggunakan
persamaan (3.1), (3.2) dan (3.3).
Pixel (0,0):
Nilai R = c and 255
28450 and 255 = 34 Nilai G = (c and 65.280)/256
(28450 and 65.280)/ 256 = 2560/256 = 111 Nilai B = ((c and 16.711.680)/256)/256
((28450 and 16.711.680)/ 256)/256 = 0 Pixel (0,1):
Nilai R = c and 255
126130 and 255 = 178 Nilai G = (c and 65.280)/256
(126130 and 65.280)/ 256 = 236 Nilai B = ((c and 16.711.680)/256)/256
(( 126130 and 16.711.680)/256)/256 = 256 Pixel (0,2):
Nilai R = c and 255
211994 and 255 = 234 Nilai G = (c and 65.280)/256
(211994 and 65.280)/256 = 60 Nilai B = ((c and 16.711.680)/256)/256
((211994 and 16.711.680)/256)/256 = 3 Pixel (0,3):
Nilai R = c and 255
14560 and 255 = 5 Nilai G = (c and 65.280)/256
(14560 and 65.280)/256 = 56 Nilai B = ((c and 16.711.680)/256)/256
((14560 and 16.711.680)/256)/256 = 0
Pixel (0,4):
Nila
