ANALISIS DAN IMPLEMENTASI METODE LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE PADA PENGENALAN IRIS MATA
Sinta Restuti¹, Adiwijawa², Sriyani Violina³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Biometrik berdasarkan iris mata manusia memiliki keunikan yang tinggi dan bisa dijadikan sebagai media keamanan. Selain itu, karena iris berada di dalam mata dan dilindungi oleh kelopak mata, maka pola iris memiliki kekonsistenan dan kestabilan yang sangat lama jika dibanding dengan karakteristik manusia yang lainnya.
Pada Tugas Akhir ini, menganalisa sebuah sistem biometrik berdasarkan iris mata dengan menggabungkan metoda Linear Discriminant Analysis (LDA) sebagai metoda feature extraction dan metoda Support Vector Machine (SVM) sebagai metoda untuk klasifikasi iris mata tersebut. Namun demikian, sistem ini memerlukan preprocessing berupa reduksi dimensi dengan
menggunakan Principal Component Analysis (PCA). Dengan menggunakan metoda-metoda tersebut, sistem yang dibangun dapat mengenali 40 data uji dengan akurasi paling tinggi adalah 100%. Akurasi tertinggi ini dapat dicapai dengan menggunakan parameter PCA, LDA dan SVM yang tepat. Pemilihan besar reduksi eigen value dan eigen vector pada PCA dan LDA tidak terlalu besar dan tidak terlalu kecil, antara 70 sampai dengan 99. Pemilihan fungsi kernel pada SVM yang sesuai dengan jenis persebaran data dan kebutuhan, dalam Tugas Akhir ini menggunakan fungsi kernel Linear, dengan menggunakan nilai parameter C (yang menentukan besar penalty) sebesar 180.
Kata Kunci : Kata kunci : sistem biometrik, iris mata manusia, PCA, LDA, SVM.
Abstract
Biometrics based on human iris has a unique high and can be used as a medium security. In addition, because the iris in the eye and are protected by the eyelids, the iris pattern has the consistency and stability of a very long time if compared with other human characteristics. In this final, analyzing an iris biometric system based on combining the method of Linear
Discriminant Analysis (LDA) as a method of feature extraction and Support Vector Machine (SVM) as method for classification of the iris. However, this system requires preprocessing of dimension reduction using Principal Component Analysis (PCA). By using these methods, a system built able to recognize 40 test data with the highest accuracy was 100%. The highest accuracy can be achieved by using the parameters of the PCA, LDA and SVM appropriate. Selection of eigen values and eigen reduction vector in the PCA and LDA are not too big and not too small, between 70 to 99. Selection of SVM kernel function with the type of data distribution and the need, in this final project using linear kernel function, using parameter values C (which determines the penalty) equal to 180.
Keywords : Keywords : biometric system, human iris, PCA, LDA, SVM.
Powered by TCPDF (www.tcpdf.org)
1
1. Pendahuluan
1.1 Latar Belakang Masalah
Biometrik adalah suatu metoda untuk mengenali manusia berdasar pada satu atau lebih ciri-ciri fisik atau tingkah laku yang unik. Biometrik dapat dilakukan pada
physiological manusia, dapat berupa wajah, sidik jari, telapak tangan, iris mata dan DNA.
Para ahli telah meneliti, bahwa pada kasus anak kembar, masih ada beberapa sidik jari yang sama, tetapi pada iris mata mereka berbeda. Selain itu, pola iris mata pada setiap individu berbeda, sangat stabil (tidak berubah) untuk jangka waktu yang lama dan terlindungi oleh kornea dan aqueous humor. Sehingga iris mata sangat berpotensi dan memiliki keakuratan yang cukup tinggi dalam biometrik. Metoda-metoda yang pernah dipakai dalam pengenalan iris mata ini adalah metoda Wavelet dan Jaringan Syaraf Tiruan
Radial Basis Function, Transformasi Wavelet Daubechis dan Weighted Euclidean Dinstance, Tapis Gabor Wavelet dan Jaringan Syaraf Tiruan Learning Vector Quantization
(LVQ), serta Direct Linear Discriminant Analysis (DLDA) dan Jaringan Syaraf Tiruan
Learning Vector Quantization (LVQ). Pada pengenalan iris mata yang pernah ada ini,
masih terdapat beberapa kelemahan atau kekurangan dikarenakan kekurangan pada metode yang dipakai, yaitu seperti waktu untuk pelatihan yang cukup lama dan local minimum, sehingga harus berkali-kali dilakukan running.
Linear Discriminant Analysis (LDA) adalah salah satu teknik yang sangat populer
dan cukup sederhana untuk menyelesaikan masalah klasifikasi dan feature extraction. LDA ini termasuk ke dalam kategori supervised learning, karena dalam pemakaian LDA ada tahapan pelatihan untuk menemukan parameter model yang diperlukan[9]. Dalam perkembangannya, LDA dapat diterapkan pula dalam pengolahan image. Salah satu kegunaannya adalah untuk proses feature extraction dengan tujuan untuk mendapatkan informasi numerik dari suatu image.
Support Vector Machine (SVM) adalah suatu teknik yang relatif baru (1995) untuk
melakukan prediksi, baik dalam kasus klasifikasi maupun regresi, yang sangat populer belakangan ini. Dimana SVM ini berada dalam kelas supervised—metoda belajar dengan adanya latihan dan pelatih. Baik para ilmuwan maupun praktisi telah banyak menerapkan teknik ini dalam menyelesaikan masalah-masalah nyata dalam kehidupan sehari-hari. Baik dalam masalah gene expression analysis, financial, cuaca hingga di bidang kedokteran. SVM ini terbukti memberi hasil yang lebih baik dari teknik yang lainnya, terutama dalam hal solusi yang dicapai. SVM ini menemukan solusi berupa global optimal sehingga SVM selalu mencapai solusi yang sama untuk setiap running[9]. Tugas Akhir ini menganalisa dan mengimplementasikan metoda Linear Discriminant Analysis (LDA) pada tahap
feature extraction dan Support Vector Machine (SVM) pada tahap klasifikasi dengan studi
kasus pengenalan iris mata.
1.2 Perumusan Masalah
Untuk analisa dan implementasinya, terdapat beberapa masalah yang diselesaikan di Tugas Akhir ini, yaitu sebagai berikut.
1. Bagaimana analisis dan pengimplementasian metoda Principal Component
Analysis (PCA) sebagai pereduksi dimensi, Linear Discriminant Analysis (LDA)
dan Support Vector Machine (SVM) untuk pengenalan iris mata.
2
2. Berapa besar performansi metoda Linear Discriminant Analysis (LDA) dan
Support Vector Machine (SVM) untuk pengenalan iris mata melalui akurasi.
1.3 Batasan Masalah
Adapun batasan-batasan masalah dalam Tugas Akhir ini ialah sebagai berikut. 1. Data yang digunakan (baik data pelatihan maupun data pengujian) yaitu image
mata yang berasal dari database CASIA 1.0 (Chinese Academy of Sciences Institute
of Automation).
2. Inputan sistem adalah image iris mata dalam posisi awal (tidak menangani masalah perotasian image) yang telah mengalami preprocessing dengan menggunakan program Libor Masek, yaitu meliputi tahap segmentasi menggunakan metoda
Hough Transform dan tahap normalisasi menggunakan metoda Daugman’s Rubber Sheet.
1.4 Tujuan
Tujuan dari Tugas Akhir ini adalah sebagai berikut:
1. Menganalisis dan mengimplementasikan metoda Principal Component Analysis (PCA) sebagai pereduksi dimensi, Linear Discriminant Analysis (LDA) sebagai
feature extraction dan Support Vector Machine (SVM) sebagai pengklasifikasi
untuk pengenalan iris mata.
2. Analisis performansi metoda Linear Discriminant Analysis (LDA) dan Support
Vector Machine (SVM) untuk pengenalan iris mata melalui akurasi.
1.5 Metodologi Penyelesaian Masalah
Metodologi yang digunakan dalam memecahkan permasalahan-permasalahan dalam Tugas Akhir ini terdiri dari 6 tahap, yaitu:
1. Tahap Pengumpulan Data dan Studi Literatur
Pada tahap ini, dilakukan pengumpulan data, yaitu database iris CASIA 1.0. Selain itu, pada tahap ini juga dilakukan pendalaman materi terhadap konsep dan teori
Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA) serta
konsep dan teori Support Vector Machine (SVM). Baik melalui konsultasi pada para ahlinya PCA, LDA dan atau SVM, maupun buku-buku, artikel dan pustaka
online.
2. Tahap Perancangan Sistem
Pada tahap ini, dilakukan perancangan arsitektur Principal Component Analysis (PCA) sebagai pereduksi dimensi, Linear Discriminant Analysis (LDA) pada tahap
feature extraction dan perancangan arsitektur Support Vector Machine (SVM) pada
tahap klasifikasi image. 3. Tahap Implementasi
Pada tahap ini, dilakukan pengimplementasian rancangan sistem yang telah dibangun sebelumnya ke dalam pemrograman menjadi sistem pengenalan iris mata.
3
4. Tahap Pengujian Sistem
Pada tahap ini, dilakukan pengujian program yang telah diimplementasikan menggunakan tools Matlab. Pengujian dilakukan dengan menggunakan data uji pada database iris CASIA versi 1.0 yang telah dipersiapkan sebelumnya, sehingga dapat dilihat berapa besar persentase akurasi klasifikasi sistem ini.
5. Tahap Analisis Hasil Pengujian
Pada tahap ini, dilakukan analisa terhadap output dari tahap pengujian, dimana bertujuan untuk mencari parameter pada PCA, LDA dan SVM yang dapat menghasilkan persentase akurasi klasifikasi pengenalan iris mata yang tertinggi. 6. Tahap Pembuatan Laporan
Pada tahap ini, dilakukan penyusunan laporan tugas akhir sesuai dengan ketentuan-ketentuan yang telah ditetapkan oleh institusi, yang berfungsi sebagai dokumentasi apa yang selama ini telah dikerjakan.
1.6 Sistematika Penulisan
Tugas Akhir ini disusun dengan sistematika penulisan sebagai berikut:
BAB I PENDAHULUAN
Bab I ini menguraikan tugas akhir secara umum, antara lain latar belakang masalah, perumusan masalah, batasan masalah, tujuan, metodologi yang digunakan, serta sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini menjelaskan uraian teori yang berhubungan dengan biometrik, iris mata, image, PCA, LDA, dan SVM.
BAB III PERANCANGAN SISTEM
Bab ini berisi analisis kebutuhan sistem dan perancangan pembangunan sistem. Perancangan ini dijadikan acuan untuk tahap implementasi.
BAB IV PENGUJIAN DAN ANALISIS HASIL IMPLEMENTASI
Bab ini membahas mengenai pengijan dan analisis hasil implementasi yang telah dilakukan pada Bab III. Pengujian dilakukan dengan membandingkan hasil implementasi dengan data aslinya. Tahap pengujian dilanjutkan dengan tahap analisis hasil pengujian.
BAB V KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari penulisan Tugas Akhir ini dan sara-saran yang diperlukan untuk pengembangan Tugas Akhir ini lebih lanjut.
Powered by TCPDF (www.tcpdf.org)
44
5. Penutup
5.1 Kesimpulan
Berdasarkan hasil implementasi, pengujian dan analisis yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut:
1. Parameter-parameter yang mempengaruhi performansi sistem pada Tugas Akhir ini, yang dilihat dari hasil akurasinya adalah ukuran reduksi pada PCA, nilai pada parameter C pada SVM, jenis fungsi kernel yang digunakan, dan juga dilakukan
Enhancement atau tidak.
2. Pada Tugas Akhir ini, dengan menggunakan ukuran reduksi pada PCA yang memberikan hasil akurasi terbaik adalah berkisar antara 70-99, dengan jenis fungsi kernel yang digunakan adalah Linear dan nilai parameter C pada SVM sebesar 180, memberikan hasil akurasi sistem menjadi maksimum yaitu bisa mencapai 100% baik saat pelatihan maupun pengujian.
3. Teknik enhancement sangat diperlukan sebagai proses preprocessing untuk meningkatkan akurasi pengenalan iris mata karena proses ini menjadikan cirri dari setiap image menjadi lebih menonjol. Hal ini ditunjukkan dengan kenaikan akurasi sebesar 5%, sehingga dapat mencapai akurasi yang paling maksimal yaitu 100%.
5.2 Saran
Saran yang dapat digunakan untuk perkembangan Tugas Akhir ini selanjutnya:
1. Perlu dilakukan percobaan pada saat klasifikasi menggunakan metode SLU (Satu-Lawan-Satu) pada SVM.
2. Untuk pengembangan Tugas Akhir ini, pada tahap image acquisition dapat dilakukan secara online atau real time menggunakan sutau alat untuk pengambilan image atau kamera.
Powered by TCPDF (www.tcpdf.org)
45
Daftar Pustaka
[1] ________. Perbandingan 3 Metode Iris Scan.
http://budi.insan.co.id/courses/ec7010/2004/agusbr-report.pdf . Diakses pada tanggal 2 Mei 2010.
[2] Belhumeur, Peter N., Joao, Hespanha, P., Kriegman, David J. 1997. Eigenfaces vs Fisherfaces : Recognition Using Class Specific Linear Projection.
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.10.3247&rep=rep1&type=pdf. Diakses pada tanggal 1 Juni 2010.
[3] Bohm, I., Testor, F. Biometrics Systems. University of Linz. Austria.
http://www.bytelabs.org/pub/papers/biometrics04.pdf. Diakses pada tanggal 1 Mei 2010. [4] Gunn, S. 1998. Support Vector Machines for Classification and Regression. ISIS
Technical Report, Image Speech & Intelligent Systems Group University of Southampton.
[5] Iqbal, Muhammad. 2009. Dasar Pengolahan Citra Menggunakan Matlab. Institut
Pertanian Bogor. http://www.creative-instrument.com/dokumen/image.pdf. Diakses pada tanggal 19 Juni 2010.
[6] Iqbal, Razi. 2010. Klasifikasi Jenis Kendaraan Menggunakan Principal Component
Analysis (PCA) dan Learning Vector Quantization (LVQ). Tjokorda Agung B.W., ST.,
MT, Retno Novi Dawayati S.Si., M.T. Tugas Akhir S1 Teknik Informatika, Institut Teknologi Bandung.
[7] Lim, R., Raymond, Gunadi, K. 2002. Face Recognition Menggunakan Metode Linear
Discriminant Analysis (LDA). Universitas Kristen Petra Surabaya.
http://papers.academia.edu/173340/FACE-RECOGNITION-MENGGUNAKAN-METODE. Diakses pada tanggal 1 Mei 2010.
[8] Masek,Libor. 2003. Recognition of Human Iris Patterns for Biometric Identification. Western Australia. The University of Western Australia.
[9] Munir, Renaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung : Informatika.
http://www.informatika.org/~rinaldi/Buku/Pengolahan%20Citra%20Digital/Bab-1_Pengantar%20Pengolahan%20Citra.pdf. Diakses pada tanggal 10 Mei 2010.
[10] Puspitawati, Diah Eni. 2008. Pengenalan Iris Mata dengan Menggunakan Metode
Wavelet dan Jaringan Saraf Tiruan Radial Basis Function. Adiwijaya S.Si., M.Si. Tugas
Akhir S1 Teknik Informatika, Institut Teknologi Telkom Bandung.
[11] Rizal, Achmad. Modul 6 : Analisis Tekstur dan Ekstraksi Ciri.pdf. Departemen Teknik Elektro. Institut Teknologi Telkom Bandung.
[12] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta. Graha Ilmu.
[13] Santosa, Budi. 2007. Data Mining Terapan dengan Matlab. Yogyakarta. Graha Ilmu. [14] Sembiring, Krisantus. 2007. Penerapan Teknik Support Vector Machine untuk
Pendeteksian Intrusi pada Jaringan. Institut Teknologi Bandung. [15] Smith, Lindsay I. 2002. A Tutorial on Principal Components Analysis.
http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf. Diakses tanggal 10 Mei 2010.
[16] Sukmana, Indriani. 2008. Analisis dan Implementasi Direct Linear Discriminant Analysis (DLDA) dan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) pada
Pengenalan Iris Mata Manusia. Retno Novi Dawayati S.Si., M.T, Adiwijaya S.Si., M.Si. Tugas Akhir S1 Teknik Informatika, IT Telkom Bandung.
46
[17] Wijaya, Marvin Ch. dan Agus Prijono. Pengolahan Citra Digital Menggunakan Matlab. 2007. Informatika: Bandung.
[18] Woodward, John D., Horn, Christopher, Jr., Gatune, J., Thomas, A. 2003. Biometrics A Look at Facial Recognition. Virginia State Crime Commission. Santa Monica.
http://www.rand.org/pubs/documented_briefings/DB396/DB396.pdf. Diakses pada tanggal 20 Juni 2010.
Powered by TCPDF (www.tcpdf.org)
