IRIS RECOGNITION USING FUZZY SUPPORT VECTOR
MACHINE (FSVM) WITH SEVERAL KERNELS
AGUS KURNIAWAN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2008
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Iris Recognition Using Fuzzy Support Vector Machine (FSVM) With Several Kernels adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor, September 2008 Agus Kurniawan NRP G651060074
ABSTRACT
AGUS KURNIAWAN. Iris Recognition Using Fuzzy Support Vector Machine
(FSVM) With Several Kernels. Under direction of SRI NURDIATI and IRMAN
HERMADI.
The authentication of people using iris-based recognition is a widely developing technology. Iris recognition can be used in differentiating identical twins. It is possible because iris has a unique structure. In this research, an iris recognition system using Fuzzy Support Vector Machine (FSVM) was proposed. Using the decision functions obtained by training the FSVM, for each class, a truncated polyhedral pyramidal membership function could be defined. The performance of the proposed iris recognition system was analyzed using CASIA database 3.0. The original images were non-ideal and thus required a sequence of pre-processing steps prior to application of encoding method. Experimental results show that the iris recognition method proposed has a recognition rate about 90.75%.
RINGKASAN
AGUS KURNIAWAN. Pengenalan Iris Dengan Fuzzy Support Vector Machine (FSVM) Dengan Beberapa Kernel. Dibimbing oleh SRI NURDIATI dan IRMAN HERMADI.
Authentikasi dengan menggunakan salah satu bagian tubuh manusia akhir-akhir ini mengalami perkembangan yang pesat. Salah satunya authentikasi dengan menggunakan bagian tubuh manusia adalah iris yaitu selaput pelangi pada mata. Iris setiap orang mempunyai pola yang berbeda-beda. Hal ini dapat dimungkinkan karena iris mempunyai struktur yang unik.
Penelitian ini bertujuan untuk membuat sistem yang dapat mengenali iris dengan memanfaatkan metode Fuzzy Support Vector Machine (FSVM) dengan menggunakan FSVM kernel yaitu RBF, POLY, and SIGMOID. Fungsi keputusan FSVM didapatkan dari hasil training FSVM untuk masing-masing kelas dengan model fungsi keanggotaan truncated polyhedral pyramida. Metode FSVM mempunyai kelebihan dalam melakukan klasifikasi data yang tidak dikenali pada metode SVM konvensional.
Untuk menguji sistem pengenalan iris ini digunakan data sekunder yaitu database iris CASIA versi 3.0. Data ini berasal dari Center for Biometrics and Security Research National Laboratory of Pattern Recognition Institute of Automation, Chinese Academy of Sciences Beijing, China. Pada database CASIA versi 3.0 ada tiga macam database yaitu CASIA-Interval dengan total data 2655, CASIA-Lamp dengan total data 16213, dan CASIA-Twins dengan total data 3183 sehingga total keseluruhan data database CASIA 3.0 sebanyak 22051. Pada penelitian ini data yang digunakan adalah CASIA-Interval dan CASIA-Twins.
Sistem pengenalan iris yang dibangun pada penelitian ini mempunyai empat proses. Yang pertama yaitu iris localization yang bertujuan untuk menemukan lokasi iris dari suatu citra. Metode yang digunakan dalam iris localization adalah Canny edge detection dan Hough transform yaitu line Hough transform dan circle Hough transform. Proses kedua adalah normalization yang diharapkan data yang masuk ke sistem mempunyai interval data yang sama. Metode yang digunakan pada normalization yaitu rubber sheet dengan mengubah citra iris yang berbentuk polar menjadi bentuk kartesian. Proses ketiga adalah feature extraction yang bertujuan untuk mengekstraksi inti data dari suatu citra. Feature extraction dari citra iris memanfaatkan 2D wavelet packet transform (WPT) dengan model quadtree. Hasil proses 2D WPT quadtree diperoleh 85 data yang selanjutnya dihitung entropy energy dengan formula Shannon. Sedangkan proses terakhir yaitu classification dan identification yang memanfaatkan metode FSVM. Data entropy energy ini dijadikan sebagai input FSVM. Tidak semua dari 85 data digunakan sebagai input FSVM karena akan membuat sistem menjadi overfitting. Dari hasil eksperimen dipilih empat input dari 85 data sebagai data input pada FSVM.
Hasil pengujian pada sistem pengenalan iris menunjukkan bahwa pada proses iris localization didapatkan akurasi 92.84% dengan database CASIA-Interval dan 75.49% pada CASIA-Twins. Sedangkan untuk klasifikasi dan identifikasi diperoleh bahwa sistem mempunyai akurasi 90.75% dengan FSVM RBF kernel pada database CASIA-Interval dan akurasi 83.85% dengan FSVM RBF kernel pada database CASIA-Twins.
@ Hak Cipta milik IPB, tahun 2008
Hak cipta dilindungi Undang-undang
1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber
a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah
b. Pengutipan tidak merugikan kepentingan yang wajar IPB
2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB
IRIS RECOGNITION USING FUZZY SUPPORT VECTOR
MACHINE (FSVM) WITH SEVERAL KERNELS
AGUS KURNIAWAN
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada
Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2008
Judul Tesis : Iris Recognition Using Fuzzy Support Vector Machine With Several Kernels
Nama : Agus Kurniawan NRP : G651060074
Disetujui, Komisi Pembimbing
Dr.Ir. Sri Nurdiati, M.Sc. Irman Hermadi, S.Kom,M.S. Ketua Anggota
Diketahui,
Ketua Program Studi Dekan Sekolah Pascasarjana
Ilmu Komputer
Dr. Sugi Guritman Prof. Dr. Ir. Khairil A. Notodiputro, M.S.
Tanggal Ujian: 30 Agustus 2008 Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala petunjuk dan lindungan-Nya sehingga tesis dengan judul Iris Recognition Using Fuzzy Support Vector Machine (FSVM) With Several Kernels ini dapat diselesaikan dengan baik.
Terima kasih penulis ucapkan kepada Ibu Dr.Ir. Sri Nurdiati, M.Sc dan Bapak Irman Hermadi, S.Kom,M.S. selaku komisi pembimbing. Tak lupa penulis sampaikan penghargaan atas segala kerjasama dan dukungan dari Bapak Ruchyan, staf administrasi Program Magister Ilmu Komputer Departemen Ilmu Komputer IPB dan Center for Biometrics and Security Research National Laboratory of Pattern Recognition Institute of Automation, Chinese Academy of Sciences Beijing yang telah membantu dengan menyediakan database citra iris. Akhirnya ucapan terima kasih yang tak terkira penulis berikan kepada ayah, ibu, isteri dan dua anakku yang tercinta atas segala pengorbanannya untuk mendukung penulis menyelesaikan studi sehingga untuk merekalah tesis ini penulis persembahkan.
Semoga karya ilmiah ini dapat bermanfaat bagi kemajuan ilmu pengetahuan dan teknologi di masa mendatang.
Bogor, September 2008
RIWAYAT HIDUP
Penulis dilahirkan di Surabaya pada tanggal 13 Agustus 1977 dari ayah Didi Supriyadi dan ibu Yoyom Maryam. Penulis merupakan putra kelima dari lima bersaudara.
Tahun 1996 penulis lulus dari SMAN 6 Surabaya, Jawa Timur dan melanjutkan pendidikannya di jurusan Teknik Elektro-Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya.
Saat ini penulis telah menikah dengan Ela Juwitasari, S.Pd. dan dikaruniai dua anak yang bernama Muhammad Thariq Akbar dan Zahra Zhafirah Fathinah. Hingga tesis ini dibuat penulis tercatat sebagai salah satu seorang konsultan di Hewlett-Packard. Pada tahun 2004 hingga saat tesis ini ditulis mendapatkan penghargaan dari Microsoft sebagai Microsoft Most Valuable Professional (MVP) karena pengabdiannya untuk membangun komunitas Microsoft Developer di Indonesia.
IRIS RECOGNITION USING FUZZY SUPPORT VECTOR MACHINE
(FSVM) WITH SEVERAL KERNELS
AGUS KURNIAWAN
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2008
i TABLE OF CONTENTS Page TABLE OF CONTENTS ... i FIGURE ... iii TABLE ... iv I. INTRODUCTION ... 1 1.1 Background ... 1 1.2 Objective ... 3 1.3 Scope of Problem ... 3 1.4 Scope of Research ... 3
II. THEORETICAL BACKGROUND ... 4
2.1 Canny Edge Detection ... 4
2.2 Hough Transform ... 6
2.2.1 Line Hough Transform ... 6
2.2.3 Circle Hough Transform ... 7
2.3 Fuzzy Sets ... 7
2.3.1 Definition ... 7
2.4 Support Vector Machine (SVM) ... 7
2.4.1 Support Vector Classification for Linear Problem ... 8
2.4.2 Support Vector Classification for Non-Linear Problem ... 8
2.4.3 SVM Kernels ... 9
2.5 Fuzzy Support Vector Machine (FSVM) ... 9
2.6 Wavelet Transform ... 10
ii
III. METHODOLOGY ... 11
3.1 Research Design for Iris Recognition System ... 11
3.1.1 Iris Image Source ... 11
3.1.2 Iris Localization ... 12
3.1.3 Normalization ... 15
3.1.4 Feature Extraction ... 17
3.1.5 Fuzzy Support Vector Machine ... 18
3.1.6 Implementation ... 19
IV. EXPERIMENTAL RESULTS ... 20
4.1 Training and Testing Data ... 20
4.2 Iris Identification ... 21 V. CONCLUSION ... 26 5.1 Summary ... 26 5.2 Future Work ... 26 REFERENCES ... 28 APPENDIX ... 30
A. Detailed Experimental Results for CASIA-IrisV3-Interval ... 30
iii
FIGURE
Page
1. Texture of right eye. ... 1
2. Discrete approximation to Gaussian function with 𝜍 = 1.4 [9] ... 4
3. Sobel operator ... 5
4. Sample of edge direction ... 5
5. Iris recognition system. ... 11
6. Inner and outer boundaries of iris. ... 13
7. Iris localization system. ... 13
8. Canny edge detection is applied in outer iris boundary detection. ... 13
9. Outer iris boundary detection. ... 14
10. Canny edge detection on iris image for inner iris boundary detection. ... 14
11. Inner iris boundary detection. ... 14
12. Iris region segmentation. ... 15
13. Normalization of iris. ... 15
14. The sample of normalization. ... 16
15. Wavelet decomposition of an image into four images. ... 17
16. Wavelet decomposition. ... 17
17. WPT quadtree... 18
18. Effective area ratio for experimental data. ... 20
19a. Experimental result with RBF FSVM kernel ... 22
19b. Experimental result with POLY FSVM kernel ... 23
19c. Experimental result with SIGMOID FSVM kernel ... 23
19d. Experimental result with FSVM kernel comparison ... 23
20a. Experimental result with RBF FSVM kernel ... 24
20b. Experimental result with POLY FSVM kernel ... 24
20c. Experimental result with SIGMOID FSVM kernel ... 25
iv
TABLE
Page
1. Characteristic of the iris image data ... 12
2. Result of iris localization. ... 20
3. EAR of eye images... 21
4. Features of benchmark data. ... 21
5. Feature of FSVM. ... 22
6. Experimental result with RBF kernel for CASIA-IrisV3-Interval. ... 30
7. Experimental result with Poly kernel for CASIA-IrisV3-Interval. ... 30
8. Experimental result with Sigmoid kernel for CASIA-IrisV3-Interval. ... 31
9. Experimental result with RBF kernel for CASIA-IrisV3-Twins. ... 32
10. Experimental result with Poly kernel for CASIA-IrisV3-Twins. ... 32
