Analisis dan Simulasi Pencocokan Pola pada Biometrik Iris dengan Menggunakan Algoritma Incremental Dissimilarity Approximation

Analisis dan Simulasi Pencocokan Pola pada Biometrik Iris dengan Menggunakan Algoritma Incremental Dissimilarity Approximation Mayendra Leaz, Dadang Gunawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Indonesia [email protected], [email protected]

Abstrak Suatu sistem biometrik sangat penting untuk identifikasi dan verifikasi suatu individu dengan berbagai tujuan. Biometrik iris merupakan salah satu tipe biometrik dengan tingkat akurasi yang tinggi tetapi banyak pemakaian memori. Tahap pencocokan merupakan salah satu bagian dari sistem biometik iris yang memakai banyak memori sehingga berpengaruh pada waktu proses. Dalam skripsi ini, akan disimulasikan algoritma Incremental Dissimilarity Approximation (IDA) yang akan dibandinkan dengan algoritma vector quantization (VQ). IDA merupakan algoritma pencocokan cepat berdasarkan ketidaksamaan fungsi norm Lp dimana akan menjadi syarat untuk batas pencarian pencocokan. Hasil simulasi menunjukkan bahwa IDA tidak cocok untuk diaplikasikan pada sistem biometrik iris. Performa yang ditunjukkan sama dengan VQ karena variasi vektor pada citra iris masih memenuhi batas pada algoritma IDA. Namun, secara eksperimental telah didapat nilai batas yang optimal untuk sistem biometrik iris sehingga mempersingkat waktu proses. Kode untuk algoritma VQ dan IDA dikembangkan dengan program MATLAB.

Analysis and Simulation of Pattern Matching on Iris Biometric with Incremental Dissimilarity Approximation Algorithm Abstract A biometric system is really important for identification and verification of a person for a lot of purposes. . Biometric iris is one of biometric types that has high accuracy but use lot of memory. The pattern matching is part of iris biometric system that required a lot of memory that affect to the time process. In this paper, Incremental Dissimilarity Approximation (IDA) algorithm will be simulated and compared with vector quantization (VQ) algorithm. IDA is a fast pattern matching based on dissimilarity functions derived from Lp norm for becoming the bounding criterion of pattern matching. The simulation result show that IDA is not suitable to implement for iris biometric system. It has the same performance as VQ because the variety of the vector still satisfy the bounding criterion. However, the experiment has determined the optimal bound for pattern matching in iris biometric system that decrease the time process. The code for VQ and IDA are developed with MATLAB. Keyword: IDA; pattern matching; vector quantization

Pendahuluan `

Biometrik berasal dari bahasa Yunani yaitu bio dan metrics. Bios berarti hidup dan metron berarti mengukur sehingga biometrik adalah merupakan suatu studi tentang metode untuk mengenali suatu makhluk hidup[1]. Metode biometrik melalui iris digunakan dimana tingkat akurasi dari metode ini sangat tinggi karena pola iris mata sangat unik dan acak[5]. Selain itu tingkat keamanannya tinggi karena untuk menggandakan iris mata sangat sulit dilakukan dan

Analisis dan simulasi…, Mayendra Leaz, FT UI, 2013

hanya bisa dilakukan oleh orang yang masih hidup karena mata orang yang meninggal akan dengan mudah membusuk. Walaupun ada kekurangan pada metode ini dimana mahal dan membutuhkan banyak penyimpanan data, metode biometrik ini mulai banyak yang menggunakan. Citra iris digunakan dengan dasar pemikiran bahwa pola yang dihasilkan oleh citra iris merupakan pola dengan tingkat keacakan yang sangat tinggi (high degrees of freedom) dan tidak ada hubungannya dengan faktor genetik sehingga iris dapat digunakan untuk mengidentifikasi seseorang. Sistem biometrik ini melewati empat tahapan proses, yaitu kuantisasi, normalisasi, pengkodean, dan pencocokan[3]. Pencocokan atau pattern matching merupakan tahap akhir yang menentukan identitas suatu objek apakah sama dengan yang ada pada database atau tidak. Pada tahap pencocokan mempunyai kendala dimana membutuhkan waktu proses yang lama jika berhadapan dengan basisdata yang banyak. Salah satu algoritma yang banyak dipakai dalam pencocokan adalah vektor kuantisasi dan menggunakan hamming distance[16]. Namun dalam implementasinya, kedua algoritma ini akan mencocokan data dalam codeword dengan codebook secara acak (bruteforce) sehingga proses pencocokan akan memakan banyak waktu dan memori. Algoritma pencocokan lainnya juga sudah diimpelementasikan pada biometrik iris seperti dengan menggunakan Hidden Markov[18], dan Adaptive Neuro-Fuzzy Inteference[19]. Namun kedua algoritma ini lebih bertujuan untuk meningkatkan reliabilitas dari suatu sistem biometrik. Algoritma dengan tujuan untuk mempercepat waktu proses telah dilakukan dengan Principle Component Analysis (PCA), dan Independent Component Analysis[12][20]. Incremental Dissimilarity Approximation (IDA) merupakan metode pencocokan cepat untuk meningkatkan waktu proses. Metode ini menggunakan teorema

ketidaksamaan segitiga

dengan norm Lp dimana diharapkan proses pencocokan tersebut akan semakin cepat dan mengurangi pemakaian memori. Dibandingkan dengan metode pencocokan cepat yang lainnya, IDA mempunyai keunggulan dalam kesederhanaan dan kecepatannya dalam melakukan pencocokan karena tidak perlu menggunakan banyak transformasi[6]. IDA mampu menyingkat proses pencarian gambar dari suatu basis data dengan suatu nilai batas. IDA belum dicoba dalam suatu sistem biometrik namun seharusnya mampu memberikan


performa yang tidak jauh berbeda karena dalam implementasinya hanya mempunya perbedaan pada besar ukuran antara citra yang diuji dengan citra pada basisdata. Incremental Dissimilarity Approximation Dalam algoritma IDA, secara umum menggunakan syarat triangular inequality pada Lp norm suatu vektor. Pada bagian ini akan dijelaskan mengenai bagian-bagian tersebut. A. Norm Lp Norm Lp dari sebuah vektor X = [x1, … , xM]T berdimensi M didefinisikan sebagai: ! !

!

!

!

|!! |!

= !!!

(1) Dimana nilai p merupakan nilai real positif. Jika suatu template vektor X dan Y1, … , YN dengan kandidat N terhadap dengan siapa X dipasangkan, setiap vektor kandidat mempunyai cardianality yang sama dengan template vektor. Suatu fungsi umum berdasarkan norm Lp untuk mengukur ketidaksamaan antara X dan Yj dapat ditulis sebagai: ! − !!

! !

=

! !!!

!! − !!,!

!

(2)

Jika nilai p=1 maka akan memenuh fungsi SAD (Sum Of Absolute Difference), sedangkan p=2 akan memenuhi fungsi SSD (Sum of Squared Difference). B. Algoritma Incremental Dissmilarity Approximation Pada bagian ini akan dijelaskan metode pattern matching pada domain sinyal yang disebut dengan Incremental Dissimilarity Approximation (IDA) yang bertujuan untuk mempercepat proses berdasarkan norm Lp. IDA bergantung pada pembagian template vektor X dan setiap kandidat vektor Y menjadi beberapa subvektor untuk menentukan batas kondisi sehingga memperingan perhitungan dan meningkatkan efisiensi.[6] Suatu vektor berdimensi M dibagi menjadi disjoint subvektor r yang didefinisikan oleh P dari sejumlah S = {1,2,…M} !! = !! , !! … !! , ! ∈ ! ! !!! !! = ! !! ∩ !! = ∅, ∀! ≠ !, !, ! ∈ 1,2, … !


(3)

Suatu P, jika didefinisikan suatu norm Lp X, Yj terbatas dari subvektor asosiasi St ∈ P sebagai !

!

!,!!

=

!∈!!

!!

! !

(4) !

!!

!,!!

=

! !

!∈!!

!!,!

=

!∈!!

(5)

Sehingga ketidaksamaan antara X dan Yj ! − !!

! !,!!

!! − !!,!

!

(6)

Kemudian dengan melakukan prinsip triangular inequality pada subvektor r: ! − !!

! !,!!

≥

!

!,!!

− !!

! !!

, ! = 1, … !

(7)

Dengan menjumlahkan setiap ketidaksamaan pada vektor X dan Yj maka dapat dihasilkan nilai batas-batas bawah dan batas atas. !

! − !!

! !

≥

! !!!

!

!,!!

− !!

!,!!

(8)

Ketidaksamaan pada persamaan tersebut akan memberikan kondisi batas untuk mengelminasi vektor kandidat yang tidak merepresentasikan kondisi matching. Jika batas bawah dari fungsi ketidaksamaan melebihi nilai batas D yang membedakan antara kondisi matching dan nonmatching ! ! !!!

!

!,!!

− !!

!,!!

>!

(9)

Umumnya algoritma ini digunakan untuk mencari suatu pola citra X dengan ukuran N1xN2 ke dalam suatu citra Y dengan ukuran M1xM2 dimana M>N. Citra Y akan dibagi-bagi kedalam beberapa candidate window. Citra X akan melakukan pencocokan dengan setiap candidate window untuk menemukan matched window. Dalam melakukan pencocokan, citra X akan selalu dilakukan pergeseran untuk menemukan nilai pencocokan yang paling baik. Dalam tahap inilah algoritma IDA akan dilakukan untuk membatasi daerah pencarian dan mempersingkat waktu. Ilustrasi seperti pada Gambar 1.


Gambar 1. Pencocokan pola[14]

Perancangan Simulasi A. Blog Diagram Simulasi Perancangan simulasi terdiri dari 4 bagian yaitu, akusisi citra, segmentasi, normalisasi, dan pencocokan. Gambar 2 menunjukkan model blok diagram simulasi yang diajukan:

Mulai

Selesai

Akusisi Citra

Pra Processing (Grayscale, Median Filter)

Segmentasi (Canny Edge)

Perhitungan Waktu Proses dan Autentikasi

Pencocokan (VQ dan IDA)

Normalisasi dan Ekstraksi (Transformasi Hough)

Gambar 2. Blok Diagram Perancangan Simulasi

B. Akusisi Citra Citra yang didapat berasal dari CASIA dan Phoenix. Data tersebut memiliki ukuran yang berbeda–beda sehingga perlu diolah terlebih dahulu. Data dari CASIA berupa citra grayscale dengan ukuran 320 x 280 dan data dari Phoenix berukuran 768 x 576 yang akan dioleh dengan cara crop dan resize menjadi ukuran 200 x 200. Pengambilan citra diatur sedemikian rupa sehingga titik pusat citra dapat berada di dalam area pupil. Ukuran ini dipilih agar memudahkan pengolahan citra lebih lanjut dalam tahap berikutnya. Citra tersebut disimpan sesuai dengan ekstensi aslinya


C. Pre Processing Pra proses dilakukan terhadap data dari proses akusisi. Tahap-tahap tersebut terdiri dari dari grayscale, contrast, dan filter median. 1)

Grayscale: Pada tahap ini bertujuan untuk mengubah citra yang akan diolah menjadi

citra dalam bentuk abu-abu. Hal ini dikarenakan dalam biometrik iris yang terpenting adalah deteksi pola dibandingkan warna. Citra yang mempunyai batas keabuan, hanya diperlukan nilai intensitas untuk tiap piksel sebagai nilai tunggal, sedangkan pada citra berwarna perlu tiga nilai intensitas untuk tiap pikselnya, sehingga citra beraras keabuan membutuhkan ruang memori dan waktu pengolahan yang lebih sedikit daripada citra berwarna (RGB). 2)

Contrast: Citra yang sudah grayscale diberikan operasi contrast untuk memperbaiki

agar lebih jelas. Citra ditingkatkan nilai kontrasnya dengan mengubah nilai intensitasnya dengan equalisasi histogram. 3)

Filter Median: Median filter umumnya digunakan untuk mengurangi noise suatu

citra. Salah satu operasi nonlinear neighborhood yang bisa dilakukan untuk mengurangi noise yang bisa mendeteksi tepi lebih baik dari filter smoothing adalah median filter. Ukuran jendela filter akan mempengaruhi detail tepian yang terdeteksi. Pada pengujiannya akan digunakan ukuran jendela filter 2x2, 3x3, 4x4, 5x5, 6x6, 7x7, 8x8. Akan tetapi, jendela filter 2x2 dipilih karena masih menghasilkan informasi tepian iris yang masih jelas D. Segmentasi Segmentasi merupakan proses untuk mengisolasi daerah iris yang sebenarnya dalam citra mata digital. Daerah iris dapat dibatasi oleh dua lingkaran, lingkaran pertama berada antara sclera dan iris, dan lingkaran kedua berada diantara iris dan pupil. Dalam proses segmentasi, metode yang dipakai adalah Canny Edge Detection. Canny edge detection adalah sebuah proses pendeteksian tepi yang mempergunakan dua proses pengolahan citra menggunakan Gaussian filter dan deteksi tepi mengguankan operator gradient pertama Sobel.Proses threholding merupakan proses terakhir pada Canny Edge Detection. Hal ini dilakukan untuk menentukan piksel mana yang benar-benar merupkana piksel tepi. Proses ini menggunakan dua buah nilai threshold. Nilai ambang yang dipilih untuk deteksi ini adalah 0,1, karena nilai ambang yang terlalu tinggi akan menyebabkan banyak tepian yang hilang. Threshold pertama (T1) disebut threshold tinggi dan threshold kedua (T2) disebut threshold rendah dimana nilai T1>T2. Nilai piksel yang lebih besar dari T1 dianggap sebagai tepian diberi nilai 1. Piksel yang memilki nilai lebih kecil dari T1 namun lebih besar dari T2 dan bertetangga dengan piksel yang


memiliki nilai lebih besaru dari T1 juga dianggap sebagai tepian diberi nilai 1. Selain itu, piksel tersebut diberi nilai 0. E. Normalisasi dan ekstraksi ciri Model yang digunakan untuk normalisasi adalah model Daugman’s Rubber Sheet. Model ini bertujuan untuk menormalisasi citra iris yang sebelumnya berbentuk lingkaran menjadi bentuk persegi panjang. Secara matematisnya, memetakan kembali setiap titik dalam iris ke dalam sepasang koordinat polar (r,!) dimana r, dalam interval [0,1] dan ! dalam interval sudut [0, 2!]. Proses ini seprti terlihat pada Gambar 3

Gambar 3. Model Daugman’s Rubber Sheet[3]

Pemetaan tersebut dapat dilakukan dengan menggunakan persamaan: I (x (r, !), y (r, )) à I (r, !)

(10)

x (r ,!) = (1 – r) xp ( !) + rxl (!)

(11)

y (r ,!) = (1 – r) yp ( !) + ryl (!)

(12)

Dengan

Dimana I(x,y) merupakan citra iris, (x,y) koordinat asli kartesian, (r, !) koordinat polar tenormalisasi, dan xp, yp dan xl, rl merupakan kooordinat dari pupil dan batas iris sepanjang arah !. Dengan cara ini, citra iris dapat dimodelkan seperti lembaran karet (rubber sheet) fleksibel yang dibatasi dngan pusat pupil sebagai acuan. Proses ini mengubah citra dari radial menjadi rectangular.

Data citra yang sebelumnya

berukuran 200 x 200 diubah menjadi citra rectangular dengan ukuran 60 x 451. Prosesnya dapat terlihat pada Gambar 4

Gambar 4 Normalisasi


F. Pencocokan Merupakan tahap akhir dari dimana akan dilakukan pencocokan antara codeword yang telah terbentuk dengan codebook yang ada. Proses dari tahap ni dapat dilihat pada flowchart. Dalam simulasi yang diajukan, algoritma yang dipakai adalah VQ dan IDA yang hasilnya akan dibandingkan Implementasi pada algoritma IDA, citra input mempunyai ukuran yang sama dengan citra basisdata. Jika citra input merupakan vektor X dengan ukuran N1 x N1 maka citra basisdata merupakan vektor Y dengan ukuran N1 x N1 juga. Kemudian akan dicari semua nilai komponen norm Lp setiap pergeseran piksel. Ilustrasi dapat dilihat pada Gambar 5, dimana citra input dan basisdata sama-sama berukuran sama yaitu 60 x 450 piksel.

Gambar 5. Pencocokan antar Pixel

Gambar 6 menunjukkan citra uji yang telah dilakukan pergeseran sebesar 100 piksel. Pergeseran ini dilakukan karena posisi mata yang tidak konsisten. Dalam vektor kuantisasi, pergeseran dilakukan pada seluruh daerah dari iris. Karena panjang citra iris ini 450 piksel, maka akan dilakukan pergeseran sebesar 450 kali. Untuk algoritma IDA, pergeseran piksel bergantung dari syarat pembatasan pada algoritmanya. Secara umum, algoritma bisa dilihat dalam diagram alir pada Gambar 7 Geser 100 Piksel

Gambar 6. Pergeseran Piksel


tidak Mulai

Cari nilai norm Lp X dan norm Lp Y

Bandingkan X dan Y. Cari nilai norm Lp (X-‐Y)

Memenuhi batas IDA?

Selesai

ya

Geser piksel

Gambar 7. Diagram Alir IDA

Hasil Simulasi Dan Analisis Simulasi dilakukan terhadap citra bersumber dari yang telah disebutkan dalam bab 3. Citra yang akan diuji berjumlah 93 dimana terdapat 30 pasang citra yang merupakan dari objek yang sama dengan waktu pengambilan yang berbeda. Hasil dari simulasi akan ditinjau dari 3 aspek yaitu jumlah pergeseran piksel, waktu proses, dan tingkat akurasi sistem. A. Pergeseran Piksel Dalam proses matching antara citra yang akan diuji dengan citra pada database akan dilakukan pergeseran piksel untuk

mencari nilai Euclidean Distance mana yang paling

mendekati. Pergeseran piksel ini dilakukan karena posisi iris yang tidak konsisten pada berbagai waktu. Setelah pergeseran data, akan dilakukan verifikasi citra yang telah diuji lulus tes apa tidaknya dengan cara pengambilan nilai maksimal dari pergeseran. Metode pergeseran piksel ini dilakukan dengan 3 cara yaitu, Vektor Kuantisasi, IDA, dan eksperimental. Metode eksperimental yaitu penentuan batas pergeseran piksel secara iterasi untuk mencari nilai yang optimum. Simulasi telah diuji dengan ketiga metode tersebut dan didapatkan hasilnya. Metode vektor kuantisasi tentu saja akan menggeser data sejumlah data yang ada dan dalam citra uji ini maka metode ini akan menggeser sebanyak 451 piksel (ukuran 451x60). Untuk metode IDA, dalam pengujiannya diharapkan ada suatu titik dimana pergeseran piksel tersebut akan berhenti ketika tidak memenuhi kondisi batas algoritma IDA. Namun dalam pengujiannya tidak terjadi penghentian dan tetap melakukan pergeseran sampai dengan batas maksimal.. Seperti pada Gambar 8 terlihat untuk file iris12.bmp dan iris9.bmp dengan kedua metode sama

jumlah pergeseran pikselnya. Sumbu positif menandakan

pergeseran ke piksel ke kanan, sedangkan sumbu negatif menunjukkan pergeseran piksel ke kiri. Dimana pada nilai 225 merupakan titik temu pergeseran tersebut.


(a)

(b) Gambar 8. (a) Dengan metode VQ (b) Dengan menggunakan IDA

Perhatikan pada Gambar 9 nilai-nilai dari pergeseran piksel dari 1 sampai dengan 451 terhadap nilai dari komponen Lp norm. IDA akan berlaku sesuai dengan syarat pada !

persamaan (8). Pada gambar nilai dari komponen

!

!,!!

− !!

!,!!

tetap pada

nilai 6066.864 karena nilainya tidak berubah walaupun mengalami pergeseran piksel. Untuk komponen

! − !!

! !

mempunyai nilai berubah-ubah karena dipengaruhi oleh pergeseran

piksel. Walaupun nilai ini berubah-ubah tetapi tidak memenuhi syarat pada persamaan (8) sehingga tidak terjadi pembatasan pada saat pergeseran piksel. Jadi bisa dikatakan dalam sistem biometrik, data yang dilakukan untuk pengujian tidak memiliki variasi data yang cukup besar sehingga vektor-vektornya tidak memenuhi batas algoritma IDA.


Gambar 9. Nilai Pergeseran piksel terhadap komponen norm Lp

Pada metode eksperimental, penentuan nilai pergeseran dilakukan melalui berbagai itierasi. Metode iterasi dibagi menjadi dua. Pertama, mencari kesimpulan dari grafik pergeseran dari citra uji dan citra database dengan iris yang sama (objek sama, pengambilan berbeda) untuk melihat dimana posisi maksimal. Dimana metode pertama ini seharusnya sistem

akan

menentukan lulus verifikasi, Metode kedua, juga mencari kesimpulan dari pergeseran citra uji dan citra database namun keduanya merupakan citra iris dari objek yang berbeda sehingga dalam sistem akan menentukan tidak lulus verifikasi, Metode pertama telah dilakukan pada berbagai citra. Pada Gambar 10 hanya merupakan iterasi dari 5 citra saja yang dilampirkan. Jika diperhatikan lebih lanjut, nilai maksimal berada dalam pergeseran 1 sampai dengan 10 piksel. Kemudian bentuk dari histogram seperti distribusi normal, dimana nilai

maksimal berada di sekitar tengah. Semakin jauh atau

semakin banyak pergeran piksel dari pusat nilai kemiripan akan semakin turun. Mengacu pada Tabel 1, didapat hasil pengukuran dengan pergeseran piksel 5, 8, 10, dan 225. Dari 30 hasil simulasi didapat 26 data yang mempunyai nilai kecocokan maksimal pada pergeseran 10 piksel dibandingkan dengan pergeseran 5, 8, atau 225 piksel. Jadi bisa diambil kesimpulan bahwa jumlah pergeseran untuk metode pertama yang paling optimal adalah 10 piksel. Pergeseran lebih dari itu tidak efisien karena nilai tingkat kecocokan pasti akan mengalami penurunan.

Berurut dari Gambar 10(a) sampai 10(e) mempunyai nilai

pencocokan maksimal sebesar 84,98% , 92% , 79,09% , 88,34% , dan 72.9%.


Tabel 1. Nilai Kecocokan Citra pada Objek yang Sama dengan berbagai Pergeseran Piksel

No

Citra Uji

Citra Basis data

1

001L_1.png

2

Nilai Kecocokan Pergeseran (Piksel) 5

8

10

225

001L_2.png

77.5667

77.5667

77.5667

77.5667

002L_1.png

002L_2.png

86.6086

86.6086

86.6086

86.6086

3

002R_1.png

002R_2.png

76.1379

76.1379

76.1379

76.1379

4

004L_1.png

004L_3.png

73.6166

73.6166

73.6937

73.6937

5

006L_1.png

006L_1.png

84.265

84.265

84.265

84.265

6

007R_1.png

007R_2.png

92.0659

92.0659

92.0659

92.0659

7

009_1_1.bmp

009_2_1.bmp

72.8559

72.8675

72.8675

72.8675

8

014L_2.png

014L_3.png

81.8038

81.8038

81.8038

81.8038

9

014R_1.png

014R_3.png

82.8387

82.8387

82.8387

82.8387

10

016L_1.png

016L_2.png

79.0975

79.0975

79.0975

79.0975

11

016R_1.png

016R_2.png

88.3012

88.34

88.3474

88.3474

12

018_1_1.bmp

018_2_4.bmp

69.0306

69.0306

82.745

82.745

13

024_1_3.bmp

024_2_4.bmp

70.7481

70.7557

70.7557

70.7557

14

047_1_2.bmp

047_2_4.bmp

87.592

87.592

87.592

87.592

15

051_1_2.bmp

051_2_4.bmp

87.3334

87.3334

87.3334

87.3334

16

052_1_3.bmp

052_2_3.bmp

79.6407

79.6407

79.6407

79.6407

17

056_1_3.bmp

056_2_4.bmp

86.4063

86.5237

86.5237

86.5237

18

058_2_1.bmp

058_1_3.bmp

79.3592

79.3592

79.3592

79.3592

19

069_2_2.bmp

069_1_3.bmp

86.8748

86.8748

87.1152

87.1152

20

083_1_2.bmp

083_2_3.bmp

83.12

83.12

83.12

83.12

21

088_1_1.bmp

088_2_4.bmp

81.8397

81.8397

81.8397

81.8397

22

S1002L03.jpg

S1002L05.jpg

71.2356

71.2356

71.2534

71.2534

23

S1007R06.jpg

S1007R05.jpg

32.3238

34.5419

34.6405

65.809

24

S1008L09.jpg

S1008L10.jpg

62.496

62.8758

63.3357

66.9035

25

S1011L02.jpg

S1011L09.jpg

66.5972

66.8643

67.106

69.7312

26

S1019L01.jpg

S1019L11.jpg

54.102

54.102

54.102

54.102

27

S1028R01.jpg

S1028R03.jpg

80.8036

80.8036

80.8036

80.8036

28

S1028L10.jpg

S1028L11.jpg

50.0527

50.0708

50.0906

50.8076

29

S1019R24.jpg

S1019R01.jpg

72.9224

73.6248

73.6248

73.6248

30

S1011R02.jpg

S1011R10.jpg

62.279

62.4679

62.542

65.8209


(a)

(b)

(c)

(d)

(e) Gambar 10. Grafik Pergeseran Piksel dengan nilai kecocokan (a) citra 006_L1.png

dan 006L_3.png (b)citra

007R_1.png dan 007R_2.png (c) 016L_1.png dan 016L_2.png (d) 16R_1.png dan 016R_2.png (e) S1002L03.jpg dan S10002L05.jpg

Untuk metode kedua, iterasi juga telah dilakukan dan hasilnya dapat terlihat pada Gambar 11. Hanya 5 iterasi saja yang dilampirkan. Dari gambar dapat diambil kesimpulan bahwa bentuk dari persebaran nilai tingkat kecocokan tidak lagi seperti distribusi normal. Nilai maksimal berubah-ubah tidak beraturan dan bentuk persebaran nilai tingkat kecocokan juga tidak


beraturan. Bisa diambil kesimpulan nilai maksimal berada dalam rentang pergeseran 10 sampai dengan 200 piksel. Berurut dari gambar (a) sampai (e) mempunyai nilai pencocokan maksimal sebesar 53,7% , 67% , 66% , 67% , dan 54.3%.

(a)

(b)

(c)

(d)

(e) Gambar 11. Grafik Pergeseran Piksel dengan Nilai kecocokan (a) 002L_1.png dan 004L_1.png (b) 006L_1.png dan 007L_2.png (c) 014L_2.png dan 016_L1.png (d) S1011L09.jpg dan S1019L01.jpg (e) S1008L10.jpg dan S1028R03.jpg

Dari kedua metode tersebut diambil kesimpulan jika memakai metode eksperimental maka nilai yang optimal untuk pergeseran bernilai antara 10 sampai dengan 15 piksel. Walaupun


untuk beberapa data tetap memiliki nilai maksimal setelah digeser sebanyak 100 piksel. Hal ini didasarkan pada metode pertama nilai maksimal berada rentang pergeseran 10 piksel dan nilai maksimalnya sudah memenuhi batas verifikasi. Pada metode kedua, walaupun nilai maksimal berada pada posisi yang acak dan tidak beratur, tetapi nilai tersebut tidak ada yang memenuhi batas verifikasi. B. Waktu Proses Waktu proses ini berkaitan dengan jumlah pergeseran piksel yang telah dibahas pada bab sebelumnya. Semakin sedikit pergeseran piksel yang digunakan maka waktu proses yang digunakan maka waktu prosesnya akan semakin singkat.

Waktu proses untuk vektor

kuantisasi dan IDA relatif sama karena keduanya melakukan pergeseran piksel sampai dengan batas maksimal. Perbandingan waktu proses rata-rata dapat dilihat pada Tabel 2. Dapat terlihat waktu maksimal untuk sistem ini berada pada nilai rata- rata 6 detik. Untuk pergeseran optimum sebesar

10 piksel memiliki waktu proses rata-rata sebesar 0.3 s,

Perbandingan dengan waktu maksimal memiliki rasio sebesar 20 kali lebih efisien. Bila hanya dilakukan 1 kali input data saja, waktu ini tidak terlalu terasa,namun jika dihadapkan dengan suatu sistem yang besar dan berdata banyak rasio perbandingan ini akan sangat meningkatkan efisiensi dari sistem. Tabel 2 Perbandingan Waktu Proses Berbagai Metode Metode

Pergeseran Piksel

Waktu Proses (s)

VQ

225

6.07281

IDA

225

6.07281

Eksperimental

10

0.314782

20

0.590473

50

1.39089

100

2.77027

200

5.42273

Pada gambar 12 terlihat bahwa besar pergeseran piksel berkaitan dengan waktu proses memiliki hubungan sebanding. Dimana semakin besar pergeseran piksel maka waktu proses juga akan semakin waktu. Bentuk grafik garis lurus juga menunjukkan bahwa hubungan keduanya bersifat linear.


Pergeseran Piksel VS Waktu Proses 7

Waktu Proses (S)

6 5 4 3 2 1 0 0

50

100

150

200

250

Pergeseran Piksel

Gambar 12. Grafik pergeseran piksel dengan waktu proses

C. Tingkat akurasi sistem Pada bagian ini akan dijelaskan tingkat dari akurasi sistem identifikasi iris. Parameter pada bagian ini adalah False Acceptance Rate (FAR) dan False Rejection Rate (FRR). ). FAR adalah kesalahan sistem ketika mengenali citra inputan sebagai subject atau kelas yang salah. Sebagai contoh apabila ada seorang penipu mempunyai nilai kecocokan di atas threshold maka sistem akan menganggapnya sebagai masukan yang valid. Sedangkan FRR adalah kesalahan system ketika menolak atau tidak dapat mendeteksi citra inputan yang sebenarnya anggota kelas dalam database. Total kesalahan adalah jumlah dari nilai FAR dan FRR. Dalam sistem biometrik pada simulasi memakai batas ambang kecocokan sebesar 70 %. Nilai kecocokan berada di atas 70% akan dinyatakan lulus dari uji, Akurasi kinerja dari parameter sistem dapat didefinisikan dengan persamaan: Akurasi = 100% *

1–

FAR+FRR Banyaknya Percobaan (13)

Simulasi untuk mencari FRR dilakukan sebanyak 30 kali dan untuk mencari FAR dilakukan sebanyak 200 kali.Perbedaan jumlah ini dikarenakan untuk mencari FRR data yang diinput harus merupakan objek yang sama dengan pengambilan yang berbeda. Sedangkan untuk FAR hanya perlu melakukan variasi kombinasi dari citra yang berbeda sehingga jumlah percobaan bisa dilakukan sebanyak-banyaknya.


Dari simulasi dengan menggunakan database CASIA dan Phoenix seperti pada hasil Tabel 1 didapat dalam 30 kali percobaan, terjadi 6 kali penolakan atau bisa dikatakan mempunyai nilai FRR 6/30 atau 0.2. Untuk nilai FAR, dari 200 percobaan tidak ada satu citra iris input yang lulus dari verifikasi sehingga nilai FAR 0/500 atau 0. Dari nilai tersebut maka didapat nilai akurasi sebesar: Akurasi = 100% *

1–

6+20 30+200

= 97.39 % Jika dilihat lebih detil, nilai dari FRR cukup besar dimana terjadi kesalahan 6 kali dari 30 kali percobaan. Kesalahan ini timbul paling banyak berasal dari data citra CASIA. Dalam citra iris CASIA seperti pada Gambar 13, masih terlihat jelas cahaya lampu dari alat pengambil citra irisnya sehingga saat sistem berusaha mencari tepi dari iris, cahaya tersebut dianggap sebagai parameter dari tepi dalam iris yang membuat segmentasi menjadi tidak sempurna. Untuk database Phoenix, pengaruh cahaya tidak terlalu signifikan dan sistem masih mampu untuk melakukan segmentasi sehingga tidak menimbulkan error saat melakukan pencocokan.

Gambar 13 Cahaya pada basisdata CASIA

Untuk nilai FAR, tidak ada masalah dalam parameter ini karena nilai threshold juga cukup ketat untuk citra yang tidak valid dapat lulus dari sistem. Dari percobaan, nilai paling tinggi

mempunyai kecocokan sebesar sekitar 66%. Secara umum, sistem biometrik ini

walaupun mempunyai kekurangan dalam proses segmentasinya tetapi sudah bisa dikatakan baik dengan akurasi keseluruhan sebesar 97.39% .


Kesimpulan Berdasarkan simulasi sistem biometrik iris dengan menggunakan algoritma Incremental Dissimilarity Approximation pada tahap pencocokan, maka dapat ditarik beberapa kesimpulan sebagai berikut: 1. Hasil simulasi menunjukkan performa algoritma IDA dan VQ mengeluarkan hasil yang sama dalam pembatasan pergeseran piksel sehingga dapat disimpulkan algoritma IDA tidak cocok untuk diimplementasikan pada sistem biometrik iris. Hal ini disebabkan variasi data vektor pada citra iris masih berada dalam batas dari algoritma IDA. 2. Secara eksperimental didapat nilai pergeseran piksel yang optimum adalah pada nilai 10 piksel. Dengan nilai pergeseran piksel ini waktu proses dapat dipersingkat hingga 1/20 kali dari waktu proses maksimal. 3. Simulasi dari sistem biometrik iris yang dirancang sudah cukup baik mempunyai nilai akurasi 97.39% dengan nilai FRR sebesar 0.2 dan FAR sebesar 0. Besar nilai FRR dan FAR pada simulasi bergantung dari kesempurnaan proses segmentasi dan nilai batas penentu verifikasi. DAFTAR REFERENSI [1] “____”.“Biometric History”. National Science and Technology Council (NSTC). 7 Agustus 2006. www.biometrics.gov. diakses tanggal 20 Desember 2012. [2] Wayman, James L. “Digital Signal Processing In Biometric Identification: A Review”, IEEE ICIP 2002. New York.2002. [3] Padma Polash Paul dan Md. Maruf Monwar. “Human Iris Recognition for Biometric Identification”, IEEE ICCIT 2007,Korea. 2007. [4] “____”. “Comparison of the advantages and disadvantages of biometric technologies”. PBworks.2006.

http://biometrics.pbworks.com/w/page/14811349/Advantages%20and%20disadvantages% 20of%20technologies. diakses tanggal 17 Desember 2012.

[5] Kurniawan, Andreas Eko. “Teknologi Iris Scan Dalam Proses Identifikasi Biometrik”.Skripsi pada Fakultas Teknik dan Ilmu Komputer UNIKOM. 2006.


[6] Federico Tombari, Srefano Mattocia, dan Luigi Di Stefano.”Full-Search-Equivalent Pattern Matching with Incremental Dissmilarity Approximations”. IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol 31, No.1, January 2009. 2009. [7] S. C. Tai, C. C. Lai, dan Y. C. Lin. “Two Fast Nearest Neighbour Searching Algorithm for Image Vector Quantization”. IEEE Transaction On Communications, Vol. 44, NO. 12, pp. 1623-1628, December 1996. 1996. [8] Dony, R.D. “The Transform and Data Compression Handbook”. Boca Raton: CRC Press LLC. 2001. [9] Rafael C. Gonzalez, Richard E. Woods. “Digital Image Processing” Second Edition. Prentice Hall.2002 [10]

Nethralya, Shivam.“Eye Structure and Function”. 2009.

http://www.myeyeworld.com/files/eye_structure.htm. diakses tanggal 19 Desember 2012

[11]

Masek,Libor. “Recognition of Human Iris Patterns for Biometric Identification”. The

University Of Western Australia. 2003. [12]

Ihsan, Muhammad. “Optimasi Pengenalan Individu Dengan Analisis Iris Mata

Menggunakan Independent Component Analysis”.Skripsi pada Jurusan Teknik Elektro Institut Teknologi Telkom. 2008 [13]

Patel, Snehal. “Fast Search Method for Biometric Signal Processing”. International

Conference on Intelligent and Advanced Systems 2007, Malaysia. 2007. [14]

Wanli Ouyang, Renqi Zhang, dan Wai-Kuen ChamPatel. “Fast pattern matching using

orthogonal Haar transform”. IEEE Conference Computer Vision and Pattern Recognition (CVPR, San Fransisco. 2010. [15]

“____”. “Iris/Retina Biometric”. University of Tennessee..

http://www.utc.edu/Faculty/Li-‐Yang/documents/b6.1.IRIS-‐Retina-‐utc.ppt . diakses tanggal 10 Mei 2013.

[16]

Daugman,John, “How iris recognition works”, IEEE Transactions on Circuits and

Systems for Video Technology 14 (1), January 2004, 21-30.2004. [17]

Kevin W. Bowyer, Stephen Lagree dan Samuel Fenke.” Human Versus

Detection of Texture Similarity In Left and Right Irises”, IEEE Carnahan Conference on Security Technology (ICCST), [18]

International 2010.USA.2010.

Setiawan, Bambang. “Identifikasi Iris Mata Dengan Menggunakan

Hidden Markov Model”. Skripsi pada Jurusan Teknik Elektro Universitas 2009.


Biometric

Metode Indonesia.

[19]

Setianti, Dwi Kris. “Identifikasi Iris Mata Manusia Menggunakan Metode Adaptive

Neuro-Fuzzy Inference System”. Skripsi pada Jurusan Teknik Elektro Universitas Indonesia. 2008. [20]

Stephanie

A.

C.

Schuckers,

Natalia

A.

Schmid,

Aditya

Vivekanand Dorairaj, Christopher K. Boyce, dan Lawrence A. Hornak. Techniques For Angle Compensation in Nonideal Iris Recognition”. On Systems. MAN, and Cybernetics-Part B:

Abhyankar, “On

IEEE Transactions

Cybernetics, Vol. 37, No. 5, October

2007. 2007. [21]

Rixin Xiao, Chuangbai Xiao, Wanli Ouyani, dan Wai-Kuen Cham. “Fast Pattern

Matching Using Black Sheep Algorithm”. International Signal Processing and Communication Systems (lSP

Symposium on Intelligent ACS

8,2010.China. 2010.


2010)

December

6-

Analisis dan Simulasi Pencocokan Pola pada Biometrik Iris dengan Menggunakan Algoritma Incremental Dissimilarity Approximation

Recommend Documents