BAB 2 LANDASAN TEORI 2.1
CITRA DIGITAL Istilah “citra” menurut berbagai sumber diantaranya:
Pearson (1991) Citra adalah representasi dua dimensi dari dunia visual, menyangkut berbagai macam disiplin ilmu yang mencakup seni, human vision, astronomi, tehnik, dsb. Citra merupakan suatu kumpulan piksel-piksel atau titik-titik yang berwarna yang berbentuk dua dimensi.
Michael C. Fairhust (1994) Citra adalah suatu fungsi 2 dimensi, dimana harga-harga fungsi tersebut f(x,y) pada koordinat spasial (x,y) di bidang x-y mendefinisikan suatu ukuran intensitas cahaya atau kecemerlangan titik tersebut.
Foley, James D (1996, p816) Citra adalah array dari nilai-nilai dimana sebuah nilai adalah sekumpulan angka yang mendeskripsikan atribut dari piksel di dalamnya.
Wolfram Research, Inc. (2002) Citra digital adalah sinyal diskrit 2 dimensi. Secara matematis, sinyal ini dapat direpresentasikkan sebagai fungsi dari variable-variabel 2 dimensi. Setiap elemen dari array disebut piksel.
5
6
Windows XP Esperiences Glossary Dimana citra adalah deskripsi dari gambar grafik yang tersimpan sebagai kumpulan nilai warna dan tingkat cahaya dari piksel atau kumpulan intruksi untuk menghasilkan gambar.
Jadi citra digitial adalah citra kontinu yang diubah dalam bentuk diskrit, baik koordinat ruang maupun intensitas cahayanya. Citra digital dapat dinyatakan dalam bentuk matriks dua dimensi f ( x, y ) dimana ‘x’ dan ‘y’ merupakan koordinat piksel dalam matriks dan ‘f’ merupakan derajat intensitas piksel tersebut. Citra digital berbentuk matriks dengan ukuran M x N akan tersusun sebagai berikut: ⎡ f (0,0) ⎢ f (1,0 ) ⎢ f ( x, y ) = ⎢ f (2,0 ) ⎢ M ⎢ ⎢⎣ f (M − 1,0 )
f (0,1) f (1,1) f (2,1) M
f (M − 1,1)
f (0,2) f (1,2 ) f (2,2 ) M f (M − 1,2 )
L L L O L
f (0, N − 1) ⎤ f (1, N − 1) ⎥⎥ f (2, N − 1) ⎥ ⎥ M ⎥ f (M − 1, N − 1)⎥⎦
Suatu citra f ( x, y ) dalam fungsi matematis dapat dituliskan sebagai berikut:
0 ≤ x ≤ M −1 0 ≤ y ≤ N −1
0 ≤ f ( x, y ) ≤ G − 1 Dimana:
M = banyaknya baris pada array citra N = banyaknya kolom pada array citra G = banyaknya skala keabuan (graylevel)
7 Interval (0,G) disebut skala keabuan(grayscale). Besar G tergantung pada proses digitalisasinya. Untuk citra 8bit, nilai G sama dengan 2 8 = 256 warna (derajat keabuan). Jika kita memperhatikan citra digital secara seksama, kita dapat melihat titik – titik kecil berbentuk segi empat yang membentuk citra tersebut. Titik – titik tersebut merupakan satuan terkecil dari sebuah citra digital disebut sebagai “picture element”, “pixel”, piksel atau “pel”. Dimana definisi pixel itu sendiri menurut para ahli adalah: •
Michael C. Fairhust (1995) Piksel adalah titik pada suatu citra yang telah didigitkan secara spasial dan terdiri dari NxN sample yang terdistribusi secara sama.
•
J.R Parker (1994) Piksel adalah bagian array 2 dimensi dari suatu raster image. Setiap piksel merepresentasikan warna atau tingkat keabuan dan terletak pada posisi vertikal dan horisontal, atau yang lebih dikenal dengan baris dan kolom.
•
Murni (1992) Piksel (picture element) merupakan bagian terkecil dari gambar yang mengandung informasi.
•
Adrian Low (1991) Piksel dianggap sebagai bagian terkecil dari citra. Dapat berupa logic maupu fisik. Dengan kata lain dapat berupa lokasi elemen dari suatu citra atau menampilkan salah satu dari tingkat keabuan.
8 •
Oliver (1996) Piksel adalah titik yang merupakan penyusun dari citra yang ditampilkan komputer.
Jumlah piksel per-satuan panjang akan menentukan resolusi citra tersebut. Makin banyak piksel yang mewakili sebuah citra, maka makin tinggi nilai resolusinya dan makin halus citra digital tersebut. 2.2
PENGOLAHAN CITRA
Pengolahan citra adalah suatu pernyataan yang digunakan untuk menggambarkan operasi-operasi yang dilakukan pada suatu citra, dengan sasaran mencapai suatu tujuan tertentu. Menurut Murni (1992), pengolah citra merupakan peningkatan mutu citra yang bertujuan untuk memperbaiki mutu citra untuk memperoleh keindahan gambar, untuk kepentingan analisa citra, dan untuk mengkoreksi citra dari segala gangguan yang terjadi sewaktu perekaman data. Ada 3 bagian yaitu: a.
Peningkatan tingkat keabuan citra Bertujuan meningkatkan mutu suatu citra melalui perbaikan kontras.
b.
Filtering Bertujuan menggulangi gangguan seperti: •
Ganggguan bersifat frekuensi rendah, dimana terjadi proses pemerataan intensitas cahaya pada suatu titik sampel dengan titik-titik tetangganya.
9 •
Terjadinya gangguan berbentuk garis-garis sebagai akibat adanya kerusakan sebagian detector sensor.
• c.
Gangguan dalam bentuk bercak hitam yang acak.
Transformasi 2 dimensi dan koreksi geometri •
Transformasi 2 dimensi Umumnya untuk gangguan bersifat sederhana dan bersifat linier. Gangguan ini terjadi karena adanya: a. Pergeseran pusat b. Perubahan ukuran citra c. Perubahan orientase koordinat atau skewed Untuk mengatasinya maka diberlakukan transformasi 2 dimensi yaitu: a. Rotasi citra b. Skala citra c. Translasi citra
•
Koreksi geometri Meningkatkan mutu citra dengan ketelitian yang tinggi, misalnya untuk pembentukan peta dasar.
Menurut Allan Hanbury (1998). Pengolahan citra secara kasar dibagi menjadi 3 bagian, yaitu : Image Compression, Image Enhancement and Restoration, Measurement Extraction.
10 Image Compression mengurangi jumlah memori yang dibutuhkan untuk menampilkan gambar digital. Sedangkan Image Enhancement and Restoration berguna untuk perbaikan gambar. Image Measurement Extraction operation digunakan untuk mengambil informasi yang berguna dari citra tujuannya adalah untuk mencari distribusi luas dari objek yang terdapat pada citra tersebut. Langkah Pertama adalah memisahkan objek dengan background, dengan menggunakan tehnik thresholding dimana meng-set nilai piksel yang di atas (atas sebagai objek dan bawah sebagai background) menjadi warna putih, dan sisanya sebagai warna hitam.
2.2.1
Tingkat Keabuan (Gray Scale)
Mencari tingkat keabuan adalah proses pengubahan warna citra menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses ini menghilangkan informasi hue dan saturation dari piksel dan hanya meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam putih merupakan contoh umum dari model warna tingkat keabuan. Walaupun disebut hitam putih, sesungguhnya foto tersebut terbentuk dari banyak warna abu-abu yang berbeda.
Gambar 2.1 Nilai tingkat keabuan pada Adobe Photoshop
11 Tujuan perhitungan tingkat keabuan adalah memudahkan proses selanjutnya yaitu proses thresholding. Dengan algoritma perhitungan tingkat keabuan, piksel dari suatu citra yang mengandung warna-warna RGB (merah, hijau dan biru) diubah menjadi warna dalam berbagai tingkat keabuan ( I ) dengan menjumlahkan nilai warna merah, hijau dan biru kemudian dibagi tiga sehingga didapakan nila rata-rata dari ketiga warna. I= 2.2.2
R+G+ B 3
Binerisasi (Thresholding)
Thresholding adalah proses penyederhanaan citra dari tingkat keabuan menjadi warna biner sehingga berdasarkan tingkat keabuannya piksel-piksel dibagi menjadi latar dan objek interest. Tujuan thresholding adalah untuk memisahkan objek dengan latar belakang. Hal ini dilakukan dengan cara mengubah intensitas pikselpiksel dari suatu citra yang ada menjadi hanya 2 intensitas yaitu hitam dan putih. Thresholding dapat dikatakan sebagai modifikasi tingkat keabuan yang mengubah intensitas-intensitas piksel yang ada, menjadi hanya 2 intensitas saja, yaitu hitam dan putih. Menurut Adrian Low (1998), thresholding mengubah dari tingkat keabuan yang lama ke tingkat keabuan yang baru (hanya 2) jadi contrast antar tingkat keabuan yang terpilih dapat ditingkatkan. Menurut J.R Parker (1994), thresholding adalah mengubah citra menjadi citra biner. Thresholding melihat pada setiap piksel kemudian
12 memutuskannya apakah dibuat putih (255) atau hitam (0). Keputusan ini secara umum dibuat dengan cara membandingkan nilai numeric piksel dengan nilai tertentu yang disebut dengan threshold. Jika nilai piksel lebih kecil daripada threshold, maka piksel tersebut diubah menjadi 0; sebaliknya yang lain diubah menjadi 255. Hal ini juga dapat dilakukan sebaliknya. Menurut Antti Nurminen (1996), thresholding merupakan cara termudah untuk membagi citra tingkat keabuan. Dengan memilih suatu nilai tertentu, dan mengatus semua piksel yang bernilai di bawahnya menjadi (putih), dan sumua piksel diatasnya menjadi 0 (hitam), maka akan didapatkan citra biner. Menurut Ma Yi (1996), thresholding merupakan suatu cara untuk menyingkirkan efek dari noise dan meningkatkan rasio signal-noise. 2.2.3
Deteksi sisi / Edge Detection
Menurut J.R. Parker (1994), edge detection adalah suatu cara yang berguna untuk mencari batas-batas dari obyek pada suatu citra. Tujuannya adalah untuk memisahkandan mengidentifikasi obyek pada suatu citra. Terdapat suatu prinsip dalam edge detection yaitu: “Batas antara dua wilayah (edge) ditandai oleh suatu perubahan mendadak pada tingkat keabuan”. Adalah suatu keharusan pada metode edge detection untuk mempertimbangkan semua arah yang mungkin. Pemikiran mask pada implementasi merupakan salah satu hal yang paling banyak disebut dalam masalah edge detection. Suatu mask adalah gambar kecil, biasanya 3x3 piksel, dimana piksel bagian tengah merupakan bagian yang
13 diperiksa. Nilai dari setiap piksel pada mask dikalikan dengan nilai dari piksel citra yang berkorespondensi dengan orientasi terakhir. Nilai baru piksel yang berada di tengah adalah jumlah dari produk individual tadi. Mask dapat diaplikasikan pada semua piksel pada ditra yang pertama kali, kemudian hasilnya dapat diakumulasikan pada gambar berikutnya. Proses ini disebut discrete convolution. Jika suatu mask merepresentasikan sebuah operator edge detection maka hasil citranya akan jelas menunjukkan edge, sebaliknya bila tidak maka hasilnya adalah gelap atau hitam. Menurut Luong Chi Mai (1999), edge detection amat berguna karena edge dari suatu citramengandung banyak informasi. Suatu edge dapat memberi tahu dimana suatu obyek berada, apa bentuk dan berapa ukurannya, dan teksturnya. Edge dari suatu citra adalah intesitas suatu citra dari nilai palig rendah sampai nilai paling tinggi. Menurut Adrian Low (1991), edge detection, merupakan cara pertama yang baik untuk menemukan bentuk geomtrik dari suatu obyek dalam citra. Sebuah edge detector yaitu operator Sobel, memberikan pengukuran seberapa pantas setiap piksel menjadi bagian dari edge yang sesungguhnya. Ukuran ini disebut juga gradient magnitude. Edge detection yang optimal harus memenuhi kondisi berikut: 1.
Edge detection dapat menemukan seluruh edge yang ada,
tidak ada satu pun edge yang hilang/terlewatkan. 2.
Selisih jarak antara batasan piksel yang ditemukan dengan
edge yang sesungguhnya harus seminimal mungkin
14 3.
Jika hanya ada satu edge maka edge detection tidak boleh
mendeteksinya sebagai piksel ganda. 2.2.4
Look up table (LUT)
Gambar digital biasanya di representasikan dengan matriks yang berisi nilai keabuan / nilai warna dari gambar tersebut. Tetapi jika gambar ditampilkan pada monitor komputer, biasanya kita tidak dapat melihat pemetaan secara langsung yang dilakukan oleh komputer. jika gambar ingin ditampilkan dilayar monitor sebuah gambar akan melewati LUT yang akan melakukan pemetaan terhadap nilai intensitas.
Gambar 2.2 contoh grafik LUT Jika bentuk grafik dari sebuah gambar berbentuk linier maka gambar tersebut akan secara langsung di tampilkan, sebaliknya jika sebuah gambar memiliki grafik yang tidak linier maka gambar yang ditampilkan tidak ditampilkan sebagai mana mestinya. 2.2.5
Brightness / contrast
Salah satu contoh manipulasi LUT adalah pada saat kita mengatur nilai Brightness dan darkness dari sebuah gambar. Bentuk persamaan dari brightness LUT adalah sebuah garis melengkung dengan berbagai garis yang memotong : g (u ) = u +b , dengan nilai intensitas dari gambar
u ∈ [0,1] . Nilai b sangat mempengaruhi gambar diantaranya jika b > 0
15 maka gambar yang dihasilkan akan lebih terang sedangkan jika nilai b<0 maka gambar yang dihasilkan akan lebih terang.
Gambar 2.3 LUT brightness Contoh lain dalam memanipulasi LUT adalah pengaturan contrast gambar. Bentuk persamaan dari contrast LUT adalah berbentuk linier
g (u ) = mu +b , dimana relasi dari garis melengkung dengan garis memotong adalah b =
1 . Nilai contrast akan bertambah jika garis 2(1 − m )
melengkungnya besar dan garis yang memotongnya bernilai negatif dengan batasan
m→∞ dan nilai contrast akan berkurang jika garis b → −∞
melengkungnya kecil dan garis yang memotongnya bernilai positif m→0 dengan batasan 1 . Nilai dari gambar akan berubah terbalik dari b→ 2 hitam menjadi putih dan putih menjadi hitam jika nilai m = -1 dan b = 1. pengimplementasian kedua teknik manipulasi ini dapat dilakukan kepada gambar yang sama dengan menggunakan 2 atau lebih LUT.
Gambar 2.4 LUT Contrast
16 2.2.6
Gamma Correction
Secara umum gambar dengan contrast yang tinggi akan sangat menarik, tetapi sebuah kekurangan dari hal tersebut akan menimbulkan pengumpulan nilai pada nilai intensitas yang tinggi dan rendah. Hal ini dapat dihindari dengan menggunakan gamma correction, dimana persamaan LUT-nya adalah
g (u ) = u α , dimana:
jika α > 1 maka contrast bertambah, jika α < 1 maka contrast berkurang, dan nilai u (0,1), 1 untuk putih dan 0 untuk hitam. 2.2.7
Quantize / Threshold
Sebuah gambar digital telah melalui proses quantize dengan nilai intensitas. Sebagai contoh gambar yang di quantize dengan 8-bit maka akan
memiliki
kemungkinan
nilai
intesitas
sebanyak
2 8 = 256 kemungkinan nilai intensitas, biasanya nilai intensitas berkisar diantar [0, 255]. Sebuah gambar telah dikatakan telah di-quantize jika gambar tersebut telah melalui LUT yang mengandung sebuah fungsi step.
Gambar 2.5 yang telah di quantize dengan 5 nilai intensitas
17 Apabila gambar tersebut dilakukan proses quantize pada nilai intensitas 2 atau 1bit maka gambar tersebut sudah dapat dikatakan gambar yang sudah di lakukan proses threshold.
Gambar 2.6 yang telah di quantize dengan 2 nilai intensitas 2.2.8
Histogram equalize
Histogram adalah suatu grafik yang menunjukan nilai - nilai intensitas yang ada pada sebuah gambar yang telah melalui proses histogram equalize. Proses histogram equalize adalah proses dimana distribusi dari nilai – nilai intesitas dibuat menjadi merata.
Gambar 2.7 yang belum melalui proses histogram equalize
18
Gambar 2.8 yang sudah melalui proses histogram equalize 2.3
COMPUTER VISION
Computer Vision juga merupakan ilmu pengetahuan yang mempelajari
bagaimana komputer dapat mengenali obyek yang diamati atau diobservasi (transparansi Computer Vision, Universitas Bina Nusantara, 2002). Computer Vision oleh beberapa ahli didefinisikan sebagai berikut:
•
Michael C. Fairhurst (1995) Computer Vision sesuai dengan sifatnya, merupakan suatu
subyek yang merangkul berbagai disiplin tradisional secara luas guna mendasari prinsip-prinsip formalnya, dan dalam mengembangkan suatu metodologi yang berlainan dari apa yang dimilikinya, pertama-tama harus menggabungkan dan secara berurutan membangun materi yang mendasari ini. •
Adrian Low (1991) Computer Vision berhubungan dengan perolehan gambar,
pemrosesan, klasifikasi, pengenalan, dan menjadi penggabungan, pengurutan pembuatan keputusan menuju pengenalan.
19 •
J.R.Parker (1994) Computer Vision menyangkut pengekstrakan informasi dari
citra, dan dalam identifikasi dan klasifikasi objek-objek dalam citra. Masalah umum dari Computer Vision adalah manusia tidak tahu bagaimana mereka mengenali objek-objek.
Gambar 2.9 Skema hubungan computer vision dengan bidang lain 2.4
ARTIFICIAL INTELIGENCE
Ada beberapa definisi mengenai artificial intelegence , antara lain:
Turban(1992,p3) Artificial intelligence adalah bagian dari ilmu computer yang ditujukan untuk membuat software dan hardware menghasilkan sesuatu seperti yang dihasilkan manusia.
20
Rich dan knight (1991,p3) Artificial intelligence adalah suatu bidang yang mempelajari bagaimana untuk membuat computer melakukan sesuatu, yang pada saat ini, dapat dilakukan lebih baik oleh manusia.
Levine et al (1990,p3) Artificial intelligence adalah Suatu cara untuk membuat computer dapat berpikir secara pintar.
Charniak dan mcdermot(1984,p6) Artificial intelligence adalah Kemampuan berpikir melalui model – model dan perhitungan atau komputasi.
Artificial
intelegence
dibagi
atas
beberapa
sub
dislipin
ilmu
yang
mengkonsentrasikan pada bagian – bagian aplikasi yang berbeda, antara lain (luger dan Strubblefield,1993,p14) : •
Permainan (games playing) Menurut Sri kusuma dewi,games adalah fasilitas yang sangat menarik dalam computer. Ide games pertama kali dikenalkan oleh Claude Shannon(1950) yang menuliskan paper tentang permainan catur. Ada beberapa alasan mengapa games merupakan domain terbaik untuk dikaji: 1. Sangat mudah menentukan ukuran kesuksesan dan kegagalannya 2. Ruang keadaannya mudah direpresentasikan 3. Operator – operator yang digunakan tidak terlalu banyak
21 4. Sangat mungkin untuk dibandingkan dengan kemampuan manusia 5. Sebagian besar game dapat dimodelkan dengan mudah
•
Sistem pakar (expert system) Secara umum, system pakar adalah system yang mengadopsi pengetahuan
manusia
ke
computer,
agar
dapat
menyelesaikan
permasalahan tertentu sesuai dengan pengetahuan pakar. Ada beberapa definisi tentang system pakar, antara lain : 1. menurut Durkin, system pakar adalah suatu program computer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar. 2. menurut Ignizio, system pakar adalah suatu model dan prosedur yang berkaitan dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. 3. menurut Giarratano dan Riley, system pakar adalah suatu system computer yang bisa menyamai atau meniru kemampuan seorang pakar. Sistem pakar muncul pertama kali pada tahun 1960 oleh komunitas AI. Keuntungan system pakar adalah: 1. memungkinkan orang awam mengerjakan pekerjaan seorang pakar 2. dapat melakukan pekerjaan seorang pakar secara terus menerus dan otomatis
22 3. Meningkatkan kemampuan untuk memecahkan masalah Kerugian system pakar adalah: 1. biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal 2. system pakar tidak 100% benar •
Jaringan saraf (neural network) Berdasarkan pendapat Rao (1995, p2) Neural Network atau yang biasa disebut juga Artificial neural network merupakan jaringan saraf tiruan dari otak manusia sehingga memiliki prinsip kerja yang sama dengan otak manusia. Pendapat dari Fausett (1993, p3) menyatakan “An artificial neural networks is an information-processing system that has certain perfomance characteristic in common with biological neural networks.”
Atau menyatakan jaringan saraf tiruan adalah sistem pemrosesan informasi dengan mengikuti cara kerja jaringan saraf pada manusia. Menurut Haykin (1999, p1), jaringan saraf tiruan adalah prosesor yang didistribusikan secara paralel dalam jumlah besar yang sebenarnya merupakan processing unit sederhana, memiliki kecenderungan alami untuk menyimpan pengetahuan (knowledge) yang sudag dilatih sebelumnya dan dapat dipakai kapan saja. Neural network memiliki sifat seperti otak manusia dalam dua macam bentuk, yaitu: •
knowledge diperoleh dari jaringan setelah mealui proses pembelajaran
(learning process)
23 •
Hubungan antar-neuron yang juga dikenal sebagai sypnatic weight digunakan untuk menyimpan knowledge yang sudah diperoleh sebelumnya. Knowledge sendiri didefinisikan (Haykin, 1999, p23) sebagai
informasi yang disimpan atau model yang dipakai oleh seseorang atau mesin untuk menginterpretasikan, memperkirakan, dan memberikan respon yang tepat terhadap dunia luar. Jaringan saraf tiruan digunakan jika terdapat kondisi yang memerlukan: 1. Ketidaklinearan (nonlinearity)
Jaringan saraf tiruan terbuat dari interkoneksi neuron non linear. Sifat ketidaklinearan ini terdistribusi dalam jaringan. Ketidaklinearan adalah properti yang sangat penting, terutama bila mekanisma fisik yang mendasarinya bertanggungjawab dalam menghasilkan sinyal input. 2. Input-output mapping
Paradigma pembelajaran yang popuer sering disebut supervised learning yang melibatkan modifikasi dari bobot sinapsis sebuah jaringan
neural dengan melibatkan contoh pelatihan yang terlabel. 3. Neurobiological Analogy
Perancangan neural network dimotivasi oleh anatomi otak, dimana
pemrosesan
paralel
toleransi
kesalahan
tidak
hanya
dasar
untuk
memungkinkan secara fisik, tapi juga secara kecepatan 4. Adaptivity
Neural
network
mempunyai
kemampuan
meyesuaikan bobot untuk mengubah lingkungan sekitar. Neuralnetwork
24 yang terlatih di lingkungan khusus dapat dilatih ulang dengan mudah dalam menghadapi perubahan yang sedikit dalam mengubah kondisi lingkungan yang sedang beroperasi. 5. Evidental response (respon yang jelas)
Pada klasifikasi pola (pattern classification), neural network dapat dirancang untuk menyediakan informasi tidak hanya pola yang penting yang terpilih, tapi juga kepercayaan dalam pembuatan keputusan. Informasi yang terakhir ini dapat digunakan untuk menolal pola yang tidak jelas. 6. Fault tolerance (toleransi kesalahan)
Ketika jaringan saraf tiruan diimplementasikan dalam bentuk hardware, kemungkinan untuk menjadi toleransi kesalahan yang terpadu
atau kemampuan dari komputasi yang kuat dan perkerjaannya, dapat menurun secara perlahan di bawah kondisi pengoperasian yang kurang baik. Misal, bila sebuah neuron atau sambungan koneksinya rusak, pemanggilan kembali pola penyimpanannya rendah. Namun karena penyimpanan informasi dalam jaringan terdistribusi, kerusakan dapat diperluas sebelum respons jaringan diturunkan dengan sungguh-sungguh.
Sebuah jaringan saraf buatan terdiri dari sejumlah elemen pemrosesan (processing element/PE) sederhana, yaitu sel/neuron yang terhubungkan satu sama lain dengan weight yang akan digunakan untuk menyelesaikan masalah dalam jaringan. Elemen pemrosesan ini menerima masukan berupa sinyal elektrik yang direpresentasikan dalam
25 nilai numerik (angka). Berbeda dengan cara kerja otak manusia, pada jaringan saraf tiruan total sinyal yang diterima akan dihitung oleh fungsi aktivasi untuk menentukan besarnya kekuatan sinyal keluaran sebuah elemen pemrosesan. Jaringan
saraf
tiruan
telah
dikembangkan
sebagai
hasil
generalisasi dari model matematika yang berasal dari saraf manusia dengan dasar asumsi sebagai berikut (Fausett, 1994, p3): a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirim antar neuro melalui connection link. c. Setiap connection link mempunyai weight yang saling berhubungan. d. Setiap neuron mempunyai sebuah fungsi activasi dalam masukkan jaringan untuk menentukan sinyal keluaran
Gambar 2.10 Struktur sebuah Neuron
Karakteristik dari jaringan saraf tiruan (Fausett, 1994,p3) adalah: 1. Pola koneksi antara neuron atau arsitektur
26 2. Kemampuan untuk menentukan weight pada koneksi (training, learning atau algoritma)
3. Fungsi aktivasinya. Sebuah jaringan saraf tiruan terdiri dari sekumpulan elemen dimana satu subgroup melakukan perhitungan independent dan mengirimkan hasilnya kepada subgroup lainnya (Rao, 1993, P2). Neuron biasanya dioperasikan secara paralel atau dikonfigurasikan pada arsitektur yang regular. Neuron juga sering dihubungkan secara layer (lapisan). Setiap koneksi diwakilkan dengan angka yang disebut weight (bobot), yang berubah-ubah sesuai dengan input yang diberikan. Pada kenyataannya, kebanyakkan JST harus dilatih untuk memperlajari pola dari masukkan-masukkan yang diberikan. Jaringan saraf tiruan terdiri dari tiga proses, yaitu : learning, networks storing, dan recalling. Setelah semua citra diproses dan fitur
diekstrak, data akan dipelajari oleh Jaringan saraf tiruan melalui proses learning yang akan menghasilkan data yang direpresentasikan dalam
bentuk nilai weight. Kemudian weight hasil learning yang mengandung data identitas data dan karakteristik data akan disimpan ke dalam sebuah file melalui proses network storing, yang dapat digunakan untuk proses recalling pada saat pengujian.
Backpropagasi merupakan metode pelatihan yang menggunakan multilayer perceptron untuk memecahkan masalah yang rumit dengan
metode pelatihan terawasi, yaitu pelatihan yang menggunakan pasangan masukan dan keluaran dimana bobot yang akan dihitung, disesuaikan
27 berdasarkan proses pelatihan yang dilakukan hingga mencapai target keluaran yang diinginkan. Backpropagation diperkenalkan pertama kali oleh G. E. Hinton, E. Rumehart dan R.J. Williams pada tahun 1986 sebagai sebuah teknik umum untuk melakukan pelatihan pada jaringan saraf tiruan berlayer banyak yang memegang peranan penting yang membuat jaringan saraf tiruan alat bantu untuk memecahkan banyak variasi
masalah.
Paradigma
dan
algoritma
backpropagation
dikembangkan oleh Paul Werbos. Menurut Rao (1995, p87), tipe network ini adalah yang paling umum digunakan karena memiliki prosedur pelatihan yang relatif mudah.
Haykin (1994, p156) mengatajan
backpropagation sendiri menggunakan memory yang labi sedikit
daripada algoritma yang lainnya dan dapat memberikan hasil dengan tingkat kesalahan yang masih dapat diterima dengan kecepatan pemrosesan yang cukup cepat. Pada metode ini, jaringan tidak memiliki koneksi khusus untuk melakukan perhitungan mundur dari satu layer menuju layer sebelumnya. Namun error pada output layer akan dipropagasikan ke belakang menuju input layer. Backpropagation
merupakan jaringan saraf tiruan dengan
multilayer, yang terdiri dari input layer (lapisan masukan), hidden layer
(lapisan tersembunyi/ tengah), output layer (lapisan keluaran) (Fausett, 1994, p290). Banyaknya lapisan pada lapisan tengah dapat terdiri dari 1 atau lebih lapisan. Selain itu, lapisan keluaran dan lapisan tengah dapat mempunyai bias. Tiap lapisan pada backpropagation terdiri dari unit-unit
28 yang saling terhubung antar lapisan. Jadi setiap neuron pada suatu lapisan dalam backpropagasi mendapat nilai masukan dari semua neuron pada lapisan sebelumnya beserta satu sinyal bias.
Gambar 2.11 Lapisan Neural Network
Backpropagasi
memiliki
metode
pembelajaran
supervised
learning dimana lapisan masukan akan menerima pola masukan dan
melakukan proses komputasi berdasarkan bobot awal yang diperoleh secara acak (random). Jika keluaran dari jeringan berbeda dengan target yang diharapkan maka jaringan melakukan penyesuaian terhadap bobot yang ada. Proses ini akan terus berlanjut hingga keluaran dari jaringan dan target yang diharapkan menjadi sama. Proses pembelajaran membutuhkan waktu yang lama hingga mencapai nilai tersebut. Oleh karena itu proses learning dibatasi dan akan berhenti jika perbedaan antara output dan target sudah mencapai nilai yang lebih kecil dari nilai toleransi (error rate). Besarnya penyesuaian bobot pada setiap siklus pembelajaran ditentukan oleh parameter yang disebut learning rate.
29 2.5
BIOMETRIC 2.5.1
Pengenalan biometric
Beberapa pengertian Biometric:
Menurut Fernando L.Podio dan Jeffrey S. Dunn Biometric
adalah
metode
pengenalan
seseorang
/
memastikan identitas seseorang secara otomatis berdasarkan karakteristik fisik atau berdasarkan karakteristik kebiasaan. Pengenalan dengan menggunakan biometric membutuhkan template untuk dibandingkan dengan hasil template input. Template biometric adalah sebuah representasi digital dari karakteristik seseorang yang dihasilkan dari proses ektrasi fitur.
Menurut National Science & technology Council Pengertian Biometric dibagi menjadi dua yaitu berdasarkan karakterik dan berdasarkan proses. Pengertian biometric berdasarkan karakteristik adalah sebuah karakteristik yang dapat diukur berdasarkan fisik dan kebiasaan yang dapat digunakan dalam pengenalan secara otomatis. Pengertian biometric berdasarkan proses adalah metode yang
bekerja
secara
otomatis
untuk
mengenali
individu
berdasarkan pengukuran fisik dan kebiasaan.
Menurut wikipedia Biometric berasal dari bahasa yunani yaitu bios yang artinya “kehidupan” dan metron yang artinya “Pengukuran”.
30 Biometric adalah sebuah studi mengenai metode untuk mengenali seseorang secara unik berdasarkan satu atau lebih karakter fisik atau kebiasaan.
Gambar 2.12 proses secara umum pada setiap sistem biometric
Setiap
sistem
biometric
terhubung
dengan
sebuah
teknologi
telekomunikasi maka sistem tersebut tersebut menjadi sistem Telebiometric. Secara umum proses dapat dibagi menjadi dua bagian yaitu enrollment (penyimpanan database) dan Test (pengujian). Pada proses enrollment, pengambilan informasi biometric dari pengguna akan disimpan. Pada proses test, informasi biometric dari pengguna diambil dan di bandingkan dengan informasi biometric yang telah disimpan 2.5.2
Jenis – jenis Biometric
Biometric dapat dikalsifikasikan menjadi dua kelas yaitu: Berdasarkan fisik Berdasarkan kebiasaan
31 Klasifikasi berdasarkan fisik berkaitan dengan bentuk dari fisik. Sidik jari merupakan atribut dari fisik yang telah digunakan selama 100 tahun. Klasifikasi berdasarkan kebiasaan berkaitan dengan kebiasaan seseorang. Pengenalan seseorang merupakan salah satu contoh dari klasifikasi berdasarkan kebiasaan. BIOMETRIC
FISIK
Pengenalan wajah
Pengenalan Sidik jari
Pengenalan Telapak tangan
KEBIASAAN
Pengenalan Pengetikan
Pengenalan tanda
Pengenalan suara
Pengenalan Iris
Pengenalan DNA
Gambar 2.13 Skema klasifikasi jenis – jenis biometric
Ada beberapa biometric yang masih dalam tahap pengembangan, sebagai contoh biometric yang berbasiskan cara jalan manusia, retina, pembuluh darah pada tangan manusia, Facial Thermogram, DNA, odor, dan pola telapak tangan.
32 Tidak ada satu pun jenis biometric yang dapat bekerja paling baik, setiap metode mempunyai kelemahan. Tabel 2.1 tabel pola dan tingkat kesalahan bersumber AIM Japan, Automatic Identification Seminar, 14 September 2001 Metode
Pola
Tingkat kesalahan
Pengenalan Iris
Pola Iris
1/1,200,000
Pengenalan sidik jari
Sidik jari
1/1,000
Bentuk tangan
Ukuran, panjang, dan tingkat ketebalan dari tangan
1/700
Pengenalan wajah
Garis terluar, bentuk, dan letak dari mata dan hidung
1/100
Pengenalan Tanda tangan
Bentuk dari huruf, urutan penulisan, penekanan pen
1/100
Pengenalan suara
Karakteristik dari suara
1/30
Biometric yang umum digunakan adalah: Pengenalan sidik jari (finger print) Pengenalan wajah (face recognition) Pengenalan tangan dan jari (hand and finger Geometry recognition) Pengenalan iris(iris recognition) Pengenalan suara (voice recognition)
33
Tabel 2.2 Perbandinga teknologi biometric berdasarkan A.K. Jain
Universality Uniqueness Permanence Collectability Biometrics: Face H L M H Fingerprint M H H M Hand geometry M M M H Keystrokes L L L M Hand veins M M M M Iris H H H M Retinal scan H H M L Signature L L L H Voice M L L M facial thermograph H H L H Odor H H H L DNA H H H L Gait M L L H Ear recognition M M H M Performance Acceptability Biometrics: Face L H Fingerprint H M Hand geometry M M Keystrokes L M Hand veins M M Iris H L Retinal scan H L Signature L H Voice L H facial thermograph M H Odor L M DNA H L Gait L H Ear recognition M H Dimana : H
= High
M
= Medium
L
= Low
Universality
= menjelaskan seberapa umum sebuah biometric ditemukan pada setiap individual
34 Uniqueness
= Seberapa baik biometric membedakan seseorang
Permanence
= mengukur seberapa baik sebuah biometric melawan penuaan
Collectability = Kemudahan dalam pengukuran Performance = ketepatan, kecepatan Acceptabilty = derajat penerimaan teknologi
2.5.2.1 Pengenalan Sidik Jari
Pola pada sidik jari manusia adalah unik untuk setiap orang, termasuk pada kembar identik. Selama satu dekade terkahir, penegak hukum mengenali identitas dengan mencocokan pola pada sidik jari. Salah satu penggunaan teknologi biometric yang paling banyak digunakan adalah pengenalan sidik jari yang di implementasikan pada laptop dan pada Forensik. Kelebihan pada pengenalan sidik jari:
Pengguna mempunya banyak jari
Mudah digunakan
Beberapa sistem memerlukan kapasitas yang sedikit
Telah terbukti efektif
Pola sidik jari adalah unik dan akan bertahan seumur hidup
Kekurangan pada sistem pengenalan sidik jari: •
Persepsi publik buruk terhadap pengenalan sidik jari karena dapat menggangu privacy seseorang
35 •
Umur dan pekerjaan dapat menyebabkan sensor kurang dapat mendapatkan gambar sidik jari yang akurat
2.5.2.2 Pengenalan Wajah
Pengenalan wajah dapat dilakukan dengan berbagai cara seperti mengambil gambar wajah seseorang dengan menggunakan kamera yang tidak mahal atu menggunakan kamera dengan infra merah. Bagian tengah wajah merupakan fitur kunci dalam pengenalan wajah. Dengan menggunakan kamera, sistem akan mengekstrak fitur – fitur pada wajah yang tidak berubah dari waktu – kewaktu sembari menghindari fitur yang rendah seperti ekspresi wajah atau rambut. Beberapa pendekatan digunakan untuk pengenalan wajah diantaranya menggunakan Principal Component Analysis, Local Feature Analysis, Neural Networks, Elastic Graph Theory, dan Multi-resolution Analaysis. Beberapa tantangan dalam pengenalan wajah adalah mengurangi pengaruh cahaya dan mengenali wajah atau foto. Beberapa pengenalan wajah membutuhkan sebuah tempat atau alat khusus untuk pengambilan gambar wajah. Kelebihan pada sistem pengenalan wajah:
Tidak membutuhkan kontak fisik
Pada umumnya menggunakan kamera
Mudah bagi manusia untuk memastikan
Kekurangan pada sistem pengenalan wajah:
Gambar wajah yang ditangkap dapat rusak oleh rambut,
kaca mata, topi, scraf dan lain – lain
36
Sensitif terhadap perubahan cahaya, ekspresi dan pose dari
wajah
Kecondongan pengguna untuk merusak gambar wajah pada
saat pengambilan gambar wajah 2.5.2.3 Pengenalan tangan dan jari
Metode ini telah lama ada, sejak 20 tahun yang lalu. Untuk mengenali seseorang maka sistem akan mengukur karakteristik dari telapak tangan diantaranya:
Panjang telapak tangan
Lebar telapak tangan
Ketebalan telapak tangan
Permukaan telapak tangan
Salah satu daya tarik pengenalan tangan dan jari adalah beberapa sistem pengenalan tangan dan jari hanya membutuhkan beberapa byte. Pengenalan ini digunakan berbagai aplikasi diantaranya:
Aplikasi akses kontrol komersial
Aplikasi pemukiman
Sistem kehadiran
Kelebihan pada pengenalan tangan dan jari:
Mudah diambil
Dipercaya bahwa akan stabil selama usia dewasa
Kekurangan pada pengenalan tangan dan jari:
Penggunaan membutuhkan pelatihan
Tidak dapat membedakan pada database yang sangat besar
37
Sistem membutuhkan tempat fisik yang besar
2.5.2.4 Pengenalan Iris
Penggunaan iris sebagai sebagai alat untuk mengenali seseorang sudah sejak lama diusulkan. Pada tahun 1936 digagaskan oleh seorang ahli mata yaitu Frank Burch, MD. Kemudian dilanjutkan oleh dua orang ahli mata dari amerika serikat yaitu Leonard Flom dan Aran Safir pada tahun 1980. kemudian dipatenkan konsep daro Frank Bunch oleh Leonard Flom dan Aran Safir tetapi tidak dapat dikembangkan lagi oleh Leonard Flom dan Aran Safir. Sebagai penggantinya maka pada tahun 1994 John Daugman, seorang dosen dari cambridge university, mengembangkan algoritma pengenalan iris yang selanjutnya di pakai sebagai basis pengenalan iris pada saat ini. Pada pengenalan iris terdapat beberapa karakteristik yang sangat menarik yaitu iris dapat dilihat dari luar, terlindungi dari gangguan dari luar dan stabil untuk seumur hidup. Pola pada iris mata adalah unik berdasarkan pada pernyataan John Daugman yaitu: “An advantage the iris shares with fingerprints is the chaotic morphogenesis of its minutiae. The iris texture has chaotic dimension because its details depend on initial conditions in embryonic genetic expression; yet, the limitation of partial genetic penetrance (beyond expression of form, function, color and general textural quality), ensures that even identical twins have uncorrelated iris minutiae. Thus the uniqueness of every iris, including the pair possessed by one individual,
38 parallels the uniqueness of every fingerprint regardless of whether there is a common genome.”
Dan berdasarkan iridian Technologies (www.iridiantech.com) bahwa secara statistik kemungkinan satu iris sama dengan iris yang lain adalah 1 diantara 10 72 . Fitur yang digunakan adalah pola pada iris yang akan melewati bebagai teknik pengolahan citra dan kemudian merubahnya menjadi sebuah template biometric. Template biometric ini yang akan dicocokkan dengan template biometric input. Template biometric berisi informasi tentang iris. Keuntungan pada pengenalan iris:
Tidak diperlukan kontak fisik
Organ iris terlindungi
Kemungkinan kecil akan terluka
Dipercaya akan stabil seumur hidup
Kerugian pada pengenalan iris:
Sulit diambil gambar iris mata pada beberapa orang
Gambar iris mudah rusak dengan kelopak mata, bulu mata,
lensa kontak, dan pantulan cahaya pada kornea
Memerlukan pelatihan sebelum menggunakan pengenalan
iris
Tidak dapat dipastikan oleh manusia
39 2.5.2.5 Pengenalan Suara
Pengenalan suara sudah lama di teliti selama 4 dekade yang lalu. Pengenalan suara menggunakan fitur akustik yang telah terbukti pada setiap individu. Pola akustik ini mencerminkan anatomi dari mulut dan kerongkongan dan pola kebiasaan pada saat bicara. Pengenalan suara menerapakan beberapa gaya inputan yaitu:
Text-Dependent
Text-Prompted
Text-Independent Kebanyakan sistem pengenalan suara menggunakan Text-
Dependent dimana melibatkan pemilihan dan pemrosesan pada satu atau lebih password dalam bentuk suara. Text-Prompted digunakan untuk menditeksi penipu. Beberapa teknologi digunakan dalam memproses dan menyimpan template biometric tersebut menggunakan hidden makrov model, pattern matching algorithms, neural network, representasi matrix, dan decision tree. Beberapa sistem menggunakan teknik “anti-speaker” seperti cohort model dan world model. Kelebihan pada pengenalan suara adalah:
Diterima oleh publik
Tidak memerlukan kontak fisik
Menggunakan sensor yang sudah ada seperti telefon dan
mikrofon.
Bisa dilakukan jarak jauh
Kekurangan pada pengenalan suara adalah:
40
2.5.3
Sulit mengendalikan sensor
Sulit membedakan pada database yang sangat besar
Suara dapat berubah sesuai dengan penuaan
Penerapan Biometric
Biometric mempunyai dua fungsi yaitu:
Verifikasi Verifikasi digunakan pada saat memastikan data seseorang sudah ada pada database atau belum.
Identifikasi Identifikasi digunakan pada saat data seseorang sudah ada pada database dan menampilkan data seseorang.
Ada beberapa komponen pada biometric yang dibutuhkan secara umum dalam mengenali seseorang diantaranya:
Sensor Sensor digunakan untuk mengambil data yang diperlukan dan mengubahnya menjadi bentuk digital.
Signal Processing algorithm Signal Processing algorithm bekerja sebagai quality control terhadap data yang masuk dan mengubahnya menjadi template biometric.
Database Database
bekerja
biometric.
Matching Algorithm
sebagai
tempat
penyimpanan
template
41 Matching Algorithm digunakan untuk membandingkan template input dengan tempate database.
Decision Process Decision Process menggunakan hasil dari matching algorithm untuk menghasilkan keputusan
