BAB 2 LANDASAN TEORI
2.1 Inteligensia Semu Ada beberapa pendapat mengenai definisi artificial intelligence, antara lain: • Turban (1992, p3) Artificial intelligence adalah bagian dari ilmu komputer yang ditujukan untuk membuat software dan hardware menghasilkan sesuatu seperti yang dihasilkan manusia. • Rich dan Knight (1991, p3) Artificial intelligence adalah suatu bidang yang mempelajari bagaimana untuk membuat komputer melakukan sesuatu, yang pada saat ini, dapat dilakukan lebih baik oleh manusia. • Levine et al. (1990, p3) Artificial intelligence adalah suatu cara untuk membuat komputer dapat berpikir secara pintar. • Charniak dan McDermott (1984, p6) Artificial intelligence adalah kemampuan berpikir melalui model-model dan perhitungan atau komputasi.
6
Artificial intelligence dibagi atas beberapa sub disiplin ilmu yang mengkonsentrasikan pada bidang-bidang aplikasi yang berbeda, antara lain (Luger dan Stubblefield, 1993, p14) adalah: a. Permainan (games playing) b. Pertimbangan automata dan pembuktian teorema (automated reasoning and theorem proofing) c. Sistem pakar (expert system) d. Pemahaman
bahasa
alami
dan
model
semantik
(natural
language
understanding and semantic modeling) e. Permodelan penampilan manusia (modeling human performance) f. Robot (robotic) g. Perencanaan (planning) h. Mesin yang belajar (machine learning) i. Jaringan saraf (neural network) j. Proses distribusi secara paralel (parallel distributed processing)
2.2 Autentifikasi Autentifikasi adalah tindakan untuk menentukan atau mengkonfirmasi sesuatu (atau seseorang) sebagai otentik, yaitu klaim oleh atau mengenai objek (atau individu) tersebut adalah benar [http 2]. Autentifikasi terhadap seseorang pada umumnya mencakup verifikasi identitas orang tersebut.
6
Dalam computer security, autentifikasi adalah proses untuk memverifikasi identitas dari satu pihak dalam komunikasi, seperti permintaan login oleh user. Pihk yang diautentifikasi bisa seseorang yang menggunakan komputer, komputer itu sendiri, atau sebuah program aplikasi. Metode-metode autentifikasi yang digunakan manusia dibagi menjadi tiga : a.
User itu sendiri/biometrik (sidik jari, retina, DNA, iris, tandatangan)
b.
Sesuatu yang dimiliki (kartu pengenal)
c.
Sesuatu yang diingat (password, PIN)
Penggunaan metode-metode tersebut seringkali dikombinasikan seperti pada penggunaan kartu ATM, dimana dilakukan kombinasi penggunaan kartu pengenal dan PIN.
2.3 Biometrik Biometrik berasal dari kata “Bios” yang berarti hidup dan “Metron” yang berarti pengukuran. Biometrik adalah teknologi yang memfokuskan untuk mengidentifikasi seseorang lewat ciri-ciri fisik khasnya ataupun karakteristik tingkah lakunya [http 3]. Biometrik pertama kali digunakan di Cina pada abad ke 14. Seorang penulis bernama Joao de Barros menulis bahwa pedagang-pedagang Cina pada masa itu menstempel telapak tangan dan telapak kaki anak kecil pada kertas, untuk membedakan satu anak dengan yang lain. Di Barat identifikasi pada awalnya hanya bergantung pada ingatan fotografis, sampai seorang petugas polisi dan
antropologis
Perancis,
Alphonse 6
Bertillon,
mengembangkan
sistem
antropometrik (dikenal juga dengan Bertillonage) pada tahun 1883. Sistem tersebut adalah sistem ilmiah pertama yang digunakan secara luas untuk mengidentifikasi kriminal, menjadikan biometrik sebagai sebuah bidang studi. Sistem tersebut bekerja dengan cara mengukur tinggi dan lebar dari kepada dan badan seseorang secara tepat, dan mencatat ciri-ciri khas tertentu dari fisik seseorang seperti tato ataupun bekas luka. Sistem Bertillon digunakan secara luas di dunia Barat, sampai banyak ditemukan kelemahan dalam sistem tersebut. Setelah itu polisi-polisi Barat berpaling pada sidik jari. Biometrik memberikan solusi yang lebih baik untuk kebutuhan keamanan yang lebih tinggi daripada metode-metode autentifikasi yang sudah ada saat ini (password, PIN, kartu identitas). Dengan menggunakan sistem autentifikasi berbasis biometrik, user tidak perlu mengingat password, PIN, atau membawa kartu identitas. Pengunaan sistem berbasis biometrik juga akan mengurangi penipuan dan akses-akses yang tidak diinginkan. Biometrik yang sudah digunakan secara luas pada bidang forensik seperti identifikasi kriminal dan keamanan penjara, memiliki potensi besar untuk digunakan pada aplikasi-aplikasi umum. Pada umumnya sistem biometrik bekerja pada empat tahap: a. Capture
: data-data fisik ataupun tingkah laku di-capture oleh sistem.
b. Ekstraksi Fitur : ciri unik dari data diekstrak dengan menggunakan algoritma tertentu, dan menciptakan sebuah template yang disimpan dalam database.
6
c. Pembandingan
: sistem membandingkan template pada database dengan
template yang didapat dari data baru. Proses pembandingan meliputi perhitungan Hamming distance. Performa dari sebuah biometrik pada umumnya diukur dari tingkat kesalahan penerimaan (false accept rate / FAR) ,tingkat kesalahan penolakan (false reject rate / FRR) dan equal error rate (EER). Tingkat kesalahan penerimaan mengukur persentase pengguna tidak sah yang diautentifikasi sebagai pengguna yang sah. Tingkat kesalahan penolakan merupakan persentase pengguna yang sah ditolak dalam autentifikasi. Sedangkan EER adalah tingkat dimana FAR dan FRR memiliki nilai yang sama. Semakin rendah nilai EER maka sistem tersebut semakin akurat. Biometrik fisik yang umum mencakup sidik jari, bentuk telapak tangan, retina, iris, dan wajah. Sedangkan biometrik karakter tingkah laku mencakup tanda tangan, suara (juga mengandung karakteristik fisik), dan pola pengetikan, yang ditunjukkan pada Tabel 2.1 berikut ini.
6
Metode Penngenalan Iris Pengenalan sidik jari Bentuk tangan Pengenalan wajah
Tanda tangan Suara
Pola
Tingkat Kesalahan
Keamanan
Pola iris
1/1,200,000
Tinggi
Aplikasi High-security facilities
Pola sidik jari Ukuran, panjang, dan ketebalan telapak tangan Outline, bentuk dan distribusi dari mata dan hidung Bentuk huruf, urutan penulisan, dan tekanan Karakteristik suara
1/1,000
Sedang
Universal
1/700
Rendah
Low-security Facilities
1/100
Rendah
Low-security Facilities
1/100 1/30
Rendah Rendah
Low-security Facilities Pelayanan telepon
Tabel 2.1 Tabel Biometrik
2.3.1 Sidik Jari Pengenalan sidik jari adalah teknologi biometrik yang paling umum dan dipakai secara luas pada berbagai aplikasi, dan merupakan metode identifikasi yang sudah dipakai sejak 100 tahun yang lalu. Sidik jari terbentuk dari kumpulan ridges dan furrows pada permukaan ujung jari. Keunikan sidik jari ditentukan dari pola-pola ridges, furrows dan juga titik-titik minutiae. Pada masa lalu sidik jari disimpan dengan cara mebubuhkan tinta ke ujung jari dan menekan jari tersebut ke kertas sehingga pola sidik jari tercetak. Pada masa kini sudah dimungkinkan untuk pemindaian sidik jari ke dalam penyimpanan virtual dalam komputer dengan bantuan teknologi laser. Untuk mengidentifikasi, sidik jari seseorang akan dipindai menggunakan alat yang sama, dan kecocokan antara sidik jari dan nama orang tersebut akan diverifikasi oleh sistem.
6
2.3.2 Telapak Tangan Pengenalan telapak tangan meliputi analisis dan pengukuran dari bentuk geometri telapak tangan. Biometrik ini menawarkan karakteristik performa dan relatif mudah digunakan. Pengenalan telapak tangan pertama kali digunakan di Wall Street untuk kepentingan keamanan lebih dari 20 tahun yang lalu. Budaya manusia yang menawarkan tangan sebagai tanda persahabatan ataupun pengikatan pernjanjian, membuat sistem pengenalan telapak tangan diterima secara luas di kantor-kantor, pabrik-pabrik, dan lingkungan perusahaan lainnya.
2.3.3 Retina Biometrik berbasis retina mencakup analisa dari pembuluh darah yang terletak pada belakang mata. Teknologi ini menggunakan sumber cahaya bertekanan rendah untuk memindai pola yang unik dari retina. Biometrik berbasis retina merupakan salah satu sistem biometrik yang paling akurat. Walaupun memiliki tingkat keakurasian yang tinggi, biometrik berbasis retina seringkali dipandang sebagai teknik yang intrusive dan kurang nyaman digunakan , dikarenakan subjek pengguna diharuskan untuk berdiri diam dalam jarak yang dekat dengan alat pemindai, ataupun untuk subjek yang menggunakan kacamata. Hal-hal tersebut menyebabkan biometrik retina kurang diterima secara hangat oleh pengguna, biarpun teknologinya sendiri dapat bekerja dengan baik.
6
2.3.4 Iris Biometrik berbasis iris mencakup analisis dari fitur-fitur yang ditemukan pada lapisan berwarna yang mengelilingi pupil mata untuk mengidentifikasi seseorang. Iris adalah area berpigmen pada mata manusia Pemindaian iris lebih nyaman digunakan karena menggunakan kamera yang cukup konvensional dan pengguna tidak memerlukan kontak jarak dekat antara user dengan alat pemindai. Biometrik iris dapat digunakan untuk pengguna yang memakai kacamata. Teknologi pemindaian iris pertama kali digunakan pada mesin ATM di Inggris, Jepang, dan Jerman sejak 1997.
2.3.5 Wajah Pengenalan wajah menganalisis bentuk unik, pola dan penempatan posisi dari fitur-fitur wajah seseorang. Ada dua metode untuk memproses data : video dan pencitraan thermal. Teknik video standar berbasis pada citra wajah seseorang yang diambil oleh kamera video. Teknik pencitraan thermal menganalisa tingkat panas yang dikeluarkan pembuluh-pembuluh darah dibawah permukaan kuliat wajah. Sistem biometrik wajah masih memiliki banyak masalah, beberapa diantaranya yaitu tidak mampu membedakan kembar identik, tidak mampu membedakan seseorang yang memakai atau tidak memakai kacamata. Teknologi ini sudah dipakai digunakan salah satunya di industri kasino untuk menciptakan database wajah penipu-penipu untuk deteksi dini dari petugas keamanan.
6
2.3.6 Tanda Tangan Verifikasi tanda tangan menganalisis cara-cara seseorang membuat tanda tangan. Fitur-fitur yang ada seperti kecepatan, sudut penulisan, urutan penulisan dan tekanan sama pentingnya dengan bentuk akhir dari tanda tangan tersebut. Tanda tangan sudah lama digunakan sebagai verifikasi identitas berbasis transaksi, sehingga cukup diterima ketika dikembangakan dalam teknologi biometrik. Pengenalan tanda tangan sudah digunakan secara luas, salah satu contoh utama adalah pada penggunaan kartu kredit.
2.3.7 Suara Pengenalan suara adalah biometrik yang mengenali seseorang berdasarkan karakteristik suara orang tersebut. Fitur-fitur unik dari suara seseorang di-digitasi dan dibandingkan dengan sampel suara orang tersebut yang sudah direkam sebelumnya. Pengenalan suara merupakan hal yang berbeda dengan pengenalan kata karena pengenalan suara tidak mengenali kata yang diucapkan tersebut, melainkan mengenali individu yang mengucapkan kata tersebut. Pengenalan suara dipengaruhi oleh banyak faktor seperti kualitas suara, noise, ataupun kondisi kesehatan pengguna, seseorang yang sedang terkena penyakit flu akan menghadapi kesulitan menggunakan sistem yang berbasis pengenalan suara.
6
2.3.8 Pola pengetikan Pola pengetikan menganalisis cara seseorang mengetik. Teknologi ini masih cukup baru dalam biometrik. Pengguna dikenali dengan mengetik kata atau katakata tertentu sebanyak beberapa kali. Pengenalan dilakukan berdasarkan konsep bahwa seseorang mengetik dengan pola/ritme yang tetap.
2.4 Mata Manusia Pada Gambar 2.1 terdapat gambar mata manusia secara garis besar yang dibedakan menjadi beberapa bagian yaitu : 1. Dinding bola mata : a. Sklera : yaitu jaringan ikat kolagen, kenyal, dan memiliki tebal 1 mm. b. Kornea : berbentuk seperti lingkaran, jernih, sebagai tempat masuknya cahaya, memiliki diameter 12 mm, tebal 0,6 -1 mm dan terdiri dari lima lapisan. 2. Isi bola mata : a. Lensa : bening, bikonveks, memiliki tebal 5 mm, berfungsi untuk membiaskan cahaya. b. Uvea : -
Iris : membran berwarna berbentuk sirkular. Iris memiliki lubang ditengah yang disebut pupil yang berfungsi mengatur banyak sedikit cahaya yang masuk.
-
Korpus siliaris 6
-
Koroid
c. Badan kaca/korpus vitreous d. Retina : membran tipis tempat penyebaran serabut saraf optic, terletak diantara badan kaca dan koroid.
Gambar 2.1 Skema Mata
2.4.1 Iris Iris manusia berfungsi untuk mengatur keluar masuknya cahaya pada pupil. Iris mulai terbentuk pada bulan ketiga gestasi. Struktur yang membentuk pola unik iris terbentuk secara sempurna pada bulan kedelapan gestasi, namun pigmentasi terus berlanjut sampai tahun pertama setelah kelahiran. Warna iris ditentukan sebagian besar dari kepadatan stroma dan kandungan melaninnya. Iris adalah salah satu organ internal dari mata, terletak dibelakang kornea dan aqueous humor, namun masih didepan lensa mata, seperti yang terlihat pada Gambar 2.2. Citra dari sebuah iris yang masih dapat dipakai untuk pengenalan, bisa diambil dari sejauh kurang lebih satu meter.
6
Gambar 2.2 Anatomi iris manusia
Fitur yang dapat terlihat dari sebuah iris tampak pada trabeculum, sebuah meshwork dari lapisan-lapisan yang saling berhubungan yang menampilkan arching ligaments, crypts, contraction furrow, corona, pupillary fills, coloration dan freckles. Lapisan anterior yang bergaris menyelimuti trabecular meshwork menciptakan tekstur predominant yang bisa terlihat, variasi-variasi angular dan radial tersebut secara keseluruhan membentuk sebuah pola unik. Salah satu ciri iris yang juga dimiliki sidik jari adalah morfogenesis yang acak dari minutiae-nya. Detil-detil morfogenesis iris bergantung pada kondisikondisi awal pada saat pembentukannya pada mesoderm embrionik, karena itu bahkan pada dua iris yang memiliki genotipe genetik yang sama (seperti pada kembar identik, pasangan iris pada seseorang) pun memiliki pola yang berlainan. Bila dibandingkan dengan fitur biometrik yang lain seperti wajah atau sidik jari, pola iris lebih memiliki keunikan dan stabil seiring dengan berjalannya waktu.
6
Sifat-sifat iris yang memungkinkannya untuk digunakan dalam sistem autentifikasi tingkat tinggi adalah : 1. Terlindung dan terisolasi dari lingkungan luar 2. Mustahil untuk mengubah/memodifikasi iris melalui operasi tanpa tingkat resiko yang tinggi pada penglihatan. 3. Respon fisiologis terhadap cahaya. 4. Kemudahan mendapatkan citra iris pada jarak tertentu dari subjek, tanpa memerlukan kontak fisik. 5. Pola iris yang memiliki derajat keunikan yang tinggi, menciptakan variabilitas antar subjek sebanyak kurang lebih 250 derajat keunikan (degree-of-freedom), dan kepadatan informasi (entropi) sebesar 3,2 bit per millimeter persegi.
2.5 Citra (Image) Citra adalah array dari nilai-nilai dimana sebuah nilai merupakan sekumpulan angka yang mendeskripsikan atribut dari pixel yang terdapat di dalamnya. Berdasarkan Windows Xp Glossary [http 1], “A stored description of a graphic image either as a set of brightness and color values of a pixels or as a set of instructions for reproducing the picture.” Menyatakan bahwa image adalah deskripsi dari gambar grafik yang tersimpan sebagai kumpulan nilai warna dan brightness dari pixel atau kumpulan intruksi untuk menghasilkan gambar.
6
2.5.1 Piksel Menurut Oliver et al. (1996, p4) “Your computer display images as a two dimensional collection of dots, called pixels”. Menyatakan piksel adalah titik yang merupakan penyusun dari image yang ditampilkan komputer. Piksel adalah unsur citra yang menunjuk pada satuan terkecil yang dapat diamati dalam grafik. Pada citra berformat bitmap, piksel adalah titik-titik yang digunakan untuk membangun citra. Piksel terdiri atas tiga komponen warna yaitu R (red), G (green), dan B (blue), masing-masing komponen tersebut merupakan warna dasar cahaya.
2.5.2 Citra Bitmap Citra Bitmap adalah data diskrit (berhingga) yang mendefinisikan sebuah citra yang didasarkan pada relasi one-to-one terhadap pixel-pixel yang membentuk citra tersebut pada layar monitor komputer. Citra Bitmap biasanya diturunkan dari model grafik vektor jenis lain dari grafik komputer yang didefinisikan secara matematis dan dapat ditransformasi tanpa mengurangi kualitasnya. Sebuah citra bitmap dipetakan ke atas grid-grid pixel. Ukuran grid tergantung pada resolusi citra. Misalnya, citra berbasis bitmap seukuran 1 inci x 1 inci dengan resolusi 600 dpi (dot per inch) akan dipetakan pada grid berukuran 600 x 600 pixel. Dengan demikian, sebuah citra bitmap adalah seperti mosaik dari pixel-pixel dengan setiap pixelnya memiliki nilai warna tertentu. Citra bitmap tidak dapat diperbesar ataupun diperkecil dan juga tidak dapat ditransformasi seperti halnya grafik vektor.
6
2.5.3 Pengolahan Citra Pengertian pengolahan citra (image processing) berdasarkan Windows Xp Experiences Glossary [http 1], “The analysis, storage, and display of graphical images from sources such as photographs, drawings, and video”. Disebutkan bahwa pengolahan citra adalah analisis, manipulasi, penyimpanan, dan tampilan dari citra grafik yang bersumber dari fotografi, lukisan, dan video. Pengolahan citra terdiri dari tiga urutan langkah. Tahap masukan (image ditangkap/di-capture dan digitalisasi) mengubah perbedaan warna dan bayangan pada gambar ke dalam nilai biner yang dapat diproses komputer. Tahap proses dapat melibatkan image enchantment (seperti grayscaling dan edge detection) dan kompresi data. Tahap keluaran terdiri dari tampilan atau cetakan dari image yang diproses. Pengolahan citra digunakan pada beberapa aplikasi seperti televisi, bioskop, pengobatan, pemetaan cuaca, dan berbagai pengenalan pola.
2.6 Pengenalan Pola Pattern recognition yang berarti pengenalan pola, dimana dalam hal ini komputer dapat mengetahui atau mengenai suatu bentuk pola (pattern). Ada dua macam pola, yaitu abstrak dan konkrit. Contoh dari pola abstrak adalah ide-ide dan argument-argumen, conceptual recognition yang digunakan dalam artificial intelligence. Sedangkan contoh pola yang tidak termasuk pola konkrit adalah karakter, symbol, gambar, gambar-gambar dari biomedical, objek tiga dimensi, misalnya tanda tangan atau suara. 6
Ada tiga fase dalam pengenalan pola: a. Data acquisition, yaitu analog yang sudah dikumpulkan, dilewatkan ke transducer dan dikonversi menjadi format digital untuk diproses oleh komputer. Pada tahap ini, physical variables dikonversikan menjadi sebuah data set oleh electric signal. b. Data processing, input fase ini adalah data set dari hasil data acquisition, kemudian dibuat menjadi sebuah kelompok karakteristik set sebagai output. c. Decision classification, sebagai pengklasifikasian dalam bentuk decision function set.
2.7 Transformasi Hough Transformasi Hough adalah teknik yang dipakai untuk mengisolasi fitur-fitur dari bentuk tertentu dalam sebuah citra. Transormasi Hough klasik pada umumnya dipakai untuk mendeteksi bentuk-bentuk yang umum seperti garis, lingkaran, atau ellips. Transformasi Hough yang digeneralisasi (Generalized Hough Transform) dipakai pada aplikasi-aplikasi dimana analisis deskripsi dari fitur yang sederhana tidak mungkin dilakukan. Salah satu keunggulan utama dari Transformasi Hough adalah toleransinya terhadap perbedaan (gap) deskripsi batas-batas fitur dan kurang dipengaruhi oleh noise. Pada aplikasi ini, Transformasi Hough circular digunakan untuk melakukan segmentasi untuk mendapatkan radius dan koordinat pusat dari area iris dan pupil. Pertama-tama sebuah edge map di-generate dengan mengkalkulasi nilai intensitas 6
pada citra mata lalu melakukan thresholding pada hasilnya. Dari edge map tersebut nilai-nilai yang didapat, dimasukkan dalam Hough space untuk mendapatkan parameter-parameter dari lingkaran-lingkaran yang melewati edge point. Parameter-parameter tersebut adalah koordinat pusat x, y, dan radius r, dimana parameter-parameter tersebut bisa digunakan untuk mendefinisikan lingkaran dengan rumus : x2 + y2 - r2 = 0 Titik maksimum dari Hough space akan menentukan radius dan koordinat pusat lingkaran yang didefinisikan paling baik oleh edge point. Dalam melakukan deteksi sisi (edge detection), deteksi horizontal dilakukan untuk mendeteksi kelopak mata, dan deteksi vertikal dilakukan untuk mendeteksi batas circular dari iris. Dengan hanya menggunakan gradien vertikal untuk mendeteksi batas iris akan mengurangi pengaruh kelopak mata ketika Tranformasi Hough circular dilakukan.
2.8 Model Rubber Sheet Daugman Model rubber sheet dikembangkan oleh Daugman (Daugman, 2000) untuk melakukan proses normalisasi pada citra region iris. Model rubber sheet memetakan tiap titik dalam region iris menjadi pasangan koordinat polar (r, theta) dimana r ada pada interval 0-1 dan theta adalah sudut (2 phi). Pemetaan region iris dari koordinat Kartesius (x,y) menjadi representasi polar non-konsentrik didefinisikan sebagai berikut : 6
I ( x ( r, theta ), y ( r, theta ) ) ) -> I ( r, theta ) dengan : x ( r, theta ) = ( 1 – r ) xp (theta) + rx1( theta ) y ( r, theta ) = ( 1 – r ) yp (theta) + ry1( theta ) dimana I ( x, y ) adalah citra region iris, ( x, y ) adalah koordinat Kartesius awal, (r, theta) adalah koordinat polar yang ternormalisasi, dan xp , yp , x1 , y1 adalah koordinat batas pupil dan iris sepanjang arah theta. Model rubber sheet tetap memperhitungkan perubahan ukuran dari pupil dan inkonsistensi ukuran supaya bisa menghasilkan sebuah representasi ternormalisasi dengan dimensi yang konstan.
2.9 Filter Gabor Filter Gabor dikonstruksikan dengan memodulasi sebuah gelombang sinus/cosinus dengan sebuah Gaussian, sehingga dapat memberikan lokalisasi gabungan yang optimal dalam ruang dan frekuensi. Modulasi gelombang sinus dengan Gaussian memberikan lokalisasi dalam ruang, namun menghilangkan lokalisasi dalam frekuensi. Dekomposisi dari sebuah signal dilakukan dengan sepasang filter Gabor quadrature, dengan bagian real dispesifikasikan oleh sebuah gelombang cosinus yang dimodulasi dengan Gaussian, dan bagian imaginary dispesifikasikan oleh sebuah gelombang sinus yang dimodulasi dengan Gaussian. Filter real dan imaginary dikenal juga dengan komponen even symmetric dan odd symmetric. 6
Filter Gabor digunakan untuk mengenkode data pola iris. Filter Gabor dari image (x, y) adalah :
dengan (xo, yo) merupakan posisi pada citra, (alpha, beta) menspesifikasikan lebar dan panjang efektif, dan (uo, vo) sebagai modulasi, yang memiliki frekuensi spasial wo = akar(u02 + vo2). Filter Gabor dalam bentuk polar sebagai berikut :
dimana (ro, theta o) adalah pusat frekuensi dari filter. Filter Gabor dalam skala logaritmik yang disebut juga Log-Gabor Filter sebagai berikut :
dimana f0 merupakan pusat frekuensi. Hasil dari filter didemodulasi untuk mengkompres ukuran data. Demodulasi dilakukan dengan melakukan kuantisasi fase ( phase quantization ) informasi kedalam empat level, sesuai dengan jumlah kuadran. Menurut Oppenheim dan Lim (Oppenheim dan Lim, 1981), fase informasi memiliki informasi paling banyak dalam sebuah citra. Empat level ini direpresentasikan dengan 2 bit dari data, sehingga setiap piksel dari pola iris yang ternormalisasi menunjuk pada 2 bit data dalam template iris. Sejumlah 2.048 bit dikalkulasi untuk template tersebut, dan masking bit dengan jumlah yang sama di-generate untuk menyaring region iris 6
yang rusak, sehingga menghasilkan template yang memiliki efisiensi ruang sebesar 256 byte. Proses demodulasi dan kuantisasi fase direpresentasikan sebagai berikut :
dimana h{Re,Im} sebagai sebuah bit bernilai kompleks yang komponen real dan imaginary-nya bergantung pada tanda dari integral 2D, dan I ( p , o ) adalah citra iris dalam sebuah koordinat polar.
2.10 Hamming Distance Dalam teori informasi, Hamming distance antara dua string yang memiliki panjang yang sama adalah angka-angka dari posisi dimana terdapat simbol-simbol yang berbeda. Dengan kata lain, Hamming distance mengukur jumlah substitusi yang diperlukan untuk mengubah satu string menjadi string yang lain, atau jumlah error yang mengubah satu string menjadi string yang lain. Dua string yang sama mempunyai Hamming distance nol dan dua string yang benar-benar berbeda mempunyai Hamming distance satu. Gambar 2.3 adalah grafik Hamming Distance.
6
Gambar 2.3 Grafik Hamming Distance
Hamming
distance
dinamakan
dari
Richard
Hamming,
yang
memperkenalkannya pada esainya mengenai pendeteksian error dan kode-kode pengkoreksian error. Digunakan pada bidang telekomunikasi untuk menghitung jumlah bit yang terbalik pada sebuah kata binary sebagai perkiraan kesalahan. Hamming weight dari sebuah string adalah Hamming distance string tersebut dari string kosong (string yang berisi nol) dengan panjang yang sama. Rumus Hamming distance adalah :
dimana Xj dan Yj adalah 2 template bit-wise yang akan dibandingkan. Xnj dan Ynj adalah mask noise yang berhubungan dengan Xj dan Yj. N adalah jumlah bit tiap template.
6
2.11 Pengenalan Iris Pengenalan iris menganalisa karakteristik dan fitur-fitur unik dari iris manusia
untuk
mengenali
seseorang.
Teknologi
pengenalan
iris
mengkombinasikan computer vision, pengenalan pola, inferensi statistika, dan optik. Pengenalan iris bertujuan untuk melakukan autentifikasi pada seseorang dengan melakukan analisa matematis dari pola acak yang terlihat pada iris manusia dengan tingkat akurasi yang tinggi. Iris merupakan organ internal yang pola acaknya stabil sepanjang hidup, sehingga bisa digunakan sebagai “password” yang tidak perlu diingat tapi selalu ada.
2.11.1 Prinsip Pengenalan Iris Pada umumnya sistem pengenalan iris menggunakan sebuah kamera, yang ditempatkan dengan jarak kurang lebih satu meter, menggunakan pencahayaan infra merah dan mengambil sebuah citra dengan resolusi tinggi. Sistem tersebut juga melakukan pengecekan apakah mata tersebut adalah mata yang hidup, dengan cara mengecek perubahan pada ukuran pupil. Citra mata yang ditangkap kemudian diproses untuk mendeteksi iris. Citra iris lalu diekstraksi fitur-fitur pentingnya, menjadi kode-kode digital yang disebut dengan tempate iris, yang akan disimpan untuk digunakan kembali di masa yang akan datang untuk keperluan pengenalan.
6
Sistem pengenalan iris memiliki tingkat kesalahan penerimaan yang sangat rendah yaitu 1/1.200.000, sedangkan tingkat kesalahan penolakan, jumlah pengguna sah yang ditolak sistem, hampir mencapai tingkat 0 %.
2.11.2 Keunggulan dan Kelemahan Pengenalan Iris Beberapa keunggulan sistem pengenalan iris adalah : a. Iris sebagai organ internal mata cukup terlindungi. b. Dapat dilihat dari luar, sehingga memudahkan proses pengambilan citra. c. Pola iris memiliki derajat keunikan yang sangat tinggi. d. Pola iris stabil sepanjang hidup. e. Hampir mustahil untuk mengimitasi sebuah iris. Beberapa kelemahan sistem pengenalan iris : a. Ukuran kecil (1 cm) b. Iris terletak di belakang permukaan yang basah dan memantulkan cahaya. c. Gangguan berupa bulu mata, lensa, dan refleksi cahaya. d. Membutuhkan kooperasi dari subjek yang akan diautentifikasi.
2.11.3 Penerapan Sistem Pengenalan Iris Sistem pengenalan iris telah banyak dipakai diberbagai bidang aplikasi. Aplikasi-aplikasi yang sudah menggunakan sistem pengenalan iris antara lain untuk keamanan penerbangan, mengontrol akses-akses terbatas pada bandar udara, akses database, dan yang lainnya. Pada beberapa bandar udara internasional, 6
seperti Heathrow di London, Schipol Amsterdam, Frankfurt dan Athena, telah menggunakan sistem ini untuk pengecekan penumpang dan pengontrolan imigrasi. Penggunaan sistem pengenalan iris terbesar adalah di Uni Emirat Arab (UEA), dimana setiap hari dilakukan dua milyar pembandingan iris. Setiap pendatang yang tiba di 17 bandar udara dan pelabuhan akan diambil citra irisnya, dikomputasi dan dibandingkan dengan dengan seluruh data-data iris yang ada pada database. Teknologi pengenalan iris juga sangat mungkin diterapkan pada aplikasiaplikasi lainnya dimana identitas seseorang harus dikonfirmasi, seperti keamanan informasi, akses masuk ke bangunan, menyalakan mesin mobil, akses network, dan transaksi-transaksi lainnya dimana autentifikasi personal masih bergantung pada sesuatu yang kita ingat atau punya (kunci, kartu, dokumen, password, PIN). Penerapan sistem pengenalan iris diterapkan pada beberapa negara-negara seperti yang terdapat pada Tabel 2.2 berikut ini. Deskripsi proyek Iris in Pakistan
Lokasi Pakistan
Sektor Pemerintah
Iris Pilot – Logan
Massachusets
JFK Iris Pilot
New York
City Hospital of Bad Reichenhall in Bavaria Singapore Border Crossing UK Passport Office Iris Pilot
Jerman
Travel Transportasi Travel Transportasi Kesehatan
Singapore
Imigrasi
Inggris
Identitas
Venerable Bede (UK) School - Iris
Inggris
Ritel/ATM/POS
dan dan
Deskripsi Untuk melakukan tracking atas pengungsi Afghanistan yang telah menerima sumbangan dari UNHCR. Digunakan untuk akses keamanan pada kantor. Untuk melindungi akses ke pintu tarmac. Kontrol akses ke kamar bayi untuk mencegah penculikan Kontrol pekerja harian Malaysia yang memasuki Singapura setiap harinya. Proyek uji coba selama 6 bulan untuk mengetahui penerimaan masyarakat pada iris sebagai identitas. Digunakan murid-murid sekolah untuk check-out dari perpustakaan dan pembayaran pada kantin.
Tabel 2.2 Tabel Penerapan Sistem Iris 6
2.12 Interaksi Manusia dan Komputer IMK adalah disiplin ilmu yang berhubungan dengan perancangan, evaluasi, dan implementasi sistem komputer interaktif untuk digunakan oleh manusia.
2.12.1 Ciri-ciri Software yang Baik Menurut Shneiderman (1998, p15) ada lima ciri-ciri software yang baik, yaitu: 1. Time to learn (waktu untuk mempelajari). 2. Speed of performance (kecepatan dalam pembuatan). 3. Rate of errors by user (rating terjadinya kesalahan oleh pengguna). 4. Retention over time (memori lebih). 5. Subjective satisfication (kepuasan subyektif)
2.12.2 Delapan Aturan Emas User Interface Menurut Shneiderman (1998, p74-75), ada delapan jenis aturan emas dalam tentang user interface, yaitu : 1. Berusaha keras untuk konsisten. 2. Memungkinkan frequent user menggunakan shortcut. 3. Memberikan feedback yang informatif. 4. Merancang dialog untuk menghasilkan keadaan akhir. 5. Menyediakan pencegahan error dan penanganan error yang sederhana (control error).
6
6. Mengijinkan pembalikan aksi (undo) dengan mudah. 7. Pengontrolan terletak pada pengguna sendiri. 8. Mengurangi beban ingatan jangka pendek.
2.12.3 Usability Test Menurut Shneiderman (1998, p130), usability test meliputi: -
Kebebasan fakultatif untuk berpartisipasi dalam eksperimen.
-
Kemajuan informasi agar tugas akan selesai dan prosedur yang akan diikuti.
-
Kesempatan bertanya dan mempunyai jawaban atas pertanyaan itu untuk kepuasan (satisfied).
-
Konsentrasi dan melanjutkan pastisipasi kapan saja, tanpa prasangka pada laporan di masa depan.
-
Penegasan untuk semua statement dan memberikan prioritas bagi partisipasi dalam studi.
6
