BAB I PENDAHULUAN
1.1 Latar Belakang dan Permasalahan Sistem biometrika pada dasarnya bergantung pada bentuk yang bervariasi secara acak yang dimiliki manusia (Daugman, 2002). Berbeda dengan identifikasi personal sistem keamanan biometrika tidak membutuhkan password yang dibuat atau diberikan orang lain tetapi menggunakan pengukuran biometrika milik individu seperti sidik jari, geometri tangan, dan iris sehingga kemungkinan dicuri, hilang, dilupakan, atau dipalsukan sangat kecil (Zhou, 2009). Perbandingan dari berbagai sistem pengenalan biometrika menunjukkan bahwa iris sangat stabil, handal dan aman (Tiwari, dkk., 2012). Tujuan dari pengenalan iris sebagai teknologi berbasis biometrika untuk identifikasi manusia dan verifikasi adalah untuk mengenali seseorang dari cetak irisnya (Kayte, dkk., 2012). Kebutuhan akan akurasi identifikasi manusia telah berkembang dari waktuke waktu untuk tujuan keamanan dan pemeriksaan identitas (Khan, dkk., 2012). Namun ketika citra iris mengandung faktor-faktor non-ideal akan menyulitkan pada saat segmentasi iris (Roy, 2011) sehingga berakibat menurunnya akurasi sistem pengenalan iris (Rashad, dkk., 2007 ; Daugman, 2003; Ma, dkk., 2003). Citra iris non-ideal adalah citra iris yang mengandung faktor-faktor non-ideal (Vatsa, 2008 ; Roy, dkk., 2010 ; Roy, 2011) yang meliputi eyelid occlusion, eyelash occlusion, specular reflection, lighting reflections, poor focus, completely closed
and
partialy
opened
eye,
off
angle
gaze,
motion
blur,
nonelliptical/noncircular shapes of the iris/pupil (Zhou, 2009 ; Roy, dkk., 2010 ; Roy, 2011 ; Rashad, dkk., 2011 ; Suganthy, dkk., 2012). Oleh karena itu dibutuhkan metode segmentasi iris yang sesuai untuk citra iris non-ideal. Menurut Daugman (1993) dan Ezhilarasan, dkk.,(2010) informasi pola iris tersebar secara acak dan tidak merata pada wilayah iris, tetapi perlu diketahui bahwa terdapat karakteristik iris yang terkonsentrasi pada wilayah dekat pupil.
1
2
Oleh karena itu pengenalan iris yang baik dapat diperoleh dengan hanya menganalisis 50% atau kurang dari wilayah iris yang tersedia. Hal ini didukung oleh penelitian yang dilakukan oleh Vatsa, dkk., (2008) yang menggunakan sebagian wilayah iris yaitu bagian kiri dan bagian kanan, Gopikrishnan dan Santhanam (2011b) dalam penelitiannya menggunakan ¼ ukuran iris
untuk
mempercepat image processing. Murugan dan Savithiri (2010), Murugan dan Savithiri (2011a, 2011b) dalam penelitian mereka membagi wilayah iris dalam empat kategori yaitu internal region, external region, lower region dan upper region. Hasil penelitian mereka menunjukkan hasil yang baik namun pemilihan wilayah tersebut masih rentan terhadap noise/adanya faktor-faktor non-ideal misalnya specular reflection, lighting reflection, eyelid occlusion, eyelash occlusion, dll. Gangguan bulu mata (eyelash occlusion) dan kelopak mata (eyelid occlusion) merupakan masalah yang paling sering muncul dalam sistem identifikasi iris dikarenakan keduanya merupakan bagian dari mata, sama seperti iris. Sehingga diperlukan proses preprocessing yang lebih banyak dalam rangka menghilangkan gangguan tersebut agar tidak mengganggu proses segmentasi maupun proses selanjutnya yang dapat berakibat menurunnya akurasi sistem identifikasi iris. Oleh karena itu diperlukan pemilihan wilayah iris yang tidak rentan terhadap
gangguan
tersebut sehingga dapat mengurangi proses
preprocessing dalam sistem identifikasi iris mata. Permasalahan lain yang sangat mempengaruhi kinerja pengenalan iris adalah pada proses pencocokan. Penggunaan algoritma yang tepat dalam proses pencocokan akan meningkatkan akurasi dan efisiensi proses pengenalan iris. Beberapa penelitian telah dilakukan menggunakan beberapa metode pencocokan yaitu HD, ED dan HDD yang dilakukan oleh Kayte, dkk., (2012), Roy, dkk., (2010) Gopikrishnan dan Santhanam (2011a), Raghavi dan Priya (2011), Ezhilarasan, dkk., (2010), Boyd, dkk., (2010), Chen, dkk., (2009), Harjoko, dkk., (2009) namun beberapa penelitian menggunakan machine learning seperti yang dilakukan oleh Khan, dkk., (2012), Chaudhary dan Mubarak (2012), Murugan dan Savitiri (2011b) dan Farouk, dkk., (2011) yang menggunakan JST/BP, Hosain dan Sarma (2012) menggunakan JST/SOM, Swain, dkk., (2012) menggunakan
3
MLFFNN/BP, Tallapragada dan Rajan (2012) menggunakan SVM, Rashad, dkk.,(2011) menggunakan combined LVQ Classifier, Chowhan dan Shinde (2011) menggunakan FMN, Gopikrishnan dan Santhanam (2011b) menggunakan HD, Feed Forward BP, Cascade Forward BP, Elman Forward BP, dan Perceptron menunjukkan hasil yang lebih baik. Berdasarkan uraian diatas menunjukkan bahwa JST telah banyak digunakan dalam sistem pengenalan iris terutama JST/BP yang merupakan salah satu algoritma JST yang sangat populer terutama untuk peramalan/prediksi dalam pengenalan pola namun JST/BP memiliki kelemahan yaitu sering terjebak dalam lokal minima selama proses pembelajaran sehingga proses pelatihan sangat sulit atau tidak akan pernah mencapai konvergensi dan tidak stabil. ERNN/LMA merupakan salah satu algoritma yang stabil dan sangat baik dalam pengenalan pola seperti ditunjukan dalam penelitian yang dilakukan oleh Tanoto, dkk., (2010) dan Norviani (2011) dalam kasus berbeda,
sehingga muncul pertanyaan apakah penerapan ERNN/LMA pada
pengenalan iris dapat mempengaruhi kinerja identifikasi iris ? 1.2 Rumusan Masalah Permasalahan yang akan diselesaikan dalam penelitian ini, diuraikan sebagai berikut : Apakah pemilihan wilayah iris dengan pendekatan irisan internal region dengan lower region dari citra iris non-ideal meningkatkan kinerja identifikasi iris menggunakan ERNN/LMA ? Apakah penerapan ERNN/LMA dapat meningkatkan kinerja identifikasi citra iris non-ideal 1.3 Batasan Masalah Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang diberikan dalam penelitian ini adalah sebagai berikut: Data yang dipakai sebagai data uji
adalah data citra iris non-ideal dari
database CASIA-Iris-Syn v4 dan CASIA-Iris v1 (CASIA, 2006). Penggunaan
4
database ini untuk mempermudah peneliti dalam membandingkan hasil pengujian dengan hasil pengujian dari peneliti sebelumnya. Output yang dihasilkan akan menyatakan identitas seseorang yang terdaftar dalam database. Dalam penelitian ini identitas seseorang dinyatakan dengan nama kelasnya. Metode segmentasi yang digunakan dalam penelitian ini menggunakan modifikasi metode CHT karena metode tersebut dapat digunakan untuk segmentasi iris yang mengandung noise dengan asumsi bahwa iris mata berbentuk lingkaran. Pemilihan wilayah iris (ROI) dengan pendekatan irisan internal region dengan lower region. Metode ekstraksi ciri yang akan digunakan dalam penelitian ini menggunakan metode 3D-GLCM (Chen, dkk., 2009). Metode identifikasi citra iris yang digunakan dalam penelitian ini adalah metode ERNN/LMA. 1.4 Tujuan dan Manfaat Penelitian Tujuan umum penelitian ini adalah untuk mengembangkan metode identifikasi iris mata menggunakan ERNN/LMA. Tujuan khusus penelitian ini adalah : a.
Mengetahui pengaruh pemakaian wilayah iris dengan pendekatan irisan internal region dengan lower region dari citra iris non-ideal terhadap hasil identifikasi iris menggunakan ERNN/LMA.
b.
Mengetahui pengaruh penerapan ERRN/LMA terhadap kinerja identifikasi iris dan membandingkan hasil pengujian metode identifikasi iris mata menggunakan ERRN/LMA dengan penelitian sebelumnya. Hasil dari penelitian ini diharapkan dapat menjadi metode yang dapat
digunakan dalam pengembangan sistem biometrika menggunakan iris mata dan menjadi referensi bagi penelitian selanjutnya dalam bidang identifikasi iris.
5
1.5 Metodologi Penelitian Penelitian ini dilakukan dengan langkah-langkah sebagai berikut: 1. Langkah I : Studi pustaka. Melakukan studi pustaka tentang penelitian identifikasi iris, berbagai cara preprocessing citra untuk meningkatkan akurasi, serta identifikasi citra iris menggunakan ERNN/LMA. 2. Langkah II : Analisis, Perancangan dan Implementasi sistem. Merancang dan membangun sistem identifikasi iris menggunakan pendekatan yang diusulkan. 3. Langkah III : Pengujian. Menguji coba metode yang diusulkan menggunakan data citra CASIA-IrisSyn v4 dan CASIA-Iris v1 kemudian mengevaluasi akurasi hasil identifikasi. 1.6 Sistematika Penulisan Laporan tesis diorganisasikan dalam 7 bab dan diberi nomor I sampai VII. Deskripsi dari masing-masing bab adalah sebagai berikut: 1. BAB I. PENDAHULUAN, berisi penjelasan mengenai latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat, metodologi penelitian, serta sistematika penulisan laporan tesis. 2. BAB II. TINJAUAN PUSTAKA, berisi uraian sistematis tentang informasi hasil-hasil penelitian sebelumnya dan menghubungkannya dengan masalah penelitian yang sedang diteliti. 3. BAB III. LANDASAN TEORI, berisi pembahasan mengenai iris mata, pengolahan citra iris mata, serta classifier ERNN/LMA. 4. BAB IV. ANALISIS DAN RANCANGAN SISTEM, berisi penjelasan mengenai kontribusi utama yang dilakukan peneliti dalam merancang identifikasi iris mata menggunakan ERNN/LMA. 5. BAB V. IMPLEMENTASI, berisi implementasi sistem identifikasi iris mata.
6
6. BAB VI. HASIL PENELITIAN DAN PEMBAHASAN, berisi hasil penelitian yang digunakan untuk pengujian, skenario pengujian, indikator keberhasilan, hasil pengujian, dan analisis hasil pengujian. 7. BAB VII. KESIMPULAN DAN SARAN, berisi kesimpulan dari hasil pengujian dan analisis yang dilakukan dan membandingkannya dengan tujuan penelitian.
