SISTEM PENGENALAN IRIS MATA MENGGUNAKAN METODE PHASE ONLY CORRELATION Bondhan Tunjung1), R. Rizal Isnanto2) , Achmad Hidayatno3) Jurusan Teknik Elektro, Universitas Diponegoro Semarang Jl. Prof. Sudharto, SH, Kampus UNDIP Tembalang, Semarang 50275, Indonesia *)
E-mail:
[email protected] ABSTRAK
Iris mata manusia memiliki pola yang sangat unik, berbeda pada tiap individu sehingga sangat mungkin digunakan sebagai basis sistem pengenalan biometrik. Untuk mengenali tekstur yang ada pada suatu citra, metode analisis tekstur dapat digunakan. Oleh sebab itu, perlu dilakukan penelitian lebih lanjut mengenai sejauh mana metode tersebut dapat digunakan untuk mengenali ciri-ciri pada iris mata manusia. Pada penelitian ini, perangkat lunak yang mampu melakukan pengenalan iris mata menggunakan analisis tekstur telah dikembangkan. Citra iris mata yang akan diolah terlebih dahulu dipisahkan dari citra mata untuk selanjutnya dilakukan peningkatan kualitas citra menggunakan ekualisasi histogram. Proses selanjutnya adalah segmentasi citra iris mata dengan Transformasi Hough, yang mampu melokalisasi derah iris dan daerah pupil. Kemudian citra hasil segmentasi dinormalisasi ke dalam bentuk rectangular dengan unuran tetap. Langkah terakhir adalah proses pengenalan dengan metode Phase Only Correlation. Dari hasil pengujian, dapat disimpulkan bahwa sistem pengenalan iris mata ini menunjukkan hasil pengenalan yang bagus. Pengenalan yang paling baik adalah saat mata membuka sempurna jadi semua pola iris bisa dicocokan. Ada beberapa faktor yang mempengaruhi pengenalan misalnya adanya derau berupa kelopak mata dan bulu mata yang bisa mengurangi pola iris mata. Dari 100 citra iris mata yang dijui, sebanyak 85 citra iris mata behasil dikenali benar. Jadi dapat diimpulkan bahwa tingkat pengenalan system ini sebesar 85%. Hasil ini menunjukkan bahwa pengenalan iris adalah teknologi biometrik yang akurat. Kata-kunci : biometrik, analisis tekstur, phase only correlation ABSTRACT Human iris has a very unique pattern which is different for each person so it is possible to use it as a basic of biometric recognition. To identify texture in an image, texture analysis method can be used. For this reason, it is necessary to perform further research on how far this method is able to identify the feature on human iris. In this research, a software which capable to recognize human iris using texture analysis have been developed. The image of iris is first segmented from eye image then enhanced with histogram equalization. The next step is segementation system based on the Hough Transform and able to localize the circular iris and pupil region. The segmented iris region was then normalized into a rectangular block with constant dimension. The final step is recognition system using Phase Only Correlation. As the result, the system is performed with good recognition. The best recognition when the eye images are fully opened so the pattern of the iris are complete. There are many factors effect this recognition such as eyelids and eyelashes within the iris region corrupting the iris pattern. From 100 eye images have been tested, 85 eye images are correctly recognized. For that the conclusion is the system resulted true recognition rate 85%. These results show that iris recognition is a reliable and accurate biometric technology. Keywords: biometrics, texture analysis, phase only correlation
PIN), dari ciri alami (seperti wajah dan sidik jari), atau dari kombinasi ketiganya. Iris atau selaput pelangi adalah bagian dari mata yang melingkari lingkaran pupil. Walaupun iris memiliki wilayah yang sangat kecil dibanding dengan luas dari tubuh manusia, iris memiliki pola yang sangat unik, berbeda pada tiap individu dan pola itu akan tetap stabil. Atas dasar inilah iris mata dapat dijadikan dasar bagi pengenalan biometrik.
I. PENDAHULUAN 1.1 Latar Belakang Masalah Manusia sebagai individu, mempunyai ciri yang khas, yang membedakannya dengan individu yang lain. Ciri tersebut dapat digunakan sebagai pengenal atau identitas seseorang. Konsep identifikasi adalah mengenali seseorang dari komponen yang dimilikinya (misalnya kartu), dari kode yang diketahuinya (seperti password dan 1 1
Mahasiswa Teknik Elektro UNDIP 2 Dosen Teknik Elektro UNDIP
2 Banyak algoritma telah diaplikasikan sebagai metode pengenalan iris, antara lain PCA (Principal Component Analysis), ICA (Independent Component Analysis), Algoritma Gabor-Wavelet, Characterizing Key Local Variation, Piramida Laplace, Matriks Kookurensi Aras Keabuan (Gray Level Co-ocurrence Matrix Haar dan lain GLCM), Alihragam wavelet sebagainya. Dalam tugas akhir ini, dibuat sebuah perangkat lunak pengenalan iris mata dengan menggunakan metode pengenalan Phase Only Correlation.
(a)
1.2 Tujuan Penelitian Tujuan dari pembuatan Tugas Akhir ini adalah membuat aplikasi yang mampu melakukan pengenalan citra iris mata menggunakan metode Phase Only Correlation untuk pengenalannya. 1.3 Batasan Masalah Agar tidak menyimpang jauh dari permasalahan, maka Tugas Akhir ini mempunyai batasan masalah sebagai berikut : 1. Masukan sistem adalah citra mata dalam aras RGB (Red, Green, Blue). Tanpa membahas proses pengambilan, pemotretan dan pengolahan citra sebelum digunakan. 2. Format citra asli merupakan citra berwarna 24-bit dalam format JPEG ( ekstensi *.jpg). 3. Perbaikan kualitas citra hanya menggunakan ekualisasi histogram secara automatis. 4. Metode pengenalan yang digunakan adalah metode Phase Only Correlation. 5. Perangkat yang dipakai dalam tugas akhir ini adalah Matlab R2011a. 6. Perangkat lunak yang dihasilkan adalah untuk mengenali citra tersebut sebagai iris mata seseorang. II. LANDASAN TEORI 2.1 Iris Mata Iris atau selaput pelangi pada mata dapat dijadikan sebagai basis sistem biometrik. Setiap iris memiliki tekstur yang amat rinci dan unik untuk setiap orang serta tetap stabil berpuluhpuluh tahun. Letaknya yang terlindung di belakang kornea (selaput bening) membuat iris terlindung dari kerusakan-kerusakan atau perubahan luar. Bagian mata ini tidak dapat diubah melalui pembedahan tanpa menimbulkan kerusakan pada penglihatan. Gambar 2.1 menunjukkan anatomi mata manusia.[3]
(b) Gambar 2.1 (a) Anatomi mata (b) Stuktur iris dilihat dari sisi depan
Iris adalah organ dalam yang terlindung pada mata, terletak di belakang kornea dan aqueous humuor, namun terletak di depan lensa mata. Iris adalah satu-satunya organ dalam pada tubuh
yang bisa terlihat oleh mata manusia secara normal
Gambar 2.2 Bagian Luar Mata
Keuntungan dari pemakaian iris untuk sistem identifikasi yang dapat diandalkan adalah[12] sebagai berikut. 1. Iris terisolasi dan terlindung dari lingkungan luar. 2. Pada iris tidak mungkin dilakukan operasi untuk modifikasi tanpa menyebabkan cacat pada mata. 3. Iris memiliki tanggapan fisiologis terhadap cahaya, yang memungkinkan pengujian alami terhadap kemungkinan adanya penipuan serta penggunaan lensa mata palsu dan lain sebagainya.
3 2.2 Alihragam Hough Alihragam Hough adalah algoritma yang digunakan untuk menentukan parameterparameter dari sebuah objek geometri sederhana seperti garis dan lingkaran yang terdapat dalam suatu citra.[1] Alihragam Hough menspesifikasikan kurva dalam bentuk parametrik. Alihragam Hough menggunakan mekanisme voting untuk mengestimasi nilai parameter. Setiap titik di kurva menyumbang suara untuk beberapa kombinasi parameter. Parameter dengan suara terbanyak terpilih sebagai pemenang. Pada awalnya, Alihragam Hough digunakan untuk mendeteksi garis lurus. Namun ia juga dapat digunakan untuk mendeteksi kurva sederhana lainnya seperti lingkaran dan elips. Untuk mendeteksi lingkaran didalam suatu citra, digunakan persamaan lingkaran yang berpusat di titik (a,b) dengan jari-jari r sebagai berikut (x-a)2+(y-b)2 = r2 (2.1) Persamaan polar untuk setiap titik (x,y) di lingkaran: x = a + r cos (ө) (2.2) y = b + r sin (ө) (2.3) Persamaan tersebut dapat ditulis sebagai berikut: a = x - r cos (ө) (2.4) b = y – r sin (ө) (2.5) Jika jari-jari jari-jari lingkaran diketahui r = R, maka ruang parametrik trimatra, P(r,a,b), dapat direduksi menjadi ruang dwimatra, P(a,b). Titik pusat lingkaran, (a,b), yang mempunyai jarijari r = R dan melalui titik (x,y). seperti yang ditunjukkan pada Gambar 2.12, lalu tambahkan elemen P(a, b) yang bersesuaian dengan satu. Proses ini diulangi untuk pixel-pixel tepi yang lain. Elemen matriks P(a, b) yang memiliki jumlah suara di atas nilai ambang tertentu menyatakan lingkaran yang terdapat di dalam citra tepi.
2.3 Alihragam Fourier Diskrit Alihragam Fourier Diskrit adalah metode untuk mengubah sinyal dari kawasan waktu ke kawasan frekuensi. FFT (Fast Fourier Transform) adalah sebuah algoritma yang efisien untuk menghitung alihragam Fourier Diskrit dan Alihragam Balik Fourier Diskritnya. Persamaan Alihragam Fourier Diskrit dapat ditulis sebagai berikut :
F(u,v)= 1
M 1 N 1
x 0 y 0
ux
vy
f x, y exp j 2 M N MN
(2.6)
Dalam pengolahan citra digital lebih dikenal sebagai 2D-DFT atau alihragam Fourier Diskrit dua dimensi karena citra suatu bentuk dua dimensi. Sehingga 2D-DFT dalam pengolahan citra digital memindahkan suatu informasi citra dari kawasan spasial kedalam kawasan frekuensi, yaitu dengan merepresentasikan citra spasial sebagai magnitude dan fase. Magnitude merepresentasikan seberapa banyak komponen frekuensi dalam citra tersebut. Sedangakan fase merepresentasikan letak dimana frekuensi tersebut dalam citra tersebut. 2.4 Phase Only Correlation Phase Only Correlation atau POC merupakan teknik dalam pengolahan citra digital yang mengkorelasikan dua buah gambar berdasarkan nilai fasenya. Citra dalam kawasan waktu diubah ke dalam kawasan frekuensi untuk mengambil nilai fasenya. Perhitungan dilakukan untuk mencocokan dua buah citra yang diukur melalui nilai korelasi. Nilai korelasi bernilai antara 0 dan 1. Jika nilai korelasi semakin besar dan bernilai hampir mendekati l maka dapat disimpulkan bahwa citra tersebut mirip atau sama.
Fungsi
r fg (n1, n2 )
POC
dari
fungsi
R FG (k1 , k 2 ) adalah : 1 RFG (n1 , n2 ) WN1k1n1WN2k2n2 r fg (n1, n2 ) = N1 N 2 k1 ,k2 Yang mana jika f(n1,n2) dan g(n1,n2) adalah gambar yang sama, atau dengan kata lain f(n1,n2) = g(n1,n2), maka fungsi Phase Only Correlation atau POC dapat dituliskan dengan :
r ff (n1 , n2 ) =
1 N1 N 2
= (n1,n2)
W
k1 , k 2
k1n1 N1
WN2k2n2 (2.7)
1 , jika n1 = n2 = 0 0 , jika yang lain
Apabila gambar f dan gambar g adalah gambar yang mirip atau sama maka akan didapatkan nilai korelasi fase yang hampir mendekati nilai 1. Persamaan di atas menyatakan bahwa fungsi POC antara dua buah gambar yang sama merupakan fungsi delta kroneckers(n1,n2). Fungsi delta kroneckers adalah dimana fungsi tersebut akan bernilai sama dengan satu apabila n1=n2.
4 III. PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Perangkat Lunak Alur sistem pengenalan iris mata dapat dilihat pada diagram alir seperti ditunjukkan pada Gambar 3.1.
1. 2. 3.
Pembacaan Berkas Citra Mengubah Citra Menjadi Aras Keabuan Pengontrasan Citra Aras Keabuan dengan Ekualisasi Histogram
3.2.3 Segmentasi Citra Iris Mata Sebelum dapat digunakan dalam proses pengenalan, bagian iris mata dengan bagian yang bukan merupakan iris mata harus dipisahkan. Bagian yang lain seperti bulu mata, kelopak mata, pupil dan sklera tidak dipakai karena bukan merupakan karakteristik khas yang dimiliki manusia. Untuk itu, posisi iris mata harus dapat ditemukan terlebih dahulu.
Gambar 3.1 Diagram Alir Sistem Pengenalan Citra Iris Mata Menggunakan metode Phase Only Correlation
Secara garis besar, proses-proses tersebut dikelompokkan pada lima proses utama yaitu : 1. Pemilihan citra masukan yang berupa citra mata. 2. Akuisisi citra dan pengolahan awal untuk mengambil karakteristik tekstur iris mata. 3. Segmentasi citra mata untuk memisahkan bagian iris mata dengan pupil. 4. Normalisasi iris menjadi koordinat kartesian. 5. Pengenalan iris mata dengan menggunakan perhitungan Phase Only Correlation.
3.2 Perancangan Perangkat Lunak 3.2.1
Akuisisi Citra Citra iris mata yang digunakan pada Tugas Akhir ini yaitu citra iris mata CASIA version 3. Citra iris mata CASIA diperoleh dari Internet dalam bentuk citra beraras keabuan dengan format ekstensi *.jpg, dengan ukuran 200 200 piksel. Pengambilan citra diatur sedemikian rupa agar titik pusat citra masih berada di dalam area pupil. 3.2.2
Pengolahan Awal Pengolahan awal (preprocessing) bertujuan untuk mengolah citra agar dapat diambil karakteristik tekstur iris mata. Pada tahap ini diharapkan dapat diperoleh informasi dari suatu citra secara optimal. Tahap pengolahan awal dalam Tugas Akhir ini terdiri atas:
Gambar 3.2 Gambar Citra mata hasil segmentasi
3.2.4 Normalisasi Citra Iris Mata
Setelah daerah iris mata dilakukan proses segmentasi dan telah ditandai daerah iris dan daerah pupilnya. Proses selanjutnya adalah mengubah citra iris mata ke dalam bentuk polar dan memiliki ukuran yang tetap agar mudah untuk proses pengenalan atau pencocokkan. Perbedaan ukuran citra mata bias disebabkan oleh beberapa hal antara lain adalah adanya perbesaran pupil, pergeseran dari kamera dan lain-lain. Hasil proses normalisasi akan menghasilkan citra iris yang memiliki ukuran yang sama dan tetap
Gambar 3.3 Gambar citra iris mata hasil Normalisasi
3.2.5 Pengenalan Iris Mata dengan Phase Only Correlation Perhitungan nilai Phase Only Correlation adalah bagian paling penting dari suatu aplikasi pengenalan iris mata. Setelah citra iris mata dinormalisasi kemudian citra iris mata dihitung nilai POC. Citra iris mata yang akan diuji akan dibandingkan dengan citra yang ada dalam database program pengenalan iris mata. Nilai POC
5 dihitung satu per satu dari citra database pertama sampai yang terakhir. Nilai POC yang paling tinggi adalah citra yang dikenali paling mirip dengan citra iris mata yang diuji.
4.3 Hasil Pengujian Pengujian dilakukan dengan menggunakan citra iris mata CASIA Version 3 yang diambil secara acak serta telah diubah ukurannya menjadi 200 x 200 piksel.
IV. PENGUJIAN DAN ANALISIS 4.1 Pengujian Pengenalan Pengujian dibagi dalam dua jenis penelitian yaitu : 1. Pengaruh Banyaknya database yang Disimpan Dari hasil pengujian, didapatkan bahwa penggunaan database yang lebih banyak disimpan menghasilkan tingkat pengenalan yang lebih rendah dibandingkan penggunaan jumlah database yang sedikit. Pengujian dengan 250 database tersimpan menghasilkan tingkat pengenalan sebesar 70%, sedangkan pengujian dengan 100 tersimpan menhasilkan tingkat pengenalan sebesar 85%. Hal ini disebabkan pada penggunaan database yang lebih banyak, ciri-ciri iris mata yang disimpan pun lebih banyak pula.
Tabel. 4.1 Tabel Hasil pengujian
2.
Pengaruh Pemakaian Format yang Berbeda (.bmp) Terhadap Pengenalan Iris Mata Penggunaan iris mata dalam format .bmp yang diambil dari 40 individu yang masingmasing diambil 1 sampel menghasilkan tingkat pengenalan yang sama dengan tingkat pengenalan dalam format JPEG yaitu sebesar 77,5%.
4.2 Tampilan Program Pengenalan Iris Mata Berikut ini adalah tampilan GUI Pengenalan Iris Mata dengan Menggunakan Metode Phase Only Correlation
No
Nama berkas citra
Nilai POC
Ket,
1
001R_01
0,99995
001R
Benar
2
002L_04
0,10722
002L
Benar
3
003R_02
0,18777
003R
Benar
4
004R_01
0,99997
004R
Benar
5
005R_03
0,07509
005R
Benar
6
006R_03
0,04579
060R
Salah
7
007R_01
0,99995
007R
Benar
8
008R_02
0,17085
008R
Benar
9
009R_02
0,15675
009R
Benar
10
010R_02
0,21076
010R
Benar
Dari Tabel 4.1 dapat dianalisis dan diketahui tingkat keberhasilan program pengenalan ini.. Ada 250 citra penghuni yang citranya telah tersimpan di basis data. Data yang diuji hanya diambil 100 citra uji. Masing-masing mata diambil gambar mata kanan dan mata kiri beberapa kali. Citra uji ‘022L_02’ artinya mata orang ke-22, mata kiri dan pengambilan gambar ke-2. Tabel 4.1 merupakan dasar untuk menghitung persentase keberhasilan program. Untuk menghitung persentase keberhasilan seluruh data citra masukan yang telah diujikan dapat menggunakan rumus: %=
Citra yang berhasil dikenali x 100% Jumlah citra uji
Sehingga didapat:
% Pengenalan =
Gambar 4.1 Tampilan GUI pengenalan
Pengenalan
85 x 100% = 85% 100
Dari tabel pengujian diatas dapat dikalkulasi banyak citra iris mata yang berhasil teridentifikasi dengan baik adalah 85 serta banyak citra yang diujikan adalah 100. Maka persentase pengenalan dari pengujian citra masukan adalah sebesar 85%.
6 V. PENUTUP 5.1 Kesimpulan Dari hasil pengujian dan pembahasan yang telah dilakukan pada bab sebelumnya, dapat diambil kesimpulan bahwa: 1. Persentase keberhasilan untuk proses pengenalan 100 data citra mata yang diujikan adalah sebesar 85%. 2. Proses pengenalan terburuk adalah saat data citra mata yang diuji pada saat pengambilan fotonya mata kurang membuka lebar sehingga banyak bagian iris yang tertutup sehingga pengenalan kurang baik. 3. Proses pengenalan terbaik yang hampir mendekati sempurna adalah saat citra mata masukan terbuka sempurna atau lebar sehingga pola iris mata tidak ada yang tertutup oleh kelopak mata, jadi pola iris mata dapat dikenali dengan benar. 4. Terdapat beberapa faktor yang mempengaruhi hasil pengenalan yaitu posisi citra masukan, derau berupa kelopak dan bulu mata. 5.2
Saran Adapun saran yang dapat diberikan sehubungan dengan pelaksanaan penelitian ini adalah: 1. Penelitian selanjutnya diharapkan menggunakan akuisisi citra iris mata secara langsung sehingga pengembangan untuk aplikasi identifikasi waktu nyata dapat diwujudkan. 2. Perlu dilakukan penelitian lanjutan untuk menguji pengaruh format citra lainnya pada masukan, seperti TIFF, GIF, PNG dan sebagainya.
[5]
[6]
[7]
[8]
Moreno R.P. and A. Gonzaga, “Features Vector For Personal Identification Based On Iris Texture”, Departamento de Engenharia Elétrica - EESC – USP. Munir, R., “Pengolahan Citra Digital dengan Pendekatan Algoritmik”, Informatika, Bandung, 2004. Prihartono, T.D., “Identifikasi Iris Mata Menggunakan Alihragam wavelet Haar”, Skripsi S-1, Universitas Diponegoro, 2011. Putriningsih, D., “Identifikasi Kelebihan Kolesterol Berdasarkan Pengamatan Citra Iris Mata”, Skripsi S-1, Universitas Diponegoro, 2007.
BIODATA PENULIS Bondhan Tunjung Laksono (L2F008018) lahir di Boyolali pada tanggal 26 Juni tahun1989. Menempuh pendidikan sekolah dasar di SD Negeri Banyudono 3 kemudian melanjutkan di SMP Negeri 1 Banyudono dan menempuh sekolah menengah di SMA Negeri 1 Surakarta. Saat ini sedang menempuh pendidikan jenjang Strata 1 Jurusan Teknik Elektro Universitas Diponegoro konsentrasi Elektronika Telekomunikasi angkatan 2008. Menyetujui dan Mengesahkan, Pembimbing I,
DAFTAR PUSTAKA [1]
[2]
[3]
[4]
Drygajlo, A., “Biometrics Lecture 7 Part 12008”, Speech Processing and Biometrics Group Signal Processing Institute Ecole Polytechnique Fédérale de Lausanne (EPFL), 2008. Jain, A.K., Fundamental of Digital Image Processing, Prentice Hall, New Jersey, 1989. Kusuma, A.A., “Pengenalan Iris Mata Menggunakan Pencirian Matriks KoOkurensi Aras Keabuan”, Skripsi S-1, Universitas Diponegoro, Semarang, 2009. Masek, L., “Recognition of Human Iris Pattern for Biometric Identification”, The University of Western Australia, 2003.
R. Rizal Isnanto, S.T., M.M., M.T. NIP. 197007272000121001 Tanggal …………………...
Pembimbing II,
Achmad Hidayatno, ST.,MT. NIP. 196912211995121001 Tanggal…………..................
