4
Perangkat keras berupa Notebook: • • • • •
Processor intel Core i3 2.20 GHz. RAM kapasitas 2.0 GB. Harddisk Kapasitas 500 GB. Monitor pada resolusi 1366 x 768 piksel. Merek Acer Aspire 4750.
Variabel Yo, Y1, Xo, dan X1 merupakan batas tepi dari wilayah pupil. Variabel Y didapat dari rata-rata penjumlahan Yo dan Y1, sedangkan variabel X merupakan nilai titik pusat dari pupil yang didapat dari rata-rata dari penjumlahan Xo dan X1. Jari-jari pupil didapatkan dari rata-rata selisih antara Yo dan Y1, dan Xo serta X1.
Perangkat lunak berupa: • Sistem operasi Microsoft Windows 7 Profesional. • Aplikasi pemrograman Matlab 7.7.0.471 (R2008b).
HASIL DAN PEMBAHASAN
Gambar 3 Ilustrasi pencarian titik pusat dan jari-jari pupil.
Segmentasi Langkah pertama dalam sistem pengenalan iris mata ialah memisahkan daerah iris mata pada suatu citra mata. Hal ini disebabkan daerah iris mata dipengaruhi bulu mata dan kelopak mata. Proses segmentasi dilakukan dengan melakukan deteksi tepi Canny. Tahap awal pada proses segmentasi ini ialah lokalisasi pupil dan lokalisasi iris. Untuk melakukan lokalikasasi pupil dilakukan deteksi tepi Canny. Pada deteksi tepi ini dilakukan pencarian tepi dari pupil dengan menggunakan nilai threshold tertentu. Hal ini disebabkan perbedaan tingkat kecerahan citra. Hasil deteksi tepi Canny dapat dilihat pada Gambar 2.
(a) Gambar 2
(b)
Hasil deteksi tepi Canny, (a) sebelum dilakukan segmentasi, (b) setelah dilakukan deteksi tepi Canny.
Setelah didapatkan titik pusat dan jari-jari pupil, akan didapatkan wilayah collarette (lokalisasi iris). Wilayah ini didapatkan dengan menambahkan wilayah terluar pupil dengan 20 piksel. Ilustrasi wilayah collarette dapat dilihat pada Gambar 4.
Gambar 4 Ilustrasi wilayah collarette (iris). Histogram Citra Hasil dari segmentasi yaitu daerah collarette akan diambil histogramnya. Histogram citra iris ini berada pada rentang 0-255, namun yang diambil ialah yang lebih besar dari 0. Hal ini disebabkan nilai piksel yang mengandung informasi pada citra hasil segmentasi adalah piksel yang bernilai lebih besar dari 0. Gambar 5 menunjukkan histogram dari hasil segmentasi citra. 250
200
150
100
Setelah deteksi tepi, dilakukan pencarian titk pusat dari pupil. Proses ini dapat dilakukan dengan cara mencari nilai piksel 1 untuk memperoleh wilayah pupil terluas. Selanjutnya dilakukan pengecekan antara perpotongan garis horizontal dan vertikal. Setelah itu akan dilakukan pencarian jari-jari pupil dan akan didapatkan titik pusatnya. Ilustrasi pencarian titik pusat dan jari-jari pupil dapat dilihat pada Gambar 3.
50
0 0
(a)
50
100
150
200
250
300
(b)
Gambar 5 Hasil histogram citra (a) citra hasil segmentasi, (b) histogramnya. Pelatihan dan Pengujian Proses pelatihan dan pengujian dilakukan menggunakan algoritme k-nearest neighbor terhadap tiga subset yang saling lepas dari data
5
histogram iris mata kanan, iris mata kiri, dan gabungan keduanya sesuai dengan 3-cross fold validation. Untuk fold1, fold2, dan fold3 dilakukan pemilihan acak sebanyak 10 kali dengan menggunakan algoritme KNN sebagai algoritme klasifikasinya, dengan nilai k=1 dan k=3 untuk menentukan nilai k yang paling baik. Pembagian subset dapat dilihat pada Lampiran 5. Pengenalan dengan Mata Kiri
Akurasi (%)
Dari 90 data mata kiri, data dibagi menjadi 3 subset yang tiap subset berisi 3 data dari setiap kelas. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Setelah itu, dilakukan pemilihan acak untuk fold1, fold2, dan fold3 sebanyak 10 kali untuk menentukan nilai k yang menghasilkan nilai akurasi terbaik. 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 Iterasi k=1
Gambar 6 Akurasi setiap iterasi pengenalan mata kiri. Berdasarkan Gambar 6 dapat disimpulkan bahwa iterasi kedua memiliki hasil akurasi tertinggi yaitu sebesar 86.7% dengan k=1. Terlihat pula bahwa akurasi tertinggi tiap iterasi diperoleh pada k=1. Gambar 7 menunjukkan perbandingan akurasi nilai k pada pengenalan mata kiri. Akurasi (%)
Tabel 1 Confusion matrix pengenalan mata kiri iterasi kedua Kelas aktual 1 2 3 4 5 6 7 8 9 10
100 80 60 40 20 0 k=3 Nilai k
Gambar 7 Akurasi nilai k pada pengenalan mata kiri.
1 7 0 0 0 0 0 0 0 0 0
2 0 8 0 0 1 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 0 0 0 0 0 0 0 1 0 8 0 0 0 0 0 0 7 1 0 0 0 0 1 7 0 0 0 0 0 0 9 0 0 0 0 0 0 9 0 0 0 0 0 0 9 0 0 0 0 0 0 2 0 0 1 0 1
9 0 0 0 1 0 0 0 0 9 0
10 0 0 1 0 0 0 0 0 0 5
Berdasarkan Tabel 1, terlihat bahwa kelas 10 merupakan kelas yang memiliki nilai akurasi yang paling kecil dibandingkan kelas yang lain setelah diklasifikasi. Hal ini dipengaruhi oleh nilai histogram dari data uji kelas tersebut memiliki nilai histogram yang lebih mendekati nilai histogram data latih kelas yang diidentifikasikan sebagai kelas yang salah. Tabel 2
k=3
k=1
Dari Gambar 7 akurasi tertinggi sebesar 86.7% dengan k=1. Untuk mengetahui record yang salah diklasifikasikan dari iterasi kedua digunakan confusion matrix yang disajikan pada Tabel 1. Confusion matrix iterasi lainnya disajikan pada Lampiran 3.
Data ke1 2 3 4 5 6 7 8 9 Standar deviasi
Statistik nilai rata-rata dan standar deviasi kelas 7 dan kelas 10 Kelas 7 Standar Ratadeviasi rata 53.6 25.2 55.9 25.4 52.9 25.4 55.4 25.7 53.0 24.8 55.1 25.4 54.5 23.9 54.9 24.8 57.8 24.9 1.5 0.5
Kelas 10 Standar Ratadeviasi rata 42.4 23.4 45.5 25.1 49.4 22.7 38.5 22.7 40.4 22.5 44.4 22.7 44.2 21.9 41.8 22.3 45.0 25.3 3.2 1.2
Pada Tabel 2 disajikan perbandingan nilai standar deviasi dan rata-rata kelas 10 dengan kelas 7. Dari Tabel 2, nilai rata-rata kelas 7 tidak berbeda jauh antar datanya, sedangkan untuk kelas 10 terdapat banyak perbedaan. Begitu juga dengan nilai standar deviasi dari data tersebut. Nilai rata-rata menunjukkan lebar dari histogram. Standar deviasi menunjukkan posisi dari histogram. Semakin berbeda nilai standar deviasinya, artinya datanya semakin
6
Pada Gambar 8 ditunjukkan ilustrasi histogram pada kelas 10 yang diklasifikasikan sebagai kelas 8 dan kelas 10 itu sendiri. Sementara itu, kelas yang tidak terklasifikasi dengan benar ditunjukkan pada Lampiran 4. 180 160 140 120 100
Terlihat pula bahwa akurasi tertinggi tiap iterasi diperoleh pada k=1. Gambar 10 menunjukkan perbandingan akurasi nilai k pada pengenalan mata kanan.
Akurasi (%)
beragam, sehingga akurasi klasifikasinya juga akan semakin kecil.
80 60
100 80 60 40 20 0
40
1 2 3 4 5 6 7 8 9 10
20 0 0
50
100
150
200
250
300
Iterasi
(a)
k=1
180
k=3
160 140 120
Gambar 9
100 80
Akurasi setiap iterasi pengenalan mata kanan.
60 40 20 0 0
50
100
150
200
250
300
(b) 200 180 160 140
Dari Gambar 10 akurasi tertinggi sebesar 88.9% dengan k=1. Untuk mengetahui record yang salah diklasifikasikan pada iterasi kelima digunakan confusion matrix yang disajikan pada Tabel 3.
120 100
60 40 20 0 0
50
100
150
200
250
300
(c) Gambar 8 Ilustrasi nilai histogram pada kelas yang dikenali kelas 10 (a) ilustrasi wilayah collarette kelas 10 yang dikenali sebagai kelas 8 dan histogramnya (b) ilustrasi wilayah collarette kelas 8 dan histogramnya (c) ilustrasi wilayah collarette kelas 10 dan histogramnya. Dari pengenalan mata kiri dapat disimpulkan nilai k terbaik sebesar 1 dengan akurasi tertinggi 86.7%. Pengenalan dengan Mata Kanan Dari 90 data mata kanan, data dibagi menjadi 3 subset yang tiap subset berisi 3 data dari setiap kelas. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Setelah itu, dilakukan pemilihan acak untuk fold1, fold2, dan fold3 sebanyak 10 kali untuk menentukan nilai k yang menghasilkan nilai akurasi terbaik. Berdasarkan Gambar 9 dapat disimpulkan bahwa iterasi kelima memiliki hasil akurasi tertinggi yaitu sebesar 88.9% dengan k=1.
Akurasi (%)
80
100 80 60 40 20 0 k=1
k=3 Nilai k
Gambar 10 Akurasi nilai k pada pengenalan mata kanan. Tabel 3 Kelas aktual 1 2 3 4 5 6 7 8 9 10
Confusion matrix pengenalan mata kanan pada iterasi kelima 1 8 0 0 0 0 0 0 0 0 0
2 0 8 0 0 1 0 0 2 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 1 0 0 0 0 0 1 0 0 0 8 0 0 0 0 0 0 9 0 0 0 0 0 0 7 0 0 0 0 0 1 8 0 0 0 0 0 0 9 0 1 0 0 0 0 6 0 1 0 0 0 0 0 0 0 0 0 0
9 0 0 0 0 1 0 0 0 8 0
10 0 0 1 0 0 0 0 0 0 9
7
Pada Gambar 11 ditunjukkan ilustrasi histogram pada kelas 8 yang diklasifikasikan sebagai kelas 2 dan kelas 8 itu sendiri. 160
140
120
100
80
Pengenalan dengan Gabungan Mata Kiri dan Kanan Dari data uji kanan dan data uji kiri, dihitung masing-masing jarak euclidean-nya, kemudian dibandingkan kedua nilai tersebut, lalu dicari nilai yang lebih kecil. Kelas hasil klasifikasi adalah kelas dari jarak euclidean-nya yang lebih kecil. Akurasi (%)
Berdasarkan Tabel 3, terlihat bahwa kelas 5 dan kelas 8 merupakan kelas yang memiliki nilai akurasi yang paling kecil dibandingkan kelas yang lain setelah diklasifikasi. Hal ini dipengaruhi oleh nilai histogram dari data uji kelas tersebut memiliki nilai histogram yang lebih mendekati nilai histogram data latih kelas yang diidentifikasikan sebagai kelas yang salah.
60
40
100 80 60 40 20 0
20
1 2 3 4 5 6 7 8 9 10
0 0
50
100
150
200
250
300
Iterasi
(a)
k=1
250
k=3
200
150
Gambar 12 Akurasi setiap iterasi pengenalan mata gabungan.
100
50
0 0
50
100
150
200
250
300
Akurasi (%)
(b) 250
200
150
100
50
0 0
50
100
150
200
250
300
(c) Gambar 11 Ilustrasi nilai histogram pada kelas yang dikenali kelas 8 (a) ilustrasi wilayah collarette kelas 8 yang dikenali sebagai kelas 2 dan histogramnya (b) ilustrasi wilayah collarette kelas 2 dan histogramnya (c) ilustrasi wilayah collarette kelas 8 dan histogramnya. Dari pengenalan mata kanan dapat disimpulkan nilai k terbaik sebesar 1 dengan akurasi tertinggi 88.9%. Pengenalan mata kanan lebih baik dibandingkan dengan pengenalan mata kiri untuk penelitian ini. Namun, nilai akurasi penelitian ini lebih kecil jika dibandingkan dengan penelitian Zaki (2011) yaitu 93.3%.
100 80 60 40 20 0 k=1
k=3 Nilai k
Gambar 13 Akurasi nilai k pada pengenalan mata gabungan. Berdasarkan Gambar 12 dapat disimpulkan bahwa iterasi kesembilan memiliki hasil akurasi tertinggi yaitu sebesar 91.1% dengan k=1. Terlihat pula bahwa akurasi tertinggi tiap iterasi diperoleh pada k=1. Gambar 13 menunjukkan perbandingan akurasi nilai k pada pengenalan mata gabungan. Dari Gambar 13 akurasi tertinggi sebesar 91.1% dengan k=1. Untuk mengetahui record yang salah diklasifikasikan pada iterasi kesembilan digunakan confusion matrix yang disajikan pada Tabel 4.
8
10 0 0 0 0 0 0 0 2 0 14
Berdasarkan Tabel 4, terlihat bahwa kelas 1 merupakan kelas yang memiliki nilai akurasi yang paling kecil dibandingkan kelas yang lain setelah diklasifikasi. Hal ini disebabkan pada data kelas 1 mata kiri iterasi kesembilan memiliki nilai jarak yang lebih kecil dibandingkan dengan nilai jarak data kelas 1 mata kanan iterasi kesembilan, sehingga ketika digabung akan dikenali sebagai kelas mata kiri yang memiliki nilai akurasi yang lebih kecil. Hasil jarak euclidean diperlihatkan pada Tabel 5 dengan mengggunakan fold1 pada iterasi kesembilan dengan mengambil satu data tiap kelas data uji. Tabel 5
Hasil jarak Euclidean pada iterasi kesembilan
Kelas Kelas aktual kanan 1 2 2 2 3 3 4 4 5 5 6 6 7 7 8 8 9 9 10 10
Jarak kanan 399.6 147.9 115.8 145.6 204.4 189.4 216.3 183.4 190.5 192.8
Kelas kiri 6 2 10 4 5 6 7 8 9 10
Jarak Kelas kiri gabung 243.7 6 129.5 2 156.9 3 192.3 4 251.1 5 141.9 6 113.9 7 132.9 8 273.3 9 120.8 10
Berdasarkan Tabel 5 terlihat bahwa meskipun terdapat kesalahan klasifikasi pada salah satu data mata kanan atau mata kiri sebelum digabung, namun setelah digabung terdapat peningkatan hasil klasifikasi, seperti pada data mata kiri kelas 3 yang diklasifikasikan sebagai kelas 10. Setelah digabung dengan data mata kanan, data tersebut dikenali sebagai kelas yang tepat. Untuk kasus kelas 1, baik pada mata kanan maupun mata kiri, keduanya tidak terklasifikasi sebagai kelas yang benar, sehingga meskipun data kelas 1 mata kiri
Pada Gambar 14 ditunjukkan grafik perbandingan nilai k pada rata-rata pengenalan mata kiri, kanan, dan gabungan. Dari grafik terlihat bahwa terdapat peningkatan akurasi setelah dilakukan penggabungan data latih. Nilai akurasi tertinggi pada tiap pengenalan terdapat pada k=1. Akurasi (%)
Kelas hasil prediksi 1 2 3 4 5 6 7 8 9 8 0 0 0 6 4 0 0 0 0 18 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 18 0 0 0 0 0 0 0 0 0 16 0 0 0 0 0 0 0 0 0 18 0 0 2 0 0 0 0 2 0
lebih kecil dibandingkan dengan mata kanan, data tetap dikenali sebagai kelas yang salah.
100 80 60 40 20 0 kiri
kanan
gabungan
Pengenalan mata k=1 Gambar 14
Akurasi(%)
Kelas aktual 1 2 3 4 5 6 7 8 9 10
Confusion matrix pengenalan mata gabungan pada iterasi kesembilan
k=3
Perbandingan nilai akurasi tiap pengenalan.
100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 Iterasi kiri
kanan
gabungan
Gambar 15 Grafik perbandingan akurasi k=1 tiap iterasi. Akurasi(%)
Tabel 4
100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 10 Iterasi kiri
kanan
gabungan
Gambar 16 Grafik perbandingan akurasi k=3 tiap iterasi
