PENGENALAN IRIS MATA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR BERBASIS HISTOGRAM
RIVA AKTIVIA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
PENGENALAN IRIS MATA MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR BERBASIS HISTOGRAM
RIVA AKTIVIA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
ABSTRACT RIVA AKTIVIA. Iris Recognition Using K-Nearest Neighbor Based On Image Histogram. Supervised by AZIZ KUSTIYO. Biometrics is the study of automated method to recognize or identify people based on one or more parts of the human body or the behavior of man himself. Iris image recognition is the process of matching between the characteristics of the image query image with the characteristics of the training image stored in database (image library). The system uses an automattic segmentation based on canny edge detection to localized the iris collarete. The features are extracted using histogram. The data are then splitted into three subsets and then alternately used for training and testing using k-Nearest Neighbor. The best recognition of testing data are obtained from combining from left and right eyes rather than using single eye sides. Keywords: histogram, iris recognition, k-nearest neighbor, segmentation.
Penguji: 1. 2.
Annisa, S.Kom, M.Kom Mushthofa, S.Kom, M.Sc
Judul Skripsi : Pengenalan Iris Mata Menggunakan Algoritme K-Nearest Neighbor Berbasis Histogram Nama : Riva Aktivia NRP : G64080047
Menyetujui: Pembimbing
Aziz Kustiyo, S.Si, M.Kom NIP.19700719 199802 1 001
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP.19660702 199302 1 001
Tanggal Lulus :
KATA PENGANTAR Segala puji bagi Allah SWT atas segala limpahan rahmat serta karunia-Nya sehingga penulis mampu menyelesaikan penelitian ini dengan baik. Penulis menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu: 1
Ayahanda Hendri, Ibunda Elva Yenni, serta Adik Handani Permana, Dewinta Fernanda Putri, dan Triyogo Aleksandria atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini.
2
Bapak Aziz Kustiyo, S.Si, M.Kom selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.
3
Ibu Annisa, S.Kom, M.Kom dan Bapak Mushthofa, S.Kom, M.Sc yang telah bersedia menjadi penguji.
4
Teman-teman seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi.
5
Dyah Sulistyorini, Putri Previa Yanti, Ariel Febrila Niswar, Muti Relegi, Brian Sebastian, Fenti Seska Yulia, Cory Ofiska Putri, dan sahabat lainnya yang telah menjadi mitra dan menemani penulis dalam menjalani kehidupan sebagai mahasiswa.
6
Teman-teman satu bimbingan, Brenda Kristi, Wangi Sarawati, M. Hamdani dan Hariman Hidayat.
7
Teman-teman satu kostan di kostan putri WH yang telah memberikan dukungan untuk segera menyelesaikan studi. Penulis berharap penelitian ini dapat memberikan manfaat.
Bogor, Agustus 2012
Riva Aktivia
RIWAYAT HIDUP Penulis dilahirkan di Bandung, Jawa Barat pada tanggal 14 Januari 1991. Penulis merupakan anak pertama dari pasangan Hendri dan Elva Yenni. Pada tahun 2008, penulis menamatkan pendidikan di SMA Negeri 1 Kubung, Solok. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada tahun yang sama melalui jalur Undangan Seleksi Masuk IPB dan diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Sekretaris Departemen Kominfo Badan Eksekutif Mahasiswa (BEM) FMIPA IPB (2011), Badan Pengawas Himpro Himpunan Mahasiswa Ilmu Komputer (Himalkom) dan Layouter majalah dinding Himalkom pada tahun 2010. Penulis juga menjadi asisten praktikum pada Mata Kuliah Sistem Pakar dan Tentor Kimia Bimbel BTA Bogor (2012). Selain itu, penulis melaksanakan kegiatan Praktik Kerja Lapangan di Divisi Sistem Informasi PT Sucofindo (Persero) pada tahun 2011.
DAFTAR ISI Halaman
DAFTAR TABEL ................................................................................................................................. vi DAFTAR GAMBAR ............................................................................................................................ vi DAFTAR LAMPIRAN ......................................................................................................................... vi PENDAHULUAN Latar belakang .................................................................................................................................. 1 Tujuan............................................................................................................................................... 1 Ruang Lingkup ................................................................................................................................. 1 TINJAUAN PUSTAKA Iris..................................................................................................................................................... 1 Citra Digital ...................................................................................................................................... 1 Deteksi Tepi Canny .......................................................................................................................... 2 K-Fold Cross Validation .................................................................................................................. 2 Histogram ......................................................................................................................................... 2 K-Nearest Neighbor.......................................................................................................................... 2 METODE PENELITIAN Data .................................................................................................................................................. 3 Segmentasi........................................................................................................................................ 3 Histogram Citra ................................................................................................................................ 3 KNN ................................................................................................................................................. 3 Perhitungan Akurasi ......................................................................................................................... 3 Lingkungan Pengembangan Sistem .................................................................................................. 3 HASIL DAN PEMBAHASAN Segmentasi........................................................................................................................................ 4 Histogram Citra ................................................................................................................................ 4 Pelatihan dan Pengujian.................................................................................................................... 4 Pengenalan dengan Mata Kiri........................................................................................................... 5 Pengenalan dengan Mata Kanan ....................................................................................................... 6 Pengenalan dengan Gabungan Mata Kiri dan Kanan ....................................................................... 7 Akurasi ............................................................................................................................................. 9 KESIMPULAN DAN SARAN Kesimpulan ....................................................................................................................................... 9 Saran ................................................................................................................................................. 9 DAFTAR PUSTAKA ............................................................................................................................ 9 LAMPIRAN ......................................................................................................................................... 10
v
DAFTAR TABEL Halaman 1 2 3 4 5
Confusion matrix pengenalan mata kiri iterasi kedua ...................................................................... 5 Statistik nilai rata-rata dan standar deviasi kelas 7 dan kelas 10 ...................................................... 5 Confusion matrix pengenalan mata kanan pada iterasi kelima ......................................................... 6 Confusion matrix pengenalan mata gabungan pada iterasi kesembilan ........................................... 8 Hasil jarak Euclidean pada iterasi kesembilan ................................................................................. 8
DAFTAR GAMBAR Halaman 1 Tahapan pengenalan iris mata. ......................................................................................................... 3 2 Hasil deteksi tepi Canny. .................................................................................................................. 4 3 Ilustrasi pencarian titik pusat dan jari-jari pupil. .............................................................................. 4 4 Ilustrasi wilayah collarette (iris). ..................................................................................................... 4 5 Hasil histogram citra (a) citra hasil segmentasi, (b) histogramnya. ................................................. 4 6 Akurasi setiap iterasi pengenalan mata kiri. ..................................................................................... 5 7 Akurasi nilai k pada pengenalan mata kiri. ...................................................................................... 5 8 Ilustrasi nilai histogram pada kelas yang dikenali kelas 10.............................................................. 6 9 Akurasi setiap iterasi pengenalan mata kanan. ................................................................................. 6 10 Akurasi nilai k pada pengenalan mata kanan. ................................................................................. 6 11 Ilustrasi nilai histogram pada kelas yang dikenali kelas 8............................................................... 7 12 Akurasi setiap iterasi pengenalan mata gabungan. .......................................................................... 7 13 Akurasi nilai k pada pengenalan mata gabungan............................................................................. 7 14 Perbandingan nilai akurasi tiap pengenalan. ................................................................................... 8 15 Grafik perbandingan akurasi k=1 tiap iterasi................................................................................... 8 16 Grafik perbandingan akurasi k=3 tiap iterasi................................................................................... 8
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6
Data yang digunakan beserta histogramnya ......................................................................................11 Nama file yang digunakan dalam penelitian .....................................................................................14 Confusion matrix pengenalan mata kiri.............................................................................................16 Ilustrasi nilai histogram pada pengenalan mata kiri ..........................................................................18 Pembagian subset tiap iterasi ............................................................................................................21 Perbandingan metode dan akurasi dari penelitian terkait pengenalan iris mata ................................22
vi
1
PENDAHULUAN Latar belakang Sistem biometrik saat ini telah mencapai perkembangan yang luar biasa dalam menggantikan sistem verifikasi konvensional. Pemanfaatan anggota tubuh secara unik yang membedakan antara satu orang dengan orang lain telah banyak dibuktikan mampu memberikan hasil yang lebih akurat dalam identifikasi. Penggunaan iris mata, telapak tangan, sidik jari, bentuk wajah dan suara telah dikembangkan untuk keperluan tersebut. Salah satu pemanfataan organ tubuh untuk identifikasi ialah dengan memanfaatkan iris mata. Dibandingkan dengan metode biometrik lain, pola iris lebih stabil dan dapat diandalkan (Woodward et al. 2002). Tidak ada dua iris mata yang sama persis, bahkan iris mata kanan dan mata kiri dari orang yang sama memiliki pola yang berbeda dan unik (Daugman 2004). Salah satu masalah dalam pengenalan iris mata ialah pemisahan wilayah iris mata dengan daerah lain seperti bulu mata dan kelopak mata. Proses pemisahan ini dikenal dengan segmentasi. Proses segmentasi dapat dilakukan dengan teknik deteksi tepi Canny. Penelitian mengenai pengenalan iris berbasiskan histogram telah dilakukan oleh Demirel dan Anbarjafari (2008) yang menggunakan kombinasi statistik histogram pada ekstraksi ciri serta Majority Voting (MV) sebagai algoritme pengujian. Sementara itu Ives et al. (2004) melakukan penelitian menggunakan analisis histogram serta Du Measure sebagai algoritme pengujian dengan data dari Chinese Academy of Science-Institute of Automation (CASIA). Algoritme metode K-Nearest Neighbor (KNN) adalah suatu algoritme yang sederhana, namun cukup efektif dalam melakukan pengenalan citra (Sikki 2009). Algoritme ini memiliki beberapa kelebihan, yaitu ketangguhan terhadap training data yang memiliki banyak noise dan keefektifan apabila training data besar. Selain itu, proses klasifikasi mudah direpresentasikan dibandingkan dengan algoritme klasifikasi lain seperti Support Vector Machines (SVM) dan Artificial Neural Networks. Metode pengenalan iris mata yang digunakan pada penelitian ini ialah algoritme KNN dan ekstraksi ciri berbasis histogram.
Tujuan Penelitian ini bertujuan mengetahui nilai akurasi dari proses pengenalan citra iris mata menggunakan algortime KNN berbasis histogram. Ruang Lingkup Ruang lingkup penelitian ini meliputi: •
•
Citra iris mata yang digunakan berasal dari (Chinese Academy of Science-Institute of Automation) CASIA versi 3, dengan dimensi 320x280 piksel. Nilai k yang digunakan ialah 1 dan 3.
TINJAUAN PUSTAKA Iris Iris adalah organ internal yang dapat dilihat dari luar. Selaput ini berbentuk cincin yang mengelilingi pupil dan memberikan pola warna pada mata. Iris tidak sama dengan retina yang berada pada bagian belakang mata. Tidak ada satu pun struktur iris yang sama. Tidak ada korelasi antara pola iris yang satu dengan yang lain meskipun pada saudara kembar. Bahkan, antara mata kanan dan mata kiri seseorang juga tidak berkorelasi. Jumlah informasi yang dapat diukur dalam satu iris lebih banyak dibandingkan jumlah informasi pada sidik jari dengan keakuratan yang lebih baik dari tes DNA. Pola acak iris merupakan struktur yang tetap selama hidup sehingga iris dapat dijadikan paspor atau password hidup yang tidak merepotkan untuk dibawa atau diingat (Omny 2008). Citra Digital Sebuah citra didefinisikan sebagai sebuah fungsi dua dimensi f(x,y), dengan x dan y adalah koordinat spasial dan amplitudo f merupakan pasangan dari koordinat (x,y) yang disebut intensity atau gray level sebuah citra. Ketika x,y dan nilai amplitudo f bernilai diskret dan terbatas, maka citra disebut citra digital. Citra digital dibentuk oleh sejumlah elemen yang terbatas dengan setiap elemen telah memiliki lokasi dan nilai khusus. Elemenelemen ini sering disebut sebagai picture element, image element, pels, atau pixels. Dari beberapa istilah tersebut, pixels merupakan istilah yang paling sering digunakan untuk menunjukkan elemen citra digital. Citra memiliki derajat keabuan berformat 8-bit dan 256 intensitas warna yang berkisar
2
pada nilai 0 sampai 255. Nilai 0 menunjukkkan tingkat paling hitam dan 255 menunjukkan tingkat paling putih (Gonzales & Woods 2002). Deteksi Tepi Canny Deteksi tepi Canny adalah salah satu deteksi tepi yang biasanya digunakan mendeteksi tepi suatu citra. Metode Canny ini tidak memiliki operator khusus, tetapi metode ini terdiri atas beberapa langkah khusus. Metode Canny akan mendeteksi tepi dengan mencari nilai gradien maksimum lokal dari sebuah citra I. Gradien tersebut dihitung menggunakan turunan dari filter Gaussian. Metode Canny menggunakan dua threshold yang berguna untuk mendeteksi tepian yang terlihat jelas dan tepian yang kurang jelas atau lemah, termasuk tepian yang kurang jelas yang terlihat pada output yang terhubung dengan tepian yang jelas. Metode ini lebih utama akan mendeteksi tepian yang kurang jelas yang tidak dapat diperoleh dengan menggunakan metode lain (Indira et al. 2008). K-Fold Cross Validation K-fold cross validation mengulang pengujian sebanyak k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k himpunan bagian (subset) yang saling bebas. Pada setiap ulangan disisakan satu subset untuk pengujian dan subset-subset lainnya untuk pelatihan. Pada metode tersebut, data awal dibagi menjadi k subset atau fold yang saling bebas secara acak, yaitu S1,S2,...,Sk dengan ukuran setiap subset kira-kira sama. Pelatihan dan pengujian dilakukan sebanyak k kali (Stone 1974). Histogram Histogram sebuah citra dengan derajat keabuan antara [0, L-1] merupakan fungsi diskret h(rk) = nk dengan rk adalah derajat keabuan ke k dan nk adalah jumlah piksel pada citra yang mempunyai derajat keabuan rk dengan k = 0,1,2,…,L-1. Histogram merupakan dasar dari berbagai teknik pemrosesan domain spasial. Histogram dapat digunakan untuk memperbaiki citra, kompresi, ekstraksi fitur, dan segmentasi citra (Gonzales & Woods 2002). K-Nearest Neighbor K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritme supervised dengan hasil dari query instance yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritme ini ialah mengklasifikasikan objek baru berdasarkan atribut dan training sample.
Classifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Dengan diberikan titik query, akan ditemukan sejumlah k obyek atau titik training yang paling dekat dengan titik query. Klasifikasi menggunakan voting terbanyak di antara klasifikasi dari k obyek. Algoritme KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari query instance yang baru. Training sample diproyeksikan ke ruang berdimensi banyak. Masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan sebagai berikut: Da,b = ak -bk 2 d
k=1
dengan matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi. Pada fase training, algoritme ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama dihitung untuk testing data (yang klasifikasinya diketahui). Jarak dari vektor baru ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah tetangga yang paling dekat diambil. Titik yang baru diprediksikan termasuk pada klasifikasi terbanyak dari titik-titik tersebut. Algoritme ini memiliki beberapa kelebihan, yaitu ketangguhan terhadap training data yang memiliki banyak noise dan keefektifan apabila training data besar. Selain itu, proses klasifikasi mudah direpresentasikan dibandingkan dengan algoritme klasifikasi lain seperti Support Vector Machines (SVM) dan Artificial Neural Networks. Sementara itu, kelemahan KNN ialah perlu menentukan nilai dari parameter k (jumlah dari tetangga terdekat), training berdasarkan jarak tidak jelas mengenai jenis jarak yang harus digunakan dan atribut yang harus digunakan untuk mendapatkan hasil terbaik, dan biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap query instance pada keseluruhan training sample (Sikki 2009).
3
METODE PENELITIAN Penelitian ini melalui beberapa tahapan proses untuk dapat mengenali iris mata setiap individu menggunakan algoritme KNN berbasis histogram. Tahapan proses tersebut dapat dilihat pada Gambar 1. Data Segmentasi Histogram
Data latih
Data uji Klasifikasi
Akurasi
Gambar 1 Tahapan pengenalan iris mata. Data Data yang digunakan dalam penelitian ini berasal dari Chinese Academy of ScienceInstitute of Automation (CASIA) versi 3. Tiap citra berdimensi 320x280 piksel dengan format JPEG dan skala keabuan 8 bit. Ada tiga subset data pada CASIA yang masing-masing diberi label interval, lamp, dan twins. Data twins memuat data anak kembar yang diambil di luar ruangan (outdoor) sedangkan data interval dan lamp diambil di dalam ruangan (indoor) dan bukan merupakan anak kembar. Data yang digunakan dalam penelitian ini ialah data interval karena memiliki kualitas paling baik dengan detail tekstur iris yang jelas. Jumlah data yang digunakan sebanyak 180 data yang berasal dari sepuluh individu yang berbeda. Setiap individu memiliki sembilan citra mata kiri dan kanan. Contoh data yang digunakan beserta histogramnya disajikan pada Lampiran 1, sedangkan untuk file data iris yang digunakan disajikan pada Lampiran 2. Segmentasi Tujuan dari segmentasi ialah mendapatkan koordinat pusat lingkaran dari pupil mata pada citra. Untuk mendapatkan koordinat tersebut, perlu dilakukan deteksi tepi, pencarian jari-jari lingkaran, dan pencarian koordinat pupil mata. Deteksi tepi yang digunakan ialah deteksi tepi
Canny. Deteksi tepi ini dimulai dengan tahapan thresholding untuk mendapatkan nilai piksel citra yang lebih kecil dari threshold tertentu karena pada umumnya nilai piksel pupil lebih kecil (berwarna hitam). Setelah itu, dilakukan pencarian koordinat iris dengan cara menggunakan perintah find pada Matlab, lalu koordinat (x,y) maksimal dijumlahkan dengan koordinat (x,y) minimal dan dibagi dua. Setelah itu, dilakukan pencarian jari-jari pupil dengan cara mencari koordinat maksimal (x,y) dikurangi dengan minimal (x,y) lalu dibagi dua. Selanjutnya, dilakukan lokalisasi daerah pupil dengan daerah iris. Batasan luar dari lokalisasi pupil sebesar 20-30 piksel merupakan wilayah iris. Histogram Citra Tahap selanjutnya ialah mengambil histogram iris. Pada daerah collarette yang merupakan hasil segmentasi dilakukan proses ekstraksi ciri yaitu dengan mengambil histogramnya. KNN Pada tahap selanjutnya dilakukan pembagian data latih dan data uji. Seluruh data dibagi menjadi tiga subset untuk mata kiri dan kanan yang berjumlah sama (30 data), yaitu fold1, fold2, dan fold3 yang bertujuan untuk mencari akurasi menggunakan 3-fold cross validation. Untuk menentukan fold yang memiliki akurasi yang paling baik, dilakukan pemilihan acak untuk fold1, fold2, dan fold3 sebanyak 10 kali dengan menggunakan algoritme KNN sebagai algoritme klasifikasinya. Nilai k yang digunakan yaitu k=1 dan k=3 untuk menentukan nilai k yang paling baik. Sementara itu, untuk gabungan dilakukan dengan cara membandingkan nilai jarak kedekatan dari mata kanan dan mata kiri kemudian diambil yang terkecil. Kelas untuk mata gabungan adalah kelas yang dimiliki oleh jarak terkecil. Perhitungan Akurasi Kinerja algoritme KNN dapat diketahui dari hasil klasifikasi. Tingkat akurasi diperoleh dengan rumus: Akurasi =
data uji benar data uji
x100%
Lingkungan Pengembangan Sistem Proses pengerjaan penelitian ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut:
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
9
Pada Gambar 15 ditunjukkan perbandingan nilai akurasi tiap pengenalan dengan nilai k=1. Terlihat bahwa pada pengenalan mata gabungan, rata-rata iterasinya memiliki nilai akurasi tertinggi dibandingkan pengenalan mata kiri dan pengenalan mata kanan, kecuali untuk iterasi kedua dan kelima. Pada Gambar 16 ditunjukkan grafik perbandingan akurasi tiap pengenalan dengan nilai k=3. Terlihat pula bahwa nilai akurasi pengenalan mata setelah digabung rata-rata lebih tinggi dibandingkan tidak digabung. Dari pengenalan mata gabungan dapat disimpulkan nilai k terbaik sebesar 1 dengan akurasi tertinggi 91.1%. Pengenalan mata gabungan lebih baik dibandingkan dengan pengenalan mata kiri dan mata kanan. Namun, nilai akurasi penelitian ini lebih kecil jika dibandingkan dengan penelitian Zaki (2011) yaitu 100%. Pada Lampiran 6 disajikan perbandingan metode akurasi dari penelitan terkait. Akurasi Nilai akurasi tertinggi untuk mata kiri terdapat pada iterasi kedua sebesar 86.7%, untuk mata kanan pada iterasi kelima sebesar 88.9% dan untuk gabungan kedua mata pada iterasi kesembilan sebesar 91.1%.
KESIMPULAN DAN SARAN Kesimpulan Dari penelitian kesimpulan: •
•
•
ini
dapat
diperoleh
Diperoleh akurasi pengenalan iris mata tertinggi 86.7% untuk mata kiri pada iterasi kedua, 88.9% untuk mata kanan pada iterasi kelima dan 91.1% untuk penggabungan kedua mata pada iterasi kedua. Kesalahan pengujian disebabkan oleh adanya perbedaan tingkat kecerahan citra pada kelas yang sama, sehingga menghasilkan histogram yang lebih mendekati kelas yang dikenali salah. Terdapat peningkatan akurasi setelah dilakukan penggabungan data latih.
Saran Saran penelitian lebih lanjut yaitu dilakukannya pemilihan data yang tingkat kecerahannya sama.
DAFTAR PUSTAKA Daugman J. 2004. How iris recognition works. IEEE Transactions on Circuits and System for Video Technology 14:21-30. Demirel H, Anbarjafari G. 2008. Iris recognition using combined histogram statistics. ISCIS 8:1-4. Gonzales RC, Woods RE. 2002. Digital Image Processing Using MATLAB. New Jersey: Prentice Hall. Indira M, Yuliana E, Suprihatin W, Bertalya. 2008. Perbandingan metode pendeteksi tepi studi kasus: citra USG janin. Di dalam: Prosiding Seminar Ilmiah Nasional; Depok, 20-21 Agu 2008. Depok: KOMMIT. hlm 336-373. Ives RW, Guidry AJ, Etter DM. 2004. Iris recognition using histogram analysis. Signal, System and Computers 4: 562-566. Omny R, Rizal A, Murti MA. 2008. Pengenalan identitas manusia melalui pola iris mata menggnakan transformasi Wavelet dan Mahalanobis Distance. Di dalam: Prosiding Konferensi Nasional Sistem dan Informatika; Bali, 15 Nov 2008. Bali : KNS. Bali 56: 316-320. Sikki MI. 2009. Pengenalan wajah menggunakan K-Nearest Neighbor dengan praproses Transformasi Wavelet. Jurnal Paradigma X(2):159-172. Stone M. 1976. An asymptotic equivalence of choice of model by cross-validation and Akaike’s Criterion. Royal Statistical Society 39:44. [terhubung berkala]. http://www.jstor.org/stable/2984877.html. [24 Nov 2011] Woodward JD, Horn C, Gatune J, Thomas A. 2002. Biometrics. California: McGraw-Hill. Zaki M. 2011. Pengenalan iris mata dengan algoritme Voting Feature Interval versi 5 menggunakan ekstraksi ciri Log-Gabor Wavelet [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
LAMPIRAN
11
Lampiran 1 Data yang digunakan beserta histogramnya 1. Mata kiri orang pertama
250
350
250
350
300
300
300
200
250
200 250
250 200
150
150 200
200 150
150
100
150
100
100 100
100
50
50 50
0
0 0
50
100
150
200
250
300
250
200
200
150
150
100
100
50
0 0
250
50
50
50
100
150
200
250
300
0 0
50
100
150
200
250
300
0 0
300
300
250
250
200
200
150
150
100
100
50
100
150
200
250
300
0
50
100
150
200
250
300
50 50
0
0 0
50
100
2.
150
200
250
300
50
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
0
50
300
300
300
250
250
200
200
250
200 150
200
250
300
100
100
50
50
0
0
100
50
0 100
150
200
250
300
250
350
350
300
300
250
250
200
200
150
150
100
100
150
150
50
150
Mata kanan orang pertama
350
0
100
0
50
100
150
200
250
300
50
50
0 0
50
100
150
200
250
300
0 0
300
300
300
250
250
250
200
200
200
150
150
150
100
100
100
50
50
50
100
150
200
250
200
150
100
50
0
0 0
50
100
150
200
250
300
50
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
0
50
100
150
200
250
300
300
0
50
100
150
200
250
300
12
Lanjutan 3.
Mata kiri orang kedua
250
250
200
200
150
150
100
100
50
300
300
300
250
250
250
200
200
200
150
150
150
100
100
100
50
50
50
0
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
250
250
250
200
200
200
150
150
150
100
100
100
50
50
50
50
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
0
50
100
150
200
250
300
0
50
100
150
200
250
300
300
250
200
150
100
50
0
0 0
50
100
4.
150
200
250
300
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
Mata kanan orang kedua
250
200
200
200
200
180
180
180
180
160
160
160
160
140
140
140
120
120
120
100
100
100
80
80
80
60
60
60
40
40
40
20
20
20
140 120
150
100 80 100
60
50
0
0 0
50
100
150
200
250
300
250
0 0
50
100
150
200
250
300
250
200
200
150
150
100
100
50
50
0
0
50
100
150
200
250
300
50
100
150
200
250
300
200
180
180
160
160
140
140
120
120
100
100
80
80
60
60
40
50
100
150
200
250
300
0 50
100
150
200
250
300
40 20
0 0
20
0
200
20
0
40
0 0
0 0
50
100
150
200
250
300
0
50
100
150
200
250
300
0
50
100
150
200
250
300
13
Lanjutan 5. Mata kiri orang ketiga
150
140
150
120
160
180
140
160 140
120 100 100
100
120 100
80
100 80 80
60 60 50
50
60
40 40 40 20
0
20
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
50
100
150
200
250
300
180
160
140
160
160
140
120
140
140
20
0 0
120
0 0
50
100
150
200
250
300
0
50
100
150
200
250
300
0
50
100
150
200
250
300
50
100
150
200
250
300
120 100
120 100
100 80
100 80
80
80
60 60
60
60 40 40
40
40 20
20
20 0
0 0
50
100
6.
150
200
250
300
20
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
Mata kanan orang ketiga
160
140
160
180
200
140
140
160
180
120
120
160
140
120 100
140 120
100
100
120
80
100
80
80
100 80
60 60
80
60 60
60
40 40
40 40 20
20
0
20
0 0
50
100
150
200
250
300
160
0 0
50
100
150
200
250
300
150
140
40
20
20
0 0
50
100
150
200
250
300
140
140
120
120
100
100
80
80
60
60
40
40
0 0
50
100
150
200
250
300
0
50
100
150
200
250
300
120 100 100
80 60 50 40 20
20
0
0 0
50
100
150
200
250
300
20
0 0
50
100
150
200
250
300
0 0
50
100
150
200
250
300
0
14
Lampiran 2 Nama file yang digunakan dalam penelitian Mata orang 1 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1001L01.jpg S1001L02.jpg S1001L03.jpg S1001L04.jpg S1001L05.jpg S1001L06.jpg S1001L08.jpg S1001L09.jpg S1001L10.jpg S1001R01.jpg S1001R02.jpg S1001R03.jpg S1001R04.jpg S1001R05.jpg S1001R06.jpg S1001R07.jpg S1001R08.jpg S1001R10.jpg
Mata orang 2 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1028L02.jpg S1028L03.jpg S1028L05.jpg S1028L06.jpg S1028L07.jpg S1028L09.jpg S1028L10.jpg S1028L11.jpg S1028L12.jpg S1028R01.jpg S1028R03.jpg S1028R04.jpg S1028R05.jpg S1028R06.jpg S1028R07.jpg S1028R08.jpg S1028R09.jpg S1028R10.jpg
Mata orang 3 No 1 2 3 4 5 6 7 8
Nama File S1036L01.jpg S1036L03.jpg S1036L04.jpg S1036L05.jpg S1036L06.jpg S1036L07.jpg S1036L08.jpg S1036L09.jpg
9 10 11 12 13 14 15 16 17 18
S1036L10.jpg S1036R01.jpg S1036R03.jpg S1036R04.jpg S1036R05.jpg S1036R06.jpg S1036R07.jpg S1036R08.jpg S1036R09.jpg S1036R10.jpg
Mata orang 4 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1042L02.jpg S1042L03.jpg S1042L04.jpg S1042L05.jpg S1042L06.jpg S1042L07.jpg S1042L08.jpg S1042L09.jpg S1042L10.jpg S1042R02.jpg S1042R03.jpg S1042R04.jpg S1042R05.jpg S1042R06.jpg S1042R07.jpg S1042R08.jpg S1042R09.jpg S1042R10.jpg
Mata orang 5 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1092L02.jpg S1092L03.jpg S1092L04.jpg S1092L05.jpg S1092L06.jpg S1092L07.jpg S1092L08.jpg S1092L09.jpg S1092L10.jpg S1092R01.jpg S1092R02.jpg S1092R03.jpg S1092R04.jpg S1092R05.jpg S1092R06.jpg S1092R07.jpg S1092R09.jpg S1092R10.jpg
15
Lanjutan Mata orang 6 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1179L01.jpg S1179L03.jpg S1179L04.jpg S1179L05.jpg S1179L06.jpg S1179L07.jpg S1179L08.jpg S1179L09.jpg S1179L10.jpg S1179R01.jpg S1179R02.jpg S1179R04.jpg S1179R05.jpg S1179R06.jpg S1179R07.jpg S1179R08.jpg S1179R09.jpg S1179R10.jpg
Mata orang 7 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1191L01.jpg S1191L02.jpg S1191L03.jpg S1191L04.jpg S1191L05.jpg S1191L06.jpg S1191L07.jpg S1191L08.jpg S1191L09.jpg S1191R01.jpg S1191R03.jpg S1191R04.jpg S1191R05.jpg S1191R06.jpg S1191R07.jpg S1191R08.jpg S1191R09.jpg S1191R10.jpg
Mata orang 8 No 1 2 3 4 5 6 7 8 9 10
Nama File S1209L01.jpg S1209L02.jpg S1209L03.jpg S1209L04.jpg S1209L06.jpg S1209L07.jpg S1209L08.jpg S1209L09.jpg S1209L10.jpg S1209R01.jpg
11 12 13 14 15 16 17 18
S1209R02.jpg S1209R03.jpg S1209R04.jpg S1209R05.jpg S1209R06.jpg S1209R07.jpg S1209R08.jpg S1209R09.jpg
Mata orang 9 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1219L01.jpg S1219L02.jpg S1219L03.jpg S1219L04.jpg S1219L06.jpg S1219L07.jpg S1219L08.jpg S1219L09.jpg S1219L10.jpg S1219R01.jpg S1219R02.jpg S1219R03.jpg S1219R04.jpg S1219R05.jpg S1219R06.jpg S1219R07.jpg S1219R08.jpg S1219R09.jpg
Mata orang 10 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Nama File S1229L01.jpg S1229L03.jpg S1229L04.jpg S1229L05.jpg S1229L06.jpg S1229L07.jpg S1229L08.jpg S1229L09.jpg S1229L10.jpg S1229R01.jpg S1229R02.jpg S1229R03.jpg S1229R04.jpg S1229R05.jpg S1229R06.jpg S1229R07.jpg S1229R08.jpg S1229R09.jpg
16
Lampiran 3 Confusion matrix pengenalan mata kiri Confusion matrix pengenalan mata kiri iterasi pertama
Confusion matrix pengenalan mata kiri iterasi kelima
Kelas aktual 1 2 3 4 5 6 7 8 9 10
Kelas aktual 1 2 3 4 5 6 7 8 9 10
1 5 0 0 0 0 0 0 0 0 0
2 0 8 0 0 4 0 0 0 1 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 2 0 0 0 0 0 0 1 0 9 0 0 0 0 0 0 6 2 0 0 0 0 0 5 0 0 0 0 0 0 6 0 1 0 0 0 0 9 0 0 0 0 0 0 9 0 0 0 0 0 0 3 0 0 0 0 1
9 0 0 0 0 0 0 0 0 8 0
10 0 0 0 1 0 2 0 0 0 5
1 3 0 0 0 0 0 0 0 0 0
2 1 8 0 0 2 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 1 4 0 0 0 0 0 0 1 0 9 0 0 0 0 0 0 5 3 0 0 0 0 0 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 1 0 0 2 0 1
9 0 0 0 1 0 0 0 0 9 0
10 0 0 0 0 0 0 0 0 0 5
Confusion matrix pengenalan mata kiri iterasi ketiga
Confusion matrix pengenalan mata kiri iterasi keenam
Kelas aktual 1 2 3 4 5 6 7 8 9 10
Kelas aktual 1 2 3 4 5 6 7 8 9 10
1 5 0 0 0 0 0 0 0 0 0
2 0 8 0 0 3 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 2 0 0 0 0 0 0 1 0 9 0 0 0 0 0 1 7 0 0 0 0 0 1 5 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 1 0 0 2 0 1
9 0 0 0 1 0 0 0 0 9 0
10 0 0 0 0 0 0 0 0 0 5
1 5 0 0 0 0 0 0 0 0 0
2 0 8 0 0 1 0 0 0 1 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 2 0 0 0 0 0 0 1 0 9 0 0 0 0 0 0 6 2 0 0 0 0 1 7 0 0 0 0 0 0 1 0 0 0 0 0 0 9 0 0 0 0 0 0 8 0 0 0 0 0 0 3 0 0 0 0 1
9 0 0 0 1 0 0 0 0 8 0
10 0 0 0 0 0 2 0 1 0 5
Confusion matrix pengenalan mata kiri iterasi keempat
Confusion matrix pengenalan mata kiri iterasi ketujuh
Kelas aktual 1 2 3 4 5 6 7 8 9 10
Kelas aktual 1 2 3 4 5 6 7 8 9 10
1 4 0 0 0 0 1 0 0 0 0
2 1 5 0 0 2 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 2 0 0 0 0 3 0 1 0 9 0 0 0 0 0 0 7 1 0 0 0 1 0 6 0 0 0 0 0 0 8 0 0 0 0 0 0 9 0 0 0 0 0 0 9 0 0 0 0 0 0 1 0 0 1 0 2
9 0 0 0 1 0 0 0 0 9 0
10 0 0 0 0 0 0 0 0 0 5
1 3 0 0 0 0 0 0 0 0 0
2 1 8 0 0 2 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 1 4 0 0 0 0 0 0 1 0 9 0 0 0 0 0 0 7 1 0 0 0 0 1 6 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 1 0 0 1 0 2
9 0 0 0 1 0 0 0 0 9 0
10 0 0 0 0 0 0 0 0 0 5
17
Lanjutan Confusion matrix pengenalan mata kiri iterasi kedelapan Kelas aktual 1 2 3 4 5 6 7 8 9 10
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 9 0 0 0 0 0 0 6 2 0 0 0 0 1 7 0 0 0 0 0 0 7 0 0 0 0 0 0 9 0 0 0 0 0 0 8 0 0 0 0 0 0 3 0 0 0 0 1
9 0 0 0 1 0 0 0 0 8 0
10 0 0 0 0 0 2 0 1 0 5
Confusion matrix pengenalan mata kiri iterasi kesembilan Kelas aktual 1 2 3 4 5 6 7 8 9 10
1 5 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 2 0 0 0 0 0 0 1 0 8 0 0 0 0 0 0 6 2 0 0 0 0 1 7 0 0 0 0 0 0 7 0 0 0 0 0 0 9 0 0 0 0 0 0 7 0 0 0 0 0 0 3 0 0 0 0 1
9 0 0 0 1 0 0 0 0 9 0
10 0 0 1 0 0 2 0 2 0 5
Confusion matrix pengenalan mata kiri iterasi kesepuluh Kelas aktual 1 2 3 4 5 6 7 8 9 10
1 5 0 0 0 0 0 0 0 0 0
2 0 8 0 0 3 0 0 0 0 0
Kelas hasil prediksi 3 4 5 6 7 8 0 0 2 2 0 0 0 0 0 0 1 0 9 0 0 0 0 0 0 7 1 0 0 0 0 1 5 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 0 0 0 0 0 0 0 5
18
Lampiran 4 Ilustrasi nilai histogram pada pengenalan mata kiri Ilustrasi nilai histogram pada kelas yang dikenali kelas 5 (a) ilustrasi wilayah collarate kelas 5 yang dikenali sebagai kelas 4 (b) histogramnya (c) ilustrasi wilayah collarate kelas 4 (d) histogramnya (e) ilustrasi wilayah collarate kelas 5 (f) histogramnya 250
250
200
200
150
150
100
100
50
50
0
0 0
50
(a)
100
150
200
250
300
(b)
0
50
100
(c)
150
200
250
300
(d)
200 180 160 140 120 100 80 60 40 20 0 0
50
100
(e)
150
200
250
300
(f)
Ilustrasi nilai histogram pada kelas yang dikenali kelas 10 (a) ilustrasi wilayah collarate kelas 10 yang dikenali sebagai kelas 3 (b) histogramnya (c) ilustrasi wilayah collarate kelas 3 (d) histogramnya (e) ilustrasi wilayah collarate kelas 10 (f) histogramnya 180
140
160 120 140 100 120 100
80
80
60
60 40 40 20 20 0
0 0
50
(a)
100
150
200
250
300
(b)
0
50
100
(c)
150
200
250
300
(d)
200 180 160 140 120 100 80 60 40 20 0 0
50
(e)
100
150
200
250
300
(f)
Ilustrasi nilai histogram pada kelas yang dikenali kelas 1 (a) ilustrasi wilayah collarate kelas 1 yang dikenali sebagai kelas 5 (b) histogramnya (c) ilustrasi wilayah collarate kelas 5 (d) histogramnya (e) ilustrasi wilayah collarate kelas 1 (f) histogramnya 300
350
300
250
250 200 200 150 150 100 100 50
50
0
0 0
50
100
(a)
150
200
250
300
(b)
(c)
250
200
150
100
50
0 0
(e)
50
100
150
(f)
0
200
250
300
50
100
150
(d)
200
250
300
19
Lanjutan Ilustrasi nilai histogram pada kelas yang dikenali kelas 4 (a) ilustrasi wilayah collarate kelas 4 yang dikenali sebagai kelas 5 (b) histogramnya (c) ilustrasi wilayah collarate kelas 5 (d) histogramnya (e) ilustrasi wilayah collarate kelas 4 (f) histogramnya 250
250
200
200
150
150
100
100
50
50
0
0 0
50
100
150
(a)
200
250
300
(b)
0
50
100
150
(c)
200
250
300
(d)
180 160 140 120 100 80 60 40 20 0 0
50
100
(e)
150
200
250
300
(f)
Ilustrasi nilai histogram pada kelas yang dikenali (a) ilustrasi wilayah collarate kelas 2 yang dikenali sebagai kelas 7 (b) histogramnya (c) ilustrasi wilayah collarate kelas 2 yang dikenali sebagai kelas 9 (d) histogramnya (e) ilustrasi wilayah collarate kelas 2 (f) histogramnya 250
250
200
200
150
150
100
100
50
50
0
0 0
50
100
(a)
150
200
250
300
(b)
(c)
300
250
200
150
100
50
0 0
(e)
50
100
150
0
200
(f)
250
300
50
100
150
(d)
200
250
300
20
Lanjutan Ilustrasi nilai histogram pada kelas yang dikenali (a) ilustrasi wilayah collarate kelas 3 yang dikenali sebagai kelas 10 (b) histogramnya (c) ilustrasi wilayah collarate kelas 10 (d) histogramnya(e) ilustrasi wilayah collarate kelas 3 (f) histogramnya 140
180 160
120 140 100 120 80
100
60
80 60
40 40 20 20 0
0 0
50
100
(a)
150
200
250
300
(b)
(c)
160
140
120
100
80
60
40
20
0 0
(e)
50
100
150
(f)
0
200
250
300
50
100
150
(d)
200
250
300
21
Lampiran 5 Pembagian subset tiap iterasi Iterasi
Subset
Data latih (indeks)
Data uji (indeks)
1
Fold1
1,2,3,4,5,6
7,8,9
Fold2
4,5,6,7,8,9
1,2,3
Fold3
1,2,3,7,8,9
4,5,6
Fold1
1,2,4,6,8,9
3,5,7
Fold2
1,2,3,4,5,7
6,8,9
Fold3
3,5,6,7,8,9
1,2,4
Fold1
2,3,4,5,6,7
1,8,9
Fold2
1,2,3,4,8,9
5,6,7
Fold3
1,5,6,7,8,9
2,3,4
Fold1
3,4,5,6,7,8
1,2,9
Fold2
1,2,3,4,5,9
6,7,8
Fold3
1,2,6,7,8,9
3,4,5
Fold1
1,2,3,4,5,8
6,7,9
Fold2
2,4,5,6,7,9
1,3,8
Fold3
1,3,6,7,8,9
2,4,5
Fold1
2,4,6,7,8,9
1,3,5
Fold2
1,3,5,7,8,9
2,4,6
Fold3
1,2,3,4,5,6
7,8,9
Fold1
2,4,5,6,7,8
1,3,9
Fold2
1,2,3,4,5,9
6,7,8
Fold3
1,3,6,7,8,9
2,4,5
Fold1
1,2,5,7,8,9
3,4,6
Fold2
1,2,3,4,5,6
7,8,9
Fold3
3,4,6,7,8,9
1,2,5
Fold1
2,5,6,7,8,9
1,3,4
Fold2
1,3,4,7,8,9
2,5,6
Fold3
1,2,3,4,5,6
7,8,9
Fold1
1,2,3,6,8,9
4,5,7
Fold2
1,2,3,4,5,7
6,8,9
Fold3
4,5,6,7,8,9
1,2,3
2
3
4
5
6
7
8
9
10
22
Lampiran 6 Perbandingan metode dan akurasi dari penelitian terkait pengenalan iris mata Penelitian
Segmentasi
Ekstraksi Ciri
Pelatihan dan Pengujian
Akurasi (%)
Demirel dan Anbarjarafi
Transformasi Hough
Kombinasi statistic histogram
Mayority voting (MV), PCA
100 (MV), 70 PCA
Ives
Canny edge detection dan transformasi Hough
Histogram analysis
Du Measure
86
Zaki
Regioning dan labeling
Log-Gabor Wavelet satu dimensi
Voting Feature Interval versi 5
100
Aktivia
Canny edge detection
Histogram
K-Nearest Neighbor
91.1
