IMPLEMENTASI METODE HOUGH DAN JARAK MAHALANOBIS PADA SISTEM BIOMETRIK PENGENALAN TELINGA DENGAN MENGGUNAKAN LIBRARY OPEN CV Dr. Ernastuti Jurusan Teknik Informatika Fakultas Teknologi Industri 03 Maret 2012 Abstraksi Teknologi biometrik menjadi dasar dari sistem identifikasi untuk mengontrol individu-individu dalam kelompok yang berada di bawah pengawasan. Sistem biometrik memberikan identifikasi secara otomatis dari individu berdasarkan ciri atau karakteristik unik yang dimiliki setiap individu. Pada sistem biometrik berbasis telinga, tahapan umum yang dilakukan adalah akuisisi citra, segmentasi citra, ekstraksi citra dan pengenalan citra. Metode Hough digunakan pada tahap segmentasi dan Metode jarak Mahalanobis digunakan pada tahap pengenalan citra. Implementasi sistem ini menggunakan bahasa pemrograman OpenCV dan sebagai objek penelitian menggunakan citra telinga yang diperoleh sebagian dari data pada internet, dan sebagian diperoleh dengan menggunakan kamera handphone dan kamera digital beresolusi tinggi. Kata Kunci : biometrik, hough, telinga, mahalanobis
BAB I PENDAHULUAN 1.1
Latar Belakang Ada beberapa cara yang dapat dilakukan untuk mengenali seseorang, antara lain: Melalui benda, seperti kartu pengenal, pakaian, dan lain-lain, Data-data pengetahuan, seperti userid, password, dan lain-lain, Biometrik, seperti sidik jari, wajah, telinga, retina, kulit, dan lain-lain.
Biometrik adalah ilmu mengidentifikasi atau memverifikasi identitas seseorang berdasarkan bentuk fisik atau karakteristik tubuh manusia. Salah satu contoh dari pengenalan biometrik adalah pengenalan telinga. Pada tahun 1989, Alfred Iannarelli melakukan sebuah penelitian yang memberi pengaruh yang sangat besar dalam penelitian pengenalan melalui telinga, dimana dia mengumpulkan lebih dari 10.000 sampel telinga dan menemukan bahwa semua sampel tersebut tidak ada yang sama.
Profesor Nixon pada tahun 1999, mengatakan bahwa telinga memiliki keuntungan tertentu terhadap kemapanan biometrik dibandingkan dengan wajah, karena memiliki struktur dan bentuk yang tetap stabil dari lahir hingga usia tua. Selain itu telinga lebih kecil, memungkinkan sistem identifikasi dapat bekerja lebih cepat dan efisien.
1.4
Tujuan Penelitian Tujuan dari penelitian ini adalah membuat suatu aplikasi yang diharapkan dapat mengidentifikasi seseorang, dengan citra telinga sebagai data masukan. BAB II LANDASAN TEORI 2.1
1.2
Rumusan Masalah Bagaimana algoritma komputer dapat mengenali seseorang dari telinganya yang berupa inputan gambar. 1.3
Batasan Masalah Pada penelitian ini, masalah akan dibatasi pada hal-hal berikut : 1. Penelitian ini hanya berhubungan dengan implementasi metode Hough Dan Jarak Mahalanobis. 2. Objek yang digunakan hanya dibatasi pada citra telinga diam. 3. Citra telinga dibatasi hanya pada posisi tampak samping dari posisi frontal wajah. 4. Objek telinga yang digunakan tidak terhalang oleh suatu benda. 5. Proses identifikasi dilakukan dengan membandingan dua citra telinga yang berbeda dari satu orang. 6. Telinga yang dibandingkan, hanya telinga pada letak yang sama, misalkan telinga kanan dengan telinga kanan. 7. Pembuatan aplikasi ini menggunakan bahasa pemrograman C++, library OpenCV versi 1 pre 1, dan menggunakan editor CodeBlocks.
Citra Secara harafiah, citra (image) adalah gambar pada bidang dua dimensi. Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat : Optik, berupa foto, Analog, berupa sinyal video seperti gambar pada monitor televisi, Digital, yang dapat langsung disimpan pada suatu pita magnetik. Secara umum citra dibedakan menjadi dua jenis, yaitu citra diam (still images) dan citra bergerak (moving images). Citra diam adalah citra tunggal yang tidak bergerak. Citra bergerak (moving images) adalah rangkaian citra diam yang ditampilkan secara beruntun (sekuensial) sehingga memberi kesan pada mata kita sebagai gambar yang bergerak. Citra yang dimaksudkan di dalam keseluruhan isi penulisan ini adalah citra diam, dan selanjutnya, citra diam kita sebut citra saja. 2.2
Pengolahan Citra Pengolahan Citra (image processing) merupakan suatu istilah yang mencakup teknik pemanipulasian dan pemodifikasian gambar melalui berbagai cara. Pengolahan Citra dapat juga dikatakan sebagai operasi untuk memperbaiki, menganalisa, atau mengubah
suatu gambar. Ada empat klasifikasi dasar dalam pengolahan citra yaitu point, area, geometric, dan frame. - Point; memproses nilai piksel suatu gambar berdasarkan nilai atau posisi dari piksel tersebut. - Area; memproses nilai piksel suatu gambar berdasarkan nilai piksel tersebut beserta nilai piksel sekelilingnya. - Geometric; digunakan untuk mengubah posisi dari piksel. - Frame; memproses nilai piksel suatu gambar berdasarkan operasi dari 2 buah gambar atau lebih. Di dalam bidang komputer, ada tiga bidang studi yang berkaitan dengan data citra, namun tujuan ketiganya berbeda, yaitu: Grafika Komputer. Pengolahan Citra. Pengenalan Pola. Grafika Komputer bertujuan menghasilkan citra (lebih tepat disebut grafik) dengan primitif-primitif geometri seperti garis, lingkaran, dan sebagainya. Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (dalam hal ini komputer). Pengenalan Pola mengelompokkan data numerik dan simbolik (termasuk citra) secara otomatis oleh mesin (dalam hal ini komputer). Tujuan pengelompokan adalah untuk mengenali suatu objek di dalam citra.
2.3
Computer Vision Terminologi lain yang berkaitan erat dengan pengolahan citra adalah computer vision atau machine vision. Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi, pengenalan (recognition), dan membuat keputusan. 2.4
Sistem Biometrik Biometrik adalah metode otomatis pengakuan seseorang berdasarkan karakteristik fisik atau perilaku[10]. Teknologi biometrik menjadi dasar dari identifikasi yang aman dan solusi untuk verifikasi pribadi. Karakteristik biometrik dibagi dalam dua kelas utama[10] : Fisiologis, berhubungan dengan bentuk tubuh. Behavioral, berkaitan dengan perilaku seseorang. Menggunakan biometrik untuk mengidentifikasi manusia menawarkan beberapa keunggulan unik. Biometrik bekerja cepat, mudah digunakan, akurat, dapat diandalkan, dan memiliki biaya yang relatif murah untuk berbagai aplikasi. Sistem biometrik dapat dioperasikan dengan dua metode berikut: 1. Verifikasi; perbandingan antara satu biometrik yang ditangkap dengan satu template yang ada digunakan untuk memverifikasi bahwa individu tersebut adalah benar orang yang diklaimnya. 2. Identifikasi; membandingkan biometrik dengan database biometrik dalam upaya mengidentifikasi individu yang tidak diketahui.
2.5
Gray Level Gray-level merupakan tingkat warna abu-abu dalam sebuah piksel, dapat juga dikatakan sebagai tingkat cahaya dalam sebuah piksel. Maksudnya nilai yang terkandung dalam piksel menunjukan tingkat terangnya piksel tersebut dari hitam ke putih. Grayscaling Grayscaling dalah proses perubahan nilai piksel dari warna (RGB) menjadi gray-level [13]. Pada dasarnya proses ini dilakukan dengan meratakan nilai piksel dari 3 nilai RGB menjadi 1 nilai.
Bagian-bagian dari daun telinga tersebut dapat dilihat pada gambar dibawah.
2.6
2.7
Thresholding Misal pada sebuah gambar, f(x,y) tersusun dari objek yang terang pada sebuah background yang gelap[13]. Graylevel milik objek dan milik background terkumpul menjadi 2 grup yang dominan. Salah satu cara untuk mengambil objek dari backgroundnya adalah dengan memilih sebuah nilai threshold T yang memisahkan grup yang satu dengan grup yang lain. Maka semua piksel yang memiliki nilai > T disebut titik objek, yang lain disebut titik background. Proses ini disebut thresholding. 2.8
Telinga Telinga adalah salah satu alat indra pada manusia yang digunakan untuk mendengar. Dalam dunia teknologi informasi, daun telinga dapat dijadikan salah satu bagian dari tubuh untuk mengidentifikasi pemiliknya. Hal ini dikarenakan adanya keunikan dari daun telinga pada masing-masing orang.
Struktur Daun Telinga
2.9
Metode Pengenalan Telinga Dalam melakukan pendeteksian telinga, secara garis besar, proses yang akan dilakukan adalah lokalisasi, normalisasi dan pengenalan citra. Setiap langkah dari proses yang dijalankan menggunakan metode terurut sesuai dengan kebutuhan. 2.9.1
Transformasi Hough Transformasi Hough adalah teknik ekstraksi fitur yang digunakan dalam analisa citra. Tujuan dari teknik ini adalah untuk menemukan bentuk dari obyek dalam sebuah kelas tertentu sesuai dengan prosedur. Tujuan dari transformasi Hough untuk mengatasi masalah ini dengan melakukan pengelompokan titik ujung ke calon objek dengan melakukan prosedur voting yang eksplisit atas satu set parameter objek gambar. Transformasi Hough mengubah algoritma menggunakan sebuah array yang disebut akumulator, untuk mendeteksi adanya garis y = mx + b. Dimensi akumulator tersebut sama dengan angka parameter yang belum diketahui dari permasalahan transformasi Hough.
Dalam kasus lingkaran, persamaan parametrik yang digunakan yaitu: (x – x0)2 + (y – y0)2 = r2 dimana x0 dan y0 adalah kordinat pusat lingkaran dan r adalah jari-jari. Algoritma dari deteksi lingkaran ini sesuai dengan ilustrasi pada gambar dibawah adalah sebagai berikut: 1. Tentukan nilai θ 2. Untuk setiap piksel (x,y) hitung nilai r = x cos θ + y sin θ untuk semua nilai θ 3. Buat array nilai θ dan r 4. Jika array nilai telah terbentuk, proses perhitungan dilanjutkan bersama dengan array akumulator.
DM (x) = Dengan vektor x = (x1; x2; x3; ::; xN)T dari sekelompok nilai mean μ = (μ1; μ2; μ3; :::; μN)T . Mahalanobis distance juga dapat didefinisikan sebagai ukuran perbedaan antara dua vektor acak x dan y dari distribusi yang sama dengan S (matriks kovariansi). d(x; y) = BAB III PERANCANGAN DAN IMPLEMENTASI Konsep dasar dari sistem yang dibuat diilustrasikan pada gambar.
Gambar Persamaan parametrik deteksi lingkaran Hough
2.9.2
Metode Jarak Mahalanobis Metode jarak Mahalanobis adalah suatu metode statistika yang digunakan untuk mendapatkan suatu data dengan jarak tertentu terhadap mean data tersebut sehingga diperoleh suatu penyebaran data yang memiliki pola terhadap nilai mean. Metode ini didasarkan pada korelasi antara variabel dengan pola yang berbeda yang dapat diidentifikasi dan dianalisis. Metode ini mengenali sampel yang telah ditetapkan dengan sampel yang belum dikenal. Metode ini memiliki nilai penguat yang fleksibel sehingga mudah disesuaikan dengan perubahan kondisi. Penguat dari metode ini ada pada nilai kovariansinya. Secara umum, jarak Mahalanobis dapat didefinisikan sebagai berikut:
Gambar Model sistem pengenalan citra
Aplikasi ini sifatnya berdiri sendiri dan tidak terkait pada sistem apapun. Tahap yang dilakukan dalam implementasi sistem ini bisa dimulai dari tahap pertama ataupun langsung dari tahap kedua. Apabila dimulai dari tahap pertama, maka akan dilakukan pengambilan gambar telinga seseorang terlebih dahulu dengan memggunakan kamera digital. Dan apabila kita ingin langsung ke tahap kedua, maka citra telinga yang akan kita gunakan sebagai inputan dapat kita peroleh dari database yang tersedia di internet. Ekstraksi citra dilakukan dengan mengambil setiap piksel citra dan diubah
ke dalam bentuk matriks yang diolah pada proses pencocokan. 3.1
Diagram Alur Proses Pada pembuatan program ini, kita menggunakan diagram alur untuk perancangan sistem. Diagram alur tersebut dapat kita lihat pada gambar dibawah.
3.2.1
Segmentasi Segmentasi citra dapat diartikan mendekomposisikan citra ke dalam komponen-komponen yang lebih kecil, atau memisahkan citra menjadi bagianbagian pembentuknya. Segmentasi ini berfungsi untuk mengklasifikasikan dan memisahkan bagian objek yang menjadi fokus penelitian berdasarkan metodemetode tertentu.
Gambar Langkah-langkah proses segmentasi
Gambar Diagram alur sistem
3.2
Proses Pengolahan Citra Secara garis besar proses pengolahan citra ini terbagi dalam tiga bagian yaitu proses segmentasi, proses normalisasi dan proses pengenalan citra.
Metode yang digunakan di sini adalah pencarian secara langsung. Proses ini dilakukan pada citra telinga yang telah diubah menjadi citra biner melalui proses thresholding. Setelah dilakukan proses pengubahan ke citra biner dilanjutkan dengan proses penghalusan citra menggunakan fungsi Gaussian. Maksud dari proses ini adalah melakukan blur terhadap warna hitam dan putih yang jaraknya berdekatan sehingga mengurangi derau citra. Metode untuk melakukan penghalusan citra ini telah disediakan oleh OpenCV menggunakan fungsi cvSmooth. Setelah dilakukan proses diatas, maka selanjutnya citra telinga tersebut akan kita segmentasikan kedalam sakala kecil. Citra yang telah memiliki bentuk spesifik akan diproses dengan metode
transformasi Hough. Transformasi Hough digunakan untuk mendeteksi bentuk yang spesifik serta menghasilkan parameterparameter dan kemudian parameter ini yang dijadikan representasi bentuk melingkar dari telinga. 3.2.2 Normalisasi Tahap normalisasi ini adalah tahap yang dilakukan untuk mengambil bagian penting dari citra (ROI). Tahap ini dilakukan dengan cara memanfaatkan parameter titik pusat dan jari-jari yang telah didapat pada proses segmentasi. Awal dari proses normalisasi ini adalah membentuk matriks kosong untuk menampung piksel-piksel hasil ekstraksi. Panjang dari matriks ini adalah 360, sesuai dengan jumlah perputaran sudut yang dilakukan sedangkan tinggi matriks ini adalah sama dengan jari-jari lingkaran. Algoritma dari proses normalisasi ditunjukkan pada gambar dibawah.
Gambar Ukuran matriks hasil normalisasi
3.2.3 Pengenalan Citra Tahap pengenalan citra adalah tahap puncak dari proses sistem yang dibuat. Hasil dari dua tahap sebelumnya sangat berpengaruh besar terhadap proses perhitungan pada tahap pengenalan citra. Seperti yang telah diketahui bahwa setiap pertimbangan kondisi yang dilakukan pada dua tahap sebelumnya berdasarkan perhitungan matriks yang dilakukan pada tahap ini. Sesuai dengan rumus metode Mahalanobis yang telah dijelaskan pada bab sebelumnya, maka variabel pertama yang harus dihitung adalah matriks kovarian. Matriks kovarian adalah matriks yang berisi error terperinci dari estimasi data. Secara umum perhitungan matriks kovarian ditunjukkan oleh gambar dibawah.
Gambar Dasar perhitungan matriks kovariansi Tahap normalisasi
Setiap perhitungan nilai x dan y menggunakan koefisien konversi sudut ke radian (variabel a). Setelah nilai x dan y didapat kemudian dilanjutkan dengan pengambilan nilai pixel sesuai dengan kordinat pixel (x,y). Nilai pixel kemudian diletakkan pada matriks kosong yang telah dibuat dan nilai itu diletakkan secara urut per baris.
Nilai variabel z adalah nilai faktor skala matriks. Untuk matriks hasil normalisasi telinga, nilai faktor skala yang digunakan adalah 360 dan matriks kovariansi yang dihasilkan adalah matriks berbentuk persegi dengan ukuran sisi adalah jari-jari lingkaran yang menjadi batas terluar dari gambar telinga yang akan di proses. Setelah proses mendapatkan matriks kovarian, dilanjutkan dengan
perhitungan selisih antara kedua matriks citra. Perhitungan selisih ini akan menghasilkan nilai matriks baru dan diurutkan secara per baris. Matriks baru ini diproses lebih lanjut untuk menghasilkan matriks transpose. Tiga proses perhitungan matriks telah dilakukan dan matriks yang dibutuhkan untuk menghasilkan nilai jarak Mahalanobis telah dihasilkan. Langkah terakhir yang dilakukan adalah melakukan proses perkalian antara ketiga matriks. Matriks yang dihasilkan pada perkalian tiga matriks ini adalah matriks berukuran 361 x 361. Langkah terakhir yang dilakukan adalah menyeleksi setiap nilai matriks hasil perhitungan terakhir dengan kondisi hanya nilai matriks positif dan terkecil. Nilai jarak mahalanobis dihasilkan dari akar kuadrat dari nilai matriks positif terkecil menggunakan fungsi sqrt. Hasil akhir dari sistem ini dapat dilihat pada gambar dibawah.
yang dihasilkan semakin kecil berarti nilai kemiripannya makin tinggi dan menunjukkan bahwa setiap tahap proses dilakukan dengan baik. 3.3
Perangkat Lunak yang Digunakan Dalam pembuatan aplikasi pengenalan telinga ini, penulis menggunakan bahasa pemrograman C++ dengan bantuan library OpenCV versi 1 pre 1. Untuk editor yang digunakan, penulis menggunakan CodeBlocks. 3.3.1
C++ C++ adalah bahasa pemrograman komputer. C++ dikembangkan di Bell Labs (Bjarne Stroustrup) pada awal tahun 1970an. Bahasa itu diturunkan dari bahasa sebelumnya, yaitu BCL. Salah satu perbedaan yang paling mendasar dengan bahasa C adalah dukungan terhadap konsep pemrograman berorientasi objek [5]. 3.3.2
OpenCV OpenCV adalah singkatan dari Open Computer Vision, yaitu library open source yang di khususkan untuk melakukan Computer Vision. Library tersebut ditulis dalam bahasa C/C++. OpenCV didesain untuk efisiensi komputasi dan dengan fokus yang kuat pada aplikasi real-time. Gambar Hasil perhitungan jarak Mahalanobis
Hasil akhir perhitungan ini merupakan jarak terdekat antara dua citra. Jarak terdekat ini dijadikan sebagai tingkat kesalahan pengenalan citra. Logika akhir dari hasil perhitungan nilai jarak mahalanobis ini adalah jika nilai jarak
3.3.3
CodeBlocks CodeBlocks adalah sebuah editor C++ yang berbasiskan IDE(Integrated Development Environment ) dan bersifat gratis. IDE adalah aplikasi perangkat lunak yang menyediakan fasilitas yang lengkap seperti editor untuk penulisan listing
program, sebuah compiler dan/atau interpreter, dan lain sebagainya; kepada pemrogram komputer untuk pengembangan perangkat lunak[6]. 3.4
Spesifikasi Perangkat Keras Prosesor dan memori yang digunakan dalam implementasi program ini adalah sebagai berikut: 1. Prosesor Intel Pentium(R) Core(TM)2 Duo CPU T6400 @ 2.00 GHz. 2. Memori DDR2 3,00 GB. BAB IV PENGUJIAN KINERJA SISTEM Ada dua kriteria yang dilakukan dalam pengujian kinerja sistem ini yaitu kriteria terhadap waktu dan kriteria terhadap tingkat keberhasilan.
Uji Coba 1 2 3 4 5 6 7 8 9 10
4.1
Kriteria Waktu Tahap pengujian terhadap waktu maksudnya adalah tahap pengujian di mana kecepatan proses dijadikan sebagai objek pembanding. Tahap ini dilakukan dengan tujuan untuk mengetahui pengaruh perangkat keras yang digunakan untuk menghasilkan sebuah citra yang akan menjadi inputan pada aplikasi, terhadap efisiensi kinerja sistem. Dalam hal ini perangkat keras yang dimaksud adalah kamera. Alat pertama adalah Kamera Handphone dengan spesifikasi sebagai berikut: 1. Resolusi 240 x 320 2. Kekuatan lensa 1,3 Megapiksel Alat kedua adalah kamera digital dengan spesifikasi sebagai berikut: 1. Resolusi 1836 x 3264 2. Kekuatan lensa 8 Megapiksel
Kamera Hanphone Waktu ekstraksi 1.482
Total waktu 3.525 3.026 3.806 3.635 3.432 3.679 3.489 3.668 3.702 3.462
1.185 1.524 1.341 1.202 1.389 1.256 1.407 1.376 1.298
Kamera Digital Waktu ekstraksi 0.889 0.998 1.201 1.092 0.874 1.092 1.165 1.186 1.007 1.160
*waktu dalam satuan detik Tabel pembanding terhadap waktu proses
Total waktu 2.449 2.637 2.995 2.710 2.262 2.742 2.584 2.870 2.664 2.604
Tabel diatas adalah hasil perbandingan antara citra yang diambil menggunakan dua alat yang berbeda, dimana yang kita tinjau adalah kecepatan proses pengujian. Waktu ekstraksi adalah waktu yang dibutuhkan sistem terhitung dari awal proses hingga tahap pengubahan citra telinga menjadi bentuk polar. Waktu total adalah waktu yang dibutuhkan sistem terhitung dari awal proses, hinga akhir proses. Waktu total tersebut meliputi, waktu ekastraksi citra pertama, waktu ekstraksi citra kedua, dan waktu pencocokan (matching time). Jika diperhatikan dari keseluruhan pengujian citra pada tabel, maka dapat kita simpulkan bahwa penggunaan kamera yang berbeda akan mempengaruhi waktu untuk melakukan proses pada sistem. 4.2
Kriteria Keberhasilan Tahap keberhasilan ini dilakukan untuk mengetahui seberapa baik metode ini
No. 1
Citra Uji 01_1_1.jpg
2
04_1_3.jpg
3
02_1_1.jpg
4
14_1_1.jpg
5
10_1_1.jpg
6
13_1_1.jpg
digunakan untuk melakukan pengenalan citra telinga. Kriteria keberhasilan pengenalan telinga ini adalah kriteria pengujian yang difokuskan pada keberhasilan mengenali citra telinga dengan kondisi apakah citra telinga tersebut berasal dari orang yang sama atau tidak. Nilai perhitungan yang dihasilkan adalah nilai disimilaritas antara dua citra telinga. Jika nilai tersebut semakin kecil berarti jaraknya semakin dekat dan tingkat kemiripannya semakin tinggi. Pengujian ini dilakukan dengan menggunakan citra telinga dengan format nama file adalah aa_bb_cc.jpg dimana aa adalah nomor urut manusia (anggap saja id seseorang), bb adalah posisi telinga (1 adalah telinga sebelah kanan dan 2 adalah telinga sebelah kiri) dan cc adalah nomor urut pengambilan citra telinga per orang.
Citra Pembanding 01_1_2.jpg 02_1_3.jpg 03_1_1.jpg 14_1_2.jpg 04_1_2.jpg 02_1_2.jpg 03_1_3.jpg 19_1_1.jpg 02_1_3.jpg 01_1_3.jpg 04_1_2.jpg 11_1_2.jpg 14_1_2.jpg 11_1_1.jpg 17_1_4.jpg 20_1_1.jpg 10_1_2.jpg 18_1_4.jpg 19_1_2.jpg 15_1_2.jpg 13_1_2.jpg 14_1_2.jpg 17_1_4.jpg 16_1_4.jpg
Nilai Jarak 13.199520 15.927968 18.408939 24.406644 9.542533 15.213543 56.677930 77.684824 13.922124 19.631545 16.837893 19.846579 12.359129 36.471670 43.660010 27.007449 11.259699 31.098769 28.802423 17.754559 14.287563 55.559609 11.458093 29.255942
7
20_1_1.jpg
8
20_2_2.jpg
9
12_1_2.jpg
10
06_2_1.jpg
11
19_1_1.jpg
12
07_1_1.jpg
13
16_1_1.jpg
14
03_1_1.jpg
15
15_1_1.jpg
20_1_2.jpg 02_1_1.jpg 11_1_4.jpg 04_1_2.jpg 20_2_4.jpg 07_2_1.jpg 05_2_3.jpg 06_2_1.jpg 12_1_4.jpg 15_1_4.jpg 17_1_1.jpg 19_1_3.jpg 06_2_3.jpg 05_2_1.jpg 07_2_2.jpg 20_2_3.jpg 19_1_4.jpg 20_1_2.jpg 02_1_3.jpg 04_1_2.jpg 07_1_2.jpg 12_1_4.jpg 15_1_1.jpg 03_1_2.jpg 16_1_2.jpg 18_1_2.jpg 14_1_3.jpg 11_1_4.jpg 03_1_2.jpg 14_1_4.jpg 10_1_1.jpg 18_1_3.jpg 15_1_4.jpg 04_1_2.jpg 19_1_1.jpg 11_1_2.jpg
12.687025 40.306212 22.278083 15.189040 10.296653 33.724747 38.641345 20.235091 13.696064 44.990047 18.763528 27.947719 14.556885 11.694680 17.062373 16.590863 11.171378 39.378794 41.649358 26.171859 9.529568 35.485162 28.323478 17.730008 12.051766 35.114025 29.451640 17.567135 12.021205 18.306680 30.798049 26.067518 10.608872 22.210439 14.252081 15.482246
Tabel hasil uji pencocokan
Dari hasil pengujian pada tabel diatas, dapat kita lihat bahwa pada uji tahap ke satu, nilai jarak terdekat dihasilkan pada perbandingan citra telinga dari orang yang sama. Hasil ini sesuai yang diharapkan. Pada tahap uji ke enam dan ke sepuluh dihasilkan nilai jarak terkecil dari citra telinga orang yang berbeda. Hal ini dapat disebabkan karena kualitas citra telinga yang buruk, adanya derau seperti rambut, segmentasi citra yang mencakup daerah disekitar telinga yang cukup mengganggu, ataupun citra telinga yang dibandingkan memiliki perbedaan ukuran pixel yang sangat signifikan sehingga menyebabkan perbedaan ukuran jari-jari yang cukup besar pula, sehingga perhitungan jarak menjadi kurang optimal.
BAB V PENUTUP 5.1 Kesimpulan Hasil uji coba yang dilakukan memuaskan karena sudah sesuai dengan metode yang digunakan. Output yang dihasilkan hanya berupa jarak dua gambar karena tidak menggunakan database sebagai media penyimpanan data telinga. Hal ini disebabkan karena bahasa pemrograman yang digunakan masih dalam tahap pengembangan sehingga masih adanya kendala pada proses penyimpanan data ke dalam database. 5.2
Saran Untuk lebih efektif dalam hal pengunaan aplikasi ini perlu adanya
pengembangan sistem, sehingga pada saat lokalisasi citra hanya mencakup pada bagian daun telinga saja. Dengan demikian derau pada daerah sekitar daun telinga dapat dihilangkan sehingga dapat diperoleh hasil yang lebih akurat. Perlu juga adanya penggunaan database dan sistem kecerdasan buatan dalam implementasi sistem ini guna mempelajari struktur telinga seseorang yang kemudian datanya dapat disimpan kedalam database untuk keperluan pencocokan citra telinga selanjutnya. DAFTAR PUSTAKA [1] EkoZulkaryanto, “http://zulkaryanto.files.wordpress.c om/2010/01/hough-transform.pdf,” 2010. [2]
[3]
Globalsecurity.org, “http://www.globalsecurity.org/secur ity/systems/ biometrics.htm,” 2007. Metrogaya, http://metrogaya.com/home/teknolog i-baru-pengenal-data-manusia-lewattelinga,” 2010.
[4]
R. Fisher, “http://homepages.inf.ed.ac.uk/rbf/hi pr2/hough.htm,” 2003.
[5]
Wikipedia, “http://id.wikipedia.org/wiki/C++.”
[6]
Wikipedia, “http://en.wikipedia.org/wiki/Integrat ed_development_ environment.”
[7]
Wikipedia, “http://en.wikipedia.org/wiki/biometr ics.”
[8]
Will Dwinnell, “http://matlabdatamining.blogspot.co m/2006/11/ mahalanobisdistance.html,” 2006.
[9]
G. Bradski dan A. Kaehler, Learning OpenCV. 1005 Gravenstein Highway North, Sebastopol, CA 95472: O'Reilly Media, Inc., 2008.
[10] James Wayman, Biometric Systems Technology, Design and Performance Evaluation. Springer London, 2005. [11] L. Carlos Junqueira, basic histology 2nd Edition, ser. ISBN:0-8385-05678, 1998. [12] P C Mahalanobis, On the generalised distance in statistics. Proceedings of the National Institute of Sciences of India, 1936. [13] R. C. Gonzalez dan R. E. Woods, “Digital image processing.” Upper Saddle River, New Jersey 07458: Prentice Hall International, Inc., 2002. [14] R. Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik. Penerbit Informatika, Agustus 2004.
