BAB 2 LANDASAN TEORI 2.1 CITRA DIGITAL -...
-
Upload
nguyenduong -
Category
Documents
-
view
214 -
download
0
Transcript of BAB 2 LANDASAN TEORI 2.1 CITRA DIGITAL -...
5
BAB 2
LANDASAN TEORI
2.1 CITRA DIGITAL
Istilah “citra” menurut berbagai sumber diantaranya:
Pearson (1991)
Citra adalah representasi dua dimensi dari dunia visual, menyangkut
berbagai macam disiplin ilmu yang mencakup seni, human vision,
astronomi, tehnik, dsb. Citra merupakan suatu kumpulan piksel-piksel
atau titik-titik yang berwarna yang berbentuk dua dimensi.
Michael C. Fairhust (1994)
Citra adalah suatu fungsi 2 dimensi, dimana harga-harga fungsi tersebut
f(x,y) pada koordinat spasial (x,y) di bidang x-y mendefinisikan suatu
ukuran intensitas cahaya atau kecemerlangan titik tersebut.
Foley, James D (1996, p816)
Citra adalah array dari nilai-nilai dimana sebuah nilai adalah sekumpulan
angka yang mendeskripsikan atribut dari piksel di dalamnya.
Wolfram Research, Inc. (2002)
Citra digital adalah sinyal diskrit 2 dimensi. Secara matematis, sinyal ini
dapat direpresentasikkan sebagai fungsi dari variable-variabel 2 dimensi.
Setiap elemen dari array disebut piksel.
6
Windows XP Esperiences Glossary
Dimana citra adalah deskripsi dari gambar grafik yang tersimpan sebagai
kumpulan nilai warna dan tingkat cahaya dari piksel atau kumpulan
intruksi untuk menghasilkan gambar.
Jadi citra digitial adalah citra kontinu yang diubah dalam bentuk diskrit, baik
koordinat ruang maupun intensitas cahayanya. Citra digital dapat dinyatakan
dalam bentuk matriks dua dimensi ( )yxf , dimana ‘x’ dan ‘y’ merupakan
koordinat piksel dalam matriks dan ‘f’ merupakan derajat intensitas piksel
tersebut. Citra digital berbentuk matriks dengan ukuran M x N akan tersusun
sebagai berikut:
( )
( ) ( ) ( ) ( )( ) ( ) ( ) ( )( ) ( ) ( ) ( )
( ) ( ) ( ) ( )⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢
⎣
⎡
−−−−−
−−−
=
1,12,11,10,1
1,22,21,20,21,12,11,10,11,02,01,00,0
,
NMfMfMfMf
NffffNffffNffff
yxf
L
MOMMM
L
L
L
Suatu citra ( )yxf , dalam fungsi matematis dapat dituliskan sebagai berikut:
( ) 1,0
1010
−≤≤−≤≤−≤≤
GyxfNyMx
Dimana: M = banyaknya baris pada array citra
N = banyaknya kolom pada array citra
G = banyaknya skala keabuan (graylevel)
7
Interval (0,G) disebut skala keabuan(grayscale). Besar G tergantung pada proses
digitalisasinya. Untuk citra 8bit, nilai G sama dengan 82 = 256 warna (derajat
keabuan).
Jika kita memperhatikan citra digital secara seksama, kita dapat melihat titik –
titik kecil berbentuk segi empat yang membentuk citra tersebut. Titik – titik
tersebut merupakan satuan terkecil dari sebuah citra digital disebut sebagai
“picture element”, “pixel”, piksel atau “pel”.
Dimana definisi pixel itu sendiri menurut para ahli adalah:
• Michael C. Fairhust (1995)
Piksel adalah titik pada suatu citra yang telah didigitkan secara spasial
dan terdiri dari NxN sample yang terdistribusi secara sama.
• J.R Parker (1994)
Piksel adalah bagian array 2 dimensi dari suatu raster image. Setiap
piksel merepresentasikan warna atau tingkat keabuan dan terletak pada
posisi vertikal dan horisontal, atau yang lebih dikenal dengan baris dan
kolom.
• Murni (1992)
Piksel (picture element) merupakan bagian terkecil dari gambar yang
mengandung informasi.
• Adrian Low (1991)
Piksel dianggap sebagai bagian terkecil dari citra. Dapat berupa logic
maupu fisik. Dengan kata lain dapat berupa lokasi elemen dari suatu
citra atau menampilkan salah satu dari tingkat keabuan.
8
• Oliver (1996)
Piksel adalah titik yang merupakan penyusun dari citra yang
ditampilkan komputer.
Jumlah piksel per-satuan panjang akan menentukan resolusi citra tersebut. Makin
banyak piksel yang mewakili sebuah citra, maka makin tinggi nilai resolusinya
dan makin halus citra digital tersebut.
2.2 PENGOLAHAN CITRA
Pengolahan citra adalah suatu pernyataan yang digunakan untuk menggambarkan
operasi-operasi yang dilakukan pada suatu citra, dengan sasaran mencapai suatu
tujuan tertentu.
Menurut Murni (1992), pengolah citra merupakan peningkatan mutu citra yang
bertujuan untuk memperbaiki mutu citra untuk memperoleh keindahan gambar,
untuk kepentingan analisa citra, dan untuk mengkoreksi citra dari segala
gangguan yang terjadi sewaktu perekaman data. Ada 3 bagian yaitu:
a. Peningkatan tingkat keabuan citra
Bertujuan meningkatkan mutu suatu citra melalui perbaikan
kontras.
b. Filtering
Bertujuan menggulangi gangguan seperti:
• Ganggguan bersifat frekuensi rendah, dimana terjadi
proses pemerataan intensitas cahaya pada suatu titik
sampel dengan titik-titik tetangganya.
9
• Terjadinya gangguan berbentuk garis-garis sebagai akibat
adanya kerusakan sebagian detector sensor.
• Gangguan dalam bentuk bercak hitam yang acak.
c. Transformasi 2 dimensi dan koreksi geometri
• Transformasi 2 dimensi
Umumnya untuk gangguan bersifat sederhana dan
bersifat linier.
Gangguan ini terjadi karena adanya:
a. Pergeseran pusat
b. Perubahan ukuran citra
c. Perubahan orientase koordinat atau skewed
Untuk mengatasinya maka diberlakukan transformasi 2
dimensi yaitu:
a. Rotasi citra
b. Skala citra
c. Translasi citra
• Koreksi geometri
Meningkatkan mutu citra dengan ketelitian yang
tinggi, misalnya untuk pembentukan peta dasar.
Menurut Allan Hanbury (1998). Pengolahan citra secara kasar dibagi menjadi 3
bagian, yaitu : Image Compression, Image Enhancement and Restoration,
Measurement Extraction.
10
Image Compression mengurangi jumlah memori yang dibutuhkan untuk
menampilkan gambar digital. Sedangkan Image Enhancement and Restoration
berguna untuk perbaikan gambar.
Image Measurement Extraction operation digunakan untuk mengambil informasi
yang berguna dari citra tujuannya adalah untuk mencari distribusi luas dari objek
yang terdapat pada citra tersebut. Langkah Pertama adalah memisahkan objek
dengan background, dengan menggunakan tehnik thresholding dimana meng-set
nilai piksel yang di atas (atas sebagai objek dan bawah sebagai background)
menjadi warna putih, dan sisanya sebagai warna hitam.
2.2.1 Tingkat Keabuan (Gray Scale)
Mencari tingkat keabuan adalah proses pengubahan warna citra
menjadi format warna yang hanya berdasarkan tingkat keabuan. Proses
ini menghilangkan informasi hue dan saturation dari piksel dan hanya
meninggalkan nilai brightness. Setiap piksel dari tingkat keabuan citra
memiliki nilai brightness antara 0 (hitam) sampai 255 (putih). Foto hitam
putih merupakan contoh umum dari model warna tingkat keabuan.
Walaupun disebut hitam putih, sesungguhnya foto tersebut terbentuk dari
banyak warna abu-abu yang berbeda.
Gambar 2.1 Nilai tingkat keabuan pada Adobe Photoshop
11
Tujuan perhitungan tingkat keabuan adalah memudahkan proses
selanjutnya yaitu proses thresholding. Dengan algoritma perhitungan
tingkat keabuan, piksel dari suatu citra yang mengandung warna-warna
RGB (merah, hijau dan biru) diubah menjadi warna dalam berbagai
tingkat keabuan ( I ) dengan menjumlahkan nilai warna merah, hijau dan
biru kemudian dibagi tiga sehingga didapakan nila rata-rata dari ketiga
warna.
3BGRI ++
=
2.2.2 Binerisasi (Thresholding)
Thresholding adalah proses penyederhanaan citra dari tingkat
keabuan menjadi warna biner sehingga berdasarkan tingkat keabuannya
piksel-piksel dibagi menjadi latar dan objek interest.
Tujuan thresholding adalah untuk memisahkan objek dengan latar
belakang. Hal ini dilakukan dengan cara mengubah intensitas piksel-
piksel dari suatu citra yang ada menjadi hanya 2 intensitas yaitu hitam
dan putih. Thresholding dapat dikatakan sebagai modifikasi tingkat
keabuan yang mengubah intensitas-intensitas piksel yang ada, menjadi
hanya 2 intensitas saja, yaitu hitam dan putih.
Menurut Adrian Low (1998), thresholding mengubah dari tingkat
keabuan yang lama ke tingkat keabuan yang baru (hanya 2) jadi contrast
antar tingkat keabuan yang terpilih dapat ditingkatkan.
Menurut J.R Parker (1994), thresholding adalah mengubah citra
menjadi citra biner. Thresholding melihat pada setiap piksel kemudian
12
memutuskannya apakah dibuat putih (255) atau hitam (0). Keputusan ini
secara umum dibuat dengan cara membandingkan nilai numeric piksel
dengan nilai tertentu yang disebut dengan threshold. Jika nilai piksel
lebih kecil daripada threshold, maka piksel tersebut diubah menjadi 0;
sebaliknya yang lain diubah menjadi 255. Hal ini juga dapat dilakukan
sebaliknya.
Menurut Antti Nurminen (1996), thresholding merupakan cara
termudah untuk membagi citra tingkat keabuan. Dengan memilih suatu
nilai tertentu, dan mengatus semua piksel yang bernilai di bawahnya
menjadi (putih), dan sumua piksel diatasnya menjadi 0 (hitam), maka
akan didapatkan citra biner.
Menurut Ma Yi (1996), thresholding merupakan suatu cara untuk
menyingkirkan efek dari noise dan meningkatkan rasio signal-noise.
2.2.3 Deteksi sisi / Edge Detection
Menurut J.R. Parker (1994), edge detection adalah suatu cara
yang berguna untuk mencari batas-batas dari obyek pada suatu citra.
Tujuannya adalah untuk memisahkandan mengidentifikasi obyek pada
suatu citra. Terdapat suatu prinsip dalam edge detection yaitu: “Batas
antara dua wilayah (edge) ditandai oleh suatu perubahan mendadak pada
tingkat keabuan”. Adalah suatu keharusan pada metode edge detection
untuk mempertimbangkan semua arah yang mungkin. Pemikiran mask
pada implementasi merupakan salah satu hal yang paling banyak disebut
dalam masalah edge detection. Suatu mask adalah gambar kecil, biasanya
3x3 piksel, dimana piksel bagian tengah merupakan bagian yang
13
diperiksa. Nilai dari setiap piksel pada mask dikalikan dengan nilai dari
piksel citra yang berkorespondensi dengan orientasi terakhir. Nilai baru
piksel yang berada di tengah adalah jumlah dari produk individual tadi.
Mask dapat diaplikasikan pada semua piksel pada ditra yang pertama kali,
kemudian hasilnya dapat diakumulasikan pada gambar berikutnya. Proses
ini disebut discrete convolution. Jika suatu mask merepresentasikan
sebuah operator edge detection maka hasil citranya akan jelas
menunjukkan edge, sebaliknya bila tidak maka hasilnya adalah gelap atau
hitam.
Menurut Luong Chi Mai (1999), edge detection amat berguna
karena edge dari suatu citramengandung banyak informasi. Suatu edge
dapat memberi tahu dimana suatu obyek berada, apa bentuk dan berapa
ukurannya, dan teksturnya. Edge dari suatu citra adalah intesitas suatu
citra dari nilai palig rendah sampai nilai paling tinggi.
Menurut Adrian Low (1991), edge detection, merupakan cara
pertama yang baik untuk menemukan bentuk geomtrik dari suatu obyek
dalam citra. Sebuah edge detector yaitu operator Sobel, memberikan
pengukuran seberapa pantas setiap piksel menjadi bagian dari edge yang
sesungguhnya. Ukuran ini disebut juga gradient magnitude.
Edge detection yang optimal harus memenuhi kondisi berikut:
1. Edge detection dapat menemukan seluruh edge yang ada,
tidak ada satu pun edge yang hilang/terlewatkan.
2. Selisih jarak antara batasan piksel yang ditemukan dengan
edge yang sesungguhnya harus seminimal mungkin
14
3. Jika hanya ada satu edge maka edge detection tidak boleh
mendeteksinya sebagai piksel ganda.
2.2.4 Look up table (LUT)
Gambar digital biasanya di representasikan dengan matriks yang
berisi nilai keabuan / nilai warna dari gambar tersebut. Tetapi jika gambar
ditampilkan pada monitor komputer, biasanya kita tidak dapat melihat
pemetaan secara langsung yang dilakukan oleh komputer. jika gambar
ingin ditampilkan dilayar monitor sebuah gambar akan melewati LUT
yang akan melakukan pemetaan terhadap nilai intensitas.
Gambar 2.2 contoh grafik LUT
Jika bentuk grafik dari sebuah gambar berbentuk linier maka
gambar tersebut akan secara langsung di tampilkan, sebaliknya jika
sebuah gambar memiliki grafik yang tidak linier maka gambar yang
ditampilkan tidak ditampilkan sebagai mana mestinya.
2.2.5 Brightness / contrast
Salah satu contoh manipulasi LUT adalah pada saat kita mengatur
nilai Brightness dan darkness dari sebuah gambar. Bentuk persamaan dari
brightness LUT adalah sebuah garis melengkung dengan berbagai garis
yang memotong : ( ) bug u += , dengan nilai intensitas dari gambar
[ ]1,0∈u . Nilai b sangat mempengaruhi gambar diantaranya jika b > 0
15
maka gambar yang dihasilkan akan lebih terang sedangkan jika nilai b<0
maka gambar yang dihasilkan akan lebih terang.
Gambar 2.3 LUT brightness
Contoh lain dalam memanipulasi LUT adalah pengaturan contrast
gambar. Bentuk persamaan dari contrast LUT adalah berbentuk linier
( ) bmug u += , dimana relasi dari garis melengkung dengan garis
memotong adalah ( )mb
−=
121 . Nilai contrast akan bertambah jika garis
melengkungnya besar dan garis yang memotongnya bernilai negatif
dengan batasan −∞→∞→
bm
dan nilai contrast akan berkurang jika garis
melengkungnya kecil dan garis yang memotongnya bernilai positif
dengan batasan 210
→
→
b
m. Nilai dari gambar akan berubah terbalik dari
hitam menjadi putih dan putih menjadi hitam jika nilai m = -1 dan b = 1.
pengimplementasian kedua teknik manipulasi ini dapat dilakukan kepada
gambar yang sama dengan menggunakan 2 atau lebih LUT.
Gambar 2.4 LUT Contrast
16
2.2.6 Gamma Correction
Secara umum gambar dengan contrast yang tinggi akan sangat
menarik, tetapi sebuah kekurangan dari hal tersebut akan menimbulkan
pengumpulan nilai pada nilai intensitas yang tinggi dan rendah.
Hal ini dapat dihindari dengan menggunakan gamma correction,
dimana persamaan LUT-nya adalah ( ) αuug = , dimana:
jika α > 1 maka contrast bertambah,
jika α < 1 maka contrast berkurang, dan
nilai u (0,1), 1 untuk putih dan 0 untuk hitam.
2.2.7 Quantize / Threshold
Sebuah gambar digital telah melalui proses quantize dengan nilai
intensitas. Sebagai contoh gambar yang di quantize dengan 8-bit maka
akan memiliki kemungkinan nilai intesitas sebanyak
25628 = kemungkinan nilai intensitas, biasanya nilai intensitas berkisar
diantar [0, 255].
Sebuah gambar telah dikatakan telah di-quantize jika gambar
tersebut telah melalui LUT yang mengandung sebuah fungsi step.
Gambar 2.5 yang telah di quantize dengan 5 nilai intensitas
17
Apabila gambar tersebut dilakukan proses quantize pada nilai
intensitas 2 atau 1bit maka gambar tersebut sudah dapat dikatakan
gambar yang sudah di lakukan proses threshold.
Gambar 2.6 yang telah di quantize dengan 2 nilai intensitas
2.2.8 Histogram equalize
Histogram adalah suatu grafik yang menunjukan nilai - nilai
intensitas yang ada pada sebuah gambar yang telah melalui proses
histogram equalize.
Proses histogram equalize adalah proses dimana distribusi dari
nilai – nilai intesitas dibuat menjadi merata.
Gambar 2.7 yang belum melalui proses histogram equalize
18
Gambar 2.8 yang sudah melalui proses histogram equalize
2.3 COMPUTER VISION
Computer Vision juga merupakan ilmu pengetahuan yang mempelajari
bagaimana komputer dapat mengenali obyek yang diamati atau diobservasi
(transparansi Computer Vision, Universitas Bina Nusantara, 2002).
Computer Vision oleh beberapa ahli didefinisikan sebagai berikut:
• Michael C. Fairhurst (1995)
Computer Vision sesuai dengan sifatnya, merupakan suatu
subyek yang merangkul berbagai disiplin tradisional secara luas guna
mendasari prinsip-prinsip formalnya, dan dalam mengembangkan suatu
metodologi yang berlainan dari apa yang dimilikinya, pertama-tama
harus menggabungkan dan secara berurutan membangun materi yang
mendasari ini.
• Adrian Low (1991)
Computer Vision berhubungan dengan perolehan gambar,
pemrosesan, klasifikasi, pengenalan, dan menjadi penggabungan,
pengurutan pembuatan keputusan menuju pengenalan.
19
• J.R.Parker (1994)
Computer Vision menyangkut pengekstrakan informasi dari
citra, dan dalam identifikasi dan klasifikasi objek-objek dalam citra.
Masalah umum dari Computer Vision adalah manusia tidak tahu bagaimana
mereka mengenali objek-objek.
Gambar 2.9 Skema hubungan computer vision dengan bidang lain
2.4 ARTIFICIAL INTELIGENCE
Ada beberapa definisi mengenai artificial intelegence , antara lain:
Turban(1992,p3)
Artificial intelligence adalah bagian dari ilmu computer yang ditujukan
untuk membuat software dan hardware menghasilkan sesuatu seperti
yang dihasilkan manusia.
20
Rich dan knight (1991,p3)
Artificial intelligence adalah suatu bidang yang mempelajari bagaimana
untuk membuat computer melakukan sesuatu, yang pada saat ini, dapat
dilakukan lebih baik oleh manusia.
Levine et al (1990,p3)
Artificial intelligence adalah Suatu cara untuk membuat computer dapat
berpikir secara pintar.
Charniak dan mcdermot(1984,p6)
Artificial intelligence adalah Kemampuan berpikir melalui model –
model dan perhitungan atau komputasi.
Artificial intelegence dibagi atas beberapa sub dislipin ilmu yang
mengkonsentrasikan pada bagian – bagian aplikasi yang berbeda, antara lain
(luger dan Strubblefield,1993,p14) :
• Permainan (games playing)
Menurut Sri kusuma dewi,games adalah fasilitas yang sangat menarik
dalam computer.
Ide games pertama kali dikenalkan oleh Claude Shannon(1950) yang
menuliskan paper tentang permainan catur.
Ada beberapa alasan mengapa games merupakan domain terbaik untuk
dikaji:
1. Sangat mudah menentukan ukuran kesuksesan dan
kegagalannya
2. Ruang keadaannya mudah direpresentasikan
3. Operator – operator yang digunakan tidak terlalu banyak
21
4. Sangat mungkin untuk dibandingkan dengan kemampuan
manusia
5. Sebagian besar game dapat dimodelkan dengan mudah
• Sistem pakar (expert system)
Secara umum, system pakar adalah system yang mengadopsi
pengetahuan manusia ke computer, agar dapat menyelesaikan
permasalahan tertentu sesuai dengan pengetahuan pakar.
Ada beberapa definisi tentang system pakar, antara lain :
1. menurut Durkin, system pakar adalah suatu program computer
yang dirancang untuk memodelkan kemampuan penyelesaian
masalah yang dilakukan oleh seorang pakar.
2. menurut Ignizio, system pakar adalah suatu model dan prosedur
yang berkaitan dalam suatu domain tertentu, yang mana tingkat
keahliannya dapat dibandingkan dengan keahlian seorang pakar.
3. menurut Giarratano dan Riley, system pakar adalah suatu system
computer yang bisa menyamai atau meniru kemampuan seorang
pakar.
Sistem pakar muncul pertama kali pada tahun 1960 oleh komunitas AI.
Keuntungan system pakar adalah:
1. memungkinkan orang awam mengerjakan pekerjaan seorang
pakar
2. dapat melakukan pekerjaan seorang pakar secara terus menerus
dan otomatis
22
3. Meningkatkan kemampuan untuk memecahkan masalah
Kerugian system pakar adalah:
1. biaya yang diperlukan untuk membuat dan memeliharanya sangat
mahal
2. system pakar tidak 100% benar
• Jaringan saraf (neural network)
Berdasarkan pendapat Rao (1995, p2) Neural Network atau yang
biasa disebut juga Artificial neural network merupakan jaringan saraf
tiruan dari otak manusia sehingga memiliki prinsip kerja yang sama
dengan otak manusia.
Pendapat dari Fausett (1993, p3) menyatakan “An artificial neural
networks is an information-processing system that has certain
perfomance characteristic in common with biological neural networks.”
Atau menyatakan jaringan saraf tiruan adalah sistem pemrosesan
informasi dengan mengikuti cara kerja jaringan saraf pada manusia.
Menurut Haykin (1999, p1), jaringan saraf tiruan adalah prosesor
yang didistribusikan secara paralel dalam jumlah besar yang sebenarnya
merupakan processing unit sederhana, memiliki kecenderungan alami
untuk menyimpan pengetahuan (knowledge) yang sudag dilatih
sebelumnya dan dapat dipakai kapan saja. Neural network memiliki sifat
seperti otak manusia dalam dua macam bentuk, yaitu:
• knowledge diperoleh dari jaringan setelah mealui proses pembelajaran
(learning process)
23
• Hubungan antar-neuron yang juga dikenal sebagai sypnatic weight
digunakan untuk menyimpan knowledge yang sudah diperoleh
sebelumnya.
Knowledge sendiri didefinisikan (Haykin, 1999, p23) sebagai
informasi yang disimpan atau model yang dipakai oleh seseorang atau
mesin untuk menginterpretasikan, memperkirakan, dan memberikan
respon yang tepat terhadap dunia luar.
Jaringan saraf tiruan digunakan jika terdapat kondisi yang memerlukan:
1. Ketidaklinearan (nonlinearity)
Jaringan saraf tiruan terbuat dari interkoneksi neuron non linear.
Sifat ketidaklinearan ini terdistribusi dalam jaringan. Ketidaklinearan
adalah properti yang sangat penting, terutama bila mekanisma fisik yang
mendasarinya bertanggungjawab dalam menghasilkan sinyal input.
2. Input-output mapping
Paradigma pembelajaran yang popuer sering disebut supervised
learning yang melibatkan modifikasi dari bobot sinapsis sebuah jaringan
neural dengan melibatkan contoh pelatihan yang terlabel.
3. Neurobiological Analogy
Perancangan neural network dimotivasi oleh anatomi otak,
dimana pemrosesan paralel toleransi kesalahan tidak hanya
memungkinkan secara fisik, tapi juga secara kecepatan
4. Adaptivity
Neural network mempunyai kemampuan dasar untuk
meyesuaikan bobot untuk mengubah lingkungan sekitar. Neuralnetwork
24
yang terlatih di lingkungan khusus dapat dilatih ulang dengan mudah
dalam menghadapi perubahan yang sedikit dalam mengubah kondisi
lingkungan yang sedang beroperasi.
5. Evidental response (respon yang jelas)
Pada klasifikasi pola (pattern classification), neural network
dapat dirancang untuk menyediakan informasi tidak hanya pola yang
penting yang terpilih, tapi juga kepercayaan dalam pembuatan keputusan.
Informasi yang terakhir ini dapat digunakan untuk menolal pola yang
tidak jelas.
6. Fault tolerance (toleransi kesalahan)
Ketika jaringan saraf tiruan diimplementasikan dalam bentuk
hardware, kemungkinan untuk menjadi toleransi kesalahan yang terpadu
atau kemampuan dari komputasi yang kuat dan perkerjaannya, dapat
menurun secara perlahan di bawah kondisi pengoperasian yang kurang
baik. Misal, bila sebuah neuron atau sambungan koneksinya rusak,
pemanggilan kembali pola penyimpanannya rendah. Namun karena
penyimpanan informasi dalam jaringan terdistribusi, kerusakan dapat
diperluas sebelum respons jaringan diturunkan dengan sungguh-sungguh.
Sebuah jaringan saraf buatan terdiri dari sejumlah elemen
pemrosesan (processing element/PE) sederhana, yaitu sel/neuron yang
terhubungkan satu sama lain dengan weight yang akan digunakan untuk
menyelesaikan masalah dalam jaringan. Elemen pemrosesan ini
menerima masukan berupa sinyal elektrik yang direpresentasikan dalam
25
nilai numerik (angka). Berbeda dengan cara kerja otak manusia, pada
jaringan saraf tiruan total sinyal yang diterima akan dihitung oleh fungsi
aktivasi untuk menentukan besarnya kekuatan sinyal keluaran sebuah
elemen pemrosesan.
Jaringan saraf tiruan telah dikembangkan sebagai hasil
generalisasi dari model matematika yang berasal dari saraf manusia
dengan dasar asumsi sebagai berikut (Fausett, 1994, p3):
a. Pemrosesan informasi terjadi pada banyak elemen sederhana
(neuron).
b. Sinyal dikirim antar neuro melalui connection link.
c. Setiap connection link mempunyai weight yang saling berhubungan.
d. Setiap neuron mempunyai sebuah fungsi activasi dalam masukkan
jaringan untuk menentukan sinyal keluaran
Gambar 2.10 Struktur sebuah Neuron
Karakteristik dari jaringan saraf tiruan (Fausett, 1994,p3) adalah:
1. Pola koneksi antara neuron atau arsitektur
26
2. Kemampuan untuk menentukan weight pada koneksi (training,
learning atau algoritma)
3. Fungsi aktivasinya.
Sebuah jaringan saraf tiruan terdiri dari sekumpulan elemen
dimana satu subgroup melakukan perhitungan independent dan
mengirimkan hasilnya kepada subgroup lainnya (Rao, 1993, P2). Neuron
biasanya dioperasikan secara paralel atau dikonfigurasikan pada
arsitektur yang regular. Neuron juga sering dihubungkan secara layer
(lapisan). Setiap koneksi diwakilkan dengan angka yang disebut weight
(bobot), yang berubah-ubah sesuai dengan input yang diberikan. Pada
kenyataannya, kebanyakkan JST harus dilatih untuk memperlajari pola
dari masukkan-masukkan yang diberikan.
Jaringan saraf tiruan terdiri dari tiga proses, yaitu : learning,
networks storing, dan recalling. Setelah semua citra diproses dan fitur
diekstrak, data akan dipelajari oleh Jaringan saraf tiruan melalui proses
learning yang akan menghasilkan data yang direpresentasikan dalam
bentuk nilai weight. Kemudian weight hasil learning yang mengandung
data identitas data dan karakteristik data akan disimpan ke dalam sebuah
file melalui proses network storing, yang dapat digunakan untuk proses
recalling pada saat pengujian.
Backpropagasi merupakan metode pelatihan yang menggunakan
multilayer perceptron untuk memecahkan masalah yang rumit dengan
metode pelatihan terawasi, yaitu pelatihan yang menggunakan pasangan
masukan dan keluaran dimana bobot yang akan dihitung, disesuaikan
27
berdasarkan proses pelatihan yang dilakukan hingga mencapai target
keluaran yang diinginkan. Backpropagation diperkenalkan pertama kali
oleh G. E. Hinton, E. Rumehart dan R.J. Williams pada tahun 1986
sebagai sebuah teknik umum untuk melakukan pelatihan pada jaringan
saraf tiruan berlayer banyak yang memegang peranan penting yang
membuat jaringan saraf tiruan alat bantu untuk memecahkan banyak
variasi masalah. Paradigma dan algoritma backpropagation
dikembangkan oleh Paul Werbos. Menurut Rao (1995, p87), tipe network
ini adalah yang paling umum digunakan karena memiliki prosedur
pelatihan yang relatif mudah. Haykin (1994, p156) mengatajan
backpropagation sendiri menggunakan memory yang labi sedikit
daripada algoritma yang lainnya dan dapat memberikan hasil dengan
tingkat kesalahan yang masih dapat diterima dengan kecepatan
pemrosesan yang cukup cepat.
Pada metode ini, jaringan tidak memiliki koneksi khusus untuk
melakukan perhitungan mundur dari satu layer menuju layer sebelumnya.
Namun error pada output layer akan dipropagasikan ke belakang menuju
input layer.
Backpropagation merupakan jaringan saraf tiruan dengan
multilayer, yang terdiri dari input layer (lapisan masukan), hidden layer
(lapisan tersembunyi/ tengah), output layer (lapisan keluaran) (Fausett,
1994, p290). Banyaknya lapisan pada lapisan tengah dapat terdiri dari 1
atau lebih lapisan. Selain itu, lapisan keluaran dan lapisan tengah dapat
mempunyai bias. Tiap lapisan pada backpropagation terdiri dari unit-unit
28
yang saling terhubung antar lapisan. Jadi setiap neuron pada suatu lapisan
dalam backpropagasi mendapat nilai masukan dari semua neuron pada
lapisan sebelumnya beserta satu sinyal bias.
Gambar 2.11 Lapisan Neural Network
Backpropagasi memiliki metode pembelajaran supervised
learning dimana lapisan masukan akan menerima pola masukan dan
melakukan proses komputasi berdasarkan bobot awal yang diperoleh
secara acak (random). Jika keluaran dari jeringan berbeda dengan target
yang diharapkan maka jaringan melakukan penyesuaian terhadap bobot
yang ada. Proses ini akan terus berlanjut hingga keluaran dari jaringan
dan target yang diharapkan menjadi sama. Proses pembelajaran
membutuhkan waktu yang lama hingga mencapai nilai tersebut. Oleh
karena itu proses learning dibatasi dan akan berhenti jika perbedaan
antara output dan target sudah mencapai nilai yang lebih kecil dari nilai
toleransi (error rate). Besarnya penyesuaian bobot pada setiap siklus
pembelajaran ditentukan oleh parameter yang disebut learning rate.
29
2.5 BIOMETRIC
2.5.1 Pengenalan biometric
Beberapa pengertian Biometric:
Menurut Fernando L.Podio dan Jeffrey S. Dunn
Biometric adalah metode pengenalan seseorang /
memastikan identitas seseorang secara otomatis berdasarkan
karakteristik fisik atau berdasarkan karakteristik kebiasaan.
Pengenalan dengan menggunakan biometric membutuhkan
template untuk dibandingkan dengan hasil template input.
Template biometric adalah sebuah representasi digital dari
karakteristik seseorang yang dihasilkan dari proses ektrasi fitur.
Menurut National Science & technology Council
Pengertian Biometric dibagi menjadi dua yaitu berdasarkan
karakterik dan berdasarkan proses.
Pengertian biometric berdasarkan karakteristik adalah
sebuah karakteristik yang dapat diukur berdasarkan fisik dan
kebiasaan yang dapat digunakan dalam pengenalan secara
otomatis.
Pengertian biometric berdasarkan proses adalah metode
yang bekerja secara otomatis untuk mengenali individu
berdasarkan pengukuran fisik dan kebiasaan.
Menurut wikipedia
Biometric berasal dari bahasa yunani yaitu bios yang
artinya “kehidupan” dan metron yang artinya “Pengukuran”.
30
Biometric adalah sebuah studi mengenai metode untuk
mengenali seseorang secara unik berdasarkan satu atau lebih
karakter fisik atau kebiasaan.
Gambar 2.12 proses secara umum pada setiap sistem biometric
Setiap sistem biometric terhubung dengan sebuah teknologi
telekomunikasi maka sistem tersebut tersebut menjadi sistem Telebiometric.
Secara umum proses dapat dibagi menjadi dua bagian yaitu enrollment
(penyimpanan database) dan Test (pengujian).
Pada proses enrollment, pengambilan informasi biometric dari pengguna akan
disimpan.
Pada proses test, informasi biometric dari pengguna diambil dan di bandingkan
dengan informasi biometric yang telah disimpan
2.5.2 Jenis – jenis Biometric
Biometric dapat dikalsifikasikan menjadi dua kelas yaitu:
Berdasarkan fisik
Berdasarkan kebiasaan
31
Klasifikasi berdasarkan fisik berkaitan dengan bentuk dari fisik.
Sidik jari merupakan atribut dari fisik yang telah digunakan selama 100
tahun.
Klasifikasi berdasarkan kebiasaan berkaitan dengan kebiasaan
seseorang. Pengenalan seseorang merupakan salah satu contoh dari
klasifikasi berdasarkan kebiasaan.
Gambar 2.13 Skema klasifikasi jenis – jenis biometric
Ada beberapa biometric yang masih dalam tahap pengembangan,
sebagai contoh biometric yang berbasiskan cara jalan manusia, retina,
pembuluh darah pada tangan manusia, Facial Thermogram, DNA, odor,
dan pola telapak tangan.
BIOMETRIC
FISIK KEBIASAAN
Pengenalan wajah
Pengenalan Sidik jari
Pengenalan Telapak tangan
Pengenalan Iris
Pengenalan DNA
Pengenalan Pengetikan
Pengenalan tanda
Pengenalan suara
32
Tidak ada satu pun jenis biometric yang dapat bekerja paling baik,
setiap metode mempunyai kelemahan.
Tabel 2.1 tabel pola dan tingkat kesalahan bersumber AIM Japan, Automatic
Identification Seminar, 14 September 2001
Metode Pola Tingkat kesalahan
Pengenalan Iris Pola Iris 1/1,200,000
Pengenalan sidik jari Sidik jari 1/1,000
Bentuk tangan Ukuran, panjang, dan tingkat ketebalan dari tangan 1/700
Pengenalan wajah Garis terluar, bentuk, dan letak dari mata dan hidung 1/100
Pengenalan Tanda tangan
Bentuk dari huruf, urutan penulisan, penekanan pen 1/100
Pengenalan suara Karakteristik dari suara 1/30
Biometric yang umum digunakan adalah:
Pengenalan sidik jari (finger print)
Pengenalan wajah (face recognition)
Pengenalan tangan dan jari (hand and finger Geometry recognition)
Pengenalan iris(iris recognition)
Pengenalan suara (voice recognition)
33
Tabel 2.2 Perbandinga teknologi biometric berdasarkan A.K. Jain
Biometrics: Universality Uniqueness Permanence CollectabilityFace H L M H Fingerprint M H H M Hand geometry M M M H Keystrokes L L L M Hand veins M M M M Iris H H H M Retinal scan H H M L Signature L L L H Voice M L L M facial thermograph H H L H Odor H H H L DNA H H H L Gait M L L H Ear recognition M M H M
Biometrics: Performance AcceptabilityFace L H Fingerprint H M Hand geometry M M Keystrokes L M Hand veins M M Iris H L Retinal scan H L Signature L H Voice L H facial thermograph M H Odor L M DNA H L Gait L H Ear recognition M H
Dimana :
H = High
M = Medium
L = Low
Universality = menjelaskan seberapa umum sebuah biometric ditemukan pada
setiap individual
34
Uniqueness = Seberapa baik biometric membedakan seseorang
Permanence = mengukur seberapa baik sebuah biometric melawan penuaan
Collectability = Kemudahan dalam pengukuran
Performance = ketepatan, kecepatan
Acceptabilty = derajat penerimaan teknologi
2.5.2.1 Pengenalan Sidik Jari
Pola pada sidik jari manusia adalah unik untuk setiap orang,
termasuk pada kembar identik. Selama satu dekade terkahir, penegak
hukum mengenali identitas dengan mencocokan pola pada sidik jari.
Salah satu penggunaan teknologi biometric yang paling banyak
digunakan adalah pengenalan sidik jari yang di implementasikan pada
laptop dan pada Forensik.
Kelebihan pada pengenalan sidik jari:
Pengguna mempunya banyak jari
Mudah digunakan
Beberapa sistem memerlukan kapasitas yang sedikit
Telah terbukti efektif
Pola sidik jari adalah unik dan akan bertahan seumur hidup
Kekurangan pada sistem pengenalan sidik jari:
• Persepsi publik buruk terhadap pengenalan sidik jari karena dapat
menggangu privacy seseorang
35
• Umur dan pekerjaan dapat menyebabkan sensor kurang dapat
mendapatkan gambar sidik jari yang akurat
2.5.2.2 Pengenalan Wajah
Pengenalan wajah dapat dilakukan dengan berbagai cara seperti
mengambil gambar wajah seseorang dengan menggunakan kamera yang
tidak mahal atu menggunakan kamera dengan infra merah. Bagian tengah
wajah merupakan fitur kunci dalam pengenalan wajah. Dengan
menggunakan kamera, sistem akan mengekstrak fitur – fitur pada wajah
yang tidak berubah dari waktu – kewaktu sembari menghindari fitur yang
rendah seperti ekspresi wajah atau rambut. Beberapa pendekatan
digunakan untuk pengenalan wajah diantaranya menggunakan Principal
Component Analysis, Local Feature Analysis, Neural Networks, Elastic
Graph Theory, dan Multi-resolution Analaysis.
Beberapa tantangan dalam pengenalan wajah adalah mengurangi
pengaruh cahaya dan mengenali wajah atau foto. Beberapa pengenalan
wajah membutuhkan sebuah tempat atau alat khusus untuk pengambilan
gambar wajah.
Kelebihan pada sistem pengenalan wajah:
Tidak membutuhkan kontak fisik
Pada umumnya menggunakan kamera
Mudah bagi manusia untuk memastikan
Kekurangan pada sistem pengenalan wajah:
Gambar wajah yang ditangkap dapat rusak oleh rambut,
kaca mata, topi, scraf dan lain – lain
36
Sensitif terhadap perubahan cahaya, ekspresi dan pose dari
wajah
Kecondongan pengguna untuk merusak gambar wajah pada
saat pengambilan gambar wajah
2.5.2.3 Pengenalan tangan dan jari
Metode ini telah lama ada, sejak 20 tahun yang lalu. Untuk
mengenali seseorang maka sistem akan mengukur karakteristik dari
telapak tangan diantaranya:
Panjang telapak tangan
Lebar telapak tangan
Ketebalan telapak tangan
Permukaan telapak tangan
Salah satu daya tarik pengenalan tangan dan jari adalah beberapa
sistem pengenalan tangan dan jari hanya membutuhkan beberapa byte.
Pengenalan ini digunakan berbagai aplikasi diantaranya:
Aplikasi akses kontrol komersial
Aplikasi pemukiman
Sistem kehadiran
Kelebihan pada pengenalan tangan dan jari:
Mudah diambil
Dipercaya bahwa akan stabil selama usia dewasa
Kekurangan pada pengenalan tangan dan jari:
Penggunaan membutuhkan pelatihan
Tidak dapat membedakan pada database yang sangat besar
37
Sistem membutuhkan tempat fisik yang besar
2.5.2.4 Pengenalan Iris
Penggunaan iris sebagai sebagai alat untuk mengenali seseorang
sudah sejak lama diusulkan. Pada tahun 1936 digagaskan oleh seorang
ahli mata yaitu Frank Burch, MD. Kemudian dilanjutkan oleh dua orang
ahli mata dari amerika serikat yaitu Leonard Flom dan Aran Safir pada
tahun 1980. kemudian dipatenkan konsep daro Frank Bunch oleh
Leonard Flom dan Aran Safir tetapi tidak dapat dikembangkan lagi oleh
Leonard Flom dan Aran Safir. Sebagai penggantinya maka pada tahun
1994 John Daugman, seorang dosen dari cambridge university,
mengembangkan algoritma pengenalan iris yang selanjutnya di pakai
sebagai basis pengenalan iris pada saat ini.
Pada pengenalan iris terdapat beberapa karakteristik yang sangat
menarik yaitu iris dapat dilihat dari luar, terlindungi dari gangguan dari
luar dan stabil untuk seumur hidup. Pola pada iris mata adalah unik
berdasarkan pada pernyataan John Daugman yaitu:
“An advantage the iris shares with fingerprints is the chaotic
morphogenesis of its minutiae. The iris texture has chaotic dimension
because its details depend on initial conditions in embryonic genetic
expression; yet, the limitation of partial genetic penetrance (beyond
expression of form, function, color and general textural quality), ensures
that even identical twins have uncorrelated iris minutiae. Thus the
uniqueness of every iris, including the pair possessed by one individual,
38
parallels the uniqueness of every fingerprint regardless of whether there
is a common genome.”
Dan berdasarkan iridian Technologies (www.iridiantech.com) bahwa
secara statistik kemungkinan satu iris sama dengan iris yang lain adalah 1
diantara 7210 .
Fitur yang digunakan adalah pola pada iris yang akan melewati bebagai
teknik pengolahan citra dan kemudian merubahnya menjadi sebuah
template biometric. Template biometric ini yang akan dicocokkan dengan
template biometric input. Template biometric berisi informasi tentang
iris.
Keuntungan pada pengenalan iris:
Tidak diperlukan kontak fisik
Organ iris terlindungi
Kemungkinan kecil akan terluka
Dipercaya akan stabil seumur hidup
Kerugian pada pengenalan iris:
Sulit diambil gambar iris mata pada beberapa orang
Gambar iris mudah rusak dengan kelopak mata, bulu mata,
lensa kontak, dan pantulan cahaya pada kornea
Memerlukan pelatihan sebelum menggunakan pengenalan
iris
Tidak dapat dipastikan oleh manusia
39
2.5.2.5 Pengenalan Suara
Pengenalan suara sudah lama di teliti selama 4 dekade yang lalu.
Pengenalan suara menggunakan fitur akustik yang telah terbukti pada
setiap individu. Pola akustik ini mencerminkan anatomi dari mulut dan
kerongkongan dan pola kebiasaan pada saat bicara. Pengenalan suara
menerapakan beberapa gaya inputan yaitu:
Text-Dependent
Text-Prompted
Text-Independent
Kebanyakan sistem pengenalan suara menggunakan Text-
Dependent dimana melibatkan pemilihan dan pemrosesan pada satu atau
lebih password dalam bentuk suara. Text-Prompted digunakan untuk
menditeksi penipu. Beberapa teknologi digunakan dalam memproses dan
menyimpan template biometric tersebut menggunakan hidden makrov
model, pattern matching algorithms, neural network, representasi matrix,
dan decision tree. Beberapa sistem menggunakan teknik “anti-speaker”
seperti cohort model dan world model.
Kelebihan pada pengenalan suara adalah:
Diterima oleh publik
Tidak memerlukan kontak fisik
Menggunakan sensor yang sudah ada seperti telefon dan
mikrofon.
Bisa dilakukan jarak jauh
Kekurangan pada pengenalan suara adalah:
40
Sulit mengendalikan sensor
Sulit membedakan pada database yang sangat besar
Suara dapat berubah sesuai dengan penuaan
2.5.3 Penerapan Biometric
Biometric mempunyai dua fungsi yaitu:
Verifikasi
Verifikasi digunakan pada saat memastikan data seseorang sudah
ada pada database atau belum.
Identifikasi
Identifikasi digunakan pada saat data seseorang sudah ada pada
database dan menampilkan data seseorang.
Ada beberapa komponen pada biometric yang dibutuhkan secara umum
dalam mengenali seseorang diantaranya:
Sensor
Sensor digunakan untuk mengambil data yang diperlukan dan
mengubahnya menjadi bentuk digital.
Signal Processing algorithm
Signal Processing algorithm bekerja sebagai quality control
terhadap data yang masuk dan mengubahnya menjadi template
biometric.
Database
Database bekerja sebagai tempat penyimpanan template
biometric.
Matching Algorithm
41
Matching Algorithm digunakan untuk membandingkan template
input dengan tempate database.
Decision Process
Decision Process menggunakan hasil dari matching algorithm
untuk menghasilkan keputusan