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