11

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

PERBAIKAN KUALITAS CITRA IRIS MATAUNTUK PENGENALAN POLA (BIOMETRIC)

Dadang Heksaputra, Dhina Puspasari Wijaya, Sri NilawatiJurusan Farmasi, Fakultas Matematika dan Ilmu Pengetahuan Alam,

Universitas Islam Indonesia

RINGKASAN

Mata merupakan bagian dari kelima panca indra dari tubuh manusia. Matamempuyai salah satu bagian disebut iris mata. Iris adalah salah satu organbagian dalam dari mata terletak di belakang kornea dan di depan lensa. Fungsiutama dari iris mata adalah mengatur ukuran (besarnya) pupil. Banyaknyacahaya masuk ke dalam pupil jatuh pada retina mata dan diatur oleh otot–otot dalam iris. Iris mata setiap manusia memiliki pola berbeda sehingga dapat

seseorang, cara ini biasa dikenal dengan biometric.

mata serta bentuk pola iris mata seseorang. Sehingga bisa dilanjutkan untukkepentingan biometrik kedepannya. Metode digunakan adalah metodeHistogram Equalizationuntuk perbaikan kualitas citra (image enhacement) danmetode Circle Midpoint Algorithm, daugman’s rubber sheet, dan Co-occurence

melalui pengujian data.

Kata kunci: Histogram Equalizatiom,Circle Midpoint Algorithm, daugman’srubber sheet, dan Co-occurence Matrices and Feature, image enhacement, iris,Biometrik.

1.1.Latar BelakangBiometrik adalah karakter-karakter

manusia yang dapat digunakan untuk

BAB IPENDAHULUAN

membedakan antara orang yang satudengan yang lainnya. Salah satupemanfaatan karakter / organ tubuhpada setiap manusia yang digunakan

dengan memanfaatkan wajah. Contoh

12

KHAZANAH, Vol. 7 No.2 Januari 2015

lain dari karakteristik biometrik selain

jari, retina, dan lainnya [5].Sistem forensik di indonesia te-

lah meniti jejak ke arah bagiantubuh terhadap panca indra salahsatunya bola mata. Bola mata terdiridari beberapa bagian, yaitu sclera,pupil, iris. Terdapat bagian yangmenjadi ciri khusus untuk melakukanpengenalan terhadap sistem forensikyang mempunya pola seperti halnyairis mata. Iris mata adalah daerahberbentuk gelang pada mata yang di-batasi oleh pupil dan sclera (bagianpuith dari mata). Kelebihan dari irismata adalah iris mata memiliki tingkatpenerimaan kesalahan sangat kecil,karena itu iris mata dapat menjadi

yang baik, dan iris sangat unik sertasulit untuk digandakan. Penelitian inibertujuan untuk mendeteksi pola irismata untuk kepentingan biometric.

Fungsi iris memberi warna padamata. Seperti sidik jari, iris merupakanbagian tubuh manusia yang dapatdigunakan sebagai pengenal sese-orang dengan tingkat keakuratanyang tinggi. Iris bersifat unik, karenapada satu individu memiliki teksturiris mata berbeda antara sebelahkanan dan sebelah kirinya. Bahkanpada dua individu kembar identikpun, pola iris juga berbeda. Karenaitu, Ciri iris merupakan salah satu ciriyang disimpan pada KTP Elektronikyang akan diimplementasikan secara

nasional. Namun demikian, selama iniekstraksi ciri iris berdasar gelombangsingkat (GS), belum menggunakan GSkhusus yang menyesuaikan dengankarakteristik sinyal iris maupunberdasar analisis terhadap sifat-sifatGS itu sendir [7].

1.2.Rumusan MasalahBerdasarkan latar belakang masa -

lah telah diuraikan, perumusan masa-lah dari penelitian ini sebagai berikut:1. Bagaimana cara mengenali pola

iris mata ?2. Bagaimana mengekstraksi pola iris

mata ?3. Apakah iris mata kiri dan iris mata

kanan berbeda ?4.

pengaruh terhadap tingkat per-bedaan iris mata ?

5. Bagaimana hasil akhir nilai globaldari faktor terhadap tingkat per-bedaan iris mata ?

1.3.Batasan MasalahBatasan masalah menjadi acuan

dalam pengembangan sistem daripenelitian pengenalan pola iris mataini adalah sebagai berikut :1. Penelitian ini menggunakan 102

gambar citra mata dari 51 orang,dengan satu orang 2 buah foto irismata kanan dan mata kiri.

2. Format citra iris mata adalah jpg.3. Citra yang digunakan untuk sampel

didapat dari CASIA database dapatdiunduh dari internet (http://bio-

metrics.idealtest.org/).

13

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

4. Data tes citra menggunakan jenisCASIA-Iris-Thousand.

1.4.Tujuan PenelitianBerdasarkan rumusan masalah

yang telah diuraikan, tujuan dari pe-nelitian ini adalah mengembangkansistem yang nantinya dapat meng-

tujuan kepentingan biometrik denganmenggunakan teknik pencitraan.

1.5.Luaran yang diharapkanLuaran yang diharapkan dari pe-

laksanaan program ini adalah sistem

seorang dengan tujuan kepentinganbiometrik dengan menggunakan tek-nik pencitraan.

1.6.Manfaat ProgramPenelitian ini diharapkan memiliki

manfaat bagi peneliti yaitu penelitidapat mengaplikasikan secara nyatailmu yang telah didapatkan selamamasa perkuliahan terutama tentangteknik pencitraan. Manfaat bagi pe-neliti lain yaitu dapat digunakan se-bagai tolak ukur untuk penelitianlebih lanjut dan lebih kompleks terkaitdengan penggunaan pencitraan dalamkepentingan biometrik.

1.7.Gambaran singkat dari penulislain tentang topik yang samaDalam penelitian sebelumnya[12]

baru dilaksanakan sampai pengenalanpola tepi iris mata belum dilakukanpengenalan pola pada iris mata, maka

dari itu kami mengajukan proposal iniguna pengembangan sistem peng-enalan pola iris mata yang ditujukanuntuk kepentingan biometrik.

BAB IITINJAUAN PUSTAKA

2.1 IrisIris mata (selaput pelangi) meru-

pakan daerah berbentuk gelangpada mata yang dibatasi oleh pupildan sclera (bagian putih dari mata).Struktur permukaan mata disajikanpada Gambar 2.1. Tekstur visual dariiris terbentuk dari proses “chaoticmorphogenetic” selama proses per-kembangan embrio [8]. Iris mataberfungsi untuk mengendalikan ca-haya yang masuk melalui pupil. Ukur-an rata-rata diameter iris mata adalah12 mm dan ukuran pupil bisa bervariasidari 10% sampai 80% diameter irismata [3]. Iris berbeda dan unik setiaporang, termasuk yang kembar identik

adalah iris mata terletak dibelakangkornea mata sehingga sangat sulit

karena beresiko merusak organ mata.2.2 Citra

Sebuah piksel adalah sampel daripemandangan yang mengandungintensitas citra yang dinyatakan dalambilangan bulat. Sebuah citra 2Dadalahkumpulan piksel piksel yang disusundalam larik dua dimensi [1].2.3 Pengolahan Citra

Pengolahan citra adalah pemro-sesan citra, khususnya dengan

14

KHAZANAH, Vol. 7 No.2 Januari 2015

menggunakan komputer, menjadicitra yang kualitasnya baik.Umumnya,operasi–operasi pada pengolahancitra diterapkan pada citra bila [11] :5.

perlu dilakukan untuk meningkatkankualitas penampakan atau untuk

equalization adalah dengan men-strecth histogram.

variabel MxN menunjukkan totaljumlah piksel, L jumlah tingkat abu-abu, dan Pr(rj) jumlah piksel dalamgambar masukan dengan intensitasnilai rj. Rentang nilai input dan outputabu-abu berada di kisaran 0,1,2,...,L-1. Kemudian, transformasi histogram

(2.1)

menonjolkan beberapa aspek infor-masi yang terkandung di dalam citra,

6. elemen di dalam citra perlu dikelom-pokkan, dicocokkan, atau diukur,

7. sebagian citra perlu digabungdengan bagian citra yang lain.

2.4 Metode Histogram EqualizationKonsep dasar dari histogram

vertikal [1]. Dalam kasus ini meng-gunakan

2.6 Metode OtsuMetode Otsu digunakan untuk

segmentasi berdasarkan histogramcitra. Metode Otsu ini didasarkanpada histogramnya. Histogram me-nunjukkan sebaran nilai intensitas daritiap piksel pada citra dalam 1 dimensi.Jadi sumbu x biasanya menyatakanlevel intensitas yang berbeda se-dangkan sumbu y menyatakan

(2.2)

equalization memetakan input nilairk(di mana k = 0,1,2, ...,L-1) hingganilai output Sk[2].2.5 Metode Sobel

Sebuah gambar mempunyaidua variabel fungsi atau lebih. Untukkasus 2 dimensi dapat menggunakan

dikombinasikan dari keduanya. Jika

jumlah piksel yang memiliki nilai inten-sitas tersebut. Pengelompokan inididasarkan pada nilai ambang batasatau threshold. Nilai threshold ini men-jadi objektif atau tujuan dari metodeOtsu. Dasar dari metode Otsu adalahperbedaan intensitas dari piksel-pikselyang dipisahkan dalam kelas-kelastertentu [6].1.1 Metode Circle Midpoint

AlgorithmIris mata berbentuk lingkaran di

dalam sclera. Untuk mengambil bagian

15

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

iris mata yang berbentuk lingkaranmaka diperlukan pemotong antara irisdan sclera. Pengambilan iris digunakanmetode Circle Midpoint. AlgoritmaLingkaran Midpoint juga disebut al-goritma lingkaran Bressenham. Bres-senham mengembangkan generator

ritma yang digunakan membentuksemua titik berdasarkan titik pusatdengan penambahan semua jalursekeliling lingkaran. Algoritma iniditurunkan dari algoritma Midpointuntuk pembentukan garis. Dalam halini hanya diperhatikan bagian 45’ darisuatu lingkaran dan menggunakanCirclePoints untuk menampilkan titikdari seluruh lingkaran [10].1.1 Metode daugman’s rubber

sheetFitur iris yang memuat konten

penting yaitu garis-garis, bintik-bintik.Fitur ini yang menjadikan referensiuntuk dijadikan tekstur dari iris mata.

yang bermacam-macam. Daugmanmenyarankan dari diagram kartesiannormal ke bentuk transformasi polaryang dipetakan dari piksel di dalamarea iris mata ke dalam pasangankoordinat polar [4].

Gambar 2.1 Ilustrasi DaugmanRubber Sheet Model

1.1 Metode Co-occurence Matricesand Feature

yang dapat membantu segmentasigambar ke dalam bagian wilayahyang penting. Matriks intensitas co-occurrence adalah suatu matriks yangmenggambarkan frekuensi munculnyapasangan dua piksel dengan intensitastertentu dalam jarak dan arah ter-tentu dalam citra. Setelah matrikscooccurrence dibentuk sifat-sifat teks-tur ini dapat dihitung berdasarkanmatriks tersebut. Fitur yang biasadigunakan dalam analisis teksturadalah energy, entropy, contrast danhomogeneity. Analisis tekstur dananalisis permukaan dapat digunakanmean dan standar deviasi [1].1. Contrast/Kontras

(2.3)2. Homogeneity

(2.4)3. Energi

(2.5)4. Entropy (2.6)

1.1 Metode Statistik PengujianTabel TPernyataan yang menunjukkan

dugaan tentang hubungan antaradua variabel atau lebih. Rumusanhipotesis:

Tidak ada hubungan antara

Tidak ada pengaruh penambahanjumlah ABK terhadap kuantitas

16

KHAZANAH, Vol. 7 No.2 Januari 2015

BAB IIIMETODE PENELITIAN

Berikut ini langkah-langkah untukmenjamin proses perbaikan kualitascitra iris mata untuk pengenalan poladapat dipertanggungjawabkan secarailmiah:

a. Pengumpulan DataData adalah foto iris mata dari

CASIA database yang digunakanuntuk data tesdiunduh dari http://bio-metrics.idealtest.org/ sebanyak 100buah. Masukan data berupa data citrairis mata yang didapat dari CASIAdatabase versi Thousand. Citra irismata berupa citra 2 dimensi denganukuran 640 x 480.

b. Perancangan SistemPada tahap ini dilakukan peran-

cangan sistem aplikasi yang bertujuanuntuk mengembangkan sistem yang

mata seseorang dengan tujuan ke-pentingan biometrik dengan meng-gunakan teknik pencitraan. Citra irismata akan dilakukan proses perbaikancitra dengan Metode Histogram Equa-lization dan untuk mendapatkantekstur pola iris mata dengan meng-gunakan lima metode diantaraya,Metode Sobel, Metode Otsu, MetodeMid Point, Metode Daughman RubberSheet, Metode Matriks Co-Occurencedan Fitur. Setelah dilakukan proses

dengan metode tersebut maka akanmendapatkan segmentasi pola irisdan nilai tekstur dari pola iris mata.Pengembangan sistem ini menggu-nakan bahasa pemrograman Java.

c. Ekstraksi ciriPada tahap ini dilakukan proses

segmentasi pada daerah citra bagianiris mata. Segmentasi citra mempunyaiperan untuk membagi

suatu citra menjadi wilayah-wila-yah yang homogen berdasarkan kri -teria keserupaan yang tertentu an-tara tingkat keabuan suatu pikseldengan tingkat keabuan piksel-pikseltetangganya. Proses segmentasi ber -

rapa wilayah dalam suatu citra yangmemiliki kesamaan corak. Tek-nik klasterisasi yang ditemui dalamliteratur pengenalan pola memilikikesamaan objek dan dapat diterap-kan untuk segmentasi citra. Hasil yangdidapat dari segmentasi dilakukannormalisasi dengan metode daugh-man rubber sheet kemudian dihitung

d. Uji SistemPada tahap ini akan menjelaskan

dan menggambarkan alur kerja darisistem yang akan dibuat untuk iden-

dibuat serta sistemerror free.Analisismenggunakan step uji ketepatan seg-mentasi citra iris matatanpa adanyakelopak mata yang ikut tersegmentasi,uji pola iris mata menggunakan peng-ujian statistik tabel t.

17

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

BAB IVHASIL DAN PEMBAHASAN

4.1 Hasil PengujianPada penelitian ini dilakukan ana-

lisis anatar dua data citra mata darisatu orang yaitu data mata kanan danmata kiri. Penelitian ini menggunakansampel dari 51 orang dengan totalkeseluruhan citra terdapat 102 data.Setelah citra mata berhasil dikenaliuntuk tujuan segmentasi iris dilakukanlangkah pengenalan pola iris denganmenggunakan metode normalisasidaughman rubber sheet model. Se-telah berhasil dilakukan normalisasicitra mata dilakukan langkah untuk

citra iris. Berikut ini pengujiansegmentasi dari analisis kebutuhan

sistem :4.2 Pengujian perbedaan pola iris

mata kanan dan mata kiri

Pengujian untuk mengetahui per-bedaan iris mata kanan dan iris matakiri menggunakan normalisasi dari re-presentasi bentuk model daughmanrubber sheet. Normalisasi dilakukanguna memberikan model relative untuk

Iris Mata

Gambar 4.2 Hasil SegmentasiKelopak Terpotong Sempurna

Gambar 4.3 Hasil Pola Iris dari hasilSegmentasi

Iris Mata

Gambar 4.5 Hasil SegmentasiKelopak Terpotong tidak Sempurna

Gambar 4.6 Hasil Pola Iris dari hasilSegmentasi

18

KHAZANAH, Vol. 7 No.2 Januari 2015

mencegah bila diketahui terdapat nilaijari - jari yang berbeda diantara irismata kanan dan iris mata kiri. Setelahdiujikan terhadap 51 pasang mata daridataset diperoleh hasil bahwa polairis mata kanan dan pola iris mata

Berikut ini contoh dari dataset :Pada gambar 4.7 merupakan hasil

perbandingan pola iris mata kanan dankiri dari dataset seri S5036. Gambar 4.7menunjukkan terdapat perbedaan jari-jari. Iris mata kiri mempunyai jari-jari 66piksel sedangkan pada iris mata kananmempunyai jari-jari 72 piksel. Contohperbedaan dapat diamati dari tandaberwarna biru menunjukkan bahwasudut 32, bagian iris mata kiri dan kananmempunyai nilai yang relatif berbeda,bagian kanan merupakan sudut darirepresentasi bentuk daughman rubber

Gambar 4.7 Perbandingan Pola Iris Mata Kanan dan Kirisheet kemudian bagian kiri adalahhasil nilai normalisasi. Apabila hasilnormalisasi tersebut dijumlahkanmempunyai nilai 1 pada bagian irismata kiri dan bagian iris mata kananhasil normalisasi mempunyai totalnilai 1, sehingga mempunyai kriteriapembanding yang sama. Setelah di-dapatkan hasil dari normalisasi ke-mudian menghitung jarak perbedaanantara iris mata kiri dan iris mata kananmenggunakan Euclidean Distance,serta menghitung korelasi antara irismata kiri dan iris mata kanan.

kiri mempunyai pola hasil normalisasiyang relatif berbeda. Hal ini ditunjukandari hasil normalisasi tiap sudut darirepresentasi daughman rubber sheetmempunyai nilai yang berbeda.

19

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

Tabel 4.1 Tabel Jarak dan Korelasi Iris Mata Kiri dan Kanan

20

KHAZANAH, Vol. 7 No.2 Januari 2015

Tabel 4.1 menunjukkan nilaijarak antara iris mata kiri denganiris mata kanan. Perhitungan jarakdihitung rata-rata (mean) mempunyainilai 0.163601369 dan nilai standardeviasi sebesar 0.113744785. Rata-rata berfungsi memberi informasimengenai nilai tengahan dari sebarandata yang ada. Standar deviasiberfungsi memperlihatkan polasebaran data, gap, dan variasi sebaranantar data. Korelasi positif pada table4.1 memiliki presentase sebesar96,08 % sedangkan korelasi negativememiliki presentase 3,92 %. Untukmencari hubungan antara variablemata iris kiri dan mata iris kananmaka dilakukan dengan menghitungkorelasi antar variabel yang akan dicarihubungannya. Korelasi merupakanangka yang menunjukkan arah dan

kuatnya hubungan antar variabledinyatakan dalam bentuk hubunganpositif atau negatif, sedangkankuatnya hubungan dinyatakan dalam

ini hasil pengelompokan nilai korelasidikelompokkan menjadi empatkelompok yaitu tinggi, sedang, redah,dan berkebalikan. Korelasi tinggidengan nilai batas ambang 0,8 sampaidengan 1 , korelasi sedang mempunyaibatas ambang 0,5 sampai dengan0,8 , korelasi rendah memiliki batasambang 0,01 sampai dengan 0,5,dan korelasi berkebalikan mempunyainilai -0,01 sampai dengan -1. Berikutini hasil dari pengelompokan nilaikorelasi :

dataset dari korelasi tinggi :

21

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

Pengelompokan korelasi tinggiterjadi karena antar variabel iris matakiri dan iris mata kanan mempunyaihubungan yang kuat karena nilai koe-

gambar 4.8 dan gambar 4.9 dilihat dari

mendekati tingkat kemiripan kuat ka-

tinggi.

dataset dari korelasi sedang :

22

KHAZANAH, Vol. 7 No.2 Januari 2015

Pengelompokan korelasi sedangterjadi karena antar variabel iris matakiri dan iris mata kanan mempunyaihubungan yang hampir mirip antarvariabel. Pada gambar 4.10 dan

korelasi antar variabel mendekati ting-kat kemiripan hampir mirip karena

Tabel 4.2 menunjukan hasil kon-sistensi dan tingkat keakuratan ROCArea yang sama dan paling tinggipada tiga buah metode Naïve Bayes,

Naïve Bayes Updateable dengan nilai0,644.

BAB VPENUTUP

5.1 Kesimpulan Dari hasi pembahasan dari bab

sebelumnya maka dapat ditarikkesimpulan sebagai berikut:1. Mengenali pola iris mata dengan

menerapkan metode sobel, otsu,

dan circle midpoint sehingga dida-patkan hasil segmentasi iris mata.

2. Pola iris mata dapat diekstraksimenggunakan hasil normalisasidari bentuk representasi modeldaughman rubber sheet.

3. Hasil analisis menunjukan bahwaterdapat perbedaan antara polairis mata kiri dan mata kanan padaseseorang.

4.dalam pola iris mata adalah entropi,energi, kontras, dan homogenitaskarena perbandingan keakuratanROC Area dari 3 buah metodemenunjukan konsistensi hasil sertapaling tinggi.

Tabel 4.2 Tabel Keakuratan Seleksi Fitur

4.3 Pengujian Seleksi Fitur

dengan menggunakan alat bantutools Weka 3.6, berikut ini hasil

23

Perbaikan Kualitas Citra Iris Mata.................................Dadang, Dhina, Sri

5. Hasil akhir nilai global dari faktorberpengaruh terhadap pola irismata :a. Entopi : range antara -18.5

sampai dengan 4.3b. Energi : range antara -0.307

sampai dengan 0.071c. Kontras : range antara -1405

sampai dengan 328d. Homogenitas : range antara

-1.78 sampai dengan 0.411.1 Saran

Berdasarkan keterbatasan makadisarankan sebagai berikut:1. Dapat memilih kernel yang

lebih optimal dalam melakukanpemotongan kelopak mata.

2. Menggunakan data citra darie-KTP Indonesia.

3. Hasil pemotongan tinggi jari-jari pada model daughmanrubber sheet dapat melakukanpemotongan jari-jari sama antarairis mata kanan dan iris mata kiri.

DAFTAR PUSTAKA

Ahmad Usman. 2005. PengolahanCitra Digital. Penerbit:Graha Ilmu.

C.G.Ravichandran, Magudeeswaran

Enhancement in Still Image

Framework. Journal of ComputerScience 8(5): 775-779, 2012.ISSN 1549-3636.

Canny, John. 1986. A ComputationalApproach to Edge Detection.

IEEE Transaction On PatternAnalysis and Machine Inteligent.,vol PAMI -8.

Daugman, J. 2002. How iris recognitionworks. IEEE Transactions OnCircuitsAnd Systems For VideoTechnology, Vol. 14, No. 1.

Fadlil, Abdul. 2006. Materi KuliahMachine Learning. UniversitasIslam Indonesia: Jurusan TeknikInformatika.

Gonzalez R.C. 1987.Digital ImageProcessing. Additison – WesleyPublishing Company, USA.

Gusti. 2013, 31 Mei. Iris Mata PotensialSebagai Tanda Pengenal PalingAkurat.Berita.Tersedia:http://www.ugm.ac.id/id/berita/7863iris.mata.potensial.sebagai.tanda.pengenal.paling.akurat. diaksespada : 10 April 2014.

Ian T. Young, Jan J. Gerbrands, LucasJ. van Vliet. 1995. Fundamentalsof Image Processing. TheNetherlands at the Delft Universityof Technology.

Ledhyane Ika Harlyn, M.Sc. 2012. UjiHipotesis. Statistik(MAM4137):University of Brawijaya

M.Pauline Baker and Donald Hearn.1992. Computer graphicsNj.Prentice-Hall.

Munir, Rinaldi. 2004. PengolahanCitra Digital dengan PendekatanAlgoritmik.Bandung:Informatika.

Wibiyanto dan Muhimmah I. 2012.Segmentasi Iris Mata. Skripsi :Universitas Islam Indonesia.