Flash Rocky

7/25/2019 Flash Rocky

1/22

IDENTIFIKASI IRIS MENGGUNAKAN IMPROVED

LEVENBERGMARQUARDT

Rocky Yefrenes D!!"k

Jurusan Teknik Elektro, Politeknik Negeri Kupang

Jl. Adisucipto-Penfui Kupang, Nusa Tenggara Timur

E-mail:rocky_dillakya!oo.com

ABSTRAK

"istem #iometrika adala! suatu sistem pengenalan diri menggunakan #agian tu#u!

atau perilaku manusia seperti sidik $ari, telapak tangan, telinga, retina, iris mata, %a$a!,

su!u tu#u!, tanda tangan, dll. &ris mata merupakan sala! satu #iometrika yang sangat sta#il,

!andal, akurat dan merupakan metode autentikasi #iometrika tercepat ole! karena itu

merupakan suatu topik penelitian yang sangat diminati ole! #anyak peneliti. Penelitian ini

#ertu$uan untuk mengem#angkan suatu metode yang dapat digunakan untuk mengidentifikasi

secara otomatis seseorang #erdasarkan citra iris mata miliknya menggunakan $aringan

syaraf tiruan le'en#erg-mar(uardt. Penelitian ini menggunakan metode deteksi tepi cany dan

circular !oug! transform untuk segmentasi %ilaya! iris yang terletak diantara pupil dan

sclera serta metode ekstraksi ciri gray le'el cooccurence matri) *+/ yang digunakan

untuk ekstraksi ciri. iri-ciri terse#ut adala! ma)imum pro#a#ility, correlation, contrast,

energy, !omogeneity, dan entropy. iri-ciri terse#ut kemudian dilati! menggunakan $aringan

syaraf tiruan dengan aturan pem#ela$aran le'en#erg0mar(uardt algorit!m untuk
mailto:[email protected]:[email protected]:[email protected]:[email protected]


2/22

mengidentifikasi seseorang #erdasarkan citra irisnya.Penelitian ini menggunakan 123 data

citra iris yang masing-masing ter#agi atas 133 data citra iris untuk pelati!an dan 23 data

citra iris untuk pengu$ian. 4erdasarkan !asil pengu$ian yang dilakukan diperole! correct

recognition rate *55/ se#esar 66.678 yang menun$ukkan #a!%a metode ini dapat

digunakan untuk mengidentifikasi secara otomatis seseorang #erdasarkan citra iris mata

miliknya.

Kata Kunci : identifikasi iris mata, sistem #iometrika, +, $aringan syaraf tiruan,

le'en#erg0mar(uardt algorit!m

#$ PENDA%ULUAN

Semua sistem biometrika bergantung pada bentuk yang bervariasi secara acak yang

dimiliki diantara manusia [Daugman, 2002]. Berbeda dengan identifikasi personal sistem

keamanan biometrik tidak membutuhkan pass%ordyang dibuat atau diberikan orang lain

tetapi menggunakan pengukuran biometrik milik individu seperti sidik ari, geometri tangan,

dan iris sehingga kemungkinan dicuri, hilang, dilupakan, atau dipalsukan sangat kecil [!hou,

200"]. #erbandingan dari berbagai sistem pengenalan biometrik menunukkan bah$a sistem

pengenalan iris sangat stabil, handal, tepat, dan merupakan metode autentikasi biometrik

tercepat [%i$ari, dkk., 20&2]. %uuan dari pengenalan iris sebagai teknologi berbasis

biometrik untuk identifikasi manusia dan verifikasi adalah untuk mengenali seseorang dari

cetak irisnya ['ayte, dkk., 20&2]. Sebagai suatu biometrika iris memiliki beberapa kelebihan (

)ris mata bebas dari pengaruh genetik sehingga tidak ada iris mata yang sama sekalipun iris

kiri dan kanan milik orang yang sama atau iris mata milik kembar identik [Daugman,

&""* + ohamed, et al., 200" + -opikrishnan and Santhanam, 20&0].


3/22

#osisi iris mata yang dilindungi oleh kornea dan a(ueous !umorsehingga sulit atau sangat

tidak mungkin mengalami kerusakan [aroko, et al., 200"].

)ris mata manusia tidak berubah dan bersifat stabil mulai usia satu tahun sampai meninggal

[/haudhary and ubarak, 20&2].

)ris mata selain memiliki kelebihan sebagaimana telah diuraikan diatas, uga memiliki

beberapa kelemahan sebagai suatu biometrika meliputi (

Sulit untuk menangkap citra iris oleh karena ukurannya yang sangat kecil [oy, 20&&]

#ada bagian tertentu iris dihalangi oleh kelopak atas dan ba$ah dan tertutup oleh

bulumata, pantulan, dan lensa [akthal, 2001]

Sebagaimana ukuran pupil berubahubah, perubahan bentuk non elastis adalah kelemahan

lainnya [akthal, 2001].

'ebutuhan akan akurasi identifikasi manusia telah berkembang dari $aktuke $aktu untuk

tuuan keamanan dan pemeriksaan identitas ['han, et al., 20&23. -angguan bulu mata dan

kelopak mata merupakan masalah yang paling sering muncul dalam sistem pengenalan iris

dikarenan keduanya merupakan bagian dari mata sama seperti iris, sehingga diperlukan

pemilihan $ilayah iris yang tidak rentan terhadap gangguan bulu mata dan kelopak mata.

4danya gangguan bulu mata dapat mempengaruhi akurasi sistem identifikasi iris. enurut

Daugman [&""*] dan 56hilararasan, et al., [20&0] informasi pola iris tersebar secara acak dan

tidak merata pada $ilayah iris, tetapi perlu diketahui bah$a terdapat karakteristik iris yang

terkonsentrasi pada $ilayah dekat pupil. 7leh karena itu pengenalan iris yang baik dapat

diperoleh dengan hanya menganalisis 108 atau kurang dari $ilayah iris yang tersedia. al ini

didukung oleh penelitian yang dilakukan oleh 9atsa, et al., [200:] yang menggunakan

sebagian $ilayah iris yaitu bagian kiri dan bagian kanan, -opikrishnan and Santhanam

[20&&] dalam penelitiannya menggunakan ; ukuran iris untuk mempercepat image

processing. urugan and Savithiri [20&0], Savithiri and urugan [20&&], urugan and

Savithiri [20&&] dalam penelitian mereka membagi $ilayah iris dalam empat kategori yaitu

internal region, e)ternal region, lo%er region dan upper region. asil penelitian mereka


4/22

menunukkan hasil yang baik namun pemilihan $ilayah tersebut masih rentan terhadap

gangguan bulu mata dan kelopak mata. 7leh karena itu dalam penelitian ini penulis akan

menggunakan pendekatan menggunakan $ilayah iris yang merupakan irisan internal region

dan lo%er regionuntuk meminimalisasi gangguan bulu mata dalam proses identifikasi iris.

Berdasarkan latar belakang tersebut di atas, penelitian ini akan mengkai pengaruh

pemakaian $ilayah iris yang merupakan irisan internal regiondan lo%er regionuntuk proses

indentifikasi iris dengan algoritma aringan syaraf tiruan le'en#erg-mar(uardt.

#enelitian ini bertuuan untuk mengembangkan suatu metode yang dapat digunakan untuk

melakukan identifikasi iris menggunakan aringan syaraf tiruan le'en#erg-mar(uardt

algorit!m. anfaat penelitian ini adalah untuk menghasilkan suatu metode yang dapat

digunakan untuk melakukan identifikasi personal berdasarkan citra irisnya. #enelitian ini uga

diharapkan memberikan informasi bagi penelitian lanutan tentang biometrika menggunakan

citra iris.

&$ TIN'AUAN PUSTAKA

#enelitian tentang iris mata manusia sudah banyak dilakukan oleh para peneliti, seperti

penelitian tentang deteksi kolestrol, deteksi ginal, identifikasi iris, dll.

#enggunaan sebagian $ilayah iris dalam proses pengenalan iris telah banyak dilakukan

dan menunukkan hasil yang baik seperti yang dilakukan oleh 56hilarasan, et al., [20&0] yang

melakukan penelitian tentang pengenalan iris berdasarkan pola tekstur iris. -ausian

smoothing digunakan pada citra inputan dengan tuuan untuk menghilangkan noise setelah itu

dilakukan segmentasi iris menggunakan metode integrodiferential operator. #enelitian ini

diusulkan berdasarkan pada kenyataan bah$a $ilayah yang mengandung paling banyak

informasi tentang iris adalah $ilayah yang mendekati pupil, dengan demikian tidak semua

bagian iris akan diekstrak cirinya melainkan dipilih bagian yang dianggap paling represtative


5/22

yaitu inner multi-#ands. Selanutnya hasil segmentasi iris dinormalisasikan menggunakan

Daugmanully )ris

%emplate, )nner egion, 7uter egion, ?o$er egion, @pper egion menggunakan * Atiga3

metode ekstrasi ciri yaitu +a#or


6/22

citra iris telah direduksi menadi ; dari ukuran asli dengan tuuan untuk meningkatkan

performance sistem. etode =oug! Transfrom digunakan untuk mencari titik tengah dan

radius pupil selanutnya menentukan batas atas dan ba$ah iris menggunakan !ori?ontal so#el

filter. asil dari penelitian menunukkan ba$ah perceptron memilikiperformance yang lebih

baik dibandingkan dengan metode yang lain. Berdasarkan uraian diatas menunukkan bah$a

penelitian menggunakan internal region[56hilarasan, 20&0] dan lo%er region[urugan and

Savithiri, 20&&] memberikan hasil yang sangat baik, eskipun akurasi yang diperoleh sangat

baik namun pemilihan 7) iris oleh beberapa peneliti sebagaimana diuraikan diatas masih

mempunyai kemungkinan terganggu dengan bulu mata dan kelopak mata sehingga peneliti

akan menggunakan pendekatan irisan internal region dan lo%er region dimana $ilayah

tersebut tidak rentan dengan gangguan bulumata dan kelopak mata dan belum ada peneliti

yang menggunakan $ilayah tersebut dalam penelitian mereka.

#engenalan iris secara otomatis telah banyak dilakukan menggunakan mac!ine learning

seperti yang dilakukan oleh /ho$han and Shinde [20&&] yang bertuuan untuk

mengembangkan sistem identifikasi biometrika menggunakan iris. #roses pengenalan iris

dilakukan menggunakan>u??y in-a) Neural Net%orkyang mencapai tingkat pengenalan

sebesar "1,C:8. >arouk, et al., [20&&] memperkenalkan suatu pendekatan yang baru dan

efektive untuk pengenalan iris yang dioperasikan menggunakan acti'e contour modelsuntuk

preprocessing dan segmentasi, @9 +a#or


7/22

ashad, et al., [20&&] melakukan penelitian yang bertuuan untuk mengembangkan suatu

algoritma baru menggunakan ?B# dan istogram properties Apendekatan statisitk3 untuk

ekstraksi fitur dan com#ine B lassifier Apendekatan neural net%ork3 untuk klasifikasi.

etode ini diharapkan dapat menghasilkan akurasi yang baik dalam pengenalan iris. etode

segmentasi iris yang digunakan adalah anny Edge 9etection dan =oug! Transformation

selanutnya dinormalisasi menggunakan metode9augmans 5u##er "!eet. asil penelitian ini

menunukanperformancedengan tingkat akurasi yang tinggi sebesar "",:F8menggunakan

database /4S)4, @&, @2, dan ?5).#enelitian serupa dilakukan oleh /haudhary and

ubarak [20&2] menggunakan rectangular area met!od untuk lokalisasi iris dan GS%

4ackpropagation untuk pengenalan iris dengan tingkat pengenalan iris mencapai

"",218.#enelitian serupa dilakukan oleh ossain and Sarma [20&2] yang memperkenalkan

suatu sistem pengenalan iris yang handal menggunakan @9-9iscrete osine TransformAD/%3

untuk ekstrasi ciri dan "elf ;rgani?ing apArtificial Neural Net%ork AS7H4==3 untuk

klasifikasi citra iris. Sistem bekera secara efisien menggunaka " I &00 D/% coefficientdan

mencapai akurasi sekitar "".&8 pada epoc!s ke &000 lebih baik dibandingkan dengan

menggunakan5adial 4asis >unction Artificial Neural Net%ork AB>H4==3 dalam penelitian

mereka sebelumnya.

($ METODE PENELITIAN

($# R"nc"n)"n Ars*ek*+r Ss*e,

#eneliti mengusulkan arsitektur sistem seperti -ambar &. #enelasan pada subbab berikut

memaparkan dengan lebih detail proses yang teradi dalam setiap bagiannya


8/22

-ambar &. 4rsitektur sistem klasifikasi fase retinopati diabetes

($& I,")e Processn)

Bertuuan untuk memperbaiki kualitas citra, menemukan lokasi iris, menentukan 6ona

perhitungan yaitu daerah diantara luarpupildan di dalamscleraserta menghasilkan citra iris

yang lebih baik untuk digunakan pada tahap selanutnya. %ahapan &mage-processing yang

dilakukan meliputi tahap preprocessing, segmentation, normalisation, 5;& selection.


9/22

($&$# Pre-rosesn)

%uuan utama dari preprosesing citra adalah untuk meningkatkan kualitas citra dimana citra

yang dihasilkan dapat memberikan informasi yang lebih elas bagi manusia sehingga

memudahkan dalam melakukan interpretasi atas suatu citra ['uivaleinen, 2001]. Dalam

penelitian ini digunakan dua teknik preprosesing sebagai berikut (

1. +ausian >ilter.

Sebelum dilakukan segmentasi citra iris maka sebelumnya dilakukan perbaikan kualitas

citra menggunkan filter gausian yang bertuuan untuk menghilangkan noise. Berikut adalah

fungsi matematika dari filter gausian (

2 2

222

&A , 3

2

) y

g ) y e

+

= A&3

Dengan gAJ,y3 menyatakan titik tengah dari fungsi gausian, K adalah standard deviasi

dari distribusi gausian dan L adalah radius dari koordinat polar.

@. ;perasi orp!olgi.

7perasi morfologi yang digunakan adalah operasi opening yang bertuuan untuk

menekan H menyembunyikan gangguan dari bulu mata. 7perasi opening merupakan

kebalikan dari operasi closingyaitu operasi erosi yang diikuti dengan dilasi menggunakan

elemen penstruktur yang sama. Secara matematika, operasi opening dinyatakan dengan (

A 3A 4 A 4 4 = A23


10/22

Dimana 4merupakan citra yang akan diperbaiki dan B merupakan elemen penstruktur

4.

($&$& Se),en*"*on

#roses segmentasi adalah proses untuk memisahkan obyek dari #ackground, dalam hal ini

untuk memisahkan $ilayah iris dari pupil dan sclera. Dalam penelitian ini metode segmentasi

yang digunakan adalah metode circular !oug! transform dan canny edge detection untuk

proses segmentasi $ilayah iris yang akan digunakan untuk identifikasi iris terhadap citra

inputan.

($&$( Nor,"!s"*on

@kuran iris yang diambil dengan kameraHalat sensor iris mata dari orang yang berbeda bahkan dari orangyang sama dapat berbedabeda hal ini disebabkan oleh variasi pencahayaan dan faktorfaktor lain sepertideformasi elastis tekstur iris yang sangat mempengaruhi hasil pencocokan. 7leh karena itu dilakukannormalisasi ukuran citra iris menggunakan model daugman rubber sheet [Daugman,200"] agar ukuran citra iris

menadi seragam. /itra iris akan ditransformasi ke bentuk segiempat seperti ditunukkan pada -ambar 2.

?

rr

?

-ambar 2. Daugman


11/22

($&$. ROI Se!ec*on

"etelah dilakukan proses normalisasi ukuran #itra iris maka dilakukan pemilihan $%Idari #itra iris yan merupakan &ilayah irisan dari internal regiondan lower region!

($&$/ Pe,0en*+k"n GL1M

#enelitian ini mengggunakan -?/ multi arah Amultiple3 yang dibentuk menggunakan arak 2 piJeltetangga AdE23. Garak 2 piJel tetangga dipilih karena termasuk salah satu arak ideal dalam membentuk -?/

[-adkari, 200]. ?angkah I langkah membentuk multiple-?/ dalam penelitian ini sebagai berikut (

&. %etapkan arak piJel Ad3 yang dinginkan.

2. itung semua arah yang mungkin.

*. Bentuk -?/ untuk setiap arah Amenggunakan langkah I langkah membentuk

-?/ 3.

. itung semua ciri statistik untuk setiap arah yang terbentuk.

1. itung rata I rata Amean3 dari setiap ciri pada semua arah yang terbentuk.

Gumlah arah yang terbentuk pada distance dE2 adalah &C, artinya terdapat &C -?/ yang terbentuk A &sampai &C3.

($&$2 Eks*r"ks cr GL1M

Setelah -?/ terbentuk pada suatu arak dan arah tertentu, maka langkah selanutnya adalah menghitung

ciri statistik dari semua -?/ yang telah terbentuk berdasarkan arak dan arah yang telah terbentuk. 5namelemen yang diusulkan oleh -adkari [200] adalah ( Ai3 ma)imum pro#a#ility, Aii3 entropi, Aiii3 energy, Aiv3korelasi, Av3 kontras, dan Avi3 homogenitas. #roses ektraksi ciri dilakukan dengan menghitung C ciri statistik darisetiap -?/ A&C -?/3 sebagai berikut (

&. aJ #robability E maJA 3i$p AC3

2. 5ntropi.

5ntropi menunukan ukuran ketidakteraturan distribusi intesitas suatu citra pada matriks

co-coccurence. #ersamaannya untuk meng hitung entropi adalah(

5ntopi E

2

& &

logk k

i$ i$

i $

p p= =

AF3

*. 5nergi.

5nergi adalah fitur untuk mengukur konsentrasi pasangan intensitas pada matriks co-

occurance[-on6ales and oods, 200:]. =ilai energi akan makin membesar bila pasangan

piksel yang memenuhi syarat matriks intensitas co-occuranceterkonsentrasi pada beberapa

koordinat dan mengecil bila letaknya menyebar. yang digunakan untuk menghitung energi

adalah (

5nergi E

2

& &

k k

i$i $

p= = A:3


12/22

. 'orelasi.

/iri ini menunukan tingkat korelasi antar piJel dalam suatu citra. #ersamaannya adalah

(

'orelasi E

r

& &

Ai m 3A 3k k c i$

i $ r c

$ m p

= =

A"3

1. 'ontras

'ontras adalah fitur yang digunakan untuk mengukur kekuatan perbedaan intensitas

dalam citra [-on6ales and oods, 200:]. =ilai kontras membesar ika variasi intensitas

citra tinggi dan menurun bila variasi rendah. #ersamaan yang digunakan untuk mengukur

kontras suatu citra ditunukkan pada persamaan di ba$ah ini (

'ontras E

2

& &

A 3k k

i$

i $

i $ p= =

A&03

C. omogenitas

omogenitas digunakan untuk mengukur kehomogenan variasi intensitas citra [-on6ales

and oods, 200:]. =ilai homogenitas akan semakin membesar bila variasi intensitas dalam

citra mengecil. omogenitas dihitung dengan persamaan di ba$ah ini (

omogenitas E & && M M

k ki $

i $

p

i $= = +

A&&3

@ntuk melakukan identifikasii terhadap citra iris, maka hasil proses ektraksi ciri statistik selanutnya akandiadikan sebagai data masukan untuk dilatih dengan aringan syaraf tiruan AGS%3 untuk mengenali pola inputanserta pasangan pola outputnya.

($&$3 Pe!"*4"n 5"rn)"n sy"r"f *r+"n levenberg-marquardt

#roses pelatihan aringan pada dasarnya merupakan proses penyesuaian bobotbobot untuk

masing I masing simpul antara lapisan input, lapisan tersembunyi, dan lapisan output.

#enyesuaian bobot dilakukan secara terusmenerus sampai dicapai error yang paling

minimum [Dilak and Bintiri, 20&2 + Dilak et al., 20&2]. >ungsi aktivasi yang digunakan

adalah fungsi aktivasi tangent !yper#olic. 4rsitektur GS% yang digunakan dalam penelitian ini

seperti ditunukkan pada -ambar 2.


13/22

-ambar *. 4rsitektur GS%

Data input yang digunakan sebagai pola dalam pelatihan GS% sebanyak C buah yang terdiri atas C buah ciri

statistik dan bias. Data inputan tersebut adalah (J&C ma)imum pro#a#ilityJ2 E correlationJ* E contrastJC energy

J1C entropyJC E !ommogeneityJF E bias

Gumlah !iddenlayer ( & lapisan tersembunyi, dengan umlah neuron dalam lapisan tersembunyi divariasikan

antara 1 F neuron pada setiap !iddenlayer. Gumlah neuron dalam lapisan output sebanyak & neuron.


14/22

4lgoritma ?evenbergarNuardt merupakan pengembangan algoritma #ackpropagation

stOndar. #ada algoritma #ackpropagation, proses update bobot dan bias menggunakan

negati'e gradient descent secara langsung sedangkan algoritma le'en#erg-mar(uardt

menggunakan pendekatan matrik esian A3 [&C] yang dapat dihitung dengan,

T= J e= A&23

Sedangkan gradient dapat dihitung dengan,

T

g J J= A&*3

Dalam hal ini G merupakan sebuah mattrik acobian yang berisikan turunan pertama dari

erroraringan terhadap bobot dan bias aringan. #erubahan pembobot dapat dihitung degan,

T TD J J & J e = + A&3

Sehingga perbaikan pembobot dapat ditentukan dengan,

D D D= + A&13

T TD D J J & J e = + + A&C3

A&F3


15/22

Dimana (

P E fungsi bobotbobot aringan dan bias

PE && &2 0& 02 0 && 0& 02

, ,.., + , ,.. + , + , ,..i$ $ $k oK

' ' ' ' ' ' % % % % %

5 adalah vektor yang menyatakan semua error pada output aringan

& & 2 2...T

p pe t y t y t y =

Q E konstant learning

) E matrik identitas

4lgoritma pelatihan Garingan Syaraf %iruan e'en#erg-ar(uardtseperti ditunukkan pada

-ambar .


16/22

-ambar . #elatihan GS%H?

($&$6 Pen)+5"n 5"rn)"n sy"r"f *r+"n levenberg-marquardt

Setelah GS% dilatih dengan sekumpulan pola maka tahap selanutnya adalah melakukan

penguian terhadap kinera dari GS% sekaligus untuk mengukur kinera dari sistem yang

dibangun. 4lgoritma penguian aringan syaraf tiruan mengikutiflo%c!artseperti -ambar 1.


17/22

-ambar 1. #enguian GS%


18/22

.$ %ASIL DAN PEMBA%ASAN

#ada penelitian ini, penguian dilakukan dengan melatih GS% secara berulangulang untuk

mendapatkan bobotbobot aringan yang optimal sehingga dapat digunakan untuk

menyelesaikan permasalahan klasifikasi. Data yang digunakan dalam penelitian ini berumlah

&00 citra terbagi atas dua kelompok data yakni(

Data pelatihan &00 citra

Data penguian 10 citra.

Data I data tersebut diekstrak menggunakan metode -?/ dengan arak 2 piJel tetangga.

#arameter GS% yang digunakan dalam penguian ini adalah sebagai berikut (

earning rateAR3 E 0.&.

omentum AQ3 E 0.".

Gumlah lapisan tersembunyi E & lapis.

Gumlah neuron dalam lapis tersembunyi E 1.

Batas toleransi error E 0,00&

4.1 Pen)+5"n Ak+r"s Kner5" 'ST Le7en0er)8M"r9+"r:*

'inera GS% dalam mengidentifikasi sesorang berdasarkan citra irisnya diui menggunakan data citrasebanyak lima puluh buah citra yang telah diproses pada tahap sebelumnya. #enguian dilakukan dalam duamode yaitu mode verifikasi dan identifikasi. Dalam mode verifikasi menggunakan e(ual error rate A553dengan menghitung >= dan > dan dalam mode indetifikasi menggunakan correct recognition rateA/3berdasarkan persamaan yang dilakukan pada penelitian sebelumnya [>arouk, et al., 20&0 + oy, et al., 20&0].

/ adalah #robabilitas identifikasi iris yang benar A%abel 2.3, 55 adalah nilai titik potong > dengan>= atau tingkat kesalahan sama yaitu E>= A%abel *.3, > adalah probabilitas bah$a sistemmenyatakan data ui yang tidak terdaftar dalam database dikenali atau cocok dengan data citra dalam databasedan >= adalah probabilitas bah$a sistem menyatakan data ui yang terdaftar dalam database tidak dikenaliatau tidak cocok dengan data citra dalam database.

%abel 2. #erbandingan hasil /

4lgoritma / A83

Daugman,

[&""*]

":,&*

aroko, et al.

[200"]

:,21

oy, et al.,

[20&0]

":,2"

#eneliti "",":


19/22

%abel *. #erbandingan hasil 55

4lgoritma / A83

Daugman,

[&""*]

&.:0

aroko, et al.

[200"]

0,2:

oy, et al.,

[20&0]

0.F

#eneliti 0.

Berdasarkan hasil yang ditunukkan pada %abel 2 dan %abel * menunukkan bah$a algoritma

yang diusulkan mencapai hasil /E"",": dan 55 E0. yang menunukkan bah$a kinera

algoritma yang diusulkan oleh peneliti sangat baik dan dapat digunakan dalam mode

identifikasi maupun mode verifikasi.

/$ KESIMPULAN

a. etode yang dikembangkan mampu melakukan identifikasi seseorang berdasarkan citra irisnya.b. #endekatan identifikasi iris yang dilakukan dalam penelitian ini dapat melakukan identifikasi dengan hasil

/ E "",":8 dan 55 E 0, dengan demikin metode ini dapat digunakan sebagai salah satu alternativeuntuk sistem identifikasi personal berdasarkan citra iris.

2$ PENG%ARGAAN DAN TERIMA KASI%

#enulis mengucapkan terima kasih kepada database /4S)4 [/4S)4, 200C] yang telah

memberikan dukungan data citra retinopati diabetes beserta data hasil pemeriksaan medis

terhadap penelitian ini.


20/22

3$ PUSTAKA

/haudhary, @., ubarak, ., /., )ris ecognition @sing B#== 4lgoritma, )nternational

Gournal of 5ngineering esearch and 4pplications A)G543, National onference on

Emerging Trends in Engineering Tec!nology *NET/, ar 20&2, 20*20:.

/hinese 4cademy of Sciences)nstitute of 4utomation A/4S)43, 200C, /4S)4 )ris )mage

Database, Guni 200, http(HHbiometrics.idealtest.orgH

/ho$han, S., S., Shinde, -., =., )ris ecognition @sing >u66y inaJ =eural =et$ork,

&nternational Journal of omputer and Electrical Engineering, 20&&, 9ol. *, =o. 1, 7ct

20&&, F*FF

Daugman, G., -., igh /onfidence 9isual ecognition of #erson by a %est of Statisticl

)ndependece, )55 Trans. Pattern Analysis and ac!ine &ntell, &""*, &1, &&:&&C&.

Daugman, G., o$ )ris ecognition orks, )55 )/)#, 2002, )** I )*C.

Dillak, ., ., Bintiri, ., -., )dentifikasi >ase #enyakit etinopati Diabetes enggunakan Garingan Syaraf

%iruan ?evenbergarNuardt, "eminar Nasional &nformatika *"ENA"&>/, @31@ : -113--11F.

Dillak, ., ., Bintiri, ., -., #angestuty, D., ., #emanfaatan 4lgoritma Garingan Syaraf %iruan ?evenberg

arNuardt @ntuk endeteksi #enyakit 4l6heimer, "eminar Nasional &nformatika *"ENA"&>/, @31@ : -

1@G--1HH.

56hilarasan, ., Gacthish, ., Subramanian, -., '., S., @mapathy, ., )ris ecognition Based

7n )ts %eJture #attern, &nternational Journal on omputer "cience and Engineering

*&J"E/, 20&0, 9ol. 2, =o. ", *0F&*0F.

>arouk, ., ., 'umar, ., iad, '., 4., )ris atching @sing ultiDimensional 4rtificial

=eural =et$ork, T!e &ternational of Engineering and Tec!nology, &ET omputer

ision, 20&&, 9ol. 1, )ss. *, &F:&:.

-adkari, D., )mage Tuality 4nalysis @sing -?/, Tesis, @niversity of /entral >lorida,

>lorida, 200.


21/22

-on6ales, ., /., oods, ., 5., Digital )mage #rocessing, * rded., #rentice all ( @pper Sadle iver, =e$Gersey,

@S4, 200:.

-opikrishnan, ., Santhanam, %., )mproved Biometric ecognition and )dentification of

uman )ris #attern @sing =eural =et$ork, Journal of T!eoretical and Applied

&nformation Tec!nology AJAT&T3, 20&0, 9ol. *&, =o. 2, Sep 20&&, &*&*".

-opikrishnan, ., Santhanam, %., 5ffect of Different =eural =et$orks on %he 4ccuracy in

)ris #attern ecognition,&nternational Journal of 5e'ie%s in omputing *&J5&/, 20&&,

9ol. F, Sep 20&&, 222:

aroko, 4., artati, S., D$iyasa, ., 4 ethod for )ris ecognition Based on &D /oiflet

avelet, %orld Academy of "cience,Enginnering and Tec!nology, 200", &2C&2".

ossain, d., S., Sarma, '., '., )ris ecognition Based )dentification @sing 2DDiscrete

/osine %ransform and Self 7rganising ap =eural =et$ork, &nternational Journal of

"ystems,Algorit!m ApplicationA&J"AA3, 20&2, 9ol. 2, )ssue )/45% &2, ay 20&2,

22FF2CFF

'ayte, /., =., #a$ar, 9., #., Son$ane, /., D., 5fficient Biometric for uman )dentification

and 9erification through )ris ecognition,&ndian "treams 5eseacr! Journal, 9ol. &, )ssue

9, Gun 20&2, &.

'han, ., D., 4hmad, >., 4n$ar, ., ., 4 =euro/ognitive 4pproach for )ris ecognition

@sing Back #ropagation,


22/22

ohamed, ., 4., 4bou5lsoud, 5id, ., ., 4n 5fficient 4lgorithm in 5Jtracting uman

)ris orphological >eatures,&EEE &nternational onferences on Net%orking and edia

on'ergence A&N3, 200", &C&10.

ashad, ., !., Shams, ., ., =omir, 7., 5l4$ady, . ., )ris ecognition Based on ?B#

and /ombine ?9T /lassifier, &nternational Journal od omputer "cience

&nformation Tec!nology *&J"&T/, 20&&, 9ol. *, =o. 1, 7ct 20&&, CFF:

oy, '., ecognition of =onideal )ris )mages @sing Shape /uided 4pproach and -ame

%heory, T!esis, %he Department of /omputer Science and Soft$are 5ngineering,

/oncordia @niversity, otreal, Tuebec, /anada, 20&&.

%i$ari, @., 'elkar, D., %i$ari, 4., Study of Defferent ))S ecognition ethods,

&nternational Journal of omputer Tec!nology and Electronics Engineerign *&JTEE/ ,

20&2, 9ol. 2, FC:&.

9atsa, ., Singh, ., =oore, 4., )mproving )ris ecognition #erformance @sing

Segmentation, Tuality 5nhancement, atch Score >usion, and )ndeJing, &EEE

Transactions ;n "ystem, an, and y#ernetics-Part 4 : y#ernetics, 200:.

!hou, S., 4 =ovel 4pproach to )ris ?ocali6ation and /ode atching for )ris ecognition,

9esertasi, -raduate School of /omputer and )nformation Science =ova Southeastern

@niversity, 200".

Flash Rocky

Documents

Transcript of Flash Rocky