6
BAB 2
LANDASAN TEORI
2.1 Inteligensia Semu
Ada beberapa pendapat mengenai definisi artificial intelligence, antara lain:
• Turban (1992, p3)
Artificial intelligence adalah bagian dari ilmu komputer yang ditujukan untuk
membuat software dan hardware menghasilkan sesuatu seperti yang dihasilkan
manusia.
• Rich dan Knight (1991, p3)
Artificial intelligence adalah suatu bidang yang mempelajari bagaimana untuk
membuat komputer melakukan sesuatu, yang pada saat ini, dapat dilakukan
lebih baik oleh manusia.
• Levine et al. (1990, p3)
Artificial intelligence adalah suatu cara untuk membuat komputer dapat
berpikir secara pintar.
• Charniak dan McDermott (1984, p6)
Artificial intelligence adalah kemampuan berpikir melalui model-model dan
perhitungan atau komputasi.
6
Artificial intelligence dibagi atas beberapa sub disiplin ilmu yang
mengkonsentrasikan pada bidang-bidang aplikasi yang berbeda, antara lain (Luger
dan Stubblefield, 1993, p14) adalah:
a. Permainan (games playing)
b. Pertimbangan automata dan pembuktian teorema (automated reasoning and
theorem proofing)
c. Sistem pakar (expert system)
d. Pemahaman bahasa alami dan model semantik (natural language
understanding and semantic modeling)
e. Permodelan penampilan manusia (modeling human performance)
f. Robot (robotic)
g. Perencanaan (planning)
h. Mesin yang belajar (machine learning)
i. Jaringan saraf (neural network)
j. Proses distribusi secara paralel (parallel distributed processing)
2.2 Autentifikasi
Autentifikasi adalah tindakan untuk menentukan atau mengkonfirmasi sesuatu
(atau seseorang) sebagai otentik, yaitu klaim oleh atau mengenai objek (atau
individu) tersebut adalah benar [http 2]. Autentifikasi terhadap seseorang pada
umumnya mencakup verifikasi identitas orang tersebut.
6
Dalam computer security, autentifikasi adalah proses untuk memverifikasi
identitas dari satu pihak dalam komunikasi, seperti permintaan login oleh user.
Pihk yang diautentifikasi bisa seseorang yang menggunakan komputer, komputer
itu sendiri, atau sebuah program aplikasi.
Metode-metode autentifikasi yang digunakan manusia dibagi menjadi tiga :
a. User itu sendiri/biometrik (sidik jari, retina, DNA, iris, tandatangan)
b. Sesuatu yang dimiliki (kartu pengenal)
c. Sesuatu yang diingat (password, PIN)
Penggunaan metode-metode tersebut seringkali dikombinasikan seperti pada
penggunaan kartu ATM, dimana dilakukan kombinasi penggunaan kartu pengenal
dan PIN.
2.3 Biometrik
Biometrik berasal dari kata “Bios” yang berarti hidup dan “Metron” yang
berarti pengukuran. Biometrik adalah teknologi yang memfokuskan untuk
mengidentifikasi seseorang lewat ciri-ciri fisik khasnya ataupun karakteristik
tingkah lakunya [http 3]. Biometrik pertama kali digunakan di Cina pada abad ke
14. Seorang penulis bernama Joao de Barros menulis bahwa pedagang-pedagang
Cina pada masa itu menstempel telapak tangan dan telapak kaki anak kecil pada
kertas, untuk membedakan satu anak dengan yang lain. Di Barat identifikasi pada
awalnya hanya bergantung pada ingatan fotografis, sampai seorang petugas polisi
dan antropologis Perancis, Alphonse Bertillon, mengembangkan sistem
6
antropometrik (dikenal juga dengan Bertillonage) pada tahun 1883. Sistem tersebut
adalah sistem ilmiah pertama yang digunakan secara luas untuk mengidentifikasi
kriminal, menjadikan biometrik sebagai sebuah bidang studi. Sistem tersebut
bekerja dengan cara mengukur tinggi dan lebar dari kepada dan badan seseorang
secara tepat, dan mencatat ciri-ciri khas tertentu dari fisik seseorang seperti tato
ataupun bekas luka. Sistem Bertillon digunakan secara luas di dunia Barat, sampai
banyak ditemukan kelemahan dalam sistem tersebut. Setelah itu polisi-polisi Barat
berpaling pada sidik jari.
Biometrik memberikan solusi yang lebih baik untuk kebutuhan keamanan yang
lebih tinggi daripada metode-metode autentifikasi yang sudah ada saat ini
(password, PIN, kartu identitas). Dengan menggunakan sistem autentifikasi
berbasis biometrik, user tidak perlu mengingat password, PIN, atau membawa
kartu identitas. Pengunaan sistem berbasis biometrik juga akan mengurangi
penipuan dan akses-akses yang tidak diinginkan. Biometrik yang sudah digunakan
secara luas pada bidang forensik seperti identifikasi kriminal dan keamanan
penjara, memiliki potensi besar untuk digunakan pada aplikasi-aplikasi umum.
Pada umumnya sistem biometrik bekerja pada empat tahap:
a. Capture : data-data fisik ataupun tingkah laku di-capture oleh sistem.
b. Ekstraksi Fitur : ciri unik dari data diekstrak dengan menggunakan algoritma
tertentu, dan menciptakan sebuah template yang disimpan dalam database.
6
c. Pembandingan : sistem membandingkan template pada database dengan
template yang didapat dari data baru. Proses pembandingan meliputi
perhitungan Hamming distance.
Performa dari sebuah biometrik pada umumnya diukur dari tingkat
kesalahan penerimaan (false accept rate / FAR) ,tingkat kesalahan penolakan
(false reject rate / FRR) dan equal error rate (EER). Tingkat kesalahan
penerimaan mengukur persentase pengguna tidak sah yang diautentifikasi sebagai
pengguna yang sah. Tingkat kesalahan penolakan merupakan persentase pengguna
yang sah ditolak dalam autentifikasi. Sedangkan EER adalah tingkat dimana FAR
dan FRR memiliki nilai yang sama. Semakin rendah nilai EER maka sistem
tersebut semakin akurat.
Biometrik fisik yang umum mencakup sidik jari, bentuk telapak tangan,
retina, iris, dan wajah. Sedangkan biometrik karakter tingkah laku mencakup tanda
tangan, suara (juga mengandung karakteristik fisik), dan pola pengetikan, yang
ditunjukkan pada Tabel 2.1 berikut ini.
6
Metode Pola
Tingkat Kesalahan
Keamanan
Aplikasi
Penngenalan Iris
Pola iris
1/1,200,000
Tinggi
High-security facilities
Pengenalan sidik jari
Pola sidik jari
1/1,000
Sedang
Universal
Bentuk tangan
Ukuran, panjang, dan ketebalan telapak tangan
1/700
Rendah
Low-security Facilities
Pengenalan wajah
Outline, bentuk dan distribusi dari mata dan hidung
1/100
Rendah
Low-security Facilities
Tanda tangan
Bentuk huruf, urutan penulisan, dan tekanan
1/100
Rendah
Low-security Facilities
Suara Karakteristik suara 1/30 Rendah Pelayanan telepon
Tabel 2.1 Tabel Biometrik
2.3.1 Sidik Jari
Pengenalan sidik jari adalah teknologi biometrik yang paling umum dan
dipakai secara luas pada berbagai aplikasi, dan merupakan metode identifikasi
yang sudah dipakai sejak 100 tahun yang lalu. Sidik jari terbentuk dari kumpulan
ridges dan furrows pada permukaan ujung jari. Keunikan sidik jari ditentukan dari
pola-pola ridges, furrows dan juga titik-titik minutiae. Pada masa lalu sidik jari
disimpan dengan cara mebubuhkan tinta ke ujung jari dan menekan jari tersebut ke
kertas sehingga pola sidik jari tercetak. Pada masa kini sudah dimungkinkan untuk
pemindaian sidik jari ke dalam penyimpanan virtual dalam komputer dengan
bantuan teknologi laser. Untuk mengidentifikasi, sidik jari seseorang akan dipindai
menggunakan alat yang sama, dan kecocokan antara sidik jari dan nama orang
tersebut akan diverifikasi oleh sistem.
6
2.3.2 Telapak Tangan
Pengenalan telapak tangan meliputi analisis dan pengukuran dari bentuk
geometri telapak tangan. Biometrik ini menawarkan karakteristik performa dan
relatif mudah digunakan. Pengenalan telapak tangan pertama kali digunakan di
Wall Street untuk kepentingan keamanan lebih dari 20 tahun yang lalu. Budaya
manusia yang menawarkan tangan sebagai tanda persahabatan ataupun pengikatan
pernjanjian, membuat sistem pengenalan telapak tangan diterima secara luas di
kantor-kantor, pabrik-pabrik, dan lingkungan perusahaan lainnya.
2.3.3 Retina
Biometrik berbasis retina mencakup analisa dari pembuluh darah yang terletak
pada belakang mata. Teknologi ini menggunakan sumber cahaya bertekanan
rendah untuk memindai pola yang unik dari retina. Biometrik berbasis retina
merupakan salah satu sistem biometrik yang paling akurat. Walaupun memiliki
tingkat keakurasian yang tinggi, biometrik berbasis retina seringkali dipandang
sebagai teknik yang intrusive dan kurang nyaman digunakan , dikarenakan subjek
pengguna diharuskan untuk berdiri diam dalam jarak yang dekat dengan alat
pemindai, ataupun untuk subjek yang menggunakan kacamata. Hal-hal tersebut
menyebabkan biometrik retina kurang diterima secara hangat oleh pengguna,
biarpun teknologinya sendiri dapat bekerja dengan baik.
6
2.3.4 Iris
Biometrik berbasis iris mencakup analisis dari fitur-fitur yang ditemukan pada
lapisan berwarna yang mengelilingi pupil mata untuk mengidentifikasi seseorang.
Iris adalah area berpigmen pada mata manusia Pemindaian iris lebih nyaman
digunakan karena menggunakan kamera yang cukup konvensional dan pengguna
tidak memerlukan kontak jarak dekat antara user dengan alat pemindai. Biometrik
iris dapat digunakan untuk pengguna yang memakai kacamata. Teknologi
pemindaian iris pertama kali digunakan pada mesin ATM di Inggris, Jepang, dan
Jerman sejak 1997.
2.3.5 Wajah
Pengenalan wajah menganalisis bentuk unik, pola dan penempatan posisi dari
fitur-fitur wajah seseorang. Ada dua metode untuk memproses data : video dan
pencitraan thermal. Teknik video standar berbasis pada citra wajah seseorang yang
diambil oleh kamera video. Teknik pencitraan thermal menganalisa tingkat panas
yang dikeluarkan pembuluh-pembuluh darah dibawah permukaan kuliat wajah.
Sistem biometrik wajah masih memiliki banyak masalah, beberapa diantaranya
yaitu tidak mampu membedakan kembar identik, tidak mampu membedakan
seseorang yang memakai atau tidak memakai kacamata. Teknologi ini sudah
dipakai digunakan salah satunya di industri kasino untuk menciptakan database
wajah penipu-penipu untuk deteksi dini dari petugas keamanan.
6
2.3.6 Tanda Tangan
Verifikasi tanda tangan menganalisis cara-cara seseorang membuat tanda
tangan. Fitur-fitur yang ada seperti kecepatan, sudut penulisan, urutan penulisan
dan tekanan sama pentingnya dengan bentuk akhir dari tanda tangan tersebut.
Tanda tangan sudah lama digunakan sebagai verifikasi identitas berbasis transaksi,
sehingga cukup diterima ketika dikembangakan dalam teknologi biometrik.
Pengenalan tanda tangan sudah digunakan secara luas, salah satu contoh utama
adalah pada penggunaan kartu kredit.
2.3.7 Suara
Pengenalan suara adalah biometrik yang mengenali seseorang berdasarkan
karakteristik suara orang tersebut. Fitur-fitur unik dari suara seseorang di-digitasi
dan dibandingkan dengan sampel suara orang tersebut yang sudah direkam
sebelumnya. Pengenalan suara merupakan hal yang berbeda dengan pengenalan
kata karena pengenalan suara tidak mengenali kata yang diucapkan tersebut,
melainkan mengenali individu yang mengucapkan kata tersebut. Pengenalan suara
dipengaruhi oleh banyak faktor seperti kualitas suara, noise, ataupun kondisi
kesehatan pengguna, seseorang yang sedang terkena penyakit flu akan menghadapi
kesulitan menggunakan sistem yang berbasis pengenalan suara.
6
2.3.8 Pola pengetikan
Pola pengetikan menganalisis cara seseorang mengetik. Teknologi ini masih
cukup baru dalam biometrik. Pengguna dikenali dengan mengetik kata atau kata-
kata tertentu sebanyak beberapa kali. Pengenalan dilakukan berdasarkan konsep
bahwa seseorang mengetik dengan pola/ritme yang tetap.
2.4 Mata Manusia
Pada Gambar 2.1 terdapat gambar mata manusia secara garis besar yang
dibedakan menjadi beberapa bagian yaitu :
1. Dinding bola mata :
a. Sklera : yaitu jaringan ikat kolagen, kenyal, dan memiliki tebal 1 mm.
b. Kornea : berbentuk seperti lingkaran, jernih, sebagai tempat masuknya
cahaya, memiliki diameter 12 mm, tebal 0,6 -1 mm dan terdiri dari lima
lapisan.
2. Isi bola mata :
a. Lensa : bening, bikonveks, memiliki tebal 5 mm, berfungsi untuk
membiaskan cahaya.
b. Uvea :
- Iris : membran berwarna berbentuk sirkular. Iris memiliki
lubang ditengah yang disebut pupil yang berfungsi mengatur
banyak sedikit cahaya yang masuk.
- Korpus siliaris
6
- Koroid
c. Badan kaca/korpus vitreous
d. Retina : membran tipis tempat penyebaran serabut saraf optic, terletak
diantara badan kaca dan koroid.
Gambar 2.1 Skema Mata
2.4.1 Iris
Iris manusia berfungsi untuk mengatur keluar masuknya cahaya pada pupil.
Iris mulai terbentuk pada bulan ketiga gestasi. Struktur yang membentuk pola unik
iris terbentuk secara sempurna pada bulan kedelapan gestasi, namun pigmentasi
terus berlanjut sampai tahun pertama setelah kelahiran. Warna iris ditentukan
sebagian besar dari kepadatan stroma dan kandungan melaninnya.
Iris adalah salah satu organ internal dari mata, terletak dibelakang kornea
dan aqueous humor, namun masih didepan lensa mata, seperti yang terlihat pada
Gambar 2.2. Citra dari sebuah iris yang masih dapat dipakai untuk pengenalan,
bisa diambil dari sejauh kurang lebih satu meter.
6
Gambar 2.2 Anatomi iris manusia
Fitur yang dapat terlihat dari sebuah iris tampak pada trabeculum, sebuah
meshwork dari lapisan-lapisan yang saling berhubungan yang menampilkan
arching ligaments, crypts, contraction furrow, corona, pupillary fills, coloration
dan freckles. Lapisan anterior yang bergaris menyelimuti trabecular meshwork
menciptakan tekstur predominant yang bisa terlihat, variasi-variasi angular dan
radial tersebut secara keseluruhan membentuk sebuah pola unik.
Salah satu ciri iris yang juga dimiliki sidik jari adalah morfogenesis yang
acak dari minutiae-nya. Detil-detil morfogenesis iris bergantung pada kondisi-
kondisi awal pada saat pembentukannya pada mesoderm embrionik, karena itu
bahkan pada dua iris yang memiliki genotipe genetik yang sama (seperti pada
kembar identik, pasangan iris pada seseorang) pun memiliki pola yang berlainan.
Bila dibandingkan dengan fitur biometrik yang lain seperti wajah atau sidik jari,
pola iris lebih memiliki keunikan dan stabil seiring dengan berjalannya waktu.
6
Sifat-sifat iris yang memungkinkannya untuk digunakan dalam sistem
autentifikasi tingkat tinggi adalah :
1. Terlindung dan terisolasi dari lingkungan luar
2. Mustahil untuk mengubah/memodifikasi iris melalui operasi tanpa tingkat
resiko yang tinggi pada penglihatan.
3. Respon fisiologis terhadap cahaya.
4. Kemudahan mendapatkan citra iris pada jarak tertentu dari subjek, tanpa
memerlukan kontak fisik.
5. Pola iris yang memiliki derajat keunikan yang tinggi, menciptakan
variabilitas antar subjek sebanyak kurang lebih 250 derajat keunikan
(degree-of-freedom), dan kepadatan informasi (entropi) sebesar 3,2 bit per
millimeter persegi.
2.5 Citra (Image)
Citra adalah array dari nilai-nilai dimana sebuah nilai merupakan
sekumpulan angka yang mendeskripsikan atribut dari pixel yang terdapat di
dalamnya. Berdasarkan Windows Xp Glossary [http 1], “A stored description of a
graphic image either as a set of brightness and color values of a pixels or as a set
of instructions for reproducing the picture.” Menyatakan bahwa image adalah
deskripsi dari gambar grafik yang tersimpan sebagai kumpulan nilai warna dan
brightness dari pixel atau kumpulan intruksi untuk menghasilkan gambar.
6
2.5.1 Piksel
Menurut Oliver et al. (1996, p4) “Your computer display images as a two
dimensional collection of dots, called pixels”. Menyatakan piksel adalah titik yang
merupakan penyusun dari image yang ditampilkan komputer. Piksel adalah unsur
citra yang menunjuk pada satuan terkecil yang dapat diamati dalam grafik. Pada
citra berformat bitmap, piksel adalah titik-titik yang digunakan untuk membangun
citra. Piksel terdiri atas tiga komponen warna yaitu R (red), G (green), dan B
(blue), masing-masing komponen tersebut merupakan warna dasar cahaya.
2.5.2 Citra Bitmap
Citra Bitmap adalah data diskrit (berhingga) yang mendefinisikan sebuah
citra yang didasarkan pada relasi one-to-one terhadap pixel-pixel yang membentuk
citra tersebut pada layar monitor komputer. Citra Bitmap biasanya diturunkan dari
model grafik vektor jenis lain dari grafik komputer yang didefinisikan secara
matematis dan dapat ditransformasi tanpa mengurangi kualitasnya. Sebuah citra
bitmap dipetakan ke atas grid-grid pixel. Ukuran grid tergantung pada resolusi
citra. Misalnya, citra berbasis bitmap seukuran 1 inci x 1 inci dengan resolusi 600
dpi (dot per inch) akan dipetakan pada grid berukuran 600 x 600 pixel. Dengan
demikian, sebuah citra bitmap adalah seperti mosaik dari pixel-pixel dengan setiap
pixelnya memiliki nilai warna tertentu. Citra bitmap tidak dapat diperbesar ataupun
diperkecil dan juga tidak dapat ditransformasi seperti halnya grafik vektor.
6
2.5.3 Pengolahan Citra
Pengertian pengolahan citra (image processing) berdasarkan Windows Xp
Experiences Glossary [http 1], “The analysis, storage, and display of graphical
images from sources such as photographs, drawings, and video”. Disebutkan
bahwa pengolahan citra adalah analisis, manipulasi, penyimpanan, dan tampilan
dari citra grafik yang bersumber dari fotografi, lukisan, dan video.
Pengolahan citra terdiri dari tiga urutan langkah. Tahap masukan (image
ditangkap/di-capture dan digitalisasi) mengubah perbedaan warna dan bayangan
pada gambar ke dalam nilai biner yang dapat diproses komputer. Tahap proses
dapat melibatkan image enchantment (seperti grayscaling dan edge detection) dan
kompresi data. Tahap keluaran terdiri dari tampilan atau cetakan dari image yang
diproses. Pengolahan citra digunakan pada beberapa aplikasi seperti televisi,
bioskop, pengobatan, pemetaan cuaca, dan berbagai pengenalan pola.
2.6 Pengenalan Pola
Pattern recognition yang berarti pengenalan pola, dimana dalam hal ini
komputer dapat mengetahui atau mengenai suatu bentuk pola (pattern). Ada dua
macam pola, yaitu abstrak dan konkrit. Contoh dari pola abstrak adalah ide-ide dan
argument-argumen, conceptual recognition yang digunakan dalam artificial
intelligence. Sedangkan contoh pola yang tidak termasuk pola konkrit adalah
karakter, symbol, gambar, gambar-gambar dari biomedical, objek tiga dimensi,
misalnya tanda tangan atau suara.
6
Ada tiga fase dalam pengenalan pola:
a. Data acquisition, yaitu analog yang sudah dikumpulkan, dilewatkan ke
transducer dan dikonversi menjadi format digital untuk diproses oleh komputer.
Pada tahap ini, physical variables dikonversikan menjadi sebuah data set oleh
electric signal.
b. Data processing, input fase ini adalah data set dari hasil data acquisition,
kemudian dibuat menjadi sebuah kelompok karakteristik set sebagai output.
c. Decision classification, sebagai pengklasifikasian dalam bentuk decision
function set.
2.7 Transformasi Hough
Transformasi Hough adalah teknik yang dipakai untuk mengisolasi fitur-fitur
dari bentuk tertentu dalam sebuah citra. Transormasi Hough klasik pada umumnya
dipakai untuk mendeteksi bentuk-bentuk yang umum seperti garis, lingkaran, atau
ellips. Transformasi Hough yang digeneralisasi (Generalized Hough Transform)
dipakai pada aplikasi-aplikasi dimana analisis deskripsi dari fitur yang sederhana
tidak mungkin dilakukan. Salah satu keunggulan utama dari Transformasi Hough
adalah toleransinya terhadap perbedaan (gap) deskripsi batas-batas fitur dan
kurang dipengaruhi oleh noise.
Pada aplikasi ini, Transformasi Hough circular digunakan untuk melakukan
segmentasi untuk mendapatkan radius dan koordinat pusat dari area iris dan pupil.
Pertama-tama sebuah edge map di-generate dengan mengkalkulasi nilai intensitas
6
pada citra mata lalu melakukan thresholding pada hasilnya. Dari edge map tersebut
nilai-nilai yang didapat, dimasukkan dalam Hough space untuk mendapatkan
parameter-parameter dari lingkaran-lingkaran yang melewati edge point.
Parameter-parameter tersebut adalah koordinat pusat x, y, dan radius r,
dimana parameter-parameter tersebut bisa digunakan untuk mendefinisikan
lingkaran dengan rumus :
x2 + y2 - r2 = 0
Titik maksimum dari Hough space akan menentukan radius dan koordinat pusat
lingkaran yang didefinisikan paling baik oleh edge point.
Dalam melakukan deteksi sisi (edge detection), deteksi horizontal dilakukan
untuk mendeteksi kelopak mata, dan deteksi vertikal dilakukan untuk mendeteksi
batas circular dari iris. Dengan hanya menggunakan gradien vertikal untuk
mendeteksi batas iris akan mengurangi pengaruh kelopak mata ketika Tranformasi
Hough circular dilakukan.
2.8 Model Rubber Sheet Daugman
Model rubber sheet dikembangkan oleh Daugman (Daugman, 2000) untuk
melakukan proses normalisasi pada citra region iris. Model rubber sheet
memetakan tiap titik dalam region iris menjadi pasangan koordinat polar (r, theta)
dimana r ada pada interval 0-1 dan theta adalah sudut (2 phi).
Pemetaan region iris dari koordinat Kartesius (x,y) menjadi representasi
polar non-konsentrik didefinisikan sebagai berikut :
6
I ( x ( r, theta ), y ( r, theta ) ) ) -> I ( r, theta )
dengan :
x ( r, theta ) = ( 1 – r ) xp (theta) + rx1( theta )
y ( r, theta ) = ( 1 – r ) yp (theta) + ry1( theta )
dimana I ( x, y ) adalah citra region iris, ( x, y ) adalah koordinat Kartesius awal, (r,
theta) adalah koordinat polar yang ternormalisasi, dan xp , yp , x1 , y1 adalah
koordinat batas pupil dan iris sepanjang arah theta.
Model rubber sheet tetap memperhitungkan perubahan ukuran dari pupil
dan inkonsistensi ukuran supaya bisa menghasilkan sebuah representasi
ternormalisasi dengan dimensi yang konstan.
2.9 Filter Gabor
Filter Gabor dikonstruksikan dengan memodulasi sebuah gelombang
sinus/cosinus dengan sebuah Gaussian, sehingga dapat memberikan lokalisasi
gabungan yang optimal dalam ruang dan frekuensi. Modulasi gelombang sinus
dengan Gaussian memberikan lokalisasi dalam ruang, namun menghilangkan
lokalisasi dalam frekuensi. Dekomposisi dari sebuah signal dilakukan dengan
sepasang filter Gabor quadrature, dengan bagian real dispesifikasikan oleh sebuah
gelombang cosinus yang dimodulasi dengan Gaussian, dan bagian imaginary
dispesifikasikan oleh sebuah gelombang sinus yang dimodulasi dengan Gaussian.
Filter real dan imaginary dikenal juga dengan komponen even symmetric dan odd
symmetric.
6
Filter Gabor digunakan untuk mengenkode data pola iris. Filter Gabor dari
image (x, y) adalah :
dengan (xo, yo) merupakan posisi pada citra, (alpha, beta) menspesifikasikan lebar
dan panjang efektif, dan (uo, vo) sebagai modulasi, yang memiliki frekuensi spasial
wo = akar(u02 + vo
2).
Filter Gabor dalam bentuk polar sebagai berikut :
dimana (ro, theta o) adalah pusat frekuensi dari filter.
Filter Gabor dalam skala logaritmik yang disebut juga Log-Gabor Filter
sebagai berikut :
dimana f0 merupakan pusat frekuensi.
Hasil dari filter didemodulasi untuk mengkompres ukuran data. Demodulasi
dilakukan dengan melakukan kuantisasi fase ( phase quantization ) informasi
kedalam empat level, sesuai dengan jumlah kuadran. Menurut Oppenheim dan Lim
(Oppenheim dan Lim, 1981), fase informasi memiliki informasi paling banyak
dalam sebuah citra. Empat level ini direpresentasikan dengan 2 bit dari data,
sehingga setiap piksel dari pola iris yang ternormalisasi menunjuk pada 2 bit data
dalam template iris. Sejumlah 2.048 bit dikalkulasi untuk template tersebut, dan
masking bit dengan jumlah yang sama di-generate untuk menyaring region iris
6
yang rusak, sehingga menghasilkan template yang memiliki efisiensi ruang sebesar
256 byte.
Proses demodulasi dan kuantisasi fase direpresentasikan sebagai berikut :
dimana h{Re,Im} sebagai sebuah bit bernilai kompleks yang komponen real dan
imaginary-nya bergantung pada tanda dari integral 2D, dan I ( p , o ) adalah citra
iris dalam sebuah koordinat polar.
2.10 Hamming Distance
Dalam teori informasi, Hamming distance antara dua string yang memiliki
panjang yang sama adalah angka-angka dari posisi dimana terdapat simbol-simbol
yang berbeda. Dengan kata lain, Hamming distance mengukur jumlah substitusi
yang diperlukan untuk mengubah satu string menjadi string yang lain, atau jumlah
error yang mengubah satu string menjadi string yang lain. Dua string yang sama
mempunyai Hamming distance nol dan dua string yang benar-benar berbeda
mempunyai Hamming distance satu. Gambar 2.3 adalah grafik Hamming Distance.
6
Gambar 2.3 Grafik Hamming Distance
Hamming distance dinamakan dari Richard Hamming, yang
memperkenalkannya pada esainya mengenai pendeteksian error dan kode-kode
pengkoreksian error. Digunakan pada bidang telekomunikasi untuk menghitung
jumlah bit yang terbalik pada sebuah kata binary sebagai perkiraan kesalahan.
Hamming weight dari sebuah string adalah Hamming distance string
tersebut dari string kosong (string yang berisi nol) dengan panjang yang sama.
Rumus Hamming distance adalah :
dimana Xj dan Yj adalah 2 template bit-wise yang akan dibandingkan. Xnj dan Ynj
adalah mask noise yang berhubungan dengan Xj dan Yj. N adalah jumlah bit tiap
template.
6
2.11 Pengenalan Iris
Pengenalan iris menganalisa karakteristik dan fitur-fitur unik dari iris
manusia untuk mengenali seseorang. Teknologi pengenalan iris
mengkombinasikan computer vision, pengenalan pola, inferensi statistika, dan
optik. Pengenalan iris bertujuan untuk melakukan autentifikasi pada seseorang
dengan melakukan analisa matematis dari pola acak yang terlihat pada iris manusia
dengan tingkat akurasi yang tinggi. Iris merupakan organ internal yang pola
acaknya stabil sepanjang hidup, sehingga bisa digunakan sebagai “password” yang
tidak perlu diingat tapi selalu ada.
2.11.1 Prinsip Pengenalan Iris
Pada umumnya sistem pengenalan iris menggunakan sebuah kamera, yang
ditempatkan dengan jarak kurang lebih satu meter, menggunakan pencahayaan
infra merah dan mengambil sebuah citra dengan resolusi tinggi. Sistem tersebut
juga melakukan pengecekan apakah mata tersebut adalah mata yang hidup, dengan
cara mengecek perubahan pada ukuran pupil.
Citra mata yang ditangkap kemudian diproses untuk mendeteksi iris. Citra
iris lalu diekstraksi fitur-fitur pentingnya, menjadi kode-kode digital yang disebut
dengan tempate iris, yang akan disimpan untuk digunakan kembali di masa yang
akan datang untuk keperluan pengenalan.
6
Sistem pengenalan iris memiliki tingkat kesalahan penerimaan yang sangat
rendah yaitu 1/1.200.000, sedangkan tingkat kesalahan penolakan, jumlah
pengguna sah yang ditolak sistem, hampir mencapai tingkat 0 %.
2.11.2 Keunggulan dan Kelemahan Pengenalan Iris
Beberapa keunggulan sistem pengenalan iris adalah :
a. Iris sebagai organ internal mata cukup terlindungi.
b. Dapat dilihat dari luar, sehingga memudahkan proses pengambilan citra.
c. Pola iris memiliki derajat keunikan yang sangat tinggi.
d. Pola iris stabil sepanjang hidup.
e. Hampir mustahil untuk mengimitasi sebuah iris.
Beberapa kelemahan sistem pengenalan iris :
a. Ukuran kecil (1 cm)
b. Iris terletak di belakang permukaan yang basah dan memantulkan cahaya.
c. Gangguan berupa bulu mata, lensa, dan refleksi cahaya.
d. Membutuhkan kooperasi dari subjek yang akan diautentifikasi.
2.11.3 Penerapan Sistem Pengenalan Iris
Sistem pengenalan iris telah banyak dipakai diberbagai bidang aplikasi.
Aplikasi-aplikasi yang sudah menggunakan sistem pengenalan iris antara lain
untuk keamanan penerbangan, mengontrol akses-akses terbatas pada bandar udara,
akses database, dan yang lainnya. Pada beberapa bandar udara internasional,
6
seperti Heathrow di London, Schipol Amsterdam, Frankfurt dan Athena, telah
menggunakan sistem ini untuk pengecekan penumpang dan pengontrolan imigrasi.
Penggunaan sistem pengenalan iris terbesar adalah di Uni Emirat Arab
(UEA), dimana setiap hari dilakukan dua milyar pembandingan iris. Setiap
pendatang yang tiba di 17 bandar udara dan pelabuhan akan diambil citra irisnya,
dikomputasi dan dibandingkan dengan dengan seluruh data-data iris yang ada
pada database.
Teknologi pengenalan iris juga sangat mungkin diterapkan pada aplikasi-
aplikasi lainnya dimana identitas seseorang harus dikonfirmasi, seperti keamanan
informasi, akses masuk ke bangunan, menyalakan mesin mobil, akses network, dan
transaksi-transaksi lainnya dimana autentifikasi personal masih bergantung pada
sesuatu yang kita ingat atau punya (kunci, kartu, dokumen, password, PIN).
Penerapan sistem pengenalan iris diterapkan pada beberapa negara-negara
seperti yang terdapat pada Tabel 2.2 berikut ini.
Deskripsi proyek Lokasi Sektor Deskripsi Iris in Pakistan Pakistan Pemerintah Untuk melakukan tracking atas pengungsi
Afghanistan yang telah menerima sumbangan dari UNHCR.
Iris Pilot – Logan Massachusets Travel dan Transportasi
Digunakan untuk akses keamanan pada kantor.
JFK Iris Pilot New York Travel dan Transportasi
Untuk melindungi akses ke pintu tarmac.
City Hospital of Bad Reichenhall in Bavaria
Jerman Kesehatan Kontrol akses ke kamar bayi untuk mencegah penculikan
Singapore Border Crossing
Singapore Imigrasi Kontrol pekerja harian Malaysia yang memasuki Singapura setiap harinya.
UK Passport Office Iris Pilot
Inggris Identitas Proyek uji coba selama 6 bulan untuk mengetahui penerimaan masyarakat pada iris sebagai identitas.
Venerable Bede (UK) School - Iris
Inggris Ritel/ATM/POS Digunakan murid-murid sekolah untuk check-out dari perpustakaan dan pembayaran pada kantin.
Tabel 2.2 Tabel Penerapan Sistem Iris
6
2.12 Interaksi Manusia dan Komputer
IMK adalah disiplin ilmu yang berhubungan dengan perancangan, evaluasi, dan
implementasi sistem komputer interaktif untuk digunakan oleh manusia.
2.12.1 Ciri-ciri Software yang Baik
Menurut Shneiderman (1998, p15) ada lima ciri-ciri software yang baik,
yaitu:
1. Time to learn (waktu untuk mempelajari).
2. Speed of performance (kecepatan dalam pembuatan).
3. Rate of errors by user (rating terjadinya kesalahan oleh pengguna).
4. Retention over time (memori lebih).
5. Subjective satisfication (kepuasan subyektif)
2.12.2 Delapan Aturan Emas User Interface
Menurut Shneiderman (1998, p74-75), ada delapan jenis aturan emas dalam
tentang user interface, yaitu :
1. Berusaha keras untuk konsisten.
2. Memungkinkan frequent user menggunakan shortcut.
3. Memberikan feedback yang informatif.
4. Merancang dialog untuk menghasilkan keadaan akhir.
5. Menyediakan pencegahan error dan penanganan error yang sederhana
(control error).
6
6. Mengijinkan pembalikan aksi (undo) dengan mudah.
7. Pengontrolan terletak pada pengguna sendiri.
8. Mengurangi beban ingatan jangka pendek.
2.12.3 Usability Test
Menurut Shneiderman (1998, p130), usability test meliputi:
- Kebebasan fakultatif untuk berpartisipasi dalam eksperimen.
- Kemajuan informasi agar tugas akan selesai dan prosedur yang akan diikuti.
- Kesempatan bertanya dan mempunyai jawaban atas pertanyaan itu untuk
kepuasan (satisfied).
- Konsentrasi dan melanjutkan pastisipasi kapan saja, tanpa prasangka pada
laporan di masa depan.
- Penegasan untuk semua statement dan memberikan prioritas bagi partisipasi
dalam studi.