Makalah Tugas Akhir PENGENALAN IRIS MATA MENGGUNAKAN PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN Aitya Angga Kusuma 1, R. Rizal Isnanto 2, Imam Santoso 2 Abstract Human iris has a very unique pattern which is ifferent for each person so it is possible to use it as a basic of biometric recognition. To ientify texture in an image, texture analysis metho can be use. For this reason, it is necessary to perform further research on how far this metho is able to ientify the feature on human iris. In this research, a software which is capable to recognize human iris using texture analysis has been evelope. The image of iris is first segmente from eye image then enhance with histogram equalization. The metho use to extract the feature is Gray Level Co-occurrence Matrix (GLCM). The features obtaine are energy, entropy, homogeneity, correlation, an contrast. The next step is recognition using normalize eucliean istance. Four experiments are one in the research, those are influence of number of sample in atabase, influence of GLCM istance, influence of GLCM angle an testing on eye images which are not in atabase. As the result, the highest accuration is achieve using GLCM angle of (0 +45 +90 +135 ) an 2 pixels istance with two samples iris image save is 90,625%. The lowest accuration is achieve using GLCM angle of 90 an 1 pixel istance is 51,43%. Keywors: biometric, human iris, texture analysis, GLCM, eucliean istance I. Penahuluan 1.1 Latar Belakang Masalah Manusia sebagai iniviu, mempunyai karakteristik yang unik an khas. Karakteristik tersebut apat igunakan sebagai pengenalan atau ientifikasi terhaap seseorang. Hal ini ikenal sebagai pengenalan biometrik. Iris atau selaput pelangi aalah bagian ari mata yang melingkari lingkaran pupil. Walaupun iris memiliki wilayah yang relatif sempit ibaning engan luas tubuh manusia, iris memiliki pola yang sangat unik, berbea paa tiap iniviu an pola itu akan tetap stabil. Atas asar inilah iris mata apat ijaikan asar bagi pengenalan biometrik. Dalam tugas akhir ini, ibuat sebuah perangkat lunak pengenalan iris mata engan menggunakan metoe pencirian GLCM. Citra mata yang igunakan aalah ari The Chinese Acaemy of Sciences Institute of Automation (CASIA). 1.2 Tujuan Penelitian Tujuan ari pembuatan Tugas Akhir ini aalah: 1. Membuat aplikasi yang mampu melakukan pengenalan ientitas pemilik mata menggunakan metoe Matriks Ko-okurensi Aras Keabuan (Grey Level Coocurrence Matrix - GLCM) engan perhitungan jarak Eucliean 2. Meneliti tingkat pengenalan iris mata ketika icoba engan iris mata CASIA engan pemakaian suut an jarak pembuatan GLCM yang berbea an penggunaan jumlah sampel yang berbea. 1.3 Batasan Masalah Agar tiak menyimpang jauh ari permasalahan, maka Tugas Akhir ini mempunyai batasan masalah sebagai berikut : 1. Citra iris mata yang igunakan aalah citra yang suah terseia, yaitu menggunakan basisata ari CASIA yaitu CASIA V1.0. 2. Penelitian ikhususkan paa penggunaan GLCM sebagai pengekstraksi ciri an menggunakan lima ciri yaitu momen angular keua atau energi, entropi, kontras, homogenitas an korelasi 3. Metoe pengenalan yang igunakan aalah metoe jarak eucliean ternormalisasi II. LANDASAN TEORI 2.1 Iris Mata Iris atau selaput pelangi paa mata apat ijaikan sebagai basis sistem biometrik. Setiap iris memiliki tekstur yang amat rinci an unik untuk setiap orang serta tetap stabil berpuluhpuluh tahun. Bagian mata ini tiak apat iubah melalui pembeahan tanpa menimbulkan kerusakan paa penglihatan. Gambar 2.1 menunjukkan anatomi mata manusia. [3] Gambar 2.1 Anatomi mata 1 Mahasiswa Teknik Elektro UNDIP 2 Dosen Teknik Elektro UNDIP 1
2 Keuntungan ari pemakaian iris untuk sistem ientifikasi yang apat ianalkan aalah [3] sebagai berikut. 1. Iris terisolasi an terlinung ari lingkungan luar. 2. Paa iris tiak mungkin ilakukan operasi untuk moifikasi tanpa menyebabkan cacat paa mata. 3. Iris memiliki tanggapan fisiologis terhaap cahaya, yang memungkinkan pengujian alami terhaap kemungkinan aanya penipuan serta penggunaan lensa mata palsu an lain sebagainya. 2.2 Tekstur Tekstur aalah konsep intuitif yang meneskripsikan tentang sifat kehalusan, kekasaran, an keteraturan alam suatu aerah/wilayah (region). [1][11] Dalam pengolahan citra igital, tekstur juga apat iefinisikan sebagai karakteristik intrinsik ari suatu citra yang terkait engan tingkat kekasaran (roughness), granularitas (granulation), an keteraturan (regularity) susunan struktural piksel. Aspek tekstural ari sebuah citra apat imanfaatkan sebagai asar ari segmentasi, klasifikasi, maupun interpretasi citra. 1. Analisis Tekstur Suatu proses klasifikasi citra berbasis analisis tekstur paa umumnya membutuhkan tahapan ekstraksi ciri, yang apat terbagi alam tiga macam metoe yaitu metoe statistik, metoe spektral an metoe struktural. Metoe statistik ibagi menjai ua yaitu: metoe statistik ore pertama an metoe statistik ore keua. Ilustrasi ekstraksi ciri menggunakan metoe statistik itunjukkan paa Gambar 2.2. (a) (b) (a) (b) Gambar 2.2 Ilustrasi ekstraksi ciri statistik Histogram citra sebagai fungsi probabilitas kemunculan nilai intensitas paa citra Hubungan ketetanggaan antar piksel sebagai fungsi orientasi an jarak spasial Ekstraksi ciri ore pertama merupakan metoe pengambilan ciri yang iasarkan paa karakteristik histogram citra. Histogram menunjukkan probabilitas kemunculan nilai erajat keabuan piksel paa suatu citra. Dari nilainilai paa histogram yang ihasilkan, apat ihitung beberapa parameter ciri ore pertama, antara lain aalah mean, skewness, variance, kurtosis, an entropy. Paa beberapa kasus, ciri ore pertama tiak lagi apat igunakan untuk mengenali perbeaan antar citra. Paa kasus seperti ini, kita membutuhkan pengambilan ciri statistik ore ua. Salah satu teknik untuk memperoleh ciri statistik ore ua aalah engan menghitung probabilitas hubungan ketetanggaan antara ua piksel paa jarak an orientasi suut tertentu. Penekatan ini bekerja engan membentuk sebuah matriks kookurensi ari ata citra, ilanjutkan engan menentukan ciri sebagai fungsi ari matriks antara tersebut. Kookurensi berarti kejaian bersama, yaitu jumlah kejaian satu level nilai piksel bertetangga engan satu level nilai piksel lain alam jarak () an orientasi suut ( ) tertentu. Jarak inyatakan alam piksel an orientasi inyatakan alam erajat. Orientasi ibentuk alam empat arah suut engan interval suut 45, yaitu 0, 45, 90, an 135. Seangkan jarak antar piksel biasanya itetapkan sebesar 1 piksel. Matriks kookurensi merupakan matriks bujursangkar engan jumlah elemen sebanyak kuarat jumlah level intensitas piksel paa citra. Setiap titik (p,q) paa matriks kookurensi berorientasi berisi peluang kejaian piksel bernilai p bertetangga engan piksel bernilai q paa jarak serta orientasi an (180 ). Setelah memperoleh matriks kookurensi, apat ihitung ciri statistik ore ua yang merepresentasikan citra yang iamati. Haralick et al mengusulkan berbagai jenis ciri tekstural yang apat iekstraksi ari matriks kookurensi. Beberapa i antaranya aalah sebagai berikut. a. Momen Angular Keua (Angular Secon Moment) atau Energi Menunjukkan ukuran sifat homogenitas citra ASM p 2 ( i, i j (2.1) imana p(i, merupakan menyatakan nilai paa baris i an kolom j paa matriks kookurensi. b. Kontras (Contrast) Menunjukkan ukuran penyebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh ari iagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan aalah ukuran variasi antar erajat keabuan suatu aerah citra.
2 Con ( i p ( i, i j (2.2) antara nilai vektor ciri citra masukan an nilai vektor ciri citra ke- j inyatakan oleh : 3 c. Korelasi (Correlation) Menunjukkan ukuran ketergantungan linear erajat keabuan citra sehingga apat memberikan petunjuk aanya struktur linear alam citra. ijp ( i, x y Cor (2.3) i j x y x aalah nilai rata-rata elemen kolom paa matriks P θ (i,. y aalah nilai rata-rata elemen baris paa matriks P θ (i,. x aalah nilai stanar eviasi elemen kolom paa matriks P θ (i,. y aalah nilai stanar eviasi elemen baris paa matriks P θ (i,.. Momen Selisih Terbalik (Inverse Different Moment) Disebut juga homogenitas. Menunjukkan kehomogenan citra yang bererajat keabuan sejenis. Citra homogen akan memiliki harga IDM yang besar. 1 IDM p ( i, (2.4) 2 1 ( i i j e. Entropi (Entropy) Menunjukkan ukuran ketiakteraturan bentuk. Harga ENT besar untuk citra engan transisi erajat keabuan merata an bernilai kecil jika struktur citra tiak teratur (bervariasi). En p ( i, log( p ( i, ) (2.5) i j 1.4 Jarak Eucliean Ternormalisasi (Normalize Eucliean Distance) Setelah melalui proses ekstraksi ciri an ihasilkan suatu nilai-nilai parameter tertentu, maka ilanjutkan engan perhitungan jarak terekat (Jarak Eucliean) nilai vektor ciri citra. [3] Nilai jarak Eucliean yang menekati nilai nol, akan menunjuk paa citra tertentu. Nilai vektor ciri citra masukan yang memiliki nilai vektor ciri yang sama engan vektor ciri citra tertentu akan memiliki nilai jarak Eucliean yang menekati nol. Misal nilai vektor ciri masukan citra A A A,..., nilai vektor ciri citra ke- j, i 1 2 A n aalah B B, B,..., B j 1j 2j nj, jarak Eucliean (2.6) engan: = Jarak Eucliean antara iris A an B A i = Vektor ciri Iris A B i = Vektor ciri Iris B III. PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Alir Perangkat Lunak Alur sistem pengenalan iris mata apat ilihat paa iagram alir seperti itunjukkan paa Gambar 3.1. Gambar 3.1 Diagram Alir Sistem Pengenalan Iris Mata menggunakan metoe ekstraksi ciri GLCM Secara garis besar, proses ini ikelompokkan paa lima proses utama yaitu: 1. Memilih citra masukan yang berupa citra mata 2. Melakukan segmentasi iris untuk memisahkan citra iris mata ari citra mata 3. Melakukan normalisasi iris untuk menapatkan citra iris mata yang lebih muah imanipulasi 4. Melakukan ekstraksi ciri menggunakan pencirian GLCM 5. Melakukan proses pengenalan engan menggunakan perhitungan jarak eucliean. 3.2 Perancangan Perangkat Lunak 1. Segmentasi Citra Iris Mata Dalam basisata, lingkaran pupil an lingkaran iris mata bukan merupakan lingkaran yang bulat sempurna. Sehingga untuk memperolehnya sangat sulit an iperlukan perhitungan yang rumit. Untuk mempermuah pencarian, alam segmentasi ini, ilakukan
4 penekatan bahwa lingkaran pupil an iris memiliki lingkaran yang bulat sempurna. Langkah pertama alam segmentasi iris mata aalah mencari lingkaran pupil, titik tengah an raiusnya. Langkah-langkah yang ilakukan aalah pengambangan (thresholing), penghalusan (smoothing), kemuian penentuan titik tengah pupil an jari-jarinya menggunakan Transformasi Hough. 2. Pengubahan citra iris mata menjai citra rektangular Citra pupil an iris mata yang berbentuk lingkaran engan iameter tertentu yang berubah ubah, iubah menjai bentuk rektangular (kotak) engan ukuran yang tetap. Ukurannya aalah 128 512 piksel. Pengubahan ini juga bertujuan untuk memuahkan pemrograman an perhitungan. Kehairan kelopak mata an bulu mata pun apat mengganggu proses pengenalan iris an mengurasi tingkat keakurasiannya. Oleh karena itu, tiak semua bagian ari iris mata iambil. Untuk citra iris mata CASIA, bagian atas ipotong sehingga bagian bawah iris mata saja yang i ambil. Ukuran citra aalah 128x384 piksel. 3. Peningkatan Kualitas Citra Citra iris mata yang telah iubah menjai bentuk rektangular tersebut memiliki tingkat kekontrasan yang renah sehingga tingkat akurasi yang ihasilkan kurang baik. Oleh karena itu, citra iris mata tersebut itingkatkan kekontrasannya menggunakan Ekualisasi Histogram Aaptif (Aaptive Histogram Equalization). Terlebih ahulu citra ipecah menjai 3 12 bagian masing-masing bagian berukuran 20 32 piksel. Cara ini bertujuan untuk menapatkan citra engan kekontrasan yang baik namun tiak akan merusak kualitas citra secara keseluruhan. 4. Ekstraksi Ciri Dengan GLCM Citra iris ibagi menjai 6 bagian. Ekstraksi ciri ilakukan paa semua citra yang telah ibagi tersebut. Ciri-ciri yang iapatkan ari ekstraksi ciri aalah momen angular keua atau energi, kontras, entropi, momen selisih invers atau homogenitas an korelasi. IV. PENGUJIAN DAN ANALISIS 4.1 Pengujian Ekstraksi Ciri Pengujian ini menggunakan parameter suut GLCM ( 0 igunakan secara bersamaan an jarak () sebesar 2 piksel. Hasil pengujian itunjukkan paa Tabel 4.1. Dari pengujian paa Tabel 4.1, apat ilihat bahwa setiap parameter paa masing-masing citra iris menunjukkan nilai-nilai yang berbea engan jarak yang relatif jauh. Oleh sebab itu, pengenalan engan metoe ini bisa ilakukan. Tabel 4.1 Hasil Ekstraksi Ciri paa berkas citra 002_22_.bmp an 028_1_1.bmp Parameter 0 45 90 135 Kontras 1,3352 1,3442 1,0942 1,7842 Korelasi 0,6534 0,6446 0,7106 0,5308 Energi 0,0557 0,5645 0,0619 0,0514 Entropi 3,0990 3,0893 3,0073 3,1806 Homogenitas 0,6380 0,6312 0,6728 0,9666 Kontras 0,9161 1,0116 1,0067 1,2611 Korelasi 0,5597 0,4575 0,5158 0,3851 Energi 0,0902 0,0859 0,0875 0,0832 Entropi 2,6503 2,7094 2,6846 2,7387 Homogenitas 0,6869 0,6527 0,6671 0,6355 002_22_.bmp 028_1_1.bmp 4.2 Pengujian Pengenalan Pengujian ibagi alam empat jenis penelitian yaitu : 1. Pengaruh pemakaian suut yang berbea paa pembuatan matriks GLCM terhaap pengenalan iris mata Paa pengujian ini, ilakukan variasi pemakaian suut untuk menghasilkan matriks GLCM. Suut yang igunakan aalah suut GLCM ( 0 atau gabungan ua atau lebih suut yang igunakan secara bersamaan. Jarak yang igunakan ibuat tetap yaitu sebesar 1 piksel. Dari pengujian, iapatkan bahwa untuk matriks GLCM tunggal (hanya memakai salah satu suut ari (0º,45º, 90º atau 135º) tingkat pengenalan tertinggi aalah pemakaian suut GLCM 45º yaitu sebesar 76,24%, kemuaian pemakaian suut GLCM 135º memiliki tingkat pengenalan sebesar 74,83%, suut GLCM 0º memiliki tingkat pengenalan sebesar 70,49% an yang paling renah aalah suut GLCM 90º yaitu engan tingkat pengenalan sebesar 51,43%. Untuk matrik GLCM jamak engan penggunaan matriks GLCM lebih ari satu, pemakaian semua suut secara bersamaan (0º + 45º + 90º + 135º) memiliki tingkat pengenalan yang lebih besar ibaningkan pemakaian ua suut yaitu suut (45º + 135º). Hal ini isebabkan semakin banyak matriks GLCM, semakin banyak pula ciri-ciri yang iekstraksikan sehingga pengenalannya pun semakin baik. 2. Pengaruh jarak paa pembuatan matriks GLCM Paa pengujian ini, ilakukan variasi pengujian yang berupa jarak GLCM. Jarak yang
5 bisa ivariasikan paa program ini aalah jarak 1 piksel, 2 piksel, 3 piksel, atau gabungan iantara ketiga piksel tersebut. Suut yang ipakai paa pengujian ini ibuat tetap yaitu gabungan semua suut (0º + 45º + 90º + 135º) karena pemakaian semua suut terbukti memiliki tingkat pengenalan yang lebih tinggi ibaningkan pemakaian suut tunggal maupun ua suut. Untuk pemakaian matriks GLCM engan jarak tunggal pengenalan tertinggi ihasilkan paa pemakaian jarak 2 piksel yaitu sebesar 86,16%. Tingkat pengenalan engan menggunakan jarak GLCM 3 piksel yaitu sebesar 85,27%. Tingkat pengenalan paling renah aalah engan menggunakan jarak GLCM 1 piksel yaitu sebesar 84,33%. Pemakaian matriks GLCM engan jarak gabungan antara jarak 1 piksel + 2 piksel + 3 piksel memiliki tingkat pengenalan yang paling tinggi yaitu sebesar 86,42%. Pengenalan engan matriks GLCM yang lebih banyak jumlahnya memiliki tingkat pengenalan yang lebih tinggi ibaningkan engan pemakaian matrik GLCM yang lebih seikit. Hal ini ikarenakan matriks GLCM yang lebih banyak apat menghasilkan ciri-ciri yang lebih banyak pula. Namun, pemakaian lebih banyak matriks GLCM membuat komputasi yang ijalankan oleh program menjai lebih banyak pula. Hal ini berakibat program berjalan lebih lama an terkesan berat. Untuk komputer engan spesifikasi tinggi tiak akan berpengaruh banyak, akan tetapi untuk komputer engan spesifikasi stanar, tentu hal ini akan memberatkan. Oleh karena itu, untuk pengujian selanjutnya, igunakan parameter semua suut (0º+45º+90º+135º) an menggunakan jarak GLCM 2 piksel. 3. Pengaruh Banyaknya Sampel yang Disimpan Dari hasil pengujian, iapatkan bahwa penggunaan ua sampel yang isimpan menghasilkan tingkat pengenalan yang lebih tinggi ibaningkan penggunaan satu sampel. Pengujian engan satu sampel tersimpan menghasilkan tingkat pengenalan sebesar 86,16%, seangkan pengujian engan ua sampel tersimpan menhasilkan tingkat pengenalan sebesar 90,625%. Hal ini ikarenakan paa penggunaan sampel tersimpan yang lebih banyak, ciri-ciri yang isimpan pun lebih banyak pula. 4. Pengujian engan Citra Luar Untuk apat melakukan pengujian engan citra luar yang tiak termasuk alam basisata, igunakan nilai ambang. Tanpa menggunakan nilai ambang, citra luar akan tetap ikenali sebagi salah satu citra alam basisata karena proses pengenalannya menggunakan jarak eucliean yang terekat atau paling kecil. Dalam penentuan nilai ambang paa Tugas Akhir ini, igunakan penjumlahan ua parameter statistik, yaitu rerata an simpangan baku ari hasil pengujian sebelumnya menggunakan semua suut GLCM, jarak 2 piksel an menggunakan ua sampel citra tersimpan. Nilai ambang yang icari aalah penjumlahan antara rerata an simpangan baku, maka nilainya aalah 0,709+0,074=0,783. Nilai ambang ini kemuian igunakan untuk pengujian menggunakan citra uji luar, iharapkan nilainya lebih kecil ari nilai jarak hasil pengujian tersebut. Pengujian ilakukan engan menggunakan 10 citra iris mata gabungan antara CASIA V1.0 an CASIA V3 yang ipilih secara acak. Hasil pengujian itunjukkan paa Tabel 4.2. Tabel. 4.2 Hasil pengujian engan citra uji luar No Nama berkas citra Jarak eucliean Pengenalan Ket. 1 001_1_2.bmp 0,7054 Iris001-2 Benar 2 008_1_2.bmp 1,4049 Tiak Dikenali Benar 3 017_1_2.bmp 0,4518 Iris017-2 Benar 4 099_1_2.bmp 1,4461 Tiak Dikenali Benar 5 108_1_2.bmp 0,7108 Iris180-2 Benar 6 S1020R01.jpg 1,1871 Tiak Dikenali Benar 7 S1210L01.jpg 1,0841 Tiak Dikenali Benar 8 S1228L07.jpg 1,0284 Tiak Dikenali Benar 9 004_2_2.bmp 0,8737 Tiak Dikenali Salah 10 005_2_3.bmp 0,9664 Tiak Dikenali Salah V. PENUTUP 5.1 Kesimpulan Dari hasil pengujian an analisis maka apat isimpulkan hal-hal sebagai berikut. 1. Ciri-ciri ari matriks ko-okurensi memiliki nilai yang berbea an jarak yang relatif jauh. 2. Ciri yang memiliki nilai hampir sama aalah homogenitas. 3. Tingkat pengenalan untuk suut GLCM 0, suut GLCM 90, suut GLCM 45 an suut GLCM 135 masing-masing aalah 70,49%, 51,43%, 76,24%, an 74,83%. 4. Penggunaan suut GLCM (0 +45 +90 +135 ) memiliki tingkat pengenalan yang lebih tinggi yaitu sebesar 84,16% ibaningkan penggunaan satu suut GLCM an suut GLCM (45 +135 ).
6 5. Penggunaan jarak GLCM 2 piksel memiliki tingkat pengenalan paling tinggi yaitu sebesar 86,16%, kemuian jarak GLCM 3 piksel engan tingkat pengenalan sebesar 85,27%. Seangkan tingkat pengenalan jarak 1 piksel aalah yang paling renah yaitu engan tingkat pengenalan sebesar 84,33%. 6. Penggunaan sampel tersimpan sebanyak ua buah citra menghasilkan tingkat pengenalan yang lebih besar yaitu sebesar 90,625% ibaningkan engan penggunaan satu citra tersimpan yang memiliki tingkat pengenalan sebesar 86,16%. 5.2 Saran Berasarkan pengujian terhaap program pengenalan iris mata menggunakan matriks kookurensi ini, apat iberikan beberapa saran sebagai berikut. 1. Perlu ilakukan penelitian lebih lanjut untuk mengurangi kesalahan paa proses segmentasi citra iris mata yang isebabkan oleh lingkaran pupil an iris yang tiak bulat sempurna. 2. Penelitian selanjutnya iharapkan menggunakan pengambilan citra mata secara langsung sehingga pengembangan untuk aplikasi lebih luas an nyata apat iwujukan. DAFTAR PUSTAKA [1] Munir, R., Pengolahan Citra Digital engan Penekatan Algoritmik, Informatika, Banung, 2004. [2] Masek, L. Recognition of Human Iris Pattern for Biometric Ientification. The University of Western Australia, 2003. [3] Moreno R.P. an A. Gonzaga, Features Vector For Personal Ientification Base On Iris Texture. Departamento e Engenharia Elétrica - EESC USP, Februari, 2009. [4] Wijayanto, W.S., Ientifikasi Iris Mata engan Tapis Gabor Wavelet an Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ), Mahasiswa Teknik Elektro Universitas Diponegoro, Semarang, 2005. [5] Daugman, J., How Iris Recognition Works, IEEE Transaction on Circuits an system for Vieo Technology, vol 14, no.1, January 2004. [6] CASIA. Iris Image Database, http://www.sinobiometrics.com. [7] Ma, L an T. Tan, Personal Ientification Base on iris Textural Analysis, IEEE Transaction on Pattern Analysis an machine intelligence, December 2003. [8] Daugman, J., High Confience Visual Recognition of Persons by a Test of Statistical Inepenence, IEEE Transactions on Pattern Analysis an Machine Intelligence, vol. 15, No.11, pp. 1148-1161, 1993. [9] ---, Image Processing Toolbox, for User's with MATLAB, User's Guie Version 3, The Mathwork Inc, 2001. [10] Listyaningrum, R., Analisis Tekstur Menggunakan Metoe Transformasi Wavelet, Skripsi S-1, Universitas Diponegoro, Semarang, 2006. [11] ---, Moul 3 Analisis Tekstur Imaging & Image Processing Research Group. Institut Teknologi Banung, Februari, 2009 BIOGRAFI Aitya Angga Kusuma, lahir i Kuus, 13 Agustus 1986. Menempuh peniikan asar i SD 4 Haipolo, SLTPN 1 Jekulo an SMAN 1 Kuus. Sekarang seang menempuh peniikan strata satu i Universitas Diponegoro Fakultas Teknik Jurusan Teknik Elektro konsentrasi Elektronika an Telekomunikasi. Menyetujui an Mengesahkan, Pembimbing I, R. Rizal Isnanto, S.T., M.M., M.T. NIP. 132 288 515 Tanggal... Pembimbing II, Imam Santoso, S.T., M.T. NIP. 132 162 546 Tanggal...