IDENTIFIKASI IRIS MATA MENGGUNAKAN JARINGAN SYARAF TIRUAN Dodi Sudiana 1, Geraldi Oktio Dela Rosa 2 1,2, Departemen Teknik Elektro - Fakultas Teknik Universitas Indonesia Kampus baru UI Depok 16424 email: dodi@ee.ui.ac.id, geraldi_odr@yahoo.com Abstrak Jurnal ini merancang sistem identifikasi iris mata menggunakan metode Jaringan Syaraf Tiruan (JST). Di dalam perancangannya citra mata dijital yang akan diidentifikasi pertama-tama dilakukan pra-pengolahan terlebih dahulu. Proses ini memisahkan bagian iris dari citra mata menggunakan metode morphologi, yaitu close, erosi dan dilasi. Selanjutnya, citra disegmentasi untuk memisahkan citra iris berbentuk lingkaran dalam koordinat x-y menjadi format polar r-θ berbentuk persegi panjang. Citra polar kemudian diekstrasi untuk mendapatkan nilai karakteristik rata ratanya dalam bentuk matriks 40 1. Nilai karakteristik dilatih dan dimasukkan ke dalam database sebagai input pembanding untuk proses identifikasi. JST terdiri dari 10 layer tersembunyi, 1 layer keluaran, dengan fungsi aktifasi yaitu tansig dan purelin. Kata Kunci : Biometrik, Identifikasi Iris, Jaringan Syaraf Tiruan, Polarisasi Citra Abstract This journal designs identification iris using Neural Network Method system. In order to identify, firstly the digital infrared image of eye will be preprocessed which separate the iris from the eye using morphology technique, such as closing, erosion, and dilation. The iris is then transformed from x-y dimension into r-θ polar image, which convert the circle shape into rectangle one. The image was then extracted in order to get the average value of its intensities and saved in 40 1 matrix size. These values will be trained in the ANN and inserted into a database to be used as a comparator in identification process. The ANN consisted of 10 hidden layer, 1 output layer, and activation functions of tansig and purelin, respectively. Key words : Biometric, Neural Network, Iris Identification, Polar Image 1. Pendahuluan Pengenalan (identifikasi) manusia dewasa ini dilakukan dengan berbagai macam cara, baik cara konvensional seperti bentuk fisik dan foto sampai dengan cara yang lebih canggih, yaitu dengan menggunakan biometrik. Biometrik merupakan sistem identifikasi personal berdasarkan fitur-fitur yang unik atau karakteristik yang dimiliki oleh manusia, bahkan orang kembar pun mempunyai perbedaan karakter dan perbedaan lainnya. Terdapat banyak pilihan pada tubuh manusia 1
yang dapat dipakai, seperti wajah, suara, sidik jari, tanda tangan, hingga penggunaan iris mata. Iris manusia mulai terbentuk saat ia berusia dua tahun mempunyai karakteristik yang unik dan cukup rumit, karena alasan inilah identifikasi dengan iris merupakan sistem yang cukup handal. Identifikasi iris mata sudah lama digunakan oleh negara negara maju seperti Belanda yang menggunakan sistem ini pada tempat-tempat umum seperti bandara Schiphol sejak tahun 2001. Di sini scanner iris mata digunakan sebagai pengganti paspor. Uni Emirat Arab juga menerapkan teknologi ini di 17 (tujuh belas) pintu perbatasan juga sejak tahun 2001 [1]. Ada tiga metode yang dapat dipakai dalam mengidentifikasi iris mata, yaitu metode Fuzzy Logic, Neural Network, dan Hidden Markov. Pada perancangan sistem ini menggunakan metode Artificial Neural Network (Jaringan syaraf tiruan JST). 2. Citra Dijital, Image Recognition, Metode Jaringan Syaraf Tiruan 2.1 Citra Dijital Istilah citra yang digunakan dalam pengolahan citra dapat diartikan sebagai suatu fungsi kontinu dari intensitas cahaya dalam bidang dua dimensi. Pemrosesan citra dengan komputer dijital membutuhkan citra dijital sebagai masukkannya. Citra dijital adalah citra kontinu yang diubah dalam bentuk diskrit, baik koordinat ruang maupun intensitas cahayanya. Pengolahan dijitalisasi terdiri dari dua proses yaitu pencuplikan f ( x, y) (sampling) posisi, dan kuantisasi intensitas. Citra dijital dapat dinyatakan dalam matriks dua dimensi f (x,y) dimana x dan y merupakan koordinat piksel dalam matriks dan f merupakan derajat intensitas tersebut. Citra dijital berbentuk matriks dengan ukuran M N, susunannya sebagai berikut: = f f ( 0,0) f ( 0,1) f ( 0,2) f ( 1,0 ) f ( 1,1 ) f ( 1,2) f ( 2,0) f ( 2,1) f ( 2,2) ( M 1,0) f ( M 1,1 ) f ( M 1,2 ) 2.2 Image Recognition......... f f (0, N 1) f ( 1, N 1) ( ) ( ) f 2, N 1 M 1, N 1 Pengolahan citra (image processing) merupakan proses mengolah piksel-piksel dalam citra dijital untuk suatu tujuan tertentu. Beberapa alasan dilakukannya pengolahan citra pada citra dijital antara lain yaitu [2]: 1. Untuk mendapatkan citra asli dari suatu citra yang sudah buruk karena pengaruh derau. Proses pengolahan bertujuan mendapatkan citra yang diperkirakan mendekati citra sesungguhnya. 2. Untuk memperoleh citra dengan karakteristik tertentu dan cocok secara visual yang dibutuhkan untuk tahap yang lebih lanjut dalam pemrosesan analisis citra Dalam proses akuisisi, citra yang akan diolah ditransformasikan dalam suatu representasi numerik. Pada proses selanjutnya reprentrasi numerik tersebutlah yang akan diolah secara dijital oleh komputer. Pengolahan citra pada umumnya dapat dikelompokan dalam dua jenis kegiatan, yaitu:... 2
1. Memperbaiki kualitas citra sesuai kebutuhan 2. Mengolah informasi yang terdapat pada citra Bidang aplikasi yang kedua ini sangat erat kaitannya dengan komputer aided analysis yang umumnya bertujuan untuk mengolah suatu objek citra dengan cara mengekstraksi informasi penting yang terdapat di dalamnya. Dari informasi tersebut dapat dilakukan proses analisis dan klasifikasi secara cepat memanfaatkan algoritma perhitungan komputer. Dari pengolahan citra diharapkan terbentuk suatu sistem yang dapat memproses citra masukan hingga citra tersebut dapat dikenali cirinya. Pengenalan ciri inilah yang sering diaplikasikan dalam kehidupan sehari hari. Aplikasi yang dibahas pada laporan ini adalah aplikasi di bidang kedokteran, yaitu untuk aplikasi analisis Dalam pengolahan citra dijital terdapat lima proses secara umum, yaitu [2]: 1. image restoration 2. image enhancement 3. image data compaction 4. image analysis 5. image reconstruction 2.3 Metode Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) atau Artificial Neural Network merupakan teknik komputasi yang digunakan untuk mengenali suatu pola atau objek dengan mengadaptasi sistem jaringan syaraf pada manusia. Beberapa definisi mengenai JST dikemukakan oleh beberapa ahli, antara lain [3]: 1. Haykin, S. (1994), Neural Networks: A Comprehensive Foundation, NY, Macmillan, Sebuah jaringan saraf adalah sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal yaitu: a. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar. b. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan. 2. Zurada, J.M. (1992), Introduction To Artificial Neural Systems, Boston: PWS Publishing Company, mendefinisikan JST sebagai Sistem saraf tiruan atau jaringan saraf tiruan adalah sistem selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan dari pengalaman. 3. DARPA Neural Network Study (1988, AFCEA International Press, p. 60) Sebuah jaringan syaraf adalah sebuah sistem yang dibentuk dari sejumlah elemen pemroses sederhana yang bekerja secara paralel dimana fungsinya ditentukan oleh stuktur jaringan, kekuatan hubungan, dan 3
pegolahan dilakukan pada komputasi elemen atau nodes Konsep JST adalah mengambil ide dari Parallel Distributed Processing (PDP). Meniru jaringan syaraf manusia, jaringan buatan ini terdiri dari kelompok-kelompok unit proses sederhana yang berkomunikasi dengan mengirimkan sinyal satu dengan lainnya. Aspek utama dari model distribusi parallel dapat dibedakan: 1. Kumpulan unit proses (neuron, sel) 2. Keadaan bergerak y k untuk setiap unit yang sama pada keluaran tiap unit. 3. Hubungan antar unit. Secara umum diwakili w jk yang menjelaskan efek sinyal dari unit j terhadap unit k. 4. Fungsi pergerakan F k, yang menentukan level pergerakan berikutnya pada input efektif s k (t) dan pergerakan pada saat itu y k (t). 5. Input eksternal (bias, offset) 6. Metode pengambilan informasi. Lingkungan yang mendukung, menyediakan masukan, bahkan sinyal eror. Gambar 3.1. Blok diagram sistem identifikasi iris dengan metode JST 3.2 Proses Prapengolahan Proses prapengolahan ini selalu ada pada dua tahap di atas, baik proses pelatihan maupun proses identifikasi. Proses ini memegang peranan penting untuk kedua tahap tersebut. Prapengolahan terdiri dari beberapa tahap seperti yang ditunjukkan pada Gambar 3.2. 3. Rancang Bangun 3.1 Langkah Pengerjaan Program identifikasi dengan media biometrik citra iris mata yang menggunakan Metode Jaringan Syaraf Tiruan (JST) terdiri dari dua tahap, yaitu proses pelatihan (training) dan proses identifikasi seperti yang ditunjukkan blok diagram pada Gambar 3.1. Gambar 3.2 Proses Prapengolahan Proses ini diawali dengan mengubah input mata yang dipilih menjadi citra dalam 4
model hitam putih melalui proses binerisasi, kemudian dilanjutkan kedalam proses morphologi untuk mempermudah proses pemisahan iris dari citra mata. Proses selanjutnya adalah menentukan titik tengah dari dari citra, tahap ini bertujuan agar sistem dapat meng-crop citra iris. Setelah mendapatkan citra iris, citra dikembalikan ke model semula dan dilakukan proses polarisasi untuk mendapatkan citra iris dalam bentuk persegi panjang. Proses prapengolahan ini diakhiri dengan menentukan nilai rata rata dari citra yang sudah mengalami tahapan proses sebelumnya. 3.3 Proses Pelatihan JST Proses pelatihan JST membutuhkan parmeter karakteristik dari citra mata polar sebagai masukannya. Parameter ini diambil dari 40 (empat puluh) karakteristik nilai rata rata dari masing masing citra. Metode JST yang digunakan pada proses identifikasi ini adalah metode backpropagation yang terdiri dari 2 (dua) buah lapisan dengan jumlah neuron pada lapisan pertama (lapisan tersembunyi) adalah sebanyak 10 (sepuluh) buah neuron dan pada lapisan kedua (lapisan output) adalah sebanyak 1 buah neuron. Fungsi aktivasi yang digunakan pada proses pelatihan ini adalah fungsi aktivasi tansig pada lapisan pertama (lapisan tersembunyi) dan pada lapisan kedua (lapisan output) digunakan fungsi aktivasi purelin. Teknik pembelajaran / pelatihan yang digunakan pada proses JST backpropagation ini adalah teknik supervised learning dan menggunakan fungsi training gradient descent (traingd). Algoritma proses pelatihan JST backpropagation adalah sebagai berikut : (a) Menentukan Input untuk training : A1=[40 Karakteristik rata rata Iris mata]; (b) Menentukan target set dari jaringan : T = [1 2 3 4 5]; (c) Membangun jaringan dan menetapkan banyaknya neuron tiap lapisan dan fungsi fungsi aktivasi yang akan digunakan : net = fungsi pembentuk backpropagation (minmax(a),[10 1],{'tansig' 'purelin'},'traingd'); (d) Menentukan maksimum epoch, goal, learning rate, dan show step. net.trainingparameter.e pochs = 2000; net.trainingparameter.g oal = 1e-5; net.trainingparameter.l r = 0.01; net.trainingparameter.s how = 10; net=training(net,a1,t); (e) Melakukan pembelajaran (training) : net = Training(net,A1,T); (f) Melakukan simulasi setelah JST terbentuk : y = Simulasi (net,a1); 5
3.4 Proses Pengenalan JST Proses Pengenalan pada JST dilakukan dengan mengklasifikasikan input menuju target yang sesuai dengan proses training. Proses klasifikasi inilah yang dijadikan dasar dalam mengidentifikasi iris mata, yaitu pola nilai rata-rata sampel-sampel sebagai input bagi sistem. Pola nilai rata-rata sampel citra yang dimasukan kedalam sistem akan diarahkan ke target yang sesuai. Pada sistem ini target set yang digunakan adalah matriks dengan ukuran 40 1 sehingga input yang dimasukkan ke dalam sistem akan diarahkan ke salah satu elemen matriks yang yang telah dijadikan target. Dan elemen matriks target tersebut yang menjadi dasar pengenalan jenis penyakit dari sampel yang dimasukan. (a) Menentukan Input untuk training : A1=[40 Karakteristik rata rata Iris mata]; (b) Menentukan target set dari jaringan : T = [1 2 3 4 5]; (c) Membangun jaringan dan menetapkan banyaknya neuron tiap lapisan dan fungsi fungsi aktivasi yang akan digunakan : net = fungsi pembentuk backpropagation (minmax(a),[10 1],{'tansig' 'purelin'},'traingd'); (d) Menentukan maksimum epoch, goal, learning rate, dan show step. net.trainingparameter.e pochs = 2000; net.trainingparameter.g oal = 1e-5; net.trainingparameter.l r = 0.01; net.trainingparameter.s how = 10; net=training(net,a1,t); (e) Melakukan pembelajaran (training) : net = Training(net,A1,T); (f) Melakukan simulasi setelah JST terbentuk : y = Simulasi (net,a1); (g) Melakukan perbandingan antara input dengan database iden=handles.pdb ; output = Simulasi (net,iden); hasil = round(output) if hasil==1 set(handles.ubah, 'string','mata A'); end elseif hasil==2 set(handles.ubah, 'string','mata B'); end elseif hasil==3 set(handles.ubah, 'string','mata C'); end else set(handles.ubah, 'string','tidak Dikenal'); end 6
4. Uji Coba Sistem Identifikasi Citra Iris Pada uji coba sistem pengidentifikasi iris ini, menggunakan seratus citra mata yang digunakan sebagai database dan input untuk menguji kehandalan sistem ini. Database yang digunakan terdiri dari masing masing empat buah citra mata sebelah kanan dan empat buah citra mata sebelah kiri. Untuk menguji kehandalan dari sistem ini digunakan masing - masing satu buah citra mata dari kanan dan kiri. Berikut merupakan tampilan system identifikasi iris mata (Gambar 4.1). Gambar 4.1. Tampilan sistem identifikasi iris mata 4.1 Hasil Uji coba sistem Tabel IV.1 Hasil Uji Mata Kanan Tabel IV.2 Hasil Uji Mata Kiri 4.2 ANALISIS Pada hasil uji coba sistem di atas akurasi mata kiri lebih rendah 10% dibandingkan dengan mata sebelah kanan. Hal ini disebabkan beberapa kriteria, antara lain: citra mata dijital yang digunakan, lokasi citra iris, training yang cukup pada program. Citra mata yang memenuhi kriteria diatas akan menghasilkan hasil yang lebih baik. Citra mata yang digunakan sangatlah berpengaruh dalam sistem ini, apabila menggunakan citra mata yang gelap akan membuat program bimbang dalam menentukan identitas yang diinginkan. Lokasi iris pun berperan cukup besar dalam sistem ini. Apabila citra mata yang digunakan memiliki citra iris yang tidak dalam posisi normal (tepat pada posisi tengah) akan mempengaruhi sistem yang menjadi lebih sulit dalam pengolahannya. Proses training pada metode JST cukup berperan dalam tingkat akurasi, karena semakin banyak training yang digunakan akan mempertinggi tingkat akurasi sistem dalam proses pengidentifikasian. 7
Selain tiga kriteria diatas, kesalahan dalam pembacaan dapat disebabkan oleh nilai rata rata matriks grayscale yang digunakan. Penggunaan model grayscale ini dimaksudkan agar informasi (dalam hal ini kontur iris) tidak berkurang seperti apabila menggunakan model hitam putih. Namun, model grayscale ini memberikan kesulitan lain, yaitu semakin tinggi tingkatan keabuan dalam citra grayscale akan berpengaruh dalam nilai rata rata matriknya. http://forum.acer- elearning.com/kompetisi-blog/10- jaringann-syaraf-tiruan.html#post56 5. Kesimpulan 1. Sistem identifikasi iris mata memiliki tingkat akurasi yang cukup tinggi, yaitu sebesar 87,65% untuk mata kanan dan 86,65% untuk mata kiri dengan nilai rata rata keduanya sebesar 87% dari 20 kali uji coba pada masing masing mata. 2. Kriteria - kriteria yang menentukan tingkat keakurasian sistem ini antara lain citra mata yang digunakan, lokasi citra iris, training yang cukup pada program, dan nilai rata rata pada sistem. Daftar Acuan [1] Badan Anda Adalah Password, Pikiran Rakyat, 14 Desember 2006. [2] R.C. Gonzalez, R.E. Woods, S.L. Eddins, Digital Image Processing, 2nd Ed., (New Jersey : Prentice-Hall, 2004) [3] Jaringan Syaraf Tiruan. Diakses 5 Juni 2008 dari Acer Learning. 8