SIMULASI DAN ANALISA SISTEM BIOMETRIK BERBASIS IRIS

SIMULASI DAN ANALISA SISTEM BIOMETRIK BERBASIS IRIS MATA
Job Richard Hasintongan Sibarani
Jurusan Teknik Informatika
Fakultas Teknologi Industri, Universitas Gunadarma
ABSTRAKSI
Sistem biometrik pada saat ini telah mencapai perkembangan yang sangat pesat. Hal ini
terbukti dari telah dirilisnya beberapa program aplikasi dan beberapa hardware yang telah
menerapkan sistem biometrik. Sistem biometrik ini dapat digunakan sebagai salah satu bagian
untuk proses yang dapat menggantikan beberapa peranan dari sistem lama. Dengan
digunakannya sistem biometrik ini, diharapkan dapat semakin berkembangnya pengetahuan
masyarakat umum akan pentingnya suatu terobosan terbaru. Salah satunya yaitu penggunaan
iris mata yang merupakan bagian dari sistem biometrik.
Iris mata digunakan sebagai pendeteksian atau pengenalan dari setiap individu. Dengan
diprosesnya iris mata ini, program dapat mencari data dari individu tersebut. Di mana data
tersebut dicocokan dan dicari dari data yang sudah ada (tersimpan) di dalam database.
Prosesnya dimulai dari proses pendeteksian pupil mata, menjalankannya, kemudian mencari
kesamaan pupil mata pada database yang sudah dibuat sebelumnya. Setelah diketemukan
kesamaan pupil mata, maka ad=ka menghasilkan data yang sama pula. Setelah itu proses
dilanjutkan pada tahapan pengklasifikasian objeknya. Setiap mata memiliki kelas yang berbedabeda.
Kata Kunci : Sistem Biometrik, Iris Mata.
I. PENDAHULUAN
1.1 Latar Belakang Masalah
Perkembangan akan pengetahuan
didasarkan pada perkembangan ilmu
pengetahuan yang dialami di berbagai
kalangan. Hal ini sangat dirasakan oleh
kalangan yang berkecimpung di dalam
sesuatu yang membutuhkan pengamanan
(security) data yang sangat tinggi.
Pengamanan akan data-data ini semakin
dirasa sudah tidak dapat dipercaya lagi.
Keamanan data dewasa ini sudah dapat
dimanipulasi oleh beberapa kalangan yang
benar-benar mahir di dalam bidang seperti
itu.
Data yang sangat penting yang
berhubungan dengan informasi yang penting
pula, tidak dapat menggunakan sistem
keamanan data yang kurang baik. Apabila
hal ini terjadi maka data tersebut dapat
terjadi pembobolan hingga lambat laun data
tersebut dapat jatuh ke tangan yang salah
bahkan dapat disalah artikan tujuan dari
manfaat data tersebut yang sebenarnya. Hal
inilah yang mendorong beberapa ahli
menciptakan sebuah sistem keamanan yang
lebih kompleks untuk mengamankan data
yang penting. Kekompleksan sistem
keamanan ini dinilai baik dan aman apabila
memiliki keunikan dan ciri khas tersendiri
yang berbeda dari satu hal ke hal yang lain.
Sistem biometrik saat ini telah
mencapai perkembangan yang luar biasa
dalam menggantikan sistem verifikasi
konvensional. Pemanfaatan anggota tubuh
secara unik untuk membedakan antara satu
orang dengan orang lain, telah banyak
dibuktikan memberikan hasil yang lebih
akurat
dalam
pengidentifikasian.
Penggunaan iris mata, telapak tangan, sidik
jari, bentuk wajah sampai kepada suara telah
dikembangkan untuk keperlua tersebut.
Salah satu pemanfaatan organ tubuh
untuk
identifikasi
adalah
dengan
memanfaatkan iris mata. Iris diketahui
memiliki tingkat pembeda yang cukup baik
untuk dapat mengklasifikasikan setiap
individu. Perkembangannya sangat cepat
didukung dengan pemanfaatannya yang
semakin
luas,
menuntut
semakin
ditingkatkannya keakurasian analisis citra
iris mata dalam sistem biometric. Saat ini
yang menjadi salah satu permasalahan
adalah proses pengolahan awal citra mata
hingga kita dapat memperoleh hanya bagian
iris saja dengan membuang bagian yang
tidak perlu.
Oleh sebab itu, penulis tertarik
untuk melakukan penelitian mengenai
sistem biometrik bagian tubuh manusia,
yaitu iris mata. Iris mata ini memeiliki
karakteristik yang berbeda pada setiap
individu. Kelebihan menggunakan Sistem
Biometrik iris mata yaitu berbeda dengan
individu lain karena merupakan organ tubuh
yang unik, sangat sulit untuk ditiru,
memiliki karakteristik yang dapat dijadikan
dan disimpan untuk digunakan sebagai
kunci di dalam proses sistem keamanan
(security).
II. LANDASAN TEORI
2.1 Sistem Biometrik
Biometrik (berasal dari bahasa
Yunani bios yang artinya hidup dan metron
yang artinya mengukur) adalah studi tentang
metode otomatis untuk mengenali manusia
berdasarkan satu atau lebih bagian tubuh
manusia atau kelakuan dari manusia itu
sendiri yang meiliki keunikan. Dalam dunia
teknologi informasi, biometrik relevan
dengan teknologi yang digunakan utnuk
menganalisa fisik dan kelakuan manusia
untuk autentifikasi. Contohnya dalam
pengenalan fisik manusia yaitu dengan
pengenalan sidik jari, retina, iris, pola dari
wajah (facial patterns), tanda tangan dan
cara mengetik (typing patterns). Dengan
suara adalah kombinasi dari dua yaitu
pengenalan fisik dan kelakuannya.
Dalam teknologi terkini ditawarkan
adanya beberapa kemudahan, seperti akses,
pelayanan,
dan
sistem
informasi.
Kemudahan tersebut dapat dirasakan seperti
pada mekanisme pengambilan uang melalui
ATM
(Anjungan
Tunai
Mandiri),
mekanisme memperoleh sistem informasi
(internet). Mekanisme tersebut diperlukan
adanya jaminan kerahasiaan sehingga tidak
dapat ditiru oleh user yang bukan berhak.
Salah satu alat untuk menjamin bahwa yang
berhak mendapatkan layanan itu harus
memberikan data identifikasi. Sistem
identifikasi tersebut bersifat otomatis dengan
memberikan inputan identifikasi personal.
Saat ini terdapat beragam jenis aplikasi
sistem
keamanan
yang
dapat
mengindentifikasi
dan
memverifikasi
individu dengan baik. Dua pendekatan
tradisional untuk pengenalan individu yang
dikenal selama ini adalah pendekatan
berbasis pengetahuan (knowledge based),
dimana seseorang yang akan masuk ke
dalam sistem keamanan perlu memasukkan
password tertentu. Pendekatan lain adalah
berbasis token (token based), dimana
diperlukan suatu benda atau pengenal
khusus seperti kartu magnetik untuk masuk
ke dalam sistem keamanan. Kedua
pendekatan di atas memiliki kelemahan,
diantaranya : individu yang bersangkutan
seringkali lupa dengan kata kuncinya atau
kartu magnetik yang menjadi kunci masuk
ke dalam sistem keamanan hilang atau dicuri
orang. Pengenalan Biometrik merupakan
alternatif pengenalan individu selain
pendekatan tradisional di atas, atribut
biometrik yang diturunkan oleh seorang
individu tidak mungkin terlupakan atau
hilang dicuri. Wajah, sidik jari, telapak
tangan, iris atau retina mata merupakan
contoh karakteristik fisiologis yang menjadi
penanda atau ciri individu.
2.2 Pengolahan Citra
Data atau informasi tidak hanya
disajikan dalam bentuk teks, tetapi juga
dapat berupa gambar, audio (bunyi, suara,
musik), dan video. Keempat macam data
atau informasi ini sering disebut multimedia.
Era teknologi informasi saat ini tidak dapat
dipisahkan dari multimedia. Situs web
(website) di Internet dibuat semenarik
mungkin dengan menyertakan visualisasi
berupa gambar atau video yang dapat
diputar. Beberapa waktu lalu istilah SMS
(Short Message Service) begitu populer bagi
pengguna telepon genggam (handphone atau
HP). Tetapi, saat ini orang tidak hanya dapat
mengirim pesan dalam bentuk teks, tetapi
juga dapat mengirim pesan berupa gambar
maupun video, yang dikenal dengan layanan
MMS (Multimedia Message Service). Citra
(image), istilah lain untuk gambar– sebagai
salah satu komponen multimedia memegang
peranan sangat penting sebagai bentuk
informasi
visual.
Citra
mempunyai
karakteristik yang tidak dimiliki oleh data
teks, yaitu citra kaya dengan informasi. Ada
sebuah peribahasa yang berbunyi “sebuah
gambar bermakna lebih dari seribu kata” (a
picture is more than a thousand words).
Maksudnya tentu sebuah gambar dapat
memberikan informasi yang lebih banyak
dari pada informasi tersebut disajikan dalam
bentuk kata-kata (tekstual).
2.3 Citra Digital
Citra
merupakan
gambaran
kenampakan
permukaan
bumi
hasil
penginderaan
pada
spectrum
elektromagnetik tertentu yang ditayangkan
pada layar atau disimpan pada media
rekam/cetak.
Pengolahan Citra merupakan proses
pengolahan dan analisis citra yang banyak
melibatkan persepsi visual. Proses ini
mempunyai cirri data masukan dan
informasi keluaran yang berbentuk citra.
Istilah pengolahan citra digital
secara
umum
didefinisikan
sebagai
pemrosesan citra dua dimensi dengan
komputer. Dalam definisi yang lebih luas,
pengolahan citra digital juga mencakup
semua data dua dimensi. Citra digital adalah
barisan bilangan nyata maupun kompleks
yang diwakili oleh bit-bit tertentu.
2.4 Metode Daugman
Metode Daugman ini adalah dengan
mengambil tekstur iris manusia yang tampak
pada imej video secara real-time dan
dikodekan dalam koefisien 2-D Gabor
Wavelet skala banyak, dan kemudian bit
paling signifikan akan menjadi kode iris 256
byte. Hasil akhir dari proses ini memiliki
kecukupan dalam derajat kebebasan, atau
membentuk variasi iris antar individu yang
memiliki keunikan yang mirip dengan sidik
jari konvensional.
Proses ini masih diragukan apakah
algoritma yang efisien dapat dapat
dikembangkan until mengekstraksi deskripsi
iris detail secara reliabel dari video live,
menghasilkan kode padat dari iris
(kompleksitas panjang minuscule versus
ukuran data gambar),dan mengambil
keputusan tentang identitas individual
dengan tingkat keyakinan statistik yang
tinggi. Masalah terakhir adalah apakah
kemampuan proses dari general purpose
microprocessor
mampu
memproses
algoritma ini secara real-time.
2.5 Metode Wildes
Wildes yang membangun sistem
yang mirip pada bagian ini akan dibahas
lebih dalam. Setelah mendapatkan gambar
iris dan proses filter area sekitarnya dan
melakukan
operasi
dengan
properti
histogram, akan menghasilkan sebuah
skema pemilihan untuk menggambarkan
batas iris. Gambar ini akan difilter dengan
low pass filter dan sub sampling untuk
mengurangi noise. Sebuah detektor batas
gradient akan memperkirakan batas iris dan
kelopak mata.
Kemudian pemilihan
dilakukan dengan memilih yang paling
cocok antara model dengan parameter batas
yang ada. Untuk mengambil informasi
spesifik yang ada pada iris terdapat pada
area keseluruhan termasuk area yang lebih
kecil dari piramid Lapace untul menerapkan
transformasi 2-D. Perbandingan iris
dilakukan
dengan
teknik
registrasi
berdasarkan area gambar. Kemudian akan
dicari sebuah fungsi mapping untuk
mendekatkan data gambar dengan model
gambar. Sebuah nilai kecocokan akan
dihitung untuk 4 pita melalui korelasi
sebagian dan Diskriminan Linier Fisher
akan melakukan evaluasi terdahap 4 nilai
ini.
2.6 Metode Neural Network
Neural Network (NN) adalah suatu
prosesor yang melakukan pendistribusian
secara
besar-besaran, yang memiliki
kecenderungan alami untuk menyimpan
suatu pengenalan yang pernah dialaminya,
dengan kata lain NN ini memiliki
kemampuan untuk dapat melakukan
pembelajaran dan pendeteksian terhadap
sesuatu objek. Secara mendasar, sistem
pembelajaran
merupakan
proses
penambahan pengetahuan pada NN yang
sifatnya kontinuitas sehingga pada saat
digunakan pengetahuan tersebut akan
dieksploitasikan secara maksimal dalam
mengenali suatu objek. Neuron adalah
bagian dasar dari pemrosesan suatu neural
network.
III. METODOLOGI PENELITIAN
3.1 Lingkungan Penelitian
Data citra yang digunakan dalam
penelitian ini yaitu berasal dari CASIA
(Chinese Academy of Sciences Institute of
Automation) Iris Image Database (version
1.0). Di dalam database CASIA ini terdapat
beberapa contoh citra mata yang umum
digunakan
untuk
penelitian
sistem
identifikasi individu yang melibatkan iris
mata.
Bebearapa hal umum yang terkait
dengan database CASIA version 1.0 ini,
yaitu:
- Data diambil menggunakan kamera
yang memiliki sensor khusus dengan
penyesuaian terhadap daerah pupil
mata.
- Jarak antara kamera dan objek mata
tidak dijadikan informasi.
- Intensitas cahaya dari lingkungan
sekitar sangat berpengaruh
- Ukuran skala data citra yaitu 280 x
320 piksel
- Jumlah data citra ysitu 756 yang
diperoleh dari 108 objek mata
(masing-masing
citra
diambil
sebanyak 2 kali pemotretan.
Perangkat keras yang digunakan
dalam penelitian ini adalah notebook dengan
spesifikasi: processor core i3 2.27GHz,
memory 2 GB, harddisk 320 GB dengan
sistem operasi Windows 7. Perangkat lunak
yang dipakai untuk pengolahan data dan
pembuatan program adalah software Matlab
versi R2008a (Image Processing Toolbox).
3.2 Kerangka Penelitian
Kerangka penelitian yang dilakukan
terbagi dalan dua bagian: pertama adalah
tahap input image (tahap pembentukan
database, yaitu memasukan data dari user
seperti nomor ID, nama, umur, jenis
kelamin, authority, dan pemilihanimage
asli). Tahap kedua yaitu analisa. Pada tahap
analisa ini dibagi ke dalam dua tahap, yang
pertama yaitu target proses dan metode.
Untuk tahap target proses ini yang
dimaksudkan yaitu, pemanggilan dari image
yang akan diproses (scan). Sedangkan untuk
tahap metode, maksudnya adalah, kita
diperkenankan untuk memilih metode yang
akan dijalankan (dengan ketetuan, harus
melakukan metode pupil finder terlebih
dahulu).
3.1 Bagan Kerangka Penelitian
Pada gambar 3.1 di atas memperlihatkan
proses awal dari sistem pengenalan iris
mata, dimulai dari input image. Pada
tahapan input image ini, dilakukan proses
pemasukan data dari setiap user, seperti
nomor ID, nama, umur, jenis kelamin,
authority. Selanjutnya dilakukan proses
input gambar (image mata yang akan
dimasukan ke dalam database). Di dalam
penelitian ini, data citra tersebut diperoleh
dari database CASIA. Setelah pembentukan
database (mendapatkan data citra) tersebut,
dilanjutkan ke tahap analisa. Pada tahap
analisa ini, ada 2 metode yang dapat
dilakukan, pupil finder dan neural network.
Dalam tahap pupil finder ini dilakukan
penentuan pupil mata dengan urutan proses
penelusuran tepi pupil dan pencarian titik
pusat pupil. Pada tahapan pupil finder ini,
data image yang akan diproses (target
proses) akan dicari (scan) dan dicocokan
dengan data image yang terdapat di dalam
database. Apabila sesuai, akan dihasilkan
suatu informasi mengenai image yang
dianalisa. Sedangkan untuk tahap neural
network, data citra akan diproses dengan
cara dimasukan ke dalam kelas-kelas
tertentu.
Secara umum, algoritma dalam
penelitian ini (dengan asumsi bahwa data
cira menggunakan data dari database
CASIA) adalah sebagai berikut:
1:Prosedur Input Image
1.1:Pemasukan nomor ID
1.2:Pemasukan nama
1.3:Pemasukan umur
1.4:Pemasukan jenis kelamin
1.5:Pemasukan authority
1.6:Pengambilan citra (browse data)
2:Prosedur Analisa
2.1:Browse image
2.2:Pupil Finder
2.2.1:Pencarian tepi pupil
2.3:Pupil Tester
2.3.1:Penentuan besar
lingkaran
dari pupil
2.3.2:Pencarian titik tengah pupil
2.4:Pupil Validator
2.4.1:Bandingkan citra uji dengan citra
database
2.4.1.1:Jika citra uji sesuai atau sama
dengan data citra database, maka akan
menghasilkan informasi yang terdapat pada
table hasil pencarian yang sesuai (kemiripan
100%) dengan informasi yang terdapat di
dalam database
2.4.1.2:Jika citra uji tidak sesuai dengan
database, maka proses akan berhenti, karena
data yang diproses tidak terdapat di dalam
database
2.5:Neural Network
Masukkan jumlah epoch (banyaknya
percobaan) yang diinginkan
Penentuan target eror
Pengklasifikasian image
3.3 Neural Network
Neural Network (NN) adalah suatu
prosesor yang melakukan pendistribusian
secara
besar-besaran, yang memiliki
kecenderungan alami untuk menyimpan
suatu pengenalan yang pernah dialaminya,
dengan kata lain NN ini memiliki
kemampuan untuk dapat melakukan
pembelajaran dan pendeteksian terhadap
sesuatu objek. Neural network dapat pula
disebut dengan suatu cara coba-coba, yaitu
untuk menghasilkan suatu tujuan tertentu,
hal yang dilakukan adalah dengan mencoba
berapa kali pun kemungkinan yang dapat
dilakukan untuk mencapai hasil yang
diinginkan tersebut.
Pada penulisan ini, neural network
bertujuan untuk membagi image-image yang
ada ke dalam beberapa kelas. Dapat
dikatakan pula bahwa neural network ini
adalah proses pengklasifikasian dari data
citra yang diproses (analisa atau scan)
IV. PERANCANGAN DAN
IMPLEMENTASI
4.1 Analisa Proses
Perancangan dan implementasi yang telah
dijelaskan
pada
bab
sebelumnya
menghasilkan kecocokan data image yang
diproses dengan data image yang terdapat di
dalam
databse,
serta
menghasilkan
pengklasifikasian data image tersebut. Di
dalam databse CASIA terdapat 765 image
data dari 108 individu, di mana setiap
individu tersebut terdapat mata kanan dan
mata kiri. Serta untuk setiap mata kanan
terdapat 4 image (4 kali pengambilan
gambar atau capture image) dan untuk mata
kiri terdapat 3 image 93 kali pengambilan
gambar atau capture image).
Pada penulisan ini telah dilakukan suatu
pemilihan yang random untuk menentukan
image-image mana saja yang nantinya akan
disimpan di dalam database (tabel terlampr
di dalam lampiran). Dari hasil pemilihan
tersebut, akan dismpan di dalam database
sebanyak 50 image mata.
4.5 Target Proses
4.1 Input Data
4.2 Database Image Mata
4.6 Analisa Pupil Finder
4.3 Input Image Mata
4.4 Database
4.7 Proses Pupil Finder
4.8 Proses Berakhir
4.11 Figure 1
4.12 Figure 2
4.9 Analisa Neural Network
4.10 Proses Neural Network
4.9 Neural Network Training
4.9 Hasil Pengklasifikasian
4.2 Analisa Output
Proses di atas tersebut dapat dicobakan
untuk beberapa image iris mata yang tidak
terdapat di dalam database. Tujuannya yaitu
untuk melihat perbedaaan yang terjadi
antara hasil yang diciptakan dengan hasil
yang diciptakan sesuai dengan database.
Akan jelas terlihat perbedaannya pada
informasi yang ditampilkan pada bagian
hasil
pencarian,
khususnya
bagian
kemiripannya.
Toleransi kemiripan: -Orang yang sama,
image sama
= 100%
-Orang yang berbeda,
image berbeda = kurang dari 100%
Hal ini dikarenakan image yang
diujikan adalah image dari orang yang sama
serta image yang sama, sehingga benar
menghasilkan data yang sesuai dengan
database.
Untuk uji coba di luar database,
menghasilkan kemiripan yang beragam. Hal
ini berasal dari image yang berbeda dari
orang yang berbeda pula. Kemiripan ini
berada kurang atau di bawah 100%.
Kemiripan yang terjadi ini dapat muncul
akibat kesamaan letak dari pupil mata ketika
pengambilan data citra (Database CASIA).
Walaupun kemiripannya hampir mutlak
100%, tetapi image yang mirip tersebut
tidak dapat dikatakan sebagai image yang
sama, karena yang diambil adalah yang
memiliki kemiripan mutlak 100%.
V. PENUTUP
5.1 Kesimpulan
Skripsi ini menghasilkan program untuk
mencari pupil mata yang sesuai dengan data
yang sudah tersimpan sebelumnya di dalam
database dan juga untuk pengklasifikasian
image. Prosesnya dilakukan dengan
menggunakan image yang berformat .bmp
dan grayscale yang berasal dari database
CASIA. Sebelum dianalisa, terlebih dahulu
sudah dibentuk databasenya dengan
menginputkan data-data yang diperlukan.
Lalu setelah itu pada proses analisa pupil
findernya, image yang akan di scan akan
disesuaikan atau dicari kemiripannya
(kemiripan 100%) dengan image yang sudah
disimpan di dalam database. Apabila sesuai
maka akan menghasilkan informasi pada
tabel hasil pencarian, tetapi apabila tidak
sesuai, proses akan berakhir.
Untuk neural network, hasil akhirnya
yaitu pengklasifikasian image ke dalam
kelas-kelas yang berbeda. Prosesnya yaitu
dengan cara proses coba-coba, hal ini
dilakukan dari berapa kali banyaknya
percobaan yang dilakukan (10000, 15000,
atau 20000). Lalu setelah itu akan
menghasilkan figure yang menggambarkan
proses yang sudah terjadi. Pada akhirnya
akan menghasilkan pengklasifikasian kelas
dari setiap image.
5.2 Saran
Secara umum penelitian ini dapat
ditingkatkan dengan melakukan penelitian
lebih lanjut. Proses pencarian pupilnya
masih perlu dikembangkan agar lebih baik
lagi. Pada proses Neural Network masih
diperlukan pengkajian yang lebih luas. Dari
segi program atau aplikasi yang telah dibuat
dapat
dikembangkan,
yaitu
dengan
pembuatan GUI (Graphic User Interface).
GUI yang dihasilkan masih perlu
pengembangan agar dapat lebih menarik lagi
penampilannya. Segala pendalaman dan
pengkajian mengenai penelitian ini masih
akan terus dilakukan.