01 makalah psec iris mata
TRANSCRIPT
Identifikasi Iris Mata Menggunakan Metode Alihragam Wavelet Haar Untuk Sistem Pengamanan Berangkas
(Diajukan sebagai tugas Mata Kuliah Pengolahan Sinyal Elektronika dan Cira)
Oleh :Nia Restu Juliantie
140310100062
JURUSAN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
2013
LATAR BELAKANG
Salah satu cara yang digunakan untuk mengidentifikasi seseorang adalah
diambil dari karakteristik alami yang dimiliki manusia (Biometrik). Teknologi
dibidang pengenalan identitas (personal identification) dapat diaplikasikan
sebagai pengendali akses dan sistem sekuriti. Berbagai macam sistem pengenal
telah berkembang didunia, antara lain adalah : pengenal wajah, retina, sidik jari,
telapak tangan, tanda tangan, ataupun suara. Salah satu bagian tubuh manusia
yang lain yang bersifat unik dan bisa dijadikan sistem pengenal adalah iris atau
selaput pelangi pada mata manusia. Dari pola yang dimiliki oleh selaput
pelangi ini, ternyata memiliki pola yang unik untuk setiap orang. Pola ini juga
memiliki kekonsistenan dan kestabilan yang tinggi bertahun-tahun tanpa
mengalami perubahan.
Dari kondisi ini, maka para ahli mata mengusulkan bahwa iris ini dapat
dijadikan seperti sidik jari untuk identitas pribadi seseorang. Pada makalah ini
akan dibahas perangkat lunak dengan metode Alihragam Wavelet sebagai sistem
identifikasinya dan perangkat keras yaitu brankas elektronik yang menerima
keluaran dari sistem identifikasi dan menerjemahkan sebagai akses untuk
membuka pintu brankas. Dimana pada pengambilan data input berupa file video
yang diambil secara online oleh handycam, yang nantinya dalam PC akan
dilakukan pemrosesan citra hingga pengenalan pola iris. Kemudian setelah itu
pola-pola tersebut dikenali oleh perangkat lunak melalui metode Wavelet-Haan.
Pola- pola yang telah dapat dikenali tersebut kemudian disimpan ke dalam
database sebagai referensi. Inti dari sistem sekuriti ini adalah membandingkan
pola iris user dengan pola iris lain apakah dapat terkenali atau tidak dapat
dikenali.
TEORI PENUNJANG
I. PENGOLAHAN CITRAPengolahan citra merupakan suatu metode yang digunakan
untuk mengolah gambar sehingga menghasilkan gambar lain sesuai dengan
yang kita inginkan, khususnya menggunakan komputer menjadi citra yang
kualitasnya lebih baik. Citra dalam perwujudannya dapat bermacam-macam,
mulai dari gambar hitam putih dalam sebuah foto (yang tidak bergerak)
sampai pada gambar berwarna yang bergerak pada pesawat televisi.
I.1 Teori WarnaData visual citra berwarna lebih kaya dan rumit daripada
citra monokromatik. Setiap warna dihasilkan oleh kombinasi tiga warna
dasar yaitu Merah (R), Hijau (G), dan Biru (B) dalam komposisi tertentu
yang disebut Grey level dengan nilai 0 sampai 255 dengan format citra
digital 24 bit. Komposisi warna-warna dasar tersebut dinyatakan dengan:
C=aR + bG + cB.....................................................(2.1)
Dari persamaan tersebut dengan gray level 0 sampai dengan 255
kita bisa mendapatkan 255 X 255 X 255 warna untuk diolah.
I.2 GrayscaleGrayscale merupakan sebuah format warna dengan pengambilan
rata-rata dari nilai r, g, dan b dari sebuah format gambar berwarna. Dengan
menggunakan persamaan sebagai berikut :
Grayscale = R+G+B /3...........................................(2.2
I.3 KontrasKontras menyatakan sebaran terang (lighness) dan gelap
(darkness) didalam sebuah gambar. Citra dapat dikelompokkan kedalam
tiga kategori kontras : citra kontras- rendah (low contras), citra kontras
bagus (good contras) dan citra kontras-tinggi.
I.4 Segmentasi CitraSegmentasi gambar adalah pemisahan objek yang satu dengan
objek yang lain dalam suatu gambar (Ballerini). Ada 2 macam segmentasi,
yaitu full segmentation dan partial segmentation. Full segmentation
adalah pemisahan suatu object secara individu dari background dan diberi
ID (label) pada tiap-tiap segmen. Partial segmentation adalah pemisahan
sejumlah data dari background dimana data yang disimpan hanya data
yang dipisahkan saja untuk mempercepat proses selanjutnya.
Ada 3 tipe dari segmentasi yaitu:
1. Classification-based: segmentasi berdasarkan kesamaan suatu
ukuran dari nilai pixel. Salah satu cara paling mudah adalah
thresholding. Thresholding ada 2 macam yaitu global dan lokal. Pada
thresholding global, segmentasi berdasarkan pada sejenis histogram.
Pada thresholding lokal, segmentasi dilakukan berdasarkan posisi pada
gambar, gambar dibagi menjadi bagianbagian yang saling melengkapi,
jadi sifatnya dinamis.
2. Edge-based: mencari garis yang ada pada gambar dan garis tersebut
digunakan sebagai pembatas dari tiap segmen.
3. Region-based: segmentasi dilakukan berdasarkan kumpulan pixel yang
memiliki kesamaan (tekstur, warna atau tingkat warna abu-abu)
dimulai dari suatu titik ke titik-titik lain yang ada disekitarnya.
I.5 FilteringYaitu mengambil fungsi citra pada frekwensi tertentu dan
membuang fungsi citra pada frekwensi tertentu lainnya.
Format koordinat dalam citra:
Koordinat spatial (x,y)
x=image sampling; y=gray-level quantization
Koordinat frekwensi: koordinat berdasarkan frekwensi yang
dimiliki masing-masing pixel, atau dapat dilihat pada gambar di
bawah:
Gambar 1. Format Koordinat Frekwensi Pada Citra
Frekwensi pada citra dipengaruhi oleh gradiasi warna yang ada
pada citra Dengan menggunakan citra-citra yang bergradiasi rendah seperti
gambar logo dan sketsa, dimana nilai treshold yang digunakan
merupakan nilai-nilai yang kecil.
Demikian pula citra biner, citra dengan threshold tertentu
merupakan citra-citra yang bergradiasi rendah, dan citra-citra ini berada
pada frekwensi tinggi. Dari sifat-sifat citra pada bidang frekwensi, maka
prinsip-prinsip filtering dapat dikembangkan sebagai berikut:
Bila ingin mempertahankan gradiasi atau banyaknya level warna pada
suatu citra, maka yang dipertahankan adalah frekwensi rendah dan
frekwensi tinggi dapat dibuang atau dinamakan dengan Low Pass
Filter. Hal ini banyak digunakan untuk reduksi noise dan proses blur.
Bila ingin mendapatkan threshold atau citra biner yang
menunjukkan bentuk suatu gambar , maka frekwensi tinggi
dipertahankan dan frekwensi rendah dibuang atau dinamakan dengan
High Pass Filter. Hal ini banyak digunakan untuk menentukan garis
tepi (edge) atau sketsa dari citra.
Bila ingin mempertahankan gradiasi dan bentuk, dengan tetap
mengurangi banyaknya bidang frekwensi (bandwidth) dan membuang
sinyal yang tidak perlu maka frekwensi rendah dan frekwensi tinggi
dipertahankan, sedangkan frekwensi tengahan dibuang atau dinamakan
dengan Band Stop Filter. Teknik yang dikembangkan dengan
menggunakan Wavelet Transform yang banyak digunakan untuk
kompresi, restorasi dan denoising.
I.6 Transformasi WaveletTransformasi merupakan suatu proses pengubahan data menjadi
bentuk lain sehingga mudah dianalisa. Salah satu contoh transformasi adalah
transformasi wavelet. Transformasi wavelet merupakan generalisasi dari
transformasi Fourier. Transformasi wavelet merupakan proses mengubah
sinyal ke dalam berbagai gelombang wavelet asli (mother wavelet) dengan
berbagai pergeseran dan penyekalaan. Dengan demikian faktor skala
memegang peranan yang sangat penting. Menurut [Bruce and Gao,1996]
citra N×M merupakan data dua dimensi yang berbentuk matriks dengan
elemennya berupa pixel–pixelpenyusun citra. Wavelet 2D dapat
dikonstruksikan dengan menggunakan horisontal wavelet 1D dan vertikal
wavelet 1D.
Transformasi wavelet terhadap masing–masing pixeldi dalam citra
dapat dilakukan secara bergantian pada masing–masing kolom dan baris.
Pertama kali dilakukan transformasi secara horisontal terhadap baris. Setelah
itu dilakukan transformasi secara vertikal terhadap kolom. Langkah ini
dilakukan secara bergantian sampai diperoleh koefisien aproksimasi dan
koefisien detail dari citra.
Gambar 2. Ilustrasi Transformasi wavelet dalam citra
Salah satu keluarga wavelet adalah wavelet Haar. Transformasi
menggunakan fungsi Haar sebagai fungsi basis merupakan transformasi
wavelet yang paling sederhana. Fungsi Haar didefinisikan sebagai:
Transformasi wavelet Haar merupakan transformasi wavelet paling
sederhana. Dalam transformasi wavelet Haar pada suatu citra dilakukan
dengan menggunakan penapis lolos rendah (Low Pass Filter / LPF)
dan penapis lolos tinggi (High Pass Filter / HPF) sehingga diperoleh
koefisisen wavelet [Ogden, R.T., 1997].
Algoritma:
a. Input: citra ternormalisasi
b. Untuk masing–masing dekomposisi horisontal dan vertikal, cari
koefisien LPF dan HPF
c. Lakukan secara berulang–ulang pada koefisien aproksimasi yang
diperoleh sebelumnya hingga level yang diinginkan.
I.6.1 Transformasi Wavelet Diskrit
Transformasi wavelet diskrit secara umum merupakan
dekomposisi citra pada frekuensi subband citra tersebut dimana
komponennya dihasilkan dengan cara penurunan level dekomposisi.
Implementasi transformasi wavelet diskrit dapat dilakukan dengan cara
melewatkan sinyal frekuensi tinggi atau highpass filter dan frekuensi
rendah atau lowpass filter. Dibawah ini adalah gambar dari transformasi
wavelet diskrit dua dimensi dengan level dekomposisi satu.
Dimana :
Seperti yang terlihat pada Gambar diatas , jika suatu citra
dilakukan proses transformasi wavelet diskrit dua dimensi dengan level
dekomposisi satu, maka akan menghasilkan empat buah subband, yaitu:
1. Koefisien Approksimasi (CA j+1) atau disebut juga subband LL
2. Koefisien Detil Horisontal (CD(h) j+1) atau disebut juga subband HL
3. Koefisien Detil Vertikal (CD(v) j+1) atau disebut juga subband LH
4. Koefisien Detil Diagonal (CD(d) j+1) atau disebut juga subband HH
dengan Level Dekomposisi 1 Subband hasil dari dekomposisi dapat
didekomposisi lagi karena level dekomposisi wavelet bernilai dari 1
sampai n atau disebut juga transformasi wavelet multilevel. Jika dilakukan
dekomposisi lagi, maka subband LL yang akan didekomposisi karena
subband LL berisi sebagian besar dari informasi citra. Jika dilakukan
dekomposisi dengan level dekomposisi dua maka subband LL
akan menghasilkan empat buah subband baru, yaitu subband LL2
(Koefisien Approksimasi 2), HL2 (Koefisien Detil Horisontal 2), LH2
(Koefisien Detil Vertikal 2), dan HH2 (Koefisien Detil Diagonal 2).
Dan begitu juga seterusnya jika dilakukan dekomposisi lagi.
I.6.2 Filter Wavelet
Transformasi wavelet diskrit seperti yang telah diterangkan
sebelumnya, dimana citra dilakukan filtering oleh lowpass filter
dekomposisi dan highpass filter dekomposisi pada proses dekomposisi
(pembelahan subband). Begitu pula pada saat citra dilakukan proses
inverse transformasi wavelet diskrit, citra kembali dilakukan proses
upsampling yang diikuti proses filtering oleh lowpass filter rekonstruksi
dan highpass filter rekonstruksi.
Keluarga wavelet memiliki ordo dimana ordo menggambarkan jumlah
koefisien filternya.
I.6.3 Implementasi pada Matlab
Fungsi yang memegang peranan dalam transformasi wavelet adalah
wavedec2(X,2,wname)dimana wavedec2 berarti transformasi wavelet
untuk data dua dimensi, X mewakili data citra, 2 mewakili transformasi
wavelet dalam dua level dan wname adalah tipe wavelet. Berikut adalah
contoh penggunaan transformasi wavelet menggunakan matlab. Di bawah
ini source code untuk waveletbior.m :
function waveletbior()load woman2
%load detfingr; X = X(1:200,51:250);
close all clf image(X)
colormap(map)axis image; set(gca,'XTick',[],'YTick',[]); title('Original')pause% We will use the 9/7 filters with symmetric extension at the% boundaries. dwtmode('sym') wname = 'bior4.4'
% Compute a 2-level decomposition of the image using the 9/7 filters. [wc,s] = wavedec2(X,2,wname);
% Extract the level 1 coefficients. a1 = appcoef2(wc,s,wname,1);h1 = detcoef2('h',wc,s,1);v1 = detcoef2('v',wc,s,1);d1 = detcoef2('d',wc,s,1);
% Extract the level 2 coefficients. a2 = appcoef2(wc,s,wname,2);h2 = detcoef2('h',wc,s,2);v2 = detcoef2('v',wc,s,2);d2 = detcoef2('d',wc,s,2);
% Display the decomposition up to
level 1 only.ncolors = size(map,1); % Number of colors. sz = size(X);cod_a1 = wcodemat(a1,ncolors); cod_a1 = wkeep(cod_a1, sz/2);cod_h1 = wcodemat(h1,ncolors); cod_h1 = wkeep(cod_h1, sz/2); cod_v1 = wcodemat(v1,ncolors); cod_v1 = wkeep(cod_v1, sz/2); cod_d1 = wcodemat(d1,ncolors); cod_d1 = wkeep(cod_d1, sz/2); image([cod_a1,cod_h1;cod_v1,cod_d1]);axis image; set(gca,'XTick',[],'YTick',[]); title('Single stage decomposition')colormap(map)pause% Display the entire decomposition upto level 2.cod_a2 = wcodemat(a2,ncolors); cod_a2 = wkeep(cod_a2, sz/4); cod_h2 = wcodemat(h2,ncolors); cod_h2 = wkeep(cod_h2, sz/4); cod_v2 = wcodemat(v2,ncolors); cod_v2 = wkeep(cod_v2, sz/4); cod_d2 = wcodemat(d2,ncolors); cod_d2 = wkeep(cod_d2, sz/4); image([[cod_a2,cod_h2;cod_v2,cod_d2],cod_h1;cod_v1,cod_d1]);axis image; set(gca,'XTick',[],'YTick',[]); title('Two stage decomposition') colormap(map) pause
% Here are the reconstructed branches ra2 = wrcoef2('a',wc,s,wname,2);rh2 = wrcoef2('h',wc,s,wname,2);rv2 = wrcoef2('v',wc,s,wname,2);rd2 = wrcoef2('d',wc,s,wname,2);
ra1 = wrcoef2('a',wc,s,wname,1); rh1 = wrcoef2('h',wc,s,wname,1); rv1 = wrcoef2('v',wc,s,wname,1); rd1 = wrcoef2('d',wc,s,wname,1);
cod_ra2 = wcodemat(ra2,ncolors); cod_rh2 = wcodemat(rh2,ncolors); cod_rv2 = wcodemat(rv2,ncolors); cod_rd2 = wcodemat(rd2,ncolors); cod_ra1 = wcodemat(ra1,ncolors); cod_rh1 = wcodemat(rh1,ncolors); cod_rv1 = wcodemat(rv1,ncolors); cod_rd1 = wcodemat(rd1,ncolors);subplot(3,4,1); image(X); axis image; set(gca,'XTick',[],'YTick',[]);title('Original')subplot(3,4,5); image(cod_ra1); axis image;set(gca,'XTick',[],'YTick',[]); title('ra1')subplot(3,4,6); image(cod_rh1); axis image;set(gca,'XTick',[],'YTick',[]); title('rh1')subplot(3,4,7); image(cod_rv1); axis image;set(gca,'XTick',[],'YTick',[]); title('rv1')subplot(3,4,8); image(cod_rd1); axis image;set(gca,'XTick',[],'YTick',[]); title('rd1')
subplot(3,4,9); image(cod_ra2); axis image;set(gca,'XTick',[],'YTick',[]); title('ra2')subplot(3,4,10); image(cod_rh2); axis image;set(gca,'XTick',[],'YTick',[]); title('rh2')subplot(3,4,11); image(cod_rv2); axis image;set(gca,'XTick',[],'YTick',[]); title('rv2')subplot(3,4,12); image(cod_rd2); axis image;set(gca,'XTick',[],'YTick',[]); title('rd2')
Tampilan :
II. PERANCANGAN SISTEM
II.1 Perancangan Sistem (Hardware dan Software)
Pengerjaan proyek akhir ini terdiri atas pengerjaan software sebagai
sistem identifikasi dan kontroler utama lalu hardware sebagai eksen dari
sistem ini yaitu brankas elektronik fungsinya adalah memproses
perintah dari sistem utama (sistem identifikasi). Rancangan desain
proyek ini dapat dilihat pada gambar dibawah :
Desain system
Diagram alir perangkat lunak
KESIMPULAN
Dari penyusunan makalah dan presentasi yang telah dilaksanakan, dapat
diambil kesimpulan :
• Irismat merupakan bagian dari fisiologis manusia yang memiliki struktur
unik dan berbeda setiap manusia sehingga dapat digunakan sebagai
identifikasi identitas.
• Pengenalan irismata dapat dilakukan dengan pengolahan citra metoda
wavelet.
• Metoda wavelet merubah citra digital menjadi persamaan matematis dan
matriks biner.
• Program pengenalan irismata dapat di interface melalui mikrokontroler
dengan perangkat kerasnya yang kemudian akan dihubungkan dengan
sistem pengamanan berangkas.
DAFTAR PUSTAKA
[1] Syamsiar, Fibri Trendy. SISTEM IDENTIFIKASI SCAN IRIS MATA
MENGGUNAKAN METODE JST PROPAGASI BALIK UNTUK APLIKASI
SISTEM PENGAMANAN BRANKAS. Jurusan Teknik Elektronika, ITS.
[2] Maimunnah. SISTEM PENGENALAN IRIS MATAMANUSIA DENGAN
MENGGUNAKAN TRANSFORMASI WAVELET . Seminar Nasional Aplikasi
Teknologi Informasi 2007
[3] Agustini, Ketut. PERBANDINGAN METODE TRANSFORMASI WAVELET
SEBAGAI PRAPROSES PADA SISTEM IDENTIFIKASI PEMBICARA. Institut
Pertanian Bogor. 2008
[4] Prihartono, Teguh Dwi. Identifikasi Iris Mata Menggunakan Alihragam Wavelet
Haar. TRANSMISI, 13 (2), 2011, 71-75
[5] Bagus, Ida. Pencarian Citra Menggunakan Metode Transformasi Wavelet dan
Metrika Histogram Terurut. Jurnal Teknik Elektro Vol. 6, No. 1, Maret 2006: 46 - 53