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