IMPLEMENTASI METODE HOUGH DAN JARAK MAHALANOBIS PADA SISTEM BIOMETRIK PENGENALAN TELINGA DENGAN MENGGUNAKAN LIBRARY OPEN CV Dr. Ernastuti Jurusan Teknik Informatika Fakultas Teknologi Industri 03 Maret 2012 Abstraksi Teknologibiometrikmenjadidasardarisistemidentifikasiuntukmengontrol individu-individu dalam kelompokyang berada di bawah pengawasan. Sistembiometrik memberikan identifikasisecara otomatis dari individu berdasarkan ciri atau karakteristik unik yang dimiliki setiap individu.Padasistembiometrikberbasistelinga,tahapanumumyangdilakukanadalah akuisisicitra,segmentasicitra,ekstraksicitradanpengenalancitra.MetodeHough digunakanpadatahapsegmentasidanMetodejarakMahalanobisdigunakanpadatahap pengenalancitra.ImplementasisisteminimenggunakanbahasapemrogramanOpenCV dan sebagai objek penelitian menggunakan citra telinga yang diperoleh sebagian dari data padainternet,dansebagiandiperolehdenganmenggunakankamerahandphonedan kamera digital beresolusi tinggi. Kata Kunci : biometrik, hough, telinga, mahalanobis BAB I PENDAHULUAN 1.1Latar Belakang Adabeberapacarayangdapat dilakukanuntukmengenaliseseorang, antara lain: Melaluibenda,sepertikartu pengenal, pakaian, dan lain-lain, Data-datapengetahuan,seperti userid, password, dan lain-lain, Biometrik,sepertisidikjari,wajah, telinga, retina, kulit, dan lain-lain. Biometrikadalahilmu mengidentifikasiataumemverifikasi identitasseseorangberdasarkanbentuk fisik atau karakteristik tubuh manusia.Salahsatucontohdaripengenalan biometrikadalahpengenalantelinga.Pada tahun1989,AlfredIannarellimelakukan sebuahpenelitianyangmemberipengaruh yangsangatbesardalampenelitian pengenalanmelaluitelinga,dimanadia mengumpulkanlebihdari10.000sampel telingadanmenemukanbahwasemua sampel tersebut tidak ada yang sama.ProfesorNixonpadatahun1999, mengatakanbahwatelingamemiliki keuntungantertentuterhadapkemapanan biometrikdibandingkandenganwajah, karenamemilikistrukturdanbentukyang tetapstabildarilahirhinggausiatua. Selainitutelingalebihkecil, memungkinkansistemidentifikasidapat bekerja lebih cepat dan efisien. 1.2Rumusan Masalah Bagaimanaalgoritmakomputer dapatmengenaliseseorangdaritelinganya yang berupa inputan gambar. 1.3Batasan Masalah Padapenelitianini,masalahakan dibatasi pada hal-hal berikut : 1. Penelitianinihanyaberhubungan denganimplementasimetode Hough Dan Jarak Mahalanobis. 2. Objekyangdigunakanhanya dibatasi pada citra telinga diam. 3.Citratelingadibatasihanyapada posisitampaksampingdariposisi frontal wajah. 4. Objektelingayangdigunakan tidak terhalang oleh suatu benda. 5. Prosesidentifikasidilakukan denganmembandinganduacitra telingayangberbedadarisatu orang. 6.Telinga yang dibandingkan, hanya telingapadaletakyangsama, misalkantelingakanandengan telinga kanan. 7.Pembuatanaplikasiini menggunakanbahasa pemrogramanC++,library OpenCVversi1pre1,dan menggunakan editor CodeBlocks. 1.4Tujuan Penelitian Tujuandaripenelitianiniadalah membuatsuatuaplikasiyangdiharapkan dapatmengidentifikasiseseorang,dengan citra telinga sebagai data masukan. BAB II LANDASAN TEORI 2.1Citra Secaraharafiah,citra(image) adalahgambarpadabidangduadimensi. Citrasebagaikeluarandarisuatusistem perekaman data dapat bersifat : Optik, berupa foto, Analog, berupa sinyal video seperti gambar pada monitor televisi, Digital,yangdapatlangsung disimpan pada suatu pita magnetik. Secaraumumcitradibedakan menjadiduajenis,yaitucitradiam(still images)dancitrabergerak(moving images).Citradiamadalahcitratunggal yangtidakbergerak.Citrabergerak (movingimages)adalahrangkaiancitra diamyangditampilkansecaraberuntun (sekuensial)sehinggamemberikesanpada matakitasebagaigambaryangbergerak. Citrayangdimaksudkandidalam keseluruhanisipenulisaniniadalahcitra diam, dan selanjutnya, citra diam kita sebut citra saja. 2.2Pengolahan Citra PengolahanCitra(image processing)merupakansuatuistilahyang mencakupteknikpemanipulasiandan pemodifikasiangambarmelaluiberbagai cara. PengolahanCitradapatjuga dikatakansebagaioperasiuntuk memperbaiki, menganalisa, atau mengubah suatugambar.Adaempatklasifikasidasar dalampengolahancitrayaitupoint,area, geometric, dan frame. -Point; memproses nilai piksel suatu gambarberdasarkannilaiatau posisi dari piksel tersebut. - Area; memproses nilai piksel suatu gambarberdasarkannilaipiksel tersebutbesertanilaipiksel sekelilingnya. -Geometric;digunakanuntuk mengubah posisi dari piksel. -Frame;memprosesnilaipiksel suatugambarberdasarkanoperasi dari 2 buah gambar atau lebih. Di dalam bidang komputer, ada tiga bidangstudiyangberkaitandengandata citra,namuntujuanketiganyaberbeda, yaitu: Grafika Komputer.Pengolahan Citra. Pengenalan Pola. GrafikaKomputerbertujuan menghasilkancitra(lebihtepatdisebut grafik)denganprimitif-primitifgeometri seperti garis, lingkaran, dan sebagainya.PengolahanCitrabertujuan memperbaikikualitascitraagarmudah diinterpretasiolehmanusiaataumesin (dalam hal ini komputer).Pengenalan Pola mengelompokkan data numerik dan simbolik (termasuk citra) secaraotomatisolehmesin(dalamhalini komputer).Tujuanpengelompokanadalah untukmengenalisuatuobjekdidalam citra. 2.3 Computer Vision Terminologilainyangberkaitan eratdenganpengolahancitraadalah computer vision atau machine vision.Computervisionmerupakanproses otomatisyangmengintegrasikansejumlah besarprosesuntukpersepsivisual,seperti akuisisicitra,pengolahancitra,klasifikasi, pengenalan(recognition),danmembuat keputusan. 2.4 Sistem Biometrik Biometrikadalahmetodeotomatis pengakuanseseorangberdasarkan karakteristikfisikatauperilaku[10]. Teknologibiometrikmenjadidasardari identifikasiyangamandansolusiuntuk verifikasi pribadi.Karakteristikbiometrikdibagidalamdua kelas utama[10] : Fisiologis,berhubungandengan bentuk tubuh.Behavioral,berkaitandenganperilaku seseorang.Menggunakanbiometrikuntuk mengidentifikasimanusiamenawarkan beberapakeunggulanunik.Biometrik bekerjacepat,mudahdigunakan,akurat, dapat diandalkan, dan memiliki biaya yang relatif murah untuk berbagai aplikasi. Sistembiometrikdapatdioperasikan dengan dua metode berikut: 1.Verifikasi;perbandinganantarasatu biometrikyangditangkapdengansatu templateyangadadigunakanuntuk memverifikasibahwaindividutersebut adalah benar orang yang diklaimnya.2.Identifikasi;membandingkanbiometrik dengandatabasebiometrikdalam upayamengidentifikasiindividuyang tidak diketahui.2.5 Gray Level Gray-levelmerupakantingkat warnaabu-abudalamsebuahpiksel,dapat jugadikatakansebagaitingkatcahaya dalamsebuahpiksel.Maksudnyanilai yang terkandung dalam piksel menunjukan tingkat terangnya piksel tersebut dari hitam ke putih. 2.6 Grayscaling Grayscalingdalahproses perubahannilaipikseldariwarna(RGB) menjadigray-level[13].Padadasarnya prosesinidilakukandenganmeratakan nilaipikseldari3nilaiRGBmenjadi1 nilai. 2.7 Thresholding Misalpadasebuahgambar,f(x,y) tersusundariobjekyangterangpada sebuahbackgroundyanggelap[13].Gray-levelmilikobjekdanmilikbackground terkumpulmenjadi2grupyangdominan. Salahsatucarauntukmengambilobjek daribackgroundnyaadalahdengan memilihsebuahnilaithresholdTyang memisahkangrupyangsatudengangrup yanglain.Makasemuapikselyang memiliki nilai > T disebut titik objek, yang laindisebuttitikbackground.Prosesini disebut thresholding. 2.8Telinga Telingaadalah salah satu alat indra padamanusiayangdigunakanuntuk mendengar. Dalamduniateknologi informasi,dauntelingadapatdijadikan salahsatubagiandaritubuhuntuk mengidentifikasipemiliknya.Halini dikarenakanadanyakeunikandaridaun telinga pada masing-masing orang.Bagian-bagiandaridauntelinga tersebutdapatdilihatpadagambar dibawah. Struktur Daun Telinga 2.9Metode Pengenalan Telinga Dalammelakukanpendeteksian telinga,secaragarisbesar,prosesyang akandilakukanadalahlokalisasi, normalisasidanpengenalancitra.Setiap langkahdariprosesyangdijalankan menggunakanmetodeterurutsesuai dengan kebutuhan. 2.9.1 Transformasi Hough TransformasiHoughadalahteknik ekstraksifituryangdigunakandalam analisacitra.Tujuandariteknikiniadalah untukmenemukanbentukdariobyek dalamsebuahkelastertentusesuaidengan prosedur.TujuandaritransformasiHough untukmengatasimasalahinidengan melakukanpengelompokantitikujungke calonobjekdenganmelakukanprosedur votingyangeksplisitatassatuset parameterobjekgambar.Transformasi Houghmengubahalgoritmamenggunakan sebuaharrayyangdisebutakumulator, untuk mendeteksi adanya garis y = mx + b. Dimensiakumulatortersebutsamadengan angka parameter yang belum diketahui dari permasalahan transformasi Hough.Dalamkasuslingkaran,persamaan parametrik yang digunakan yaitu: (x x0)2 + (y y0)2 = r2

dimanax0dany0adalahkordinatpusat lingkaran dan r adalah jari-jari. Algoritma dari deteksi lingkaran ini sesuaidenganilustrasipadagambar dibawah adalah sebagai berikut: 1. Tentukan nilai 2. Untuk setiap piksel (x,y) hitung nilai r = x cos + y sin untuk semua nilai 3. Buat array nilai dan r 4. Jikaarraynilaitelahterbentuk,proses perhitungandilanjutkanbersama dengan array akumulator. Gambar Persamaan parametrik deteksi lingkaran Hough 2.9.2 Metode Jarak Mahalanobis MetodejarakMahalanobisadalah suatumetodestatistikayangdigunakan untukmendapatkansuatudatadengan jaraktertentuterhadapmeandatatersebut sehinggadiperolehsuatupenyebarandata yangmemilikipolaterhadapnilaimean. Metode ini didasarkan pada korelasi antara variabeldenganpolayangberbedayang dapatdiidentifikasidandianalisis.Metode ini mengenali sampel yang telah ditetapkan dengan sampel yang belum dikenal. Metodeinimemilikinilaipenguat yang fleksibel sehingga mudah disesuaikan denganperubahankondisi.Penguatdari metode ini ada pada nilai kovariansinya. Secaraumum,jarakMahalanobis dapat didefinisikan sebagai berikut: DM (x) =

Dengan vektor x = (x1; x2; x3; ::; xN)T dari sekelompoknilaimean= (1; 2;3;:::; N)T . Mahalanobisdistancejugadapat didefinisikansebagaiukuranperbedaan antaraduavektoracakxdanydari distribusiyangsamadenganS(matriks kovariansi). d(x; y) =

BAB III PERANCANGAN DAN IMPLEMENTASI Konsepdasardarisistemyang dibuat diilustrasikan pada gambar. Gambar Model sistem pengenalan citra Aplikasiinisifatnyaberdirisendiri dantidakterkaitpadasistemapapun. Tahap yang dilakukan dalam implementasi sisteminibisadimulaidaritahappertama ataupunlangsungdaritahapkedua. Apabiladimulaidaritahappertama,maka akandilakukanpengambilangambar telingaseseorangterlebihdahuludengan memggunakan kamera digital. Dan apabila kitainginlangsungketahapkedua,maka citratelingayangakankitagunakan sebagaiinputandapatkitaperolehdari database yang tersedia di internet. Ekstraksicitradilakukandengan mengambilsetiappikselcitradandiubah kedalambentukmatriksyangdiolahpada proses pencocokan.3.1 Diagram Alur Proses Padapembuatanprogramini,kita menggunakandiagramaluruntuk perancangansistem.Diagramalurtersebut dapat kita lihat pada gambar dibawah. Gambar Diagram alur sistem 3.2 Proses Pengolahan Citra Secaragarisbesarproses pengolahancitrainiterbagidalamtiga bagianyaituprosessegmentasi,proses normalisasi dan proses pengenalan citra. 3.2.1 Segmentasi Segmentasicitradapatdiartikan mendekomposisikancitrakedalam komponen-komponenyanglebihkecil, ataumemisahkancitramenjadibagian-bagianpembentuknya.Segmentasiini berfungsiuntukmengklasifikasikandan memisahkanbagianobjekyangmenjadi fokuspenelitianberdasarkanmetode-metode tertentu. Gambar Langkah-langkah proses segmentasi Metodeyangdigunakandisini adalahpencariansecaralangsung.Proses inidilakukanpadacitratelingayangtelah diubahmenjadicitrabinermelaluiproses thresholding.Setelahdilakukanproses pengubahankecitrabinerdilanjutkan denganprosespenghalusancitra menggunakanfungsiGaussian.Maksud dariprosesiniadalahmelakukanblur terhadapwarnahitamdanputihyang jaraknyaberdekatansehinggamengurangi derau citra. Metodeuntukmelakukan penghalusancitrainitelahdisediakanoleh OpenCV menggunakan fungsi cvSmooth.Setelahdilakukanprosesdiatas, makaselanjutnyacitratelingatersebut akankitasegmentasikankedalamsakala kecil.Citrayangtelahmemilikibentuk spesifikakandiprosesdenganmetode transformasiHough.TransformasiHough digunakanuntukmendeteksibentukyang spesifiksertamenghasilkanparameter-parameterdankemudianparameterini yangdijadikanrepresentasibentuk melingkar dari telinga. 3.2.2 Normalisasi Tahapnormalisasiiniadalahtahap yangdilakukanuntukmengambilbagian pentingdaricitra(ROI).Tahapini dilakukandengancaramemanfaatkan parametertitikpusatdanjari-jariyang telah didapat pada proses segmentasi. Awaldariprosesnormalisasiini adalahmembentukmatrikskosonguntuk menampungpiksel-pikselhasilekstraksi. Panjang dari matriks ini adalah 360, sesuai denganjumlahperputaransudutyang dilakukansedangkantinggimatriksini adalah sama dengan jari-jari lingkaran.Algoritmadariprosesnormalisasi ditunjukkan pada gambar dibawah. Tahap normalisasi Setiapperhitungannilaixdany menggunakankoefisienkonversisudutke radian(variabela).Setelahnilaixdany didapatkemudiandilanjutkandengan pengambilannilaipixelsesuaidengan kordinatpixel(x,y).Nilaipixelkemudian diletakkan pada matrikskosongyang telah dibuatdannilaiitudiletakkansecaraurut per baris. Gambar Ukuran matriks hasil normalisasi 3.2.3 Pengenalan Citra Tahappengenalancitraadalah tahappuncakdariprosessistemyang dibuat.Hasildariduatahapsebelumnya sangatberpengaruhbesarterhadapproses perhitunganpadatahappengenalancitra. Sepertiyangtelahdiketahuibahwasetiap pertimbangan kondisi yang dilakukan pada duatahapsebelumnyaberdasarkan perhitunganmatriksyangdilakukanpada tahap ini. Sesuaidenganrumusmetode Mahalanobisyangtelahdijelaskanpada babsebelumnya,makavariabelpertama yangharusdihitungadalahmatriks kovarian.Matrikskovarianadalahmatriks yangberisierrorterperincidariestimasi data.Secaraumumperhitunganmatriks kovarianditunjukkanolehgambar dibawah.Gambar Dasar perhitungan matriks kovariansi Nilaivariabelzadalahnilaifaktor skalamatriks.Untukmatrikshasil normalisasitelinga,nilaifaktorskalayang digunakanadalah360danmatriks kovariansiyangdihasilkanadalahmatriks berbentukpersegidenganukuransisi adalahjari-jarilingkaranyangmenjadi batas terluar dari gambar telinga yang akan di proses. Setelahprosesmendapatkan matrikskovarian,dilanjutkandengan perhitunganselisihantarakeduamatriks citra.Perhitunganselisihiniakan menghasilkannilaimatriksbarudan diurutkan secara per baris. Matriks baru ini diproseslebihlanjutuntukmenghasilkan matriks transpose. Tigaprosesperhitunganmatriks telahdilakukandanmatriksyang dibutuhkanuntukmenghasilkannilaijarak Mahalanobistelahdihasilkan.Langkah terakhiryangdilakukanadalahmelakukan proses perkalian antara ketiga matriks. Matriksyangdihasilkanpada perkaliantigamatriksiniadalahmatriks berukuran361x361.Langkahterakhir yangdilakukanadalahmenyeleksisetiap nilaimatrikshasilperhitunganterakhir dengankondisihanyanilaimatrikspositif danterkecil.Nilaijarakmahalanobis dihasilkandariakarkuadratdarinilai matrikspositifterkecilmenggunakan fungsisqrt.Hasilakhirdarisistemini dapat dilihat pada gambar dibawah. Gambar Hasil perhitungan jarak Mahalanobis Hasilakhirperhitunganini merupakanjarakterdekatantaraduacitra. Jarak terdekat ini dijadikan sebagai tingkat kesalahanpengenalancitra.Logikaakhir darihasilperhitungannilaijarak mahalanobisiniadalahjikanilaijarak yangdihasilkansemakinkecilberartinilai kemiripannyamakintinggidan menunjukkanbahwasetiaptahapproses dilakukan dengan baik. 3.3 PerangkatLunakyang Digunakan Dalampembuatanaplikasi pengenalantelingaini,penulis menggunakanbahasapemrogramanC++ denganbantuanlibraryOpenCVversi1 pre1.Untukeditoryangdigunakan, penulis menggunakan CodeBlocks. 3.3.1 C++ C++adalahbahasapemrograman komputer. C++ dikembangkan di Bell Labs (Bjarne Stroustrup) pada awal tahun 1970-an.Bahasaituditurunkandaribahasa sebelumnya,yaituBCL.Salahsatu perbedaanyangpalingmendasardengan bahasaCadalahdukunganterhadap konseppemrogramanberorientasiobjek [5]. 3.3.2 OpenCV OpenCVadalahsingkatandari OpenComputerVision,yaitulibraryopen sourceyangdikhususkanuntuk melakukanComputerVision.Library tersebutditulisdalambahasaC/C++. OpenCVdidesainuntukefisiensi komputasidandenganfokusyangkuat pada aplikasi real-time. 3.3.3 CodeBlocks CodeBlocksadalahsebuaheditor C++yangberbasiskanIDE(Integrated DevelopmentEnvironment)danbersifat gratis. IDE adalah aplikasi perangkat lunak yangmenyediakanfasilitasyanglengkap sepertieditoruntukpenulisanlisting program,sebuahcompilerdan/atau interpreter,danlainsebagainya;kepada pemrogramkomputeruntuk pengembangan perangkat lunak[6]. 3.4Spesifikasi Perangkat Keras Prosesordanmemoriyang digunakandalamimplementasiprogram ini adalah sebagai berikut: 1.ProsesorIntelPentium(R) Core(TM)2DuoCPUT6400@ 2.00 GHz. 2.Memori DDR2 3,00 GB. BAB IV PENGUJIAN KINERJA SISTEM Adaduakriteriayangdilakukan dalampengujiankinerjasisteminiyaitu kriteriaterhadapwaktudankriteria terhadap tingkat keberhasilan. 4.1 Kriteria Waktu Tahappengujianterhadapwaktu maksudnyaadalahtahappengujiandi manakecepatanprosesdijadikansebagai objekpembanding.Tahapinidilakukan dengantujuanuntukmengetahuipengaruh perangkatkerasyangdigunakanuntuk menghasilkansebuahcitrayangakan menjadiinputanpadaaplikasi,terhadap efisiensikinerjasistem.Dalamhalini perangkatkerasyangdimaksudadalah kamera.AlatpertamaadalahKameraHandphone dengan spesifikasi sebagai berikut: 1. Resolusi 240 x 3202. Kekuatan lensa 1,3 Megapiksel Alatkeduaadalahkameradigitaldengan spesifikasi sebagai berikut: 1. Resolusi 1836 x 3264 2. Kekuatan lensa 8 Megapiksel Uji Coba Kamera HanphoneKamera Digital Waktu ekstraksi Total waktu Waktu ekstraksi Total waktu 1 2 3 4 5 6 7 8 9 10 1.482 1.185 1.524 1.341 1.202 1.389 1.256 1.407 1.376 1.298 3.525 3.026 3.806 3.635 3.432 3.679 3.489 3.668 3.702 3.462 0.889 0.998 1.201 1.092 0.874 1.092 1.165 1.186 1.007 1.160 2.449 2.637 2.995 2.710 2.262 2.742 2.584 2.870 2.664 2.604 *waktu dalam satuan detik Tabel pembanding terhadap waktu proses Tabeldiatasadalahhasil perbandinganantaracitrayangdiambil menggunakanduaalatyangberbeda, dimanayangkitatinjauadalahkecepatan prosespengujian.Waktuekstraksiadalah waktuyangdibutuhkansistemterhitung dariawalproseshinggatahappengubahan citra telinga menjadi bentuk polar.Waktutotaladalahwaktuyang dibutuhkansistemterhitungdariawal proses,hingaakhirproses.Waktutotal tersebutmeliputi,waktuekastraksicitra pertama,waktuekstraksicitrakedua,dan waktu pencocokan (matching time). Jikadiperhatikandarikeseluruhan pengujian citra pada tabel, maka dapat kita simpulkanbahwapenggunaankamera yangberbedaakanmempengaruhiwaktu untuk melakukan proses pada sistem. 4.2 Kriteria Keberhasilan Tahapkeberhasilaninidilakukan untuk mengetahui seberapa baik metode ini digunakanuntukmelakukanpengenalan citra telinga.Kriteriakeberhasilanpengenalan telingainiadalahkriteriapengujianyang difokuskanpadakeberhasilanmengenali citratelingadengankondisiapakahcitra telingatersebutberasaldariorangyang samaatautidak.Nilaiperhitunganyang dihasilkanadalahnilaidisimilaritasantara duacitratelinga.Jikanilaitersebut semakinkecilberartijaraknyasemakin dekatdantingkatkemiripannyasemakin tinggi. Pengujianinidilakukandengan menggunakancitratelingadenganformat namafileadalahaa_bb_cc.jpgdimanaaa adalah nomor urut manusia (anggap saja id seseorang),bbadalahposisitelinga(1 adalahtelingasebelahkanandan2adalah telingasebelahkiri)danccadalahnomor urut pengambilan citra telinga per orang. No.Citra UjiCitra PembandingNilai Jarak 101_1_1.jpg01_1_2.jpg 02_1_3.jpg 03_1_1.jpg 14_1_2.jpg 13.199520 15.927968 18.408939 24.406644 204_1_3.jpg04_1_2.jpg 02_1_2.jpg 03_1_3.jpg 19_1_1.jpg 9.542533 15.213543 56.677930 77.684824 302_1_1.jpg02_1_3.jpg 01_1_3.jpg 04_1_2.jpg 11_1_2.jpg 13.922124 19.631545 16.837893 19.846579 414_1_1.jpg14_1_2.jpg 11_1_1.jpg 17_1_4.jpg 20_1_1.jpg 12.359129 36.471670 43.660010 27.007449 510_1_1.jpg10_1_2.jpg 18_1_4.jpg 19_1_2.jpg 15_1_2.jpg 11.259699 31.098769 28.802423 17.754559 613_1_1.jpg13_1_2.jpg 14_1_2.jpg 17_1_4.jpg 16_1_4.jpg 14.287563 55.559609 11.458093 29.255942 720_1_1.jpg20_1_2.jpg 02_1_1.jpg 11_1_4.jpg 04_1_2.jpg 12.687025 40.306212 22.278083 15.189040 820_2_2.jpg20_2_4.jpg 07_2_1.jpg 05_2_3.jpg 06_2_1.jpg 10.296653 33.724747 38.641345 20.235091 912_1_2.jpg12_1_4.jpg 15_1_4.jpg 17_1_1.jpg 19_1_3.jpg 13.696064 44.990047 18.763528 27.947719 1006_2_1.jpg06_2_3.jpg05_2_1.jpg 07_2_2.jpg 20_2_3.jpg 14.556885 11.694680 17.062373 16.590863 1119_1_1.jpg19_1_4.jpg 20_1_2.jpg 02_1_3.jpg 04_1_2.jpg 11.171378 39.378794 41.649358 26.171859 1207_1_1.jpg07_1_2.jpg 12_1_4.jpg 15_1_1.jpg 03_1_2.jpg 9.529568 35.485162 28.323478 17.730008 1316_1_1.jpg16_1_2.jpg 18_1_2.jpg 14_1_3.jpg 11_1_4.jpg 12.051766 35.114025 29.451640 17.567135 1403_1_1.jpg03_1_2.jpg 14_1_4.jpg10_1_1.jpg 18_1_3.jpg 12.021205 18.306680 30.798049 26.067518 1515_1_1.jpg15_1_4.jpg 04_1_2.jpg 19_1_1.jpg 11_1_2.jpg 10.608872 22.210439 14.252081 15.482246 Tabel hasil uji pencocokan Darihasilpengujianpadatabel diatas,dapatkitalihatbahwapadauji tahapkesatu,nilaijarakterdekat dihasilkanpadaperbandingancitratelinga dari orang yang sama. Hasil ini sesuai yang diharapkan. Pada tahap uji ke enam dan ke sepuluhdihasilkannilaijarakterkecildari citratelingaorangyangberbeda.Halini dapatdisebabkankarenakualitascitra telingayangburuk,adanyaderauseperti rambut,segmentasicitrayangmencakup daerahdisekitartelingayangcukup mengganggu,ataupuncitratelingayang dibandingkanmemilikiperbedaanukuran pixelyangsangatsignifikansehingga menyebabkanperbedaanukuranjari-jari yangcukupbesarpula,sehingga perhitungan jarak menjadi kurang optimal. BAB V PENUTUP 5.1Kesimpulan Hasilujicobayangdilakukan memuaskankarenasudahsesuaidengan metodeyangdigunakan.Outputyang dihasilkanhanyaberupajarakduagambar karenatidakmenggunakandatabase sebagaimediapenyimpanandatatelinga. Halinidisebabkankarenabahasa pemrogramanyangdigunakanmasih dalamtahappengembangansehingga masihadanyakendalapadaproses penyimpanan data ke dalam database. 5.2 Saran Untuklebihefektifdalamhal pengunaanaplikasiiniperluadanya pengembangansistem,sehinggapadasaat lokalisasicitrahanyamencakuppada bagian daun telinga saja. Dengan demikian deraupadadaerahsekitardauntelinga dapat dihilangkan sehingga dapat diperoleh hasilyanglebihakurat.Perlujugaadanya penggunaandatabasedansistem kecerdasanbuatandalamimplementasi sisteminigunamempelajaristruktur telingaseseorangyangkemudiandatanya dapatdisimpankedalamdatabaseuntuk keperluanpencocokancitratelinga selanjutnya. DAFTAR PUSTAKA [1]EkoZulkaryanto, http://zulkaryanto.files.wordpress.com/2010/01/hough-transform.pdf, 2010. [2]Globalsecurity.org, http://www.globalsecurity.org/security/systems/ biometrics.htm, 2007. [3]Metrogaya, http://metrogaya.com/home/teknologi-baru-pengenal-data-manusia-lewat-telinga, 2010. [4]R.Fisher, http://homepages.inf.ed.ac.uk/rbf/hipr2/hough.htm, 2003. [5]Wikipedia, http://id.wikipedia.org/wiki/C++. [6]Wikipedia, http://en.wikipedia.org/wiki/Integrated_development_ environment. [7]Wikipedia,http://en.wikipedia.org/wiki/biometrics.[8]WillDwinnell, http://matlabdatamining.blogspot.com/2006/11/mahalanobis-distance.html, 2006. [9]G. Bradski dan A. Kaehler, Learning OpenCV. 1005 Gravenstein Highway North,Sebastopol,CA95472: O'Reilly Media, Inc., 2008. [10]JamesWayman,BiometricSystems Technology,Designand PerformanceEvaluation.Springer London, 2005. [11]L.CarlosJunqueira,basichistology 2nd Edition, ser. ISBN:0-8385-0567-8, 1998. [12]P C Mahalanobis, On the generalised distanceinstatistics.Proceedingsof theNationalInstituteofSciencesof India, 1936. [13]R.C.GonzalezdanR.E.Woods, Digitalimageprocessing.Upper SaddleRiver,NewJersey07458: PrenticeHallInternational,Inc., 2002. [14]R.Munir,PengolahanCitraDigital denganPendekatanAlgoritmik. Penerbit Informatika, Agustus 2004.