6

BAB 2

LANDASAN TEORI

2.1 Inteligensia Semu

Ada beberapa pendapat mengenai definisi artificial intelligence, antara lain:

• Turban (1992, p3)

Artificial intelligence adalah bagian dari ilmu komputer yang ditujukan untuk

membuat software dan hardware menghasilkan sesuatu seperti yang dihasilkan

manusia.

• Rich dan Knight (1991, p3)

Artificial intelligence adalah suatu bidang yang mempelajari bagaimana untuk

membuat komputer melakukan sesuatu, yang pada saat ini, dapat dilakukan

lebih baik oleh manusia.

• Levine et al. (1990, p3)

Artificial intelligence adalah suatu cara untuk membuat komputer dapat

berpikir secara pintar.

• Charniak dan McDermott (1984, p6)

Artificial intelligence adalah kemampuan berpikir melalui model-model dan

perhitungan atau komputasi.

6

Artificial intelligence dibagi atas beberapa sub disiplin ilmu yang

mengkonsentrasikan pada bidang-bidang aplikasi yang berbeda, antara lain (Luger

dan Stubblefield, 1993, p14) adalah:

a. Permainan (games playing)

b. Pertimbangan automata dan pembuktian teorema (automated reasoning and

theorem proofing)

c. Sistem pakar (expert system)

d. Pemahaman bahasa alami dan model semantik (natural language

understanding and semantic modeling)

e. Permodelan penampilan manusia (modeling human performance)

f. Robot (robotic)

g. Perencanaan (planning)

h. Mesin yang belajar (machine learning)

i. Jaringan saraf (neural network)

j. Proses distribusi secara paralel (parallel distributed processing)

2.2 Autentifikasi

Autentifikasi adalah tindakan untuk menentukan atau mengkonfirmasi sesuatu

(atau seseorang) sebagai otentik, yaitu klaim oleh atau mengenai objek (atau

individu) tersebut adalah benar [http 2]. Autentifikasi terhadap seseorang pada

umumnya mencakup verifikasi identitas orang tersebut.

6

Dalam computer security, autentifikasi adalah proses untuk memverifikasi

identitas dari satu pihak dalam komunikasi, seperti permintaan login oleh user.

Pihk yang diautentifikasi bisa seseorang yang menggunakan komputer, komputer

itu sendiri, atau sebuah program aplikasi.

Metode-metode autentifikasi yang digunakan manusia dibagi menjadi tiga :

a. User itu sendiri/biometrik (sidik jari, retina, DNA, iris, tandatangan)

b. Sesuatu yang dimiliki (kartu pengenal)

c. Sesuatu yang diingat (password, PIN)

Penggunaan metode-metode tersebut seringkali dikombinasikan seperti pada

penggunaan kartu ATM, dimana dilakukan kombinasi penggunaan kartu pengenal

dan PIN.

2.3 Biometrik

Biometrik berasal dari kata “Bios” yang berarti hidup dan “Metron” yang

berarti pengukuran. Biometrik adalah teknologi yang memfokuskan untuk

mengidentifikasi seseorang lewat ciri-ciri fisik khasnya ataupun karakteristik

tingkah lakunya [http 3]. Biometrik pertama kali digunakan di Cina pada abad ke

14. Seorang penulis bernama Joao de Barros menulis bahwa pedagang-pedagang

Cina pada masa itu menstempel telapak tangan dan telapak kaki anak kecil pada

kertas, untuk membedakan satu anak dengan yang lain. Di Barat identifikasi pada

awalnya hanya bergantung pada ingatan fotografis, sampai seorang petugas polisi

dan antropologis Perancis, Alphonse Bertillon, mengembangkan sistem

6

antropometrik (dikenal juga dengan Bertillonage) pada tahun 1883. Sistem tersebut

adalah sistem ilmiah pertama yang digunakan secara luas untuk mengidentifikasi

kriminal, menjadikan biometrik sebagai sebuah bidang studi. Sistem tersebut

bekerja dengan cara mengukur tinggi dan lebar dari kepada dan badan seseorang

secara tepat, dan mencatat ciri-ciri khas tertentu dari fisik seseorang seperti tato

ataupun bekas luka. Sistem Bertillon digunakan secara luas di dunia Barat, sampai

banyak ditemukan kelemahan dalam sistem tersebut. Setelah itu polisi-polisi Barat

berpaling pada sidik jari.

Biometrik memberikan solusi yang lebih baik untuk kebutuhan keamanan yang

lebih tinggi daripada metode-metode autentifikasi yang sudah ada saat ini

(password, PIN, kartu identitas). Dengan menggunakan sistem autentifikasi

berbasis biometrik, user tidak perlu mengingat password, PIN, atau membawa

kartu identitas. Pengunaan sistem berbasis biometrik juga akan mengurangi

penipuan dan akses-akses yang tidak diinginkan. Biometrik yang sudah digunakan

secara luas pada bidang forensik seperti identifikasi kriminal dan keamanan

penjara, memiliki potensi besar untuk digunakan pada aplikasi-aplikasi umum.

Pada umumnya sistem biometrik bekerja pada empat tahap:

a. Capture : data-data fisik ataupun tingkah laku di-capture oleh sistem.

b. Ekstraksi Fitur : ciri unik dari data diekstrak dengan menggunakan algoritma

tertentu, dan menciptakan sebuah template yang disimpan dalam database.

6

c. Pembandingan : sistem membandingkan template pada database dengan

template yang didapat dari data baru. Proses pembandingan meliputi

perhitungan Hamming distance.

Performa dari sebuah biometrik pada umumnya diukur dari tingkat

kesalahan penerimaan (false accept rate / FAR) ,tingkat kesalahan penolakan

(false reject rate / FRR) dan equal error rate (EER). Tingkat kesalahan

penerimaan mengukur persentase pengguna tidak sah yang diautentifikasi sebagai

pengguna yang sah. Tingkat kesalahan penolakan merupakan persentase pengguna

yang sah ditolak dalam autentifikasi. Sedangkan EER adalah tingkat dimana FAR

dan FRR memiliki nilai yang sama. Semakin rendah nilai EER maka sistem

tersebut semakin akurat.

Biometrik fisik yang umum mencakup sidik jari, bentuk telapak tangan,

retina, iris, dan wajah. Sedangkan biometrik karakter tingkah laku mencakup tanda

tangan, suara (juga mengandung karakteristik fisik), dan pola pengetikan, yang

ditunjukkan pada Tabel 2.1 berikut ini.

6

Metode Pola

Tingkat Kesalahan

Keamanan

Aplikasi

Penngenalan Iris

Pola iris

1/1,200,000

Tinggi

High-security facilities

Pengenalan sidik jari

Pola sidik jari

1/1,000

Sedang

Universal

Bentuk tangan

Ukuran, panjang, dan ketebalan telapak tangan

1/700

Rendah

Low-security Facilities

Pengenalan wajah

Outline, bentuk dan distribusi dari mata dan hidung

1/100

Rendah

Low-security Facilities

Tanda tangan

Bentuk huruf, urutan penulisan, dan tekanan

1/100

Rendah

Low-security Facilities

Suara Karakteristik suara 1/30 Rendah Pelayanan telepon

Tabel 2.1 Tabel Biometrik

2.3.1 Sidik Jari

Pengenalan sidik jari adalah teknologi biometrik yang paling umum dan

dipakai secara luas pada berbagai aplikasi, dan merupakan metode identifikasi

yang sudah dipakai sejak 100 tahun yang lalu. Sidik jari terbentuk dari kumpulan

ridges dan furrows pada permukaan ujung jari. Keunikan sidik jari ditentukan dari

pola-pola ridges, furrows dan juga titik-titik minutiae. Pada masa lalu sidik jari

disimpan dengan cara mebubuhkan tinta ke ujung jari dan menekan jari tersebut ke

kertas sehingga pola sidik jari tercetak. Pada masa kini sudah dimungkinkan untuk

pemindaian sidik jari ke dalam penyimpanan virtual dalam komputer dengan

bantuan teknologi laser. Untuk mengidentifikasi, sidik jari seseorang akan dipindai

menggunakan alat yang sama, dan kecocokan antara sidik jari dan nama orang

tersebut akan diverifikasi oleh sistem.

6

2.3.2 Telapak Tangan

Pengenalan telapak tangan meliputi analisis dan pengukuran dari bentuk

geometri telapak tangan. Biometrik ini menawarkan karakteristik performa dan

relatif mudah digunakan. Pengenalan telapak tangan pertama kali digunakan di

Wall Street untuk kepentingan keamanan lebih dari 20 tahun yang lalu. Budaya

manusia yang menawarkan tangan sebagai tanda persahabatan ataupun pengikatan

pernjanjian, membuat sistem pengenalan telapak tangan diterima secara luas di

kantor-kantor, pabrik-pabrik, dan lingkungan perusahaan lainnya.

2.3.3 Retina

Biometrik berbasis retina mencakup analisa dari pembuluh darah yang terletak

pada belakang mata. Teknologi ini menggunakan sumber cahaya bertekanan

rendah untuk memindai pola yang unik dari retina. Biometrik berbasis retina

merupakan salah satu sistem biometrik yang paling akurat. Walaupun memiliki

tingkat keakurasian yang tinggi, biometrik berbasis retina seringkali dipandang

sebagai teknik yang intrusive dan kurang nyaman digunakan , dikarenakan subjek

pengguna diharuskan untuk berdiri diam dalam jarak yang dekat dengan alat

pemindai, ataupun untuk subjek yang menggunakan kacamata. Hal-hal tersebut

menyebabkan biometrik retina kurang diterima secara hangat oleh pengguna,

biarpun teknologinya sendiri dapat bekerja dengan baik.

6

2.3.4 Iris

Biometrik berbasis iris mencakup analisis dari fitur-fitur yang ditemukan pada

lapisan berwarna yang mengelilingi pupil mata untuk mengidentifikasi seseorang.

Iris adalah area berpigmen pada mata manusia Pemindaian iris lebih nyaman

digunakan karena menggunakan kamera yang cukup konvensional dan pengguna

tidak memerlukan kontak jarak dekat antara user dengan alat pemindai. Biometrik

iris dapat digunakan untuk pengguna yang memakai kacamata. Teknologi

pemindaian iris pertama kali digunakan pada mesin ATM di Inggris, Jepang, dan

Jerman sejak 1997.

2.3.5 Wajah

Pengenalan wajah menganalisis bentuk unik, pola dan penempatan posisi dari

fitur-fitur wajah seseorang. Ada dua metode untuk memproses data : video dan

pencitraan thermal. Teknik video standar berbasis pada citra wajah seseorang yang

diambil oleh kamera video. Teknik pencitraan thermal menganalisa tingkat panas

yang dikeluarkan pembuluh-pembuluh darah dibawah permukaan kuliat wajah.

Sistem biometrik wajah masih memiliki banyak masalah, beberapa diantaranya

yaitu tidak mampu membedakan kembar identik, tidak mampu membedakan

seseorang yang memakai atau tidak memakai kacamata. Teknologi ini sudah

dipakai digunakan salah satunya di industri kasino untuk menciptakan database

wajah penipu-penipu untuk deteksi dini dari petugas keamanan.

6

2.3.6 Tanda Tangan

Verifikasi tanda tangan menganalisis cara-cara seseorang membuat tanda

tangan. Fitur-fitur yang ada seperti kecepatan, sudut penulisan, urutan penulisan

dan tekanan sama pentingnya dengan bentuk akhir dari tanda tangan tersebut.

Tanda tangan sudah lama digunakan sebagai verifikasi identitas berbasis transaksi,

sehingga cukup diterima ketika dikembangakan dalam teknologi biometrik.

Pengenalan tanda tangan sudah digunakan secara luas, salah satu contoh utama

adalah pada penggunaan kartu kredit.

2.3.7 Suara

Pengenalan suara adalah biometrik yang mengenali seseorang berdasarkan

karakteristik suara orang tersebut. Fitur-fitur unik dari suara seseorang di-digitasi

dan dibandingkan dengan sampel suara orang tersebut yang sudah direkam

sebelumnya. Pengenalan suara merupakan hal yang berbeda dengan pengenalan

kata karena pengenalan suara tidak mengenali kata yang diucapkan tersebut,

melainkan mengenali individu yang mengucapkan kata tersebut. Pengenalan suara

dipengaruhi oleh banyak faktor seperti kualitas suara, noise, ataupun kondisi

kesehatan pengguna, seseorang yang sedang terkena penyakit flu akan menghadapi

kesulitan menggunakan sistem yang berbasis pengenalan suara.

6

2.3.8 Pola pengetikan

Pola pengetikan menganalisis cara seseorang mengetik. Teknologi ini masih

cukup baru dalam biometrik. Pengguna dikenali dengan mengetik kata atau kata-

kata tertentu sebanyak beberapa kali. Pengenalan dilakukan berdasarkan konsep

bahwa seseorang mengetik dengan pola/ritme yang tetap.

2.4 Mata Manusia

Pada Gambar 2.1 terdapat gambar mata manusia secara garis besar yang

dibedakan menjadi beberapa bagian yaitu :

1. Dinding bola mata :

a. Sklera : yaitu jaringan ikat kolagen, kenyal, dan memiliki tebal 1 mm.

b. Kornea : berbentuk seperti lingkaran, jernih, sebagai tempat masuknya

cahaya, memiliki diameter 12 mm, tebal 0,6 -1 mm dan terdiri dari lima

lapisan.

2. Isi bola mata :

a. Lensa : bening, bikonveks, memiliki tebal 5 mm, berfungsi untuk

membiaskan cahaya.

b. Uvea :

- Iris : membran berwarna berbentuk sirkular. Iris memiliki

lubang ditengah yang disebut pupil yang berfungsi mengatur

banyak sedikit cahaya yang masuk.

- Korpus siliaris

6

- Koroid

c. Badan kaca/korpus vitreous

d. Retina : membran tipis tempat penyebaran serabut saraf optic, terletak

diantara badan kaca dan koroid.

Gambar 2.1 Skema Mata

2.4.1 Iris

Iris manusia berfungsi untuk mengatur keluar masuknya cahaya pada pupil.

Iris mulai terbentuk pada bulan ketiga gestasi. Struktur yang membentuk pola unik

iris terbentuk secara sempurna pada bulan kedelapan gestasi, namun pigmentasi

terus berlanjut sampai tahun pertama setelah kelahiran. Warna iris ditentukan

sebagian besar dari kepadatan stroma dan kandungan melaninnya.

Iris adalah salah satu organ internal dari mata, terletak dibelakang kornea

dan aqueous humor, namun masih didepan lensa mata, seperti yang terlihat pada

Gambar 2.2. Citra dari sebuah iris yang masih dapat dipakai untuk pengenalan,

bisa diambil dari sejauh kurang lebih satu meter.

6

Gambar 2.2 Anatomi iris manusia

Fitur yang dapat terlihat dari sebuah iris tampak pada trabeculum, sebuah

meshwork dari lapisan-lapisan yang saling berhubungan yang menampilkan

arching ligaments, crypts, contraction furrow, corona, pupillary fills, coloration

dan freckles. Lapisan anterior yang bergaris menyelimuti trabecular meshwork

menciptakan tekstur predominant yang bisa terlihat, variasi-variasi angular dan

radial tersebut secara keseluruhan membentuk sebuah pola unik.

Salah satu ciri iris yang juga dimiliki sidik jari adalah morfogenesis yang

acak dari minutiae-nya. Detil-detil morfogenesis iris bergantung pada kondisi-

kondisi awal pada saat pembentukannya pada mesoderm embrionik, karena itu

bahkan pada dua iris yang memiliki genotipe genetik yang sama (seperti pada

kembar identik, pasangan iris pada seseorang) pun memiliki pola yang berlainan.

Bila dibandingkan dengan fitur biometrik yang lain seperti wajah atau sidik jari,

pola iris lebih memiliki keunikan dan stabil seiring dengan berjalannya waktu.

6

Sifat-sifat iris yang memungkinkannya untuk digunakan dalam sistem

autentifikasi tingkat tinggi adalah :

1. Terlindung dan terisolasi dari lingkungan luar

2. Mustahil untuk mengubah/memodifikasi iris melalui operasi tanpa tingkat

resiko yang tinggi pada penglihatan.

3. Respon fisiologis terhadap cahaya.

4. Kemudahan mendapatkan citra iris pada jarak tertentu dari subjek, tanpa

memerlukan kontak fisik.

5. Pola iris yang memiliki derajat keunikan yang tinggi, menciptakan

variabilitas antar subjek sebanyak kurang lebih 250 derajat keunikan

(degree-of-freedom), dan kepadatan informasi (entropi) sebesar 3,2 bit per

millimeter persegi.

2.5 Citra (Image)

Citra adalah array dari nilai-nilai dimana sebuah nilai merupakan

sekumpulan angka yang mendeskripsikan atribut dari pixel yang terdapat di

dalamnya. Berdasarkan Windows Xp Glossary [http 1], “A stored description of a

graphic image either as a set of brightness and color values of a pixels or as a set

of instructions for reproducing the picture.” Menyatakan bahwa image adalah

deskripsi dari gambar grafik yang tersimpan sebagai kumpulan nilai warna dan

brightness dari pixel atau kumpulan intruksi untuk menghasilkan gambar.

6

2.5.1 Piksel

Menurut Oliver et al. (1996, p4) “Your computer display images as a two

dimensional collection of dots, called pixels”. Menyatakan piksel adalah titik yang

merupakan penyusun dari image yang ditampilkan komputer. Piksel adalah unsur

citra yang menunjuk pada satuan terkecil yang dapat diamati dalam grafik. Pada

citra berformat bitmap, piksel adalah titik-titik yang digunakan untuk membangun

citra. Piksel terdiri atas tiga komponen warna yaitu R (red), G (green), dan B

(blue), masing-masing komponen tersebut merupakan warna dasar cahaya.

2.5.2 Citra Bitmap

Citra Bitmap adalah data diskrit (berhingga) yang mendefinisikan sebuah

citra yang didasarkan pada relasi one-to-one terhadap pixel-pixel yang membentuk

citra tersebut pada layar monitor komputer. Citra Bitmap biasanya diturunkan dari

model grafik vektor jenis lain dari grafik komputer yang didefinisikan secara

matematis dan dapat ditransformasi tanpa mengurangi kualitasnya. Sebuah citra

bitmap dipetakan ke atas grid-grid pixel. Ukuran grid tergantung pada resolusi

citra. Misalnya, citra berbasis bitmap seukuran 1 inci x 1 inci dengan resolusi 600

dpi (dot per inch) akan dipetakan pada grid berukuran 600 x 600 pixel. Dengan

demikian, sebuah citra bitmap adalah seperti mosaik dari pixel-pixel dengan setiap

pixelnya memiliki nilai warna tertentu. Citra bitmap tidak dapat diperbesar ataupun

diperkecil dan juga tidak dapat ditransformasi seperti halnya grafik vektor.

6

2.5.3 Pengolahan Citra

Pengertian pengolahan citra (image processing) berdasarkan Windows Xp

Experiences Glossary [http 1], “The analysis, storage, and display of graphical

images from sources such as photographs, drawings, and video”. Disebutkan

bahwa pengolahan citra adalah analisis, manipulasi, penyimpanan, dan tampilan

dari citra grafik yang bersumber dari fotografi, lukisan, dan video.

Pengolahan citra terdiri dari tiga urutan langkah. Tahap masukan (image

ditangkap/di-capture dan digitalisasi) mengubah perbedaan warna dan bayangan

pada gambar ke dalam nilai biner yang dapat diproses komputer. Tahap proses

dapat melibatkan image enchantment (seperti grayscaling dan edge detection) dan

kompresi data. Tahap keluaran terdiri dari tampilan atau cetakan dari image yang

diproses. Pengolahan citra digunakan pada beberapa aplikasi seperti televisi,

bioskop, pengobatan, pemetaan cuaca, dan berbagai pengenalan pola.

2.6 Pengenalan Pola

Pattern recognition yang berarti pengenalan pola, dimana dalam hal ini

komputer dapat mengetahui atau mengenai suatu bentuk pola (pattern). Ada dua

macam pola, yaitu abstrak dan konkrit. Contoh dari pola abstrak adalah ide-ide dan

argument-argumen, conceptual recognition yang digunakan dalam artificial

intelligence. Sedangkan contoh pola yang tidak termasuk pola konkrit adalah

karakter, symbol, gambar, gambar-gambar dari biomedical, objek tiga dimensi,

misalnya tanda tangan atau suara.

6

Ada tiga fase dalam pengenalan pola:

a. Data acquisition, yaitu analog yang sudah dikumpulkan, dilewatkan ke

transducer dan dikonversi menjadi format digital untuk diproses oleh komputer.

Pada tahap ini, physical variables dikonversikan menjadi sebuah data set oleh

electric signal.

b. Data processing, input fase ini adalah data set dari hasil data acquisition,

kemudian dibuat menjadi sebuah kelompok karakteristik set sebagai output.

c. Decision classification, sebagai pengklasifikasian dalam bentuk decision

function set.

2.7 Transformasi Hough

Transformasi Hough adalah teknik yang dipakai untuk mengisolasi fitur-fitur

dari bentuk tertentu dalam sebuah citra. Transormasi Hough klasik pada umumnya

dipakai untuk mendeteksi bentuk-bentuk yang umum seperti garis, lingkaran, atau

ellips. Transformasi Hough yang digeneralisasi (Generalized Hough Transform)

dipakai pada aplikasi-aplikasi dimana analisis deskripsi dari fitur yang sederhana

tidak mungkin dilakukan. Salah satu keunggulan utama dari Transformasi Hough

adalah toleransinya terhadap perbedaan (gap) deskripsi batas-batas fitur dan

kurang dipengaruhi oleh noise.

Pada aplikasi ini, Transformasi Hough circular digunakan untuk melakukan

segmentasi untuk mendapatkan radius dan koordinat pusat dari area iris dan pupil.

Pertama-tama sebuah edge map di-generate dengan mengkalkulasi nilai intensitas

6

pada citra mata lalu melakukan thresholding pada hasilnya. Dari edge map tersebut

nilai-nilai yang didapat, dimasukkan dalam Hough space untuk mendapatkan

parameter-parameter dari lingkaran-lingkaran yang melewati edge point.

Parameter-parameter tersebut adalah koordinat pusat x, y, dan radius r,

dimana parameter-parameter tersebut bisa digunakan untuk mendefinisikan

lingkaran dengan rumus :

x2 + y2 - r2 = 0

Titik maksimum dari Hough space akan menentukan radius dan koordinat pusat

lingkaran yang didefinisikan paling baik oleh edge point.

Dalam melakukan deteksi sisi (edge detection), deteksi horizontal dilakukan

untuk mendeteksi kelopak mata, dan deteksi vertikal dilakukan untuk mendeteksi

batas circular dari iris. Dengan hanya menggunakan gradien vertikal untuk

mendeteksi batas iris akan mengurangi pengaruh kelopak mata ketika Tranformasi

Hough circular dilakukan.

2.8 Model Rubber Sheet Daugman

Model rubber sheet dikembangkan oleh Daugman (Daugman, 2000) untuk

melakukan proses normalisasi pada citra region iris. Model rubber sheet

memetakan tiap titik dalam region iris menjadi pasangan koordinat polar (r, theta)

dimana r ada pada interval 0-1 dan theta adalah sudut (2 phi).

Pemetaan region iris dari koordinat Kartesius (x,y) menjadi representasi

polar non-konsentrik didefinisikan sebagai berikut :

6

I ( x ( r, theta ), y ( r, theta ) ) ) -> I ( r, theta )

dengan :

x ( r, theta ) = ( 1 – r ) xp (theta) + rx1( theta )

y ( r, theta ) = ( 1 – r ) yp (theta) + ry1( theta )

dimana I ( x, y ) adalah citra region iris, ( x, y ) adalah koordinat Kartesius awal, (r,

theta) adalah koordinat polar yang ternormalisasi, dan xp , yp , x1 , y1 adalah

koordinat batas pupil dan iris sepanjang arah theta.

Model rubber sheet tetap memperhitungkan perubahan ukuran dari pupil

dan inkonsistensi ukuran supaya bisa menghasilkan sebuah representasi

ternormalisasi dengan dimensi yang konstan.

2.9 Filter Gabor

Filter Gabor dikonstruksikan dengan memodulasi sebuah gelombang

sinus/cosinus dengan sebuah Gaussian, sehingga dapat memberikan lokalisasi

gabungan yang optimal dalam ruang dan frekuensi. Modulasi gelombang sinus

dengan Gaussian memberikan lokalisasi dalam ruang, namun menghilangkan

lokalisasi dalam frekuensi. Dekomposisi dari sebuah signal dilakukan dengan

sepasang filter Gabor quadrature, dengan bagian real dispesifikasikan oleh sebuah

gelombang cosinus yang dimodulasi dengan Gaussian, dan bagian imaginary

dispesifikasikan oleh sebuah gelombang sinus yang dimodulasi dengan Gaussian.

Filter real dan imaginary dikenal juga dengan komponen even symmetric dan odd

symmetric.

6

Filter Gabor digunakan untuk mengenkode data pola iris. Filter Gabor dari

image (x, y) adalah :

dengan (xo, yo) merupakan posisi pada citra, (alpha, beta) menspesifikasikan lebar

dan panjang efektif, dan (uo, vo) sebagai modulasi, yang memiliki frekuensi spasial

wo = akar(u02 + vo

2).

Filter Gabor dalam bentuk polar sebagai berikut :

dimana (ro, theta o) adalah pusat frekuensi dari filter.

Filter Gabor dalam skala logaritmik yang disebut juga Log-Gabor Filter

sebagai berikut :

dimana f0 merupakan pusat frekuensi.

Hasil dari filter didemodulasi untuk mengkompres ukuran data. Demodulasi

dilakukan dengan melakukan kuantisasi fase ( phase quantization ) informasi

kedalam empat level, sesuai dengan jumlah kuadran. Menurut Oppenheim dan Lim

(Oppenheim dan Lim, 1981), fase informasi memiliki informasi paling banyak

dalam sebuah citra. Empat level ini direpresentasikan dengan 2 bit dari data,

sehingga setiap piksel dari pola iris yang ternormalisasi menunjuk pada 2 bit data

dalam template iris. Sejumlah 2.048 bit dikalkulasi untuk template tersebut, dan

masking bit dengan jumlah yang sama di-generate untuk menyaring region iris

6

yang rusak, sehingga menghasilkan template yang memiliki efisiensi ruang sebesar

256 byte.

Proses demodulasi dan kuantisasi fase direpresentasikan sebagai berikut :

dimana h{Re,Im} sebagai sebuah bit bernilai kompleks yang komponen real dan

imaginary-nya bergantung pada tanda dari integral 2D, dan I ( p , o ) adalah citra

iris dalam sebuah koordinat polar.

2.10 Hamming Distance

Dalam teori informasi, Hamming distance antara dua string yang memiliki

panjang yang sama adalah angka-angka dari posisi dimana terdapat simbol-simbol

yang berbeda. Dengan kata lain, Hamming distance mengukur jumlah substitusi

yang diperlukan untuk mengubah satu string menjadi string yang lain, atau jumlah

error yang mengubah satu string menjadi string yang lain. Dua string yang sama

mempunyai Hamming distance nol dan dua string yang benar-benar berbeda

mempunyai Hamming distance satu. Gambar 2.3 adalah grafik Hamming Distance.

6

Gambar 2.3 Grafik Hamming Distance

Hamming distance dinamakan dari Richard Hamming, yang

memperkenalkannya pada esainya mengenai pendeteksian error dan kode-kode

pengkoreksian error. Digunakan pada bidang telekomunikasi untuk menghitung

jumlah bit yang terbalik pada sebuah kata binary sebagai perkiraan kesalahan.

Hamming weight dari sebuah string adalah Hamming distance string

tersebut dari string kosong (string yang berisi nol) dengan panjang yang sama.

Rumus Hamming distance adalah :

dimana Xj dan Yj adalah 2 template bit-wise yang akan dibandingkan. Xnj dan Ynj

adalah mask noise yang berhubungan dengan Xj dan Yj. N adalah jumlah bit tiap

template.

6

2.11 Pengenalan Iris

Pengenalan iris menganalisa karakteristik dan fitur-fitur unik dari iris

manusia untuk mengenali seseorang. Teknologi pengenalan iris

mengkombinasikan computer vision, pengenalan pola, inferensi statistika, dan

optik. Pengenalan iris bertujuan untuk melakukan autentifikasi pada seseorang

dengan melakukan analisa matematis dari pola acak yang terlihat pada iris manusia

dengan tingkat akurasi yang tinggi. Iris merupakan organ internal yang pola

acaknya stabil sepanjang hidup, sehingga bisa digunakan sebagai “password” yang

tidak perlu diingat tapi selalu ada.

2.11.1 Prinsip Pengenalan Iris

Pada umumnya sistem pengenalan iris menggunakan sebuah kamera, yang

ditempatkan dengan jarak kurang lebih satu meter, menggunakan pencahayaan

infra merah dan mengambil sebuah citra dengan resolusi tinggi. Sistem tersebut

juga melakukan pengecekan apakah mata tersebut adalah mata yang hidup, dengan

cara mengecek perubahan pada ukuran pupil.

Citra mata yang ditangkap kemudian diproses untuk mendeteksi iris. Citra

iris lalu diekstraksi fitur-fitur pentingnya, menjadi kode-kode digital yang disebut

dengan tempate iris, yang akan disimpan untuk digunakan kembali di masa yang

akan datang untuk keperluan pengenalan.

6

Sistem pengenalan iris memiliki tingkat kesalahan penerimaan yang sangat

rendah yaitu 1/1.200.000, sedangkan tingkat kesalahan penolakan, jumlah

pengguna sah yang ditolak sistem, hampir mencapai tingkat 0 %.

2.11.2 Keunggulan dan Kelemahan Pengenalan Iris

Beberapa keunggulan sistem pengenalan iris adalah :

a. Iris sebagai organ internal mata cukup terlindungi.

b. Dapat dilihat dari luar, sehingga memudahkan proses pengambilan citra.

c. Pola iris memiliki derajat keunikan yang sangat tinggi.

d. Pola iris stabil sepanjang hidup.

e. Hampir mustahil untuk mengimitasi sebuah iris.

Beberapa kelemahan sistem pengenalan iris :

a. Ukuran kecil (1 cm)

b. Iris terletak di belakang permukaan yang basah dan memantulkan cahaya.

c. Gangguan berupa bulu mata, lensa, dan refleksi cahaya.

d. Membutuhkan kooperasi dari subjek yang akan diautentifikasi.

2.11.3 Penerapan Sistem Pengenalan Iris

Sistem pengenalan iris telah banyak dipakai diberbagai bidang aplikasi.

Aplikasi-aplikasi yang sudah menggunakan sistem pengenalan iris antara lain

untuk keamanan penerbangan, mengontrol akses-akses terbatas pada bandar udara,

akses database, dan yang lainnya. Pada beberapa bandar udara internasional,

6

seperti Heathrow di London, Schipol Amsterdam, Frankfurt dan Athena, telah

menggunakan sistem ini untuk pengecekan penumpang dan pengontrolan imigrasi.

Penggunaan sistem pengenalan iris terbesar adalah di Uni Emirat Arab

(UEA), dimana setiap hari dilakukan dua milyar pembandingan iris. Setiap

pendatang yang tiba di 17 bandar udara dan pelabuhan akan diambil citra irisnya,

dikomputasi dan dibandingkan dengan dengan seluruh data-data iris yang ada

pada database.

Teknologi pengenalan iris juga sangat mungkin diterapkan pada aplikasi-

aplikasi lainnya dimana identitas seseorang harus dikonfirmasi, seperti keamanan

informasi, akses masuk ke bangunan, menyalakan mesin mobil, akses network, dan

transaksi-transaksi lainnya dimana autentifikasi personal masih bergantung pada

sesuatu yang kita ingat atau punya (kunci, kartu, dokumen, password, PIN).

Penerapan sistem pengenalan iris diterapkan pada beberapa negara-negara

seperti yang terdapat pada Tabel 2.2 berikut ini.

Deskripsi proyek Lokasi Sektor Deskripsi Iris in Pakistan Pakistan Pemerintah Untuk melakukan tracking atas pengungsi

Afghanistan yang telah menerima sumbangan dari UNHCR.

Iris Pilot – Logan Massachusets Travel dan Transportasi

Digunakan untuk akses keamanan pada kantor.

JFK Iris Pilot New York Travel dan Transportasi

Untuk melindungi akses ke pintu tarmac.

City Hospital of Bad Reichenhall in Bavaria

Jerman Kesehatan Kontrol akses ke kamar bayi untuk mencegah penculikan

Singapore Border Crossing

Singapore Imigrasi Kontrol pekerja harian Malaysia yang memasuki Singapura setiap harinya.

UK Passport Office Iris Pilot

Inggris Identitas Proyek uji coba selama 6 bulan untuk mengetahui penerimaan masyarakat pada iris sebagai identitas.

Venerable Bede (UK) School - Iris

Inggris Ritel/ATM/POS Digunakan murid-murid sekolah untuk check-out dari perpustakaan dan pembayaran pada kantin.

Tabel 2.2 Tabel Penerapan Sistem Iris

6

2.12 Interaksi Manusia dan Komputer

IMK adalah disiplin ilmu yang berhubungan dengan perancangan, evaluasi, dan

implementasi sistem komputer interaktif untuk digunakan oleh manusia.

2.12.1 Ciri-ciri Software yang Baik

Menurut Shneiderman (1998, p15) ada lima ciri-ciri software yang baik,

yaitu:

1. Time to learn (waktu untuk mempelajari).

2. Speed of performance (kecepatan dalam pembuatan).

3. Rate of errors by user (rating terjadinya kesalahan oleh pengguna).

4. Retention over time (memori lebih).

5. Subjective satisfication (kepuasan subyektif)

2.12.2 Delapan Aturan Emas User Interface

Menurut Shneiderman (1998, p74-75), ada delapan jenis aturan emas dalam

tentang user interface, yaitu :

1. Berusaha keras untuk konsisten.

2. Memungkinkan frequent user menggunakan shortcut.

3. Memberikan feedback yang informatif.

4. Merancang dialog untuk menghasilkan keadaan akhir.

5. Menyediakan pencegahan error dan penanganan error yang sederhana

(control error).

6

6. Mengijinkan pembalikan aksi (undo) dengan mudah.

7. Pengontrolan terletak pada pengguna sendiri.

8. Mengurangi beban ingatan jangka pendek.

2.12.3 Usability Test

Menurut Shneiderman (1998, p130), usability test meliputi:

- Kebebasan fakultatif untuk berpartisipasi dalam eksperimen.

- Kemajuan informasi agar tugas akan selesai dan prosedur yang akan diikuti.

- Kesempatan bertanya dan mempunyai jawaban atas pertanyaan itu untuk

kepuasan (satisfied).

- Konsentrasi dan melanjutkan pastisipasi kapan saja, tanpa prasangka pada

laporan di masa depan.

- Penegasan untuk semua statement dan memberikan prioritas bagi partisipasi

dalam studi.