deteksi semangat hidup seseorang melalui … · berikan respons terhadap semua perubahan yang...

Ratih, Deteksi Semangat Hidup Sesorang... 23

DETEKSI SEMANGAT HIDUP SESEORANG MELALUI PENGENALAN POLA IRIS MATA BERBASIS ARTIFICIAL NEURAL NETWORK

Ratih Puspasari

STMIK Potensi Utama, Jl.K.L Yos Sudarso Km. 6,5 No.3-A Tanjung Mulia

Email : [email protected]

ABSTRACT Iridology (sometimes referred to as iris diagnosis) is based on belief that each area of

the body is represented by a corresponding area in the iris of the eye (the colored area around the pupil). According to this viewpoint, a person's state of health and disease can be diagnosed from the color, texture, and location of various pigment flecks in the eye. From this theory, any human body has connection that could have related wtihin eye and nerves. Those also have effect on human psicology and life animation of a person which can detected by reading any change of countur on the iris at the iris chart.

Keywords: iridology, iris diagnosis, iris recognition, image processing, artificial

neural network

ABSTRAK

Iridologi merupakan satu kajian mengenai apa yang tergambar pada iris mata dan merupakan salah satu metode pengamatan terhadap semua perubahan yang terjadi di-dalamnya. Iridiologi juga merupakan satu cara dalam mendiagnosa atau menganalisa keadaan kesehatan seseorang. Di dalam iridiologi terdapat bagan iridologi yang menun-jukkan lokasi organorgan pada tubuh manusia. Teori tersebut menyatakan bahwa iris mata itu pada hakikatnya berhubungan dengan setiap organ pada tubuh manusia yang melintang pada sistem saraf dan otak. Jaringan saraf yang terdapat pada iris akan mem-berikan respons terhadap semua perubahan yang terjadi di dalam tubuh dengan cara memanifestasikan refleks fisiologi yang sejajar dengan lokasi dan perubahan tertentu. Hal tersebut juga berpengaruh terhadap perubahan semangat hidup (Animation of Life) seseorang, dimana karakter atau sifat seseorang dapat diketahui melalui deteksi iris pada mata orang tersebut..

Kata kunci: iridologi, iris diagnosis, iris recognition, image prosesing, artificial

neural network PENDAHULUAN

Iridologi atau yang biasa disebut sebagai diagnosis iris adalah suatu metode kedokteran yang menyatakan bahwa tiap bagian pada tubuh dapat direpresentasikan dengan wilayah yang terdapat pa-da iris mata (bagian yang berwarna pada pupil) [10]. Menurut pandangan metode ini, kondisi kesehat-an dan penyakit dapat didiagnosis atau dideteksi dari keadaan warna, tekstur dan lokasi terdapatnya flek / pigment pada mata. Dengan melihat tanda – tanda pada iris mata, maka dapat juga diketahui se-jarah yang lengkap tentang penyakit – penyakit yang pernah diderita pada seseorang, sekaligus juga perawatan yang pernah dijalani. Pada salah satu buku kedokteran, jika terdapat tanda segitiga putih pada area mata yang sesuai, maka dapat diketahui bahwa orang tersebut menderita atau pernah men-derita penyakit usus buntu (Appendicities). Namun jika terdapat noda kecil berwarna hitam, maka dapat diindikasikan bahwa penyakit usus buntu tersebut telah disembuhkan melalui operasi. Melalui

24. CSRID Journal, Vol.3 No.1 Februari 2011, Hal 23 - 38

iris mata dapat diketahui juga semangat hidup (Animation Of Life) seseorang. Tentang bagaimana kondisi psikologi seseorang, semangat hidup atau kadar rangsangan seksualitas dapat juga dideteksi melalui diagnosis pada iris. Hal tersebut dapat diketahui dengan melihat atau mengamati tanda – tanda pada daerah tertentu pada iris mata sesuai dengan bagan iridologi (Irdiology Chart).

Gambar 1. Iridology Chart [8]

Tujuan dari proyek akhir ini adalah membuat suatu sistem yang mampu memberikan output kadar kualitas psikologi dalam hal ini kadar semangat hidup seseorang berdasarkan pembacaan data – data pada pola iris mata melalui kamera dengan fasilitas micropixel secara offline. Dimana metode yang digunakan berbasis Artificial Neural Network (ANN), mengingat ANN sangat cocok digunakan dalam proses pengidentifikasian pola khususnya pada iris mata manusia. Dan dalam ANN, terdapat adanya proses learning atau pembelajaran, dimana dalam pembelajarannya, sistem mampu mengenali berbagai macam input yang berbeda berdasar input sebelumnya yang telah dilearning, dimana faktor penentu yang disimpan berupa bobot – bobot pengali antar layer, serta bias yang akan dijadikan panduan dalam sistem.-

Permasalahan yang dihadapi adalah bagaimana caranya mengambil dan mengolah sampling data hasil capture dari device kamera digital agar dapat dibaca dengan baik dan mudah dengan meng-gunakan pengolahan citra pada bahasa pemrograman Visual Basic 6.0. Sehingga dapat dihasilkan diagnosis iris secara maksimal. MATA

Mata adalah organ penglihatan yang mendeteksi cahaya. Yang dilakukan mata yang paling sederhana tak lain hanya mengetahui apakah lingkungan sekitarnya adalah terang atau gelap. Mata yang lebih kompleks dipergunakan untuk memberikan pengertian visual. Bagian - bagian pada organ mata bekerjasama mengantarkan cahaya dari sumbernya menuju ke otak untuk dapat dicerna oleh sistem saraf manusia. Bagian - bagian tersebut adalah: Kornea

Merupakan bagian terluar dari bola mata yang menerima cahaya dari sumber cahaya.

Iris dan Pupil Dari kornea, cahaya akan diteruskan ke pupil. Pupil menentukan kuantitas cahaya yang mas-

uk ke bagian mata yang lebih dalam. Pupil mata akan melebar jika kondisi ruangan yang gelap, dan akan menyempit jika kondisi ruangan terang. Lebar pupil dipengaruhi oleh iris disekelilingnya. Iris berfungsi sebagai diafragma. Iris inilah terlihat sebagai bagian yang berwarna pada mata (hitam, cok-lat, hijau, biru, abu-abu, dan lainnya), dan yang akan digunakan dalam pembacaan ilmu iridologi saat ini. Lensa mata

Lensa mata menerima cahaya dari pupil dan meneruskannya pada retina. Fungsi lensa mata adalah mengatur fokus cahaya, sehingga cahaya jatuh tepat pada bintik kuning retina. Untuk melihat


objek yang jauh (cahaya datang dari jauh), lensa mata akan menipis. Sedangkan untuk melihat objek yang dekat (cahaya datang dari dekat), lensa mata akan menebal.

Retina

Retina terdiri atas jaringan – jaringan saraf halus yang melingkar di dalam dindang bola mata dan berfungsi seperti film pada suatu kamera. Fungsi utamanya adalah mengkonversikan cahaya dan gambar menjadi sinyal – sinyal impulse elektrik yang akan diteruskan ke otak oleh saraf optik Berikut adalah gambar yang menerangkan bagian – bagian dari mata

Gambar 2. Bagian – Bagian dari Mata IRIDOLOGI Sejarah Iridologi

Iridologi atau yang biasa disebut sebagai diagnosis iris adalah suatu metode kedokteran yang menyatakan bahwa tiap bagian pada tubuh dapat direpresentasikan dengan wilayah yang terdapat pa-da iris mata (bagian yang berwarna pada pupil)[10]. Pencetus sesungguhnya dari Iridologi adalah se-orang fisikawan asal Hungaria yang bernama Ignatz von Peczely. Sewaktu berumur 11 tahun, Dr. von Peczely memperhatikan seekor burung hantu di halaman belakang rumahnya. Ia pun berusaha men-angkap burung hantu itu, namun tanpa sengaja ia mematahkan salah satu kaki burung hantu tersebut. Kemudian ia mengamati adanya garis hitam yang terbentuk pada iris bagian bawah burung hantu itu. Dr. von Peczely membalut luka pada kaki burung hantu dan memeliharanya sampai sembuh, lalu melepaskannya. Belakangan Dr. von Peczely memperhatikan munculnya garis putih melengkung pa-da bagian iris dimana dulunya terdapat garis hitam. Maka, dengan itu munculah dasar ilmu Iridologi sekitar tahun 1861. Iridologi dan Landasan Ilmiah Anatomis Otak Mata

Dari pengamatan anatomis diketahui bahwa mata adalah indra yang paling banyak berhubu-ngan dengan sistem otak. Dr. Robert Moore dari Universitas California menemukan bahwa pusat ira-ma biologis manusia terletak pada suprachiasmatic, yakni serabut saraf otak pada persilangan saraf mata. Suprachiasmatic ini antara lain berhubungan dengan jam tubuh bioritmik, periode tidur juga, metabolisme serta fungsi seksual.

Dengan gambar integrasi mata dan otak ini, secara langsung dapat dinyatakan bahwa iridologi secara anatomis memiliki landasan ilmiah, yaitu dalam kapasitasnya menjelaskan bahwa mata dapat berfungsi sebagai layar data yang menggambarkan konstitusi dan kondisi organ-organ tubuh. Hal-hal yang dapat diketahui dari mata, antara lain keracunan, malnutrisi, gangguan metabolisme, dan kerusa-kan degeneratif. Kenyataan ini akan lebih memperkuat dasar pijakan argumentatif keilmiahan irido-logi, mengingat iridologi telah teruji validitasnya setelah ratusan tahun sebagai kebenaran empirik ya-ng dibuktikan oleh para praktisi kesehatan sebagai sarana deteksi kondisi organ tubuh.[5] Berikut me-rupakan gambar yang menerangkan pusat persilangan antara mata dengan otak.


Gambar 3. Pusat Irama Biologis pada Persilangan Saraf Mata[5] PENGOLAHAN CITRA DIGITAL Pengertian Pengolahan Citra Digital

Image Processing atau yang biasa dikenal dengan istilah pengolahan citra digital adalah salah satu bidang tersendiri yang cukup berkembang sejak orang mengerti bahwa komputer tidak hanya dapat mengangani data teks, tetapi juga data citra. Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk memanipulasi citra/gambar yang telah ada menjadi gambar lain dengan menggunakan suatu algoritma atau teknik tertentu [2]. Teknik – teknik pengolahan citra biasanya digunakan untuk melakukan transformasi dari satu citra ke citra yang lain, sementara tugas perbaikan informasi terletak pada manusia melalui penyusunan algoritmanya. Bidang ini meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra dan koreksi citra yang tidak fokus atau kabur dan lain - lain.

Algoritma pengolahan citra sangat berguna pada awal perkembangan sistem visual, biasanya digunakan untuk menajamkan atau mengambil informasi yang terkandung pada suatu citra. Pengolah-an citra digital sangat erat hubungannya dengan pengenalan pola atau Pattern Recognition, yaitu suatu proses atau rangkaian pekerjaan yang bertujuan mengklarifikasikan data numerik dan simbol. Dimana dengan pattern recognition ini, sistem dapat mengenali suatu benda dengan mengekstraksi ciri dari benda tersebut. Hal tersebut dapat dilakukan sebab semua benda pasti memiliki ciri yang khas. Misal untuk mengenali buah apel dengan buah pisang, selain bentuknya yang beda, maka sistem dapat me-nggunakan warna dari tiap – tiap buah yang berbeda. Warna merah untuk buah apel dan warna kuning atau hijau untuk buah pisang.

Definisi Citra

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang konti-nus menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya adalah gambar/titik diskrit pada baris n dan kolom m disebut dengan piksel [n,m] [2]. Citra dapat berupa foto udara, penampang lintang (cross section) dari suatu benda, gambar wajah, hasil tomografi otak dan lain sebagainya. Dari segi ilmiah, citra adalah gambar 3- dimensi (3D) dari suatu fungsi, biasanya intensitas warna sebagai fungsi spatial x dan y. Di komputer, warna dapat dinyatakan, misalnya sebagai angka dalam bentuk skala RGB dan disimpan dalam memory komputer dalam matriks memory dua dimensi (x,y) dan dengan resolusi tertentu.

Karena citra adalah angka, maka citra dapat diproses secara digital. Dalam pengolahan citra digital, kerap kali data yang digunakan adalah data digital. Dimana data digital tersebut merupakan hasil (capture) dari dunia nyata dan ditransfer menjadi citra digital dalam jumlah titik – titik yang terbatas, dan setiap ukuran sampel direpresentasikan oleh sejumlah titik yang terbatas juga dalam komputer. Kemudian kekayaan gradasi warna maupun tingkat keabuan dalam dunia nyata akan diwakili oleh suatu selang tertentu dalam komputer setelah proses digitasi yang disebut dengan


pengambilan sample (sampling) dan kuantisasi (quantization) dilakukan. Sehingga dampak yang timbul adalah adanya penurunan atau peningkatan kualitas dari citra yang aslinya. Berikut metode atau istilah – istilah yang digunakan pada proses pengolahan citra Filter

Ada berbagai macam teknik untuk mengurangi (reduksi) noise, salah satunya menggunakan filter rata-rata. Dalam pengertian noise sebagai suatu nilai yang berbeda dengan semua tetangganya maka dapat dikatakan noise merupakan nilai-nilai yang berada pada frekwensi tinggi, untuk mengura-ngi noise digunakan Low Pass Filter (LPF). Salah satu dari bentuk LPF adalah filter rata-rata. Filter rata-rata merupakan filter H dalam bentuk matrik yang berukuran mxn, dan nilainya adalah sama un-tuk setiap eleme, dan karena bersifat LPF maka jumlah seluruh elemn adalah satu, dan dituliskan de-ngan:

Grayscale

Grayscale merupakan metode dalam pengolahan citra yang bertujuan menghasilkan citra yang memiliki warna gray (abu – abu). Hal ini dilakukan dengan tujuan untuk menyederhanakan citra agar dapat lebih mudah untuk dianalisa. Cara yang dilakukan untuk membuat citra menjadi gray adalah dengan jalan membagi nilai rata – rata RGB tiap pixel pada citra itu sendiri.

ARTIFICIAL NEURAL NETWORK Sekilas Tentang Artificial Neural Network

Jaringan saraf tiruan (JST) atau umumnya disebut Artificial Neural Network (ANN), adalah sekelompok jaringan saraf (neuron) buatan yang menggunakan model matematis atau komputasi untuk pemrosesan informasi berdasarkan pendekatan terhubung pada komputasi. Pada kebanyakan kasus, ANN merupakan sistem adaptif yang merubah strukturnya berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut [12]. Istilah yang lebih praktis untuk ANN adalah bahwa dia merupakan alat pemodelan data statistik non-linier. ANN dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola data Elemen yang paling mendasar dari jaringan saraf yaitu sel saraf. Sel-sel saraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum.

Pada dasarnya sel saraf biologi menerima masukan dari sumber yang lain dan mengkombi-nasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut. Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrites, soma, axon, dan synap-ses. Dendrites merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai saluran masukan. Saluran masukan ini menerima masukan dari sel saraf lainnya melalui sinapsis. Soma dalam hal ini kemudian memproses nilai masukan menjadi sebuah output yang kemudian dikirim ke sel saraf lainnya melalui axon dan sinapsis.


Gambar 4. Jaringan Saraf pada Manusia [12]

Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan yang kemudian dibentuk menjadi jaringan saraf buatan yang ada sekarang ini. Ilmu biologi menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem jaringan saraf buatan yang ada berdasarkan pada pemahaman terhadap otak biologi. Sel saraf-sel saraf ini terhubung satu dengan yang lainnya melalui sinapsis. Sel saraf dapat menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf-sel saraf yang lain. Berda-sarkan rangsangan tersebut, sel saraf akan mengirimkan sinyal atau tidak berdasarkan kondisi ter-tentu. Konsep dasar semacam inilah yang ingin dicoba penulis dalam menciptakan sel tiruan. Suatu jaringan saraf tiruan memproses sejumlah besar informasi secara paralel dan terdistribusi, hal ini terinspirasi oleh model kerja otak biologis. Adapun proses dalam NN itu sendiri ada 2 yaitu metode Merambat Maju (Forward) dan Merambat Balik (Backpropagation). Dimana untuk proses merambat maju, JST digunakan untuk mengenali ada atau tidaknya, atau juga ciri – ciri tertentu pada image.

Sedangkan metode merambat balik digunakan sebagai metode pembelajaran. Dimana dalam hal ini, NN akan dibelajari untuk mengenali suatu ciri pada suatu image. Keuntungan menggunakan JST: (1) Adaptive Learning. Suatu kemampuan untuk belajar tentang bagaimana caranya menyelesai-kan suatu task atau pekerjaan yang diberikan berdasarkan data yang diberikan sebelumnya. (2) Self -Organization.Sebuah JST dapat menciptakan organisasi jaringanya sendiri atau merepresentasikan kembali informasi yang diterima pada waktu pembelajaran. (3) Real Time Operation.Penghitungan atau komputasi pada JST dilakukan dengan sistem pararel, sehinga waktu operasi yang dibutuhkan sedikit. PEMODELAN ANN

Untuk memodelkan ANN, pertama yang perlu dilakukan adalah mencoba memahami sifat penting atau esensial dari neuron – neuron yang terdapat pada sistem saraf manusia beserta jaringan – jaringan yang dimilikinya. Kemudian membuat suatu algoritma pemrograman komputer untuk mensimulasikan fitur – fitur tersebut. Bagaimananapun pemahan tentang neuron pada jaringan saraf dan teknik komputasi terbatas, maka kita hanya bisa membuat suatu jaringan saraf tiruan yang hanya mampu mendekati sifat asli dari jaringan saraf sesungguhnya. Berikut gambar model JST.

Gambar 5. Pemodelan Jaringan Saraf Tiruan[12]


NETWORK LAYER

Tipe JST yang paling umum digunakan terbagi atas 3 bagian atau disebut juga dengan “Layer”, yang terdiri atas sebuah layer “Input” yang terhubung dengan “Hidden Layer” yang tehu-bung juga dengan “Output Layer”. Dengan kata lain ketiga layer tersebut saling terhubung antara satu dengan yang lainnya sesuai dengan sambungan antara Neuron dengan Dendrit. Dimana kegiatan atau aktifitas tiap layer pada forward pass adalah sebagai berikut: (1) Input Layer : Mempresentasikan barisan informasi yang dimasukkan ke dalam jaringan NN. Di-mana dalam hal ini, Input Layer hanya bertugas meneruskan informasi data yang akan dikirim ke bagian Hidden Layer. (2) Hidden Layer : Dalam Hidden Layer akan terdapat dua fungsi matematika, diantaranya adalah fungsi penjumlahan antara nilai informasi yang ditransferkan ke Hidden Layer dengan nilai bobot (Weight) yang sebelumnya ditentukan secara acak, dan juga terdapat terdapat fungsi pembatas atau yang biasa disebut fungsi sigmoid.(3) Output Layer : Aktifitas Output Layer hampir sama dengan HiddenLayer ada fungsi pembatasnya juga namun, dalam hal ini yang dijum-lahkan adalah nilai perkalian antara bobot (w) yang terdapat antara Hidden Layer dengan Output La-yer, serta fungsi pembatas. ANALISA DAN PERANCANGAN DIAGRAM SISTEM

Diagram sistem yang akan digunakan dalam menyelesaikan permasalahan proyek akhir ini adalah sebagai berikut:

Gambar 6. Diagram Sistem Proyek Akhir

Tampak pada diagram diatas bahwa proyek akhir ini terbagi atas dua bagian utama yaitu pe-ngolahan citra dan artificial neural network. Dimana pengolahan citra digunakan untuk mengambil, memperbaiki kualitas serta mengekstraksi ciri yang terdapat pada citra itu sendiri, dalam hal ini area iris mata yang berkorelasi dengan kadar semangat hidup seseorang. Sedangkan pada bagian artificial neural network, proses yang dilakukan bertujuan untuk mencari atau mendapatkan parameter – para-meter bobot (Weighting) pada setiap proses pembelajaran. Dimana dengan mendapatkan parameter bobot tersebut maka diharapkan sistem mampu mengenali pola iris mata yang telah dilearning ter-sebut, sehingga sistem mampu mengeluarkan nilai keluaran atau hasil cocok sesuai dengan hasil pada proses pembelajaran tersebut.

PENGOLAHAN CITRA

Mengingat sistem akan mengolah data pada citra mata, maka citra mata akan di capture terle-bih dahulu dengan menggunakan kamera yang memiliki fitur macropixel. Dimana dengan mengguna-kan fitur tersebut maka kamera dapat meng-capture mata dengan hasil yang bagus dan dari jarak yang sangat dekat sekali. Sehingga informasi yang didapatkan akan semakin jelas. Hal tersebut ditandai de-ngan semakin jelasnya kontur area pada iris mata pada hasil pemotretan. Meskipun mengambil data mata bisa dengan menggunakan kamera macropixel, tetap saja hasil yang didapatkan jauh dari sem-purna. Hal tersebut tampak jelas ketika hasil yang didapatkan masih terdapat noise atau gangguan di sekitar area mata yang berkorelasi dengan semangat hidup akibat tidak fokusnya lensa kamera. Sehi-ngga langkah selanjutnya diperlukan proses pengolahan citra dengan menggunakan filter untuk mem-


perbaiki kualitas citra yangkurang bagus tersebut. Atau bisa juga dengan software bantuan pegolah citra semisal Adobe Photosop.Berikut flowchart atau alur jalannya program pengolahan citra:

Gambar 7. Alur Jalannya Progam Pengolahan Citra Menampilkan Format Citra

Berikut listing program yang digunakan untuk menampilkan suatu citra ke dalam lingkungan bahasa pemrograman Visual Basic 6.0. Tentu saja dengan menggunakan bantuan Microsoft Windows API (Application Programming Interface) yaitu sekumpulan fungsi – fungsi eksternal yang terdapat dalam file – file library Windows atau file library lainnya yang dapat digunakan untuk memaksimal-kan fungsi yang terdapat pada sistem operasi Windows XP [11]. Berikut listing untuk memanggil fungsi API untuk open file :

Gambar 8. Listing Program Deklarasi Windows API Untuk Open File Untuk Module yang Terdapat pada Visual

Basic 6.0

Setelah mendeklarasikan Windows API, maka tinggal memanggil fungsi tersebut ke dalam program. Berikut listing program untuk menampilkan citra ke dalam Picture Box pada suatu Form . Gambar 9. Listing Program Untuk Menampilkan File Citra ke Dalam Picture Box


Tampak pada coding diatas format citra yang ditampilkan bisa berformat *.BMP;*.GIF;*.JPG;*.DIB Berikut hasil yang didapatkan setelah program di Run

Gambar 10. Hasil Tampilan pada Program Setelah di Jalankan Deteksi Iris

Mengingat daerah pada iris yang berkorelasi dengan kadar semangat hidup terletak tepat pada arah jam 12 atau di tengah – tengah iris mata, maka tinggal menentukan titik batas area pupil tersebut secara otomatis. Hal tersebut dilakukan agar data atau informasi yang didapat benar – benar informasi tentang semangat hidup seseorang, mengingat hasil pemotretan yang tidak selalu fokus ditengah aki-bat bergeraknya bola mata. Sehingga perlu software bantuan untuk mengatur bola mata tepat di dae-rah yang akan dibaca datanya.

Gambar 11. Daerah Korelasi Semangat Hidup

Berikut listing program untuk menentukan titik batas pada daerah yang berkorelasi dengan semangat hidup: Gambar 12. Listing Program Deteksi Iris Mata


Berikut gambar hasil listing progrram deteksi area pada pupil jika programnya dijalankan.

Gambar 13. Hasil Listing Program Ketika Dijalankan

Pada gambar diatas tampak adanya daerah yang berwarna abu – abu, daerah tersebut adalah daerah yang berkorelasi dengan semangat hidup manusia. Tampak pada program diatas bahwa luas daerah untuk cropping dibatasi hanya sampai ukuran 10 x 50 pixel, hal tersebut berlaku juga untuk keseluruhan gambar mata yang ada. Sehingga area crop tidak dilakukan ke seluruh area yang berkore-lasi dengan semangat hidup manusia. Alasannya adalah jaringan nerual network tidak bisa melakukan proses pembelajaran (learning) jika pola atau data yang ada berbeda – beda jumlah inputnya. Sehing-ga perlu dilakukan keseragaman data. Untuk ukuran data sebesar 10 x 50 pixel, maka jumlah input yang dimasukkan ke dalam proses neural network adalah 500 input. Input tersebut dimulai dari area lingkaran dalam mendekati ke lingkaran luar pada cincin pupil. Sebab area lingkaran iris yang paling dalam memiliki hubungan dengan area perut. Berikut gambar yang menerangkan lebih lanjut tentang perbedaan letak daerah yang berkorelasi dengan kadar semangat hidup dan area perut.

Gambar 14. Letak Area Iris Grayscale

Grayscale bertujuan untuk menyederhanakan suatu citra, entah itu dari segi informasi maupun tampilan citra yang akan didapatkan. Jika suatu citra berwarna di Grayscale, maka tampilan citra itu sendiri akan berubah menjadi ke abu – abuan (Gray). Sehingga informasi yang terdapat pada citra itu semakin sederhana dengan sendirinya Hal tersebut dapat terjadi dengan cara mencari nilai rata – rata tiap pixel yang ada pada citra itu sendiri. Berikut rumus mencari nilai grayscale untuk suatu citra:

………….(2.5) Dimana S= Nilai grayscale yang dicari R= Nilai pixel R citra G= Nilai pixel G citra B= Nilai B citra


Setelah ditentukan area iris yang berhubungan dengan kadar semangat hidup seseorang, maka yang perlu dilakukan adalah membuat area tersebut menjadi abu – abu, yaitu dengan cara Grayscale. Dimana tujuan mencari derajat keabuan ini adalah membuat citra sesederhana mungkin dengan harap-an nilai pixelnya menjadi rata – rata. Jadi tidak ada nilai RGB yang berbeda – beda, ,semuanya menjadi rata – rata. Ekstraksi Ciri

Ekstraksi ciri adalah suatu metode pengolahan citra yang bertujuan mengambil ciri atau informasi yang terdapat suatu citra. Tiap citra memiliki pola yang berbeda dari citra yang lainnya. Pada proyek akhir ini yang diambil adalah informasi atau data tiap pixel pada area iris mata yang memiliki korelasi dengan kadar semangat hidup. Ketika dijalankan, maka hasilnya adalah sebagai berikut:

Gambar 15. Hasil Program Ketika Dijalankan

Tampak pada listing program diatas resolusi matrik adalah 10 x 50 pixel, sehingga data yang

dimasukkan ke dalam proses JST adalah 500 data. Namun data yang ada di normalisasi terlebih dahu-lu dengan cara membagi data tiap pixel dengan nilai yang tertinggi pada citra yaitu, 255. Dan hasil yang didapatkan akan berkisar 0.0 sampai dengan 1.0. dimana dengan data range seperti itu maka pro-ses JST siap dilakukan. ARTIFICIAL NEURAL NETWORK

Inti dari program ini terletak pada proses ANNnya, dimana dengan menggunakan metode pe-

ngenalan pola berbasis ANN, diharapkan sistem mampu mengenali pola – pola yang berbeda secara otomatis berdasarkan proses perhitungan data input dengan data bobot (weight) pada proses pembe-lajaran. Tidak lupa juga data bias yang terdapat pada Hidden Layer dan Output Layer pada proses pembelajaran dalam hal ini proses Backpropagation. Berikut jalannya alur pemrograman pembelajaran pada proses Artificial Neural Network.


Gambar 16. Alur program Artificial Neural Network HASIL DAN PENGUJIAN Pengambilan Data

Citra mata yang akan diproses pada pengolahan citra diambil secara offline dan dari harddisk. Format gambar yang digunakan adalah format gambar bitmap (*.bmp) dengan ukuran pixel 198 x 167. Contoh citra yang akan diproses ditunjukkan pada gambar 4.1(a) dan gambar 4.1(b).

Gambar 17 (a) Contoh Gambar Pola Mata Kanan Gambar 17 (b) Contoh Gambar Pola Mata Kiri

Digunakan dua pola mata karena kadar semangat hidup bisa dilihat pada kedua mata kanan dan kiri, dimana mata kanan kadar semangat hidupnya dipengaruhi oleh faktor lingkungan sedangkan mata kiri dipengaruhi oleh faktor genetis atau bawaan dari orang tua. Sehingga pada akhirnya akan ada dua output kadar semangat hidup, yaitu kadar semangat hidup untuk mata kiri dan kadar semangat hidup untuk mata kanan. Pengolahan Citra a Deteksi Letak Area Iris

Penentuan letak area pada iris dilakukan dengan otomatis yaitu terlebih dahulu menentukan titik – titik koordinat (x,y). Resolusi area yang dicrop adalah 10 x 50 pixel sehingga nantinya akan ada 500 input yang berbeda tiap pola mata yang dijadikan input pada proses ANN


Gambar 18. Hasil Deteksi Iris Mata b. Ekstraksi Ciri

Ekstraksi ciri yang dilakukan adalah mengambil data pixel yang terdapat pada area yang dicrop sebelumnya, dimana tiap pixel yang terdeteksi akan dinormalisasi sehingga warna gelap akan diwakili oleh range angka yang mendekati 0.0 sedangkan untuk warna terang akan diwakili oleh range angka yang mendekati 1.0 Berikut tabel data mata referensi yang menerangkan kadar semangat hidup rendah, normal serta kadar semangat hidup tinggi.

Tabel 1. Gambar Iris Mata Referensi

PENGUJIAN DAN ANALISA PERANGKAT LUNAK

Pengujian dilakukan pada iris mata secara offline yaitu mengambil citra mata dari file gambar dalam mode bitmap (*.bmp). Pengujian dilakukan pada 30 sampel mata yang terdiri dari 10 citra iris mata yang dikategorikan rendah, 10 citra mata yang dikategorikan normal dan 10 citra mata yang di-kategorikan tinggi. Setiap mata yang telah diambil dilakukan proses gray-scale, perhitungan jumlah intensitas keabuan, dinormalisasi, sehingga diketahui iris yang memiliki kadar semangat hidup rendah atau tinggi. Sebelum melakukan proses pengujian dengan perangkat lunak, citra iris mata yang akan diuji telah dianalisa dengan ilmu iridologi secara manual. Sehingga dapat diketahui citra iris yang te-rmasuk golongan kadar semangat rendah, normal ataupun tinggi. Hasil tersebut kemudian dibanding-


kan dengan hasil dari perangkat lunak sehingga diketahui tingkat keberhasilan dan tingkat kesalahan dari perangkat lunak. Keberhasilan dari sistem ini sangat dipengaruhi oleh penentuan nilai dari para-meter-parameter yang digunakan pada proses pengolahan citra dan pembelajaran. Nilai parameter dipilih sampai didapatkan output yang sesuai dengan output target yang telah ditentukan. Diantaranya adalah jumlah Hidden Layer, Nilai Learning Rate, dan Iterasi yang dilakukan Berikut merupakan be-berapa nilai parameter jumlah Hidden Layer yang di ujikan pada pada jaringan saraf tiruan.

Dimana mata yang akan diuji ditunjukkan pada tabel dibawah ini sebagai berikut:

Tabel 2. Metode Pembelajaran 1






Tabel 7. Data Mata yang akan diuji

Keterangan : nilai kadar semangat pada pembelajaran ditentukan sendiri sesuai dengan ilmu iridologi, dan dianggap sebagai output desired pada metode pembelajaran Setelah dilakukan pengujian pembe-lajaran dengan beberapa metode diatas didapatkan data sebagai berikut Tabel 8. Data Pengujian Hidden Layer

SIMPULAN

Berdasarkan hasil-hasil yang telah dicapai selama perencanaan, pembuatan dan pengujian pe-rangkat lunak proyek akhir ini maka dapat disimpulkan sebagai berikut : (1) Parameter-parameter me-tode pembelajaran yang digunakan seperti jumlah hidden layer, nilai learning rate, iterasi yang dilaku-kan mempengaruhi kualitas atau kehandalan sistem sendiri. Dimana kualitas yang dimaksud adalah lamanya waktu pembelajaran dan kemampuan sistem untuk mengenali pola. (2) Untuk hasil yang maksimal dalam proyek akhir ini digunakan parameter pembelajaran dengan jumlah hidden layer 9 node, nilai learning rate 0,9 dan iterasi max 4000 yang diulang sampai 3-5 kali sehingga didapatkan error MSE yang lebih linier dan rendah, tergantung dari berapa pola yang dilearning. Semakin banyak pola yang dilearning maka semakin lama pula waktu yang dibutuhkan untuk menghasilkan nilai bobot dan bias untuk keseluruhan pola. (3) Dengan parameter-parameter pada point 2, uji coba data non-learning menunjukkan sistem masih berhasil mengenali pola iris yang di ujikan namun kadar sema-ngat hidup sendiri ditentukan dari banyaknya pixel warna gelap dan terang yang terdapat pada area iris sehingga kadar semangat hidup yang didapat berubah. Namun untuk kategori semangat sendiri mampu dikenali oleh sistem. (4) Hasil identifikasi keseluruhan sistem ditentukan oleh beberapa fak-tor, seperti kejelasan citra, intensitas citra dan hasil error MSE yang didapat. Semakin besar nilai error MSE yang didapat, maka kehandalan sistem untuk mengidentifikasi menurun. Sedangkan untuk inten-


sitas sendiri, semakin tinggi nilai intensitas citra, maka citra tersebut akan dikategorikan sebagai kate-gori TINGGI mengingat yang diambil adalah banyaknya warna hitam dan putih citra. Berdasarkan hasil yang telah dicapai dalam tugas akhir ini, dapat diberikan beberapa saran yang diperlukan dalam pengembangan dan penyempurnaan sistem ini. (1) Untuk selanjutnya sistem ini bisa dilakukan secara online yaitu dilakukan pengambilan gambar secara langsung melalui kamera digital. (2) Kamera digi-tal yang dipakai sebaiknya kamera yang mempunyai fasilitas makro yang lebih tinggi dari yang penu-lis pakai saat uji coba proyek akhir, sehingga citra iris dapat dikenali dengan lebih baik. (3) Untuk ke-depannya lebih baik dibuatkan sistem database yang dapat menyimpan data para pasien beserta mata hasil pemotretan dan sekaligus juga hasil pembacaan kadar semangat hidup. Sebab untuk saat ini pe-nulis hanya mampu membuat print outnya saja. DAFTAR RUJUKAN Farida Sachran (2005), Iridology : A Complete Guide To Diagnosing Through the Iris And To

Related Forms of Treatment. Henry Lindlahr, M.D. Iris Diagnosis M.Rochmad, Kemalasari, Rusiana (2006),Pendeteksian Gejala Osteoporosis Melalui Diagnosa Iris

Mata Dengan Clustering Image, penelitian PENS-ITS Richard P. Wildes (1997), Iris Recognition : An Emerging Biometric Technlogy, proceeding of the

IEEE, Vol. 85, No. 9. Satis Kumar (2004), Neural Network : A Classroom Approach, The McGraw- Hill Companies,New

Delhi. Usman Achmad (2005), Pengolahan Citra Digital dan Teknik Pemrogramannya, Graha Ilmu,

Yogyakarta. Wahyu Sri Astutik (2006), Pengenalan Osteoporosis Melalui Pola Iris Mata, Proyek Akhir D4

PENS- ITS, Surabaya. .

deteksi semangat hidup seseorang melalui … · berikan respons terhadap semua perubahan yang...

Documents