SIMULASI SISTEM KEAMANAN BERBASIS IRIS MATAMENGGUNAKAN SOFTWARE MATLAB

Ibin MuhibinJurusan Teknik Elektro

Fakultas Teknik, Universitas 17 Agustus 1945 CirebonEmail : binmuhibin@gmail.com

ABSTRAK

Iris mata adalah salah satu bagian dari biometrik yang memiliki karakteristik tekstur dan warna yang berbeda pada setiap orang. Perbedaan inilah menjadikan iris mata dapat digunakan sebagai kunci sistem keamanan. Sampai saat ini, algoritma-algoritma pengenalan iris yang dikembangkan baru berdasarkan pada karakteristik pola iris. Hasil yang diperoleh sudah cukup baik. Kelemahan dari penggunaan karakteristik pola iris mata adalah rentan terhadap pergeseran pola akibat rotasi dan juga perubahan intensitas cahaya.

Uji coba dilakukan dalam dua cara : pertama menggunakan 322 citra iris query (citra ini adalah yang sudah terdaftar dalam data base), kedua adalah menggunakan 300 citra iris query yang tidak terdaftar dalam data base. Kedua uji-coba ini ditujukan untuk melihat tingkat akurasi system yang dikembangkan. Dari hasil perhitungan uji False Accept Rate ( FAR) dan False Reject Rate (FRR) menunjukan bahwa system yang dikembangkan memiliki tingkat akurasi mencapai 96%.

Kata Kunci ; iris mata, pengenalan individu, histogram bin warna.

I. PENDAHULUANKeamanan data dewasa ini sudah dapat

dimanipulasi oleh beberapa kalangan yang benar-benar mahir di dalam bidang seperti itu.

Data yang sangat penting yang berhubungan dengan informasi yang penting pula, tidak dapat menggunakan sistem keamanan data yang kurang baik. Apabila hal ini terjadi maka data tersebut dapat terjadi pembobolan hingga lambat laun data tersebut dapat jatuh ke tangan yang salah bahkan dapat disalah artikan tujuan dari manfaat data tersebut yang sebenarnya. Hal inilah yang mendorong beberapa ahli menciptakan sebuah sistem keamanan yang lebih kompleks untuk mengamankan data yang penting. Kekompleksan sistem keamanan ini dinilai baik dan aman apabila memiliki keunikan dan ciri khas tersendiri yang berbeda dari satu hal ke hal yang lain.

Sistem biometrik saat ini telah mencapai perkembangan yang luar biasa dalam menggantikan sistem verifikasi konvensional. Pemanfaatan anggota tubuh secara unik untuk membedakan antara satu orang dengan orang lain, telah banyak dibuktikan memberikan hasil yang lebih akurat dalam pengidentifikasian. Penggunaan iris mata, telapak tangan, sidik jari, bentuk wajah sampai kepada suara telah dikembangkan untuk keperlua tersebut.

Salah satu pemanfaatan organ tubuh untuk identifikasi adalah dengan memanfaatkan iris mata. Iris diketahui memiliki tingkat pembeda yang cukup baik untuk dapat mengklasifikasikan setiap individu. Perkembangannya sangat cepat didukung dengan pemanfaatannya yang semakin luas, menuntut semakin ditingkatkannya keakurasian analisis citra iris mata dalam sistem biometric.

II. LANDASAN TEORI2.1 Sistem BiometrikBiometrik (berasal dari bahasaYunani bios yang artinya hidup dan metron yang artinya mengukur) adalah studi tentang metode otomatis untuk mengenali manusia berdasarkan satu atau lebih bagian tubuh manusia atau kelakuan dari manusia itu sendiri yang meiliki keunikan. Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang digunakan utnuk menganalisa fisik dan kelakuan manusia untuk autentifikasi. Contohnya dalam pengenalan fisik manusia yaitu dengan pengenalan sidik jari, retina, iris, pola dari wajah (facial

patterns), tanda tangan dan cara mengetik (typing patterns). Dengan suara adalah kombinasi dari dua yaitu pengenalan fisik dan kelakuannya.

Dalam teknologi terkini ditawarkan adanya beberapa kemudahan, seperti akses, pelayanan, dan sistem informasi. Kemudahan tersebut dapat dirasakan seperti pada mekanisme pengambilan uang melalui ATM (Anjungan Tunai Mandiri), mekanisme memperoleh sistem informasi (internet). Mekanisme tersebut diperlukan

adanya jaminan kerahasiaan sehingga tidak dapat ditiru oleh user yang bukan berhak. Salah satu alat untuk menjamin bahwa yang berhak mendapatkan layanan itu harus memberikan data identifikasi. Sistem identifikasi tersebut bersifat otomatis dengan memberikan inputan identifikasi personal. Saat ini terdapat beragam jenis aplikasi sistem keamanan yang dapat mengindentifikasi dan memverifikasi individu dengan baik. Dua pendekatan tradisional untuk pengenalan individu yang dikenal selama ini adalah pendekatan berbasis pengetahuan (knowledge based), dimana seseorang yang akan masuk ke dalam sistem keamanan perlu memasukkan password tertentu. Pendekatan lain adalah berbasis token (token based), dimana diperlukan suatu benda atau pengenal khusus seperti kartu magnetik untuk masuk ke dalam sistem keamanan. Kedua pendekatan di atas memiliki kelemahan, diantaranya : individu yang bersangkutan seringkali lupa dengan kata kuncinya atau kartu magnetik yang menjadi kunci masuk ke dalam sistem keamanan hilang atau dicuri orang. Pengenalan Biometrik merupakan alternatif pengenalan individu selain pendekatan tradisional di atas, atribut biometrik yang diturunkan oleh seorang individu tidak mungkin terlupakan atau hilang dicuri. Wajah, sidik jari, telapak tangan, iris atau retina mata merupakan contoh karakteristik fisiologis yang menjadi penanda atau ciri individu.

2.2 Pengolahan CitraData atau informasi tidak hanyadisajikan dalam bentuk teks, tetapi juga dapat berupa gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi ini sering disebut multimedia. Era teknologi informasi saat ini tidak dapat dipisahkan dari multimedia. Situs web (website) di Internet dibuat semenarik mungkin dengan menyertakan visualisasi

berupa gambar atau video yang dapat diputar. Beberapa waktu lalu istilah SMS (Short Message Service) begitu populer bagi pengguna telepon genggam (handphone atau HP). Tetapi, saat ini orang tidak hanya dapat mengirim pesan dalam bentuk teks, tetapi juga dapat mengirim pesan berupa gambar maupun video, yang dikenal dengan layanan MMS (Multimedia Message Service). Citra (image), istilah lain untuk gambar– sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi “sebuah gambar bermakna lebih dari seribu kata” (a picture is more than a thousand words). Maksudnya tentu sebuah gambar dapat memberikan informasi yang lebih banyak dari pada informasi tersebut disajikan dalam bentuk kata-kata (tekstual).

2.3 Citra DigitalCitra merupakan gambarankenampakan permukaan bumi hasil penginderaan pada spectrum elektromagnetik tertentu yang ditayangkan pada layar atau disimpan pada media rekam/cetak.

Pengolahan Citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai cirri data masukan dan informasi keluaran yang berbentuk citra.

Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.

2.4 Metode DaugmanMetode Daugman ini adalah dengan

mengambil tekstur iris manusia yang tampak pada imej video secara real-time dan dikodekan dalam koefisien 2-D Gabor Wavelet skala banyak, dan kemudian bit paling signifikan akan menjadi kode iris 256 byte. Hasil akhir dari proses ini memiliki kecukupan dalam derajat kebebasan, atau membentuk variasi iris antar individu yang memiliki keunikan yang mirip dengan sidik jari konvensional.

Proses ini masih diragukan apakah algoritma yang efisien dapat dapat dikembangkan until mengekstraksi deskripsi iris detail secara reliabel dari video live, menghasilkan kode padat dari iris (kompleksitas panjang minuscule versus ukuran data gambar),dan mengambil keputusan tentang identitas individual dengan tingkat keyakinan statistik yang tinggi. Masalah terakhir adalah apakah kemampuan proses dari general purpose microprocessor mampu memproses algoritma ini secara real-time.

2.5 Metode WildesWildes yang membangun sistemyang mirip pada bagian ini akan dibahas lebih dalam. Setelah mendapatkan gambar iris dan proses filter area sekitarnya dan melakukan operasi dengan properti histogram, akan menghasilkan sebuah skema pemilihan untuk menggambarkan batas iris. Gambar ini akan difilter dengan low pass filter dan sub sampling untuk mengurangi noise. Sebuah detektor batas gradient akan memperkirakan batas iris dan kelopak mata. Kemudian pemilihan dilakukan dengan memilih yang paling cocok antara model dengan parameter batas yang ada. Untuk mengambil informasi spesifik yang ada pada iris terdapat pada area keseluruhan termasuk area yang lebih kecil dari piramid Lapace untul menerapkan transformasi 2-D. Perbandingan iris dilakukan dengan teknik registrasi berdasarkan area gambar. Kemudian akan

dicari sebuah fungsi mapping untuk mendekatkan data gambar dengan model gambar. Sebuah nilai kecocokan akan dihitung untuk 4 pita melalui korelasi sebagian dan Diskriminan Linier Fisher akan melakukan evaluasi terdahap 4 nilai ini.

2.6 Metode Neural NetworkNeural Network (NN) adalah suatuprosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian terhadap sesuatu objek. Secara mendasar, sistem pembelajaran merupakan proses penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu neural network.

III. METODOLOGI PENELITIAN3.1 Lingkungan PenelitianData citra yang digunakan dalampenelitian ini yaitu berasal dari CASIA (Chinese Academy of Sciences Institute of Automation) Iris Image Database (version1.0). Di dalam database CASIA ini terdapat beberapa contoh citra mata yang umum digunakan untuk penelitian sistem identifikasi individu yang melibatkan iris mata.

Bebearapa hal umum yang terkait dengan database CASIA version 1.0 ini, yaitu:

- Data diambil menggunakan kamera yang memiliki sensor khusus dengan penyesuaian terhadap daerah pupil mata.- Jarak antara kamera dan objek mata

tidak dijadikan informasi.- Intensitas cahaya dari lingkungansekitar sangat berpengaruh- Ukuran skala data citra yaitu 280 x320 piksel

- Jumlah data citra ysitu 756 yang diperoleh dari 108 objek mata (masing-masing citra diambil sebanyak 2 kali pemotretan. Perangkat keras yang digunakandalam penelitian ini adalah notebook dengan spesifikasi: processor core i3 2.27GHz, memory 2 GB, harddisk 320 GB dengan sistem operasi Windows 7. Perangkat lunak yang dipakai untuk pengolahan data dan pembuatan program adalah software Matlab versi R2008a (Image Processing Toolbox).

3.2 Kerangka PenelitianKerangka penelitian yang dilakukanterbagi dalan dua bagian: pertama adalah tahap input image (tahap pembentukan database, yaitu memasukan data dari user seperti nomor ID, nama, umur, jenis kelamin, authority, dan pemilihanimage asli). Tahap kedua yaitu analisa. Pada tahap analisa ini dibagi ke dalam dua tahap, yang pertama yaitu target proses dan metode. Untuk tahap target proses ini yang dimaksudkan yaitu, pemanggilan dari image yang akan diproses (scan). Sedangkan untuk tahap metode, maksudnya adalah, kita diperkenankan untuk memilih metode yang akan dijalankan (dengan ketetuan, harus melakukan metode pupil finder terlebih dahulu).

3.1 Bagan Kerangka Penelitian

Pada gambar 3.1 di atas memperlihatkan proses awal dari sistem pengenalan iris mata, dimulai dari input image. Pada tahapan input image ini, dilakukan proses pemasukan data dari setiap user, seperti nomor ID, nama, umur, jenis kelamin, authority. Selanjutnya dilakukan proses input gambar (image mata yang akan dimasukan ke dalam database). Di dalam penelitian ini, data citra tersebut diperoleh dari database CASIA. Setelah pembentukan database (mendapatkan data citra) tersebut, dilanjutkan ke tahap analisa. Pada tahap analisa ini, ada 2 metode yang dapat dilakukan, pupil finder dan neural network. Dalam tahap pupil finder ini dilakukan penentuan pupil mata dengan urutan proses penelusuran tepi pupil dan pencarian titik pusat pupil. Pada tahapan pupil finder ini, data image yang akan diproses (target proses) akan dicari (scan) dan dicocokan dengan data image yang terdapat di dalam database. Apabila sesuai, akan dihasilkan suatu informasi mengenai image yang dianalisa. Sedangkan untuk tahap neural network, data citra akan diproses dengan cara dimasukan ke dalam kelas-kelas tertentu.

Secara umum, algoritma dalam penelitian ini (dengan asumsi bahwa data cira menggunakan data dari database CASIA) adalah sebagai berikut:

1:Prosedur Input Image1.1:Pemasukan nomor ID1.2:Pemasukan nama1.3:Pemasukan umur1.4:Pemasukan jenis kelamin1.5:Pemasukan authority1.6:Pengambilan citra (browse data)

2:Prosedur Analisa2.1:Browse image

2.2:Pupil Finder2.2.1:Pencarian tepi pupil2.3:Pupil Tester2.3.1:Penentuan besar lingkarandari pupil2.3.2:Pencarian titik tengah pupil2.4:Pupil Validator2.4.1:Bandingkan citra uji dengan citradatabase2.4.1.1:Jika citra uji sesuai atau sama dengan data citra database, maka akan menghasilkan informasi yang terdapat pada table hasil pencarian yang sesuai (kemiripan100%) dengan informasi yang terdapat di dalam database2.4.1.2:Jika citra uji tidak sesuai dengan database, maka proses akan berhenti, karena data yang diproses tidak terdapat di dalam database

2.5:Neural NetworkMasukkan jumlah epoch (banyaknyapercobaan) yang diinginkanPenentuan target erorPengklasifikasian image

3.3 Neural NetworkNeural Network (NN) adalah suatuprosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian terhadap

sesuatu objek. Neural network dapat pula disebut dengan suatu cara coba-coba, yaitu untuk menghasilkan suatu tujuan tertentu, hal yang dilakukan adalah dengan mencoba berapa kali pun kemungkinan yang dapat dilakukan untuk mencapai hasil yang diinginkan tersebut.

Pada penulisan ini, neural network bertujuan untuk membagi image-image yang ada ke dalam beberapa kelas. Dapat dikatakan pula bahwa neural network ini adalah proses pengklasifikasian dari data citra yang diproses (analisa atau scan)

IV. PERANCANGAN DAN IMPLEMENTASI4.1 Analisa ProsesPerancangan dan implementasi yang telahdijelaskan pada bab sebelumnya menghasilkan kecocokan data image yang diproses dengan data image yang terdapat di dalam databse, serta menghasilkan pengklasifikasian data image tersebut. Di dalam databse CASIA terdapat 765 image data dari 108 individu, di mana setiap individu tersebut terdapat mata kanan dan mata kiri. Serta untuk setiap mata kanan terdapat 4 image (4 kali pengambilan gambar atau capture image) dan untuk mata kiri terdapat 3 image 93 kali pengambilan gambar atau capture image).Pada penulisan ini telah dilakukan suatu pemilihan yang random untuk menentukan image-image mana saja yang nantinya akan disimpan di dalam database (tabel terlampr di dalam lampiran). Dari hasil pemilihan tersebut, akan dismpan di dalam database sebanyak 50 image mata.

4.5 Target Proses

4.1 Input Data

4.2 Database Image Mata

4.6 Analisa Pupil Finder

4.3 Input Image Mata

4.4 Database

4.7 Proses Pupil Finder

4.8 Proses Berakhir 4.11 Figure 1

4.12 Figure 2

4.9 Analisa Neural Network

4.10 Proses Neural Network4.9 Neural Network Training

4.9 Hasil Pengklasifikasian

4.2 Analisa OutputProses di atas tersebut dapat dicobakanuntuk beberapa image iris mata yang tidak terdapat di dalam database. Tujuannya yaitu untuk melihat perbedaaan yang terjadi antara hasil yang diciptakan dengan hasil yang diciptakan sesuai dengan database. Akan jelas terlihat perbedaannya pada informasi yang ditampilkan pada bagian hasil pencarian, khususnya bagian kemiripannya.Toleransi kemiripan: -Orang yang sama, image sama = 100%

-Orang yang berbeda, image berbeda = kurang dari 100%

Hal ini dikarenakan image yang diujikan adalah image dari orang yang sama serta image yang sama, sehingga benarmenghasilkan data yang sesuai dengan database.Untuk uji coba di luar database,menghasilkan kemiripan yang beragam. Hal ini berasal dari image yang berbeda dari orang yang berbeda pula. Kemiripan ini berada kurang atau di bawah 100%. Kemiripan yang terjadi ini dapat muncul akibat kesamaan letak dari pupil mata ketika pengambilan data citra (Database CASIA). Walaupun kemiripannya hampir mutlak100%, tetapi image yang mirip tersebut tidak dapat dikatakan sebagai image yang sama, karena yang diambil adalah yang memiliki kemiripan mutlak 100%.

V. PENUTUP5.1 KesimpulanSkripsi ini menghasilkan program untukmencari pupil mata yang sesuai dengan data yang sudah tersimpan sebelumnya di dalam database dan juga untuk pengklasifikasian image. Prosesnya dilakukan dengan menggunakan image yang berformat .bmp dan grayscale yang berasal dari database CASIA. Sebelum dianalisa, terlebih dahulu sudah dibentuk databasenya dengan menginputkan data-data yang diperlukan. Lalu setelah itu pada proses analisa pupil findernya, image yang akan di scan akan disesuaikan atau dicari kemiripannya (kemiripan 100%) dengan image yang sudah disimpan di dalam database. Apabila sesuai maka akan menghasilkan informasi pada tabel hasil pencarian, tetapi apabila tidak sesuai, proses akan berakhir.

Untuk neural network, hasil akhirnya yaitu pengklasifikasian image ke dalam kelas-kelas yang berbeda. Prosesnya yaitu dengan cara proses coba-coba, hal ini dilakukan dari berapa kali banyaknya percobaan yang dilakukan (10000, 15000, atau 20000). Lalu setelah itu akan menghasilkan figure yang menggambarkan proses yang sudah terjadi. Pada akhirnya akan menghasilkan pengklasifikasian kelas dari setiap image.

5.2 SaranSecara umum penelitian ini dapat

ditingkatkan dengan melakukan penelitian lebih lanjut. Proses pencarian pupilnya masih perlu dikembangkan agar lebih baik lagi. Pada proses Neural Network masih diperlukan pengkajian yang lebih luas. Dari segi program atau aplikasi yang telah dibuatdapat dikembangkan, yaitu dengan pembuatan GUI (Graphic User Interface). GUI yang dihasilkan masih perlu pengembangan agar dapat lebih menarik lagi penampilannya. Segala pendalaman dan

pengkajian mengenai penelitian ini masih akan terus dilakukan.