SISTEM IDENTIFIKASI IRIS MENGGUNAKAN METODE
HOUGH TRANSFORMATION DAN LAPLACIAN OF
GAUSSIAN FILTER
Tugas Akhir
diajukan untuk memenuhi salah satu syarat
memperoleh gelar sarjana
dari Program Studi Teknik Informatika
Fakultas Informatika
Universitas Telkom
1103130011
Luthfi Alifianto
Program Studi Sarjana Informatika
Fakultas Informatika
Universitas Telkom
Bandung
2018
LEMBAR PENGESAHAN
SISTEM IDENTIFIKASI IRIS MENGGUNAKAN METODE HOUGH
TRANSFORMATION DAN LAPLACIAN OF GAUSSIAN FILTER
Iris Identification System Using Hough Transformation and Laplacian of Gaussian
Filter Methods
NIM :1103130011
Luthfi Alifianto
Tugas akhir ini telah diterima dan disahkan untuk memenuhi sebagian syarat memperoleh
gelar pada Program Studi Sarjana Informatika
Fakultas Informatika
Universitas Telkom
Bandung, 24 Mei 2018
Menyetujui
Pembimbing I,
Pembimbing II,
Danang Triantoro M, S.Si., M.T
Prof. Dr. Adiwijaya, S.Si., M.T
14870045
00740195-1
Ketua Program Studi
Sarjana Infromatika,
Said Al Faraby, ST
NIP: 11890804-3
LEMBAR PERNYATAAN
Dengan ini saya Luthfi Alifianto, menyatakan sesungguhnya bahwa Tugas Akhir saya
dengan judul Sistem Identifikasi Iris Menggunakan Metode Hough Transformation dan
Laplacian of Gaussian Filter beserta dengan seluruh isinya adalah merupakan hasil karya
sendiri, dan saya tidak melakukan penjiplakan yang tidak sesuai dengan etika keilmuan yang
belaku dalam masyarakat keilmuan. Saya siap menanggung resiko/sanksi yang diberikan
jika di kemudian hari ditemukan pelanggaran terhadap etika keilmuan dalam buku TA atau
jika ada klaim dari pihak lain terhadap keaslian karya,
Bandung, 24 Mei 2018
Yang Menyatakan
Luthfi Alifianto
Identifikasi Iris Menggunakan Metode Hough Transformation dan Laplacian of
Gaussian Filter
Luthfi Alifianto1, Danang Triantoro Murdiansyah2, Adiwijaya3
1,2,3
Fakultas Informatika, Universitas Telkom, Bandung
4
Prodi S1 Teknik Informatika
1
alifiantoluthfi@gmail.com, 2dto.lecture@telkomuniversity.ac.id, 3adiwijaya@telkomuniversity.ac.id
Abstrak
Salah satu metode sistem keamanan yang paling populer saat ini adalah metode identifikasi dengen
menggunakan iris. Hal tersebut disebabkan karena metode identifikasi dengan menggunakan iris
menghasilkan tingkat kesalahan yang paling rendah serta waktu proses yang cepat dibanding metode
lainnya[6]. Pada tugas akhir ini metode yang digunakan diantaranya adalah Laplacian of Gaussian Filter
dan Hough Transform . Laplacian of Gaussian Filter akan digunakan sebagai metode feature extraction
setelah citra iris selesai di proses. Laplacian of Gaussian filter ialah metode yang dugunakan untuk
menurunkan noise semaksimal mungkin serta mengambil karakteristik penting dari gambar dan
mencocokan karakteristik gambar dengan data yang ada dalam database. Metode ini efektif dan sederhana
serta dapat diimplementasikan secara real time. Hough Transform akan digunakan pada tahap segmentasi.
Penggunaan metode Hough Transform pada tahap segementasi diharapkan dapat mengatasi beberapa
masalah dalam pemrosesan iris seperti masalah iris yang tertutup kelopak dan bulu mata. Untuk mengukur
tingkat performansi dari metode gabungan Hough Transform dan Laplacian of Gaussian Filter akan diukur
menggunakan tingkat akurasi. Pada penelitian ini digunakan 3 skenario untuk menguji sistem idetifikasi
iris ini yaitu skenario 1 pengaruh dari metode Laplacian of Gaussian filter dan Hough Transformation
terhadap akurasi sistem identifikasi iris, skenario 2 pengaruh format input image yang berbeda dan
skenario 3 pengujian sampel image yang berbeda. Hasil yang didapat dari skenario 1 yaitu akurasi yang
mencapai 93% dari 100 kali percobaan dengan menggunakan 400 data training. Hasil yang didapat dari
skenario 2 yaitu akurasi yang mencapai 93% untuk format image (.jpg) sedangkan untuk format (.bmp)
mendapat akurasi lebih rendah yaitu 92%. Hasil yang didapat dari skenario 3 yaitu akurasi sebesar 94.2%
untuk akurasi yang didapat dari sampel 1 dengan jumlah gambar 175 gambar sedangkan sampel 2 dengan
jumlah gambar 70 gambar mendapatkan akurasi lebih rendah yaitu 92.4% untuk akurasinya.
Kata kunci : Sistem identifikasi iris, Hough transform,Laplacian of Gaussian Filter, Akurasi
Abstract
One of the most popular methods of security systems currently is the identification method using iris.
Because the identification method by using the iris produces the lowest error rate and fast processing time
compared to other methods [6]. In this final project the methods used are Laplacian of Gaussian Filter and
Hough Transform. The Laplacian of Gaussian Filter will be used as a feature extraction method after the
iris image is completed in the process. Laplacian of Gaussian filter is a method used to reduce noise as much
as possible and take the important characteristics of the image and match the characteristics of the image
with the data contained in the database. This method is effective and simple and can be implemented in
realtime. Hough Transform will be used in the segmentation stage. The use of the Hough Transform method
in the segmentation stage is expected to overcome some problems in iris processing such as iris problems
covered with petals and eyelashes. To measure the performance level of the combined Hough Transform
and Laplacian of Gaussian Filter methods will be measured using accuracy. In this research, three scenarios
are used to test the system identification iris scenario 1 influences from the Laplacian of Gaussian filter and
Hough Transformation methods to the accuracy off the iris identification system, scenario 2 the effect of
different image input formats and sneario 3 testing different sample iamges. The results from scenario 1 is
93% for accuracy of 100 testing using 400 data training. The results from scenario 2 are accurate of 93%
for image format (.jpg) while for format (.bmp) gets lower 92% for accuracy. Result from scenario 3 are
94,2% for accuracy from sample 1 with the number of omages 175 images while sample 2 with the number
of images 70 images get a lower accuracy of 92.4% for the accuracy.
Keywords: System Identification iris, Hough transform, Laplacian of Gaussian Filter, Accuracy
1.
Pendahuluan
Latar Belakang
Terus meningkatnya kemajuan di bidang Teknologi Informasi membutuhkan sistem identifikasi yang dapat
diandalkan. Salah satu sistem identifikasi yang popular yaitu sistem identifikasi iris.Sistem identifikasi iris menjadi
populer dalam beberapa tahun terakhir ini. Sistem pengenalan yang menggunakan iris ini diyakini mempunyai
akurasi yang tinggi dan lebih aman di banding sistem identifikasi lainnya, salah satu contohnya identifikasi sidik
jari. L. Flom dan A.Safir menyimpulkan tentang stabilitas iris morfologi dan memperkirakan probabilitas
keberadaan dua iris yang serupa ialah 1 banding 1072 . Keunikan iris membuat mata kiri dan kanan setiap individu
berbeda oleh sebab itu sistem identifikasi iris yang dapat diandalkan.
Pada penelitian sebelumnya, Savitrhiri dan Murugan (2010), teknik kompresi piramida Gaussian digunakan
untuk memapatkan citra mata dan mata dikompresi digunakan untuk menentukan batas dalam dan batas luar saat
lokalisasi kawasan iris. Dan didapatkan akurasi sebesar 96%. Hasil tesebut menunjukan bahwa Gaussian Laplace
filter dapat digunakan untuk identifikasi iris secara efisien [21].
Pada penelitian sebelumnya yang dilakukan oleh Sunada Singh dan Shikha Singh [8], sudah banyak
dikembangkan metode untuk segmentasi iris seperti Hough transform. Kelopak dan bulu mata menjadi
permasalahnya yang tujuannya mengurangi kebisingan atau noise. Metode ini mengurangi waktu deteksi tepi
dalam dan luar iris dengan bantuan linear Hough Transform dan Circular Hough Transform, dan mampu
melokalisasi iris melingkar dan daerah pupil yang tertutup oleh kelopak mata dan bulu mata serta refleksi.
Kinerja sistem pengenalan iris sangat bergantung pada ketepatan segmentasi iris. Bagian atas iris dan bagian
bawah dari batas iris pada umumnya terhalang oleh kelopak dan bulu mata, hal ini memberikan masalah saat
segmentasi. Kelopak mata dan bulu mata ini menjadi noise yang perlu dihilangkan untuk mendapatkan hasil
segmentasi yang optimal. Untuk mengatasi masalah ini metode segmentasi yang diusulkan yaitu Hough transform
untuk menyimpulkan radius dan pusat koordinat dari pupil dan iris.
Pada penelitian ini digunakan Hough transfrom pada tahap segmentasi dan Laplaccian of Gaussian Filters
pada tahap feature extaction yang diharapkan dapat menyelesaikan masalah- masalah yang ada pada identifikasi
iris.
Topik dan Batasannya
Pada penelitian ini dibahas sistem identifikasi iris menggunakan metode Hough Transformation dan
Laplacian of Gaussian Filter, adapun rumusan masalah pada Tugas Akhir ini adalah: 1) Bagaimana implementasi
Hough Transform pada tahap segmentasi? 2) Bagaimana implementasi Laplacian of Gaussian Filter pada tahap
feature extraction? 3) Bagaimana performansi Hough Transform dan Laplacian of Gaussian Filter dalam
mengidentifikasi iris?
Pada penelitian ini dibahas sistem identifikasi iris menggunakan metode hough transformation dan laplacian
of gaussian filter menggunakan data yang diperoleh dari database CASIA V1.0. Database ini mencakup 756
gambar iris dari 108 mata 7 gambar diambil dari dua sesi pengambilan gambar 1 diambil dari CASIA close-up
kamera iris yang dikembangkang oleh CASIA dimana 3 sampel gambar dikumpulkan pada folder gambar 1 dan
empat gambar sisanya dsimpan di folder gambar 2. Semua gambar disimpan sebagai format (.jpg) dan (.bmp)
dengan resolusi 320 x 280. Dalam penelitian digunakan 500 gambar untuk mengetahui akurasi dari sistem
identifikasi yang akan di uji. Untuk batasan nilai pengenalan yang ditentukan dari penelitian ini adalah 60% untuk
meningkatkan nilai akurasi dari sistem identifikasi iris yang dibuat.
Tujuan
Tujuan yang hendak dicapai dalam Tugas Akhir ini yaitu mengimplementasikan metode Hough Transform
dalam tahap segmentasi, mengimplementasikan Laplacian of Gaussian Filter pada tahap feature extraction, serta
menganalisis performansi Hough Transform dan Laplacian of Gaussian Filter dalam mengidetifikasi iris.
2. Studi Terkait
2.1 Iris
Iris adalah bagian berbentuk gelang pada mata yang membatasi pupil dan skelera. Posisi iris pada mata dapat
dilihat pada gambar 2.1. Teksture visual dari iris dibentuk selama perkembangan janin dan menstabilkan diri
sepanjang dua tahun pertama dari kehidupan janin. Fungsi dari iris adalah untuk mengontrol jumalah masuknya
cahaya yang masuk ke pupil, yang dilakukan oleh sfingter dan otot-otot dilator yang menyesuaikan ukuran pupil.
Diameter rata-rata dari iris adalah 12 mm dan untuk ukuran pupil dapat bervariasi dari 10% sampai 80% dari
diameter iris.
Gambar 2.1 Mata[22]
Iris sendiri terdiri dari sejumlah lapisan, lapisan terendah adalah lapisan epitel, yang berisi sel pigmentasi
padat. Lapisan stroma terletak di atas lapisan epitel dan terkandung pembuluh darah, sel-sel pigmen dan 2 otot iris.
Kepadatan stroma pigmentasi menentukan warna iris. Permukaan eksternal terlihat dari permukaan yang berlapislapis yang berisi dua zona iris yang berbeda warna. Zona luar silia , inner pupillary zone dibagi oleh collarette
yang muncul sebagai pola zig-zag.
Pembentukan pola unik pada dari iris adalah acak dan tidak berhubungan dengan faktor genetik. Satu-satunya
karakteristik yang tergantung pada genetika adalah pigmentasi pada iris yang menentukan warna. Karena sifat
epigenetik dari pola iris, dua mata seorang individu mengandung pola iris berkorelasi dan menjadikan salah satu
alasan mengapa iris digunakan sebagai biometric recognition.
2.2 Laplacian of Gaussian Filter
Ekstraksi ciri menggunakan dekomposisi isotropic bandpass (turunan dari Laplacian of Gaussian).
Pencocokan dua pola iris dilakukan dengan pendekatan yang didasarkan pada korelasi ternormalisasi
(Wildes,1997). Gaussian Filter digunakan dalam bidang analisa citra untuk proses penghalusan (smoothing),
pengaburan (blurring), menghilangkan detil, dan menghilangkan noise. Citra diproses menggunakan Gaussian
filter dengan parameter ukuran kernel dan standar deviasi () yang telah ditetapkan untuk mengurangi noise yang
berada dalam citra. Gaussian Filter 2-D dihasilkan melalui persamaan berikut:
𝑔(𝑥, 𝑦) =
1
2𝜋𝜎 2
𝑒𝑥𝑝
𝑥2 +𝑦2
2𝜎2
−
(2.1)
dengan,
𝑔 = matriks Gaussian Filter
𝑥, 𝑦 = indeks matriks Gaussian
𝜎 = standar deviasi
Proses smoothing merupakan proses penghalusan atau bluring, proses ini mengurangi noise yang terdapat
pada citra yang tujuannya membuat citra menjadi lebih halus. Dilakukan perkalian antara matrik asli dengan matrik
kernel gaussian [24]. Berdasarkan persamaan (2.1), parameter σ merupakan lebar dari gaussian filter. Semakin
besar nilai σ, semakin lebar frekuensi gaussian filter. Nilai σ dapat disesuaikan berdasarkan citra yang digunakan
[24].
2.3 Hough Transform
Hough Transform pada umumnya dapat digunakan untuk mendeteksi bentuk geometris yang dapat ditulis
dalam bentuk parametric seperti garis, lingkaran, parabola, dan hiperbola. Circular Hough Transform dapat
digunakan untuk mendeteksi lingkaran radius dalam gambar. Persamaan lingkaran dapat ditulis:
𝑟 2 = (𝑥 − 𝑎)2 + (𝑦 − 𝑏)2
(2.2)
Dimana r adalah jari-jari lingkaran dan a dan b adalah koordinat pusar. Dalan bentuk parametric, titik-titk
pada persamaan lingkaran dapat ditulis seabgai berikut:
𝑥 = 𝑎 + 𝑟 cos(𝜃)
(2.3)
𝑦 = 𝑏 + 𝑟 sin(𝜃)
Transformasi dihitung dengan menggambar lingkaran dari radius tertentu di setiap titik pada tepi gambar.
Untuk setiap titik dimana parameter lingkarang ditarik melewati koordinat itu bertambah 1. Hal ini dilakukan
untuk setiap lingkaran yang digambar untuk membuat sebuah akumulasi array. Sebuah lingkaran ditunjukan oleh
puncak dalam akumulasi array ( ruang Hough), seperti yang dapat dilihat pada Gambar 2.3. Deteksi lingkaran
menggunakan transformasi ini harus mengetahui jari-jarinya. Seperti yang kita tidak tahu seperti radius tertentu
dari pupil dan iris, transformasi harus dihitung untuk berbagai jari-jari. Untuk setiap jari-jari yang diuji lokasi dan
nilai maksimum tersebut disimpan.Jari-jari dengan puncak tertinggi menunjukan kemungkinan besar jari-jari dan
pusat koordinasi untuk batas.
Gambar 1.3 Iris Tersegmentasi
2.4 Daugman’s Rubber Sheet Model
Proses Normalisasi akan menghasilkan daerah iris yang memiliki dimensi konstan yang sama sehingga dua
foto iris yang sama yang tadinya memeliki kondisi yang berbeda akan memiliki ciri-ciri di lokasi spesial yang
sama [9].
Daugman menyarankan caretisian normal transformasi polar yang memetakan setiap pixel di iris daerah
menjadi sepasang koordinat polar (r, θ), dimana r adalah interval antara [0,1] dan θ berada diantara sudut [0,2π]
[2]dapat dirumuskan sebagai:
I(x(r, θ), y(r, θ)) → I(r, θ) yang seperti
x(r, θ) = (1-r) XP(θ) + rx1(θ)
y(r, θ) = (1-r) YP(θ) + ry1(θ)
(2.4)
Dimana:
I (x, y)
= Citra daerah iris.
(x,y)
= Koordinat kutub normal yang dinormalisasi.
Dengan demikian representasi ini sering disebut sebagai model Rubber Sheet.
Gambar 2.4 Daugman’s Rubber Sheet Model [9]
2.5 Hamming Distance
Untuk pencocokan jarak hamming dipilih sebagai metrik untuk identifikasi. Algoritma jarak hamming
digunakan juga menyamarkan noise, sehingga hanya bit signifikan yang digunakan dalam membandingkan antara
dua template iris. Ketika mengambil jarak hamming, bit dalam pola iris yang sesuai dengan ‘0’ bit disamarkan
dari kedua pola iris akan digunakan dalam perhitungan. Jarak Hamming akan dihitung menggunakan bit yang
dihasilkan dari wilayah iris yang benar, dan dimodifikasi. jarak Hamming ditunjukkan oleh persaaman berikut:
𝐻𝐷 =
1
𝑁−∑𝑁
𝐾=1 𝑋𝑛𝑘 (𝑂𝑅)𝑌𝑛𝑘
Dengan,
HD
Xj, Yj, Xn’j,Yn’J
N
∑𝑁
𝑗=1 𝑋𝑗 ⊕ 𝑌𝑗 (𝐴𝑁𝐷)𝑋𝑛′𝑗 (𝐴𝑁𝐷)𝑌𝑛′𝑗
(2.5)
= Jarak Hamming
= Template bit-wise
= Jumlah bit
dimana Xj dan Yj adalah dua template bit-wise untuk membandingkan. Xnj dan Ynj akan disamarkan sesuai
dengan Xj dan Yj, dan N adalah jumlah bit yang diwakili oleh setiap template. Dalam teori ini dua iris template
yang dihasilkan dari iris yang sama akan memiliki jarak Hamming dari 0,0. Normalisasi tidak sempurna dan juga
akan ada beberapa noise yang tidak terdeteksi sehingga beberapa variasi akan hadir ketika membandingkan dua
template iris intra-kelas.Dalam rangka untuk memperhitungkan inkonsistensi rotasi, ketika jarak Hamming dua
template dihitung, satu template digeser kiri dan kanan bit-wise dan sejumlah nilai-nilai jarak Hamming dihitung
dari pergeseran berturut-turut. Pergeseran bit-wise ini dalam arah horisontal sesuai dengan rotasi sesui wilayah iris
asli yang diberikan oleh resolusi angular yang telah digunakan. Jika resolusi angular dari 180 sudah digunakan,
setiap shift akan sesuai dengan rotasi dari 2 derajat di wilayah iris. Metode ini disarankan oleh Daugman , dan
mengoreksi misalignments dalam pola iris yang dinormalisasi disebabkan perbedaan rotasi selama pencitraan. Dari
nilai jarak Hamming dihitung hanya yang terendah diambil, karena ini sesuai dengan pencocokan terbaik antara
dua template.Jumlah bit pindah selama setiap pergeseran yang diberikan oleh dua kali jumlah filter yang
digunakan, karena masing-masing filter akan menghasilkan dua bit informasi dari satu pixel dari daerah yang
dinormalisasi. Sebenarnya jumlah pergeseran diperlukan untuk menormalkan inkonsistensi rotasi yang ditentukan
oleh perbedaan sudut maksimum antara dua gambar dari mata yang sama dan satu pergeseran didefinisikan sebagai
satu shift ke kiri, diikuti oleh satu shift ke kanan. Proses pergeseran untuk satu shift diilustrasikan pada Gambar
2.5
Gambar 2.5. Proses Pergeseran Untuk Satu Shift
Sebuah ilustrasi dari proses pergeseran. Salah satu pergeseran didefinisikan sebagai satu shift kiri, dan satu
shift kanan template referensi. Dalam contoh ini satu filter digunakan untuk mengkodekan template, sehingga
hanya dua bit dipindahkan selama pergeseran. Jarak Hamming terendah, dalam hal ini nol, kemudian digunakan
karena ini sesuai dengan pencocokan terbaik antara dua template. Hasil jarak Hamming disini dijadikan akurasi
dimana jarak hamming dengan selisih terkecil akan dipilih sebagai akurasi dari 2 template yang dibandingkan.
Jarak Hamming dipilih sebagai pencocokan metric, yang memberikan seberapa banyak selisih bit antara dua
template. Kegagalan dari statistic independent antara dua template akan menghasilkan pencocokan dua template
yang dihasilkan dari iris yang sama ketika jarak Hamming menghasilkan lebih rendah dari yang sudah ditetapkan
jarak Hamming.
3.
Desain dan Implementasi
Sistem yang dibangun pada penelitian tugas akhir ini secara garis besar proses ini dikelompokan pada lima
proses utama yaitu:
1) Memilih data berupa citra mata pada tahapan training maupun testing.
2) Melakukan ekstraksi ciri menggunakan metode laplacian of gaussian filter
3) Melakukan segmentasi iris menggunakan metode hough transformation untuk memisahkan citra iris.
4) Melakukan normalisasi iris dengan menggunakan metode Daughman rubber sheet model untuk
mendapatkan citra iris mata agar lebih mudah dimanipulasi
5) Melakukan proses pengenalan atau matching dengan menggunkan metode hamming distance.
Desain sistem dapat dilihat pada Gambar 3.1
Gambar 3.1. Flow Chart Desain Sistem
3.1 Data Training dan Data Testing
Data ini akan digunakan sebagai proses pengujian, berupa data atau gambar citra gray scale yang berasal dari
CASIA V1. Data ini memiliki 2 format data yaitu (.jpg) dan (.bmp). Ukuran dari citra gambar yang digunakan
untuk data training dan testing berukuran 320 x 280 pixel. Jumlah data yang digunakan untuk data training dan
data testing berjumlah 500 data. 400 data untuk data training dan 100 data untuk data untuk data testing.
Spesifikasi dari data akan digunakan dapat dilihat pada Tabel 3.1.
Table 3.1 spesifkiasi data
Citra
Ukuran data
Format data
Jumlah data yang dipakai
Gray scale
320x280
(jpg),(.bmp)
500 gambar
3.2. Feature Extraction
Pada tahap feature extraction fitur iris harus dikodekan karena kontras antara template yang dibuat. Sebagian
besar sistem identifikasi iris menggunakan band pass decomposition dari gambar iris untuk membuat template
biometrik. Iris memiliki informasi tekstur yang melimpah seperti vektor fitur yang terbentuk dan terdiri dari urutan
fitur yang dipesan dan diambil dari representasi gambar iris yang berbeda. Gambar 3.3 menggambarkan Laplacian
of Gaussian.Gambar Laplacian menyoroti daerah perubahan intensitas yang cepat dan selalu digunakan untuk
deteksi tepi. Laplacian selalu diterapkan pada gambar yang telah dihaluskan dengan perkiraan perataan(smoothing)
Gaussian Filter untuk mengurangi sensitivitas terhadap noise yang dimana pada tahapan ini ditemukan tingkat ke
abu-abuannya setelah itu di konversi kedalam laplacian dimana nilai indeksnya antara 0 dan 1, 1 menjadi warna
putih dan 0 menjadi warna hitam yang tujuan nya untuk mempermudah proses segmentasi yang menggunakan
metode hough transform.
Gambar 3.3 Laplacian of Gaussian image
3.3 Segmentasi
Pada tahap segmentasi dan deteksi batas diimplementasikan dalam dua tahap. Tahap pertama adalah
mengisolasi wilayah iris pada gambar mata digital. Kelopak mata dan bulu mata biasanya menutup bagian atas
dan bawah daerah iris. Refleksi cahaya terjadi di daerah iris yang bisa merusak pola iris.[8]Oleh karena itu tahap
kedua teknik segmentasi diperlukan untuk mengisolasi kelopak mata serta menemukan daerah iris melingkar.
Algoritma segmentasi berdasarkan Hough Transform digunakan untuk membuat template. Hough Transform yang
digunakan untuk menentukan parameter geometris sederhana seperti garis dan lingkaran. Circular Hough
Transform digunakan untuk mendeteksi iris dan pupil Batas dan linier Hough Transform digunakan untuk
mengisolasi kelopak mata seperti pada gambar 3.4 Kelopak mata diisolasi dengan terlebih dahulu memasang garis
ke kelopak mata atas dan bawah dengan menggunakan Hough Transform Linier. Garis horizontal kedua kemudian
ditarik, yang mana bersinggungan dengan garis pertama di tepi iris yang paling dekat dengan pupil.
Pada tahapan segmentasi indetifikasi ini citra gambar yang sudah dihaluskan dengan menggunakan metode
laplacian of gaussian filter citra gambar dimulai dengan inisialisasi radius pupil dan radius iris untuk mencari
batas iris, setelah itu menentukan koordinat lingkaran iris, menentukan region pupil didalam batas iris. Setelah itu
metode hough transformation ini mencari lingkaran batasan pupil dan menentukan koordinat lingkaran pupil
untuk mendapatkan batas atas kelopak mata dan batas bawah untuk kelopak mata. Thresholding pada hough
transform digunakan untuk menghilangkan noise seperti bulu mata.
Gambar 3.4 Tahap Segmentasi
3.4 Normlisasi
Pada tahap normalisasi ini akan menghasilkan iris dengan dimensi tetap sehingga dua foto iris yang sama
dalam kondisi pencahayaan berbeda akan memiliki ciri khas yang sama[3].
Gambar 3.4 Pusat Pupil dan Iris Tidak Konsentris
Dengan menggunakan Rubber Sheet Daugmans’s untuk menormalisasi daerah iris pusat dari pupil yang
dianggap sebagai titik referensi, dan vektor radial melewati daerah iris. Resolusi radial diwakili oleh sejumlah titik
data yang dipilih sepanjang setiap garis radial. Resolusi sudut didefinisikan sebagai jumlah garis radial yang terjadi
di sekitar daerah iris.
Gambar 3.5 Daugmans’s Rubber Sheet Model
Setelah mendapatkan representasi polar normal dari daerah iris, daerah iris dibuka dengan memilih sejumlah
titik konstan sepanjang garis radial terlepas dari seberapa sempit atau lebar radius pada sudut tertentu, dengan
demikian menghasilkan rangkaian 2D dengan dimensi vertikal resolusi radial dan dimensi horizontal resolusi sudut
(lihat Gambar 3.5) . Sekarang untuk mencegah data daerah non-iris merusak representasi yang dinormalisasi,
rangkaian 2D lainnya dibuat untuk menandai pantulan, bulu mata, dan kelopak mata yang terdeteksi pada tahap
segmentasi, dan titik data yang terjadi di sepanjang perbatasan pupil atau batas iris akan dibuang. Dapat dilihat
pada Gambar 3.6.
Pada tahapan normalisasi mengguanakan metode Daugman rubber sheet model yang dilakukan metode ini
pada sistem yang dibangun yaitu rubber sheet model menginisialisasi resolusi pada radial dan angular serta batas
dan radius dari iris dan pupil. Tahapan ini menghilangkan nilai-nilai yang ada pada batas iris dan pupil lalu
membuat ekstraksi nilai intensitas ke dalam representasi polar atau template berdasarkan array polar. Didapatkan
template dan masking dari proses normalisasi yang dimana template adalah array dari citra iris dan masking adalah
array dari citra iris yang dideteksi sebagai noise.
Gambar 3.6 Mendapatkan Radial dan Angular Resolutions
3.5 Matching
Langkah terakhir adalah mencocokkan kode iris dengan menggunakan fitur iris yang tersimpan dalam sistem.
Pencocokan dilakukan dengan mengukur jarak antara dua gambar dari kode iris. Dalam karya ini, Hamming
Distance (HD) digunakan untuk mengukur jarak antara dua kode iris untuk mendapatkan akurasi atau tingkat
kesamaan gambar antara data testing dan data training [4]. Template testing dan template training dicari jarak
yang terendah untuk dijadikan akurasi.
Pada tahapan matching menggunakan metode hamming distance yaitu menghitung antara dua template iris
yang dihasilkan dari proses training dan proses testing. Dimulai dengan inisialisasi template dan masking dari
proses training dan testing. Dimulailah pergeseran bit untuk template dan masking dari training yang dimana
pergesran bit ini dimulai denga alokasi array sebesar tempalete. Jika jumlah pergeseran sama dengan 0 maka
template seperti semula dan jika jumlah pergeseran lebih dari 0 lakukan pergeseran ke kiri atau ke kanan.
Dilakukan operasi or pada hasil masking training dan masking testing. Kalkulasi total bit yang dikurangin dengan
bit mask. Dilakukan oparasi xor hasil template training dan testing serta dilakuakan operasi and pada hasil tersebut
dengan masking. Didapatkan nilai hamming distance yang terendah dan nilai tersebut dijadikan tingkat pengenalan
dari sistem identifikasi iris yang dibangun. Operasi pergeseran pada hamming distance digambarkan dalam gambar
3.7 sebagai berikut.
Gambar 3.7. Proses Pergeseran pada Hamming Distance
3.6 Analisis Kebutuhan
Berikut adalah spesifikasi dari perangkat yang digunakan dalam pengerjaan tugas akhir:
1.
Spesifikasi Perangkat keras:
a)
Intel Core i5-7200U CPU @2.5Ghz
b)
Memory 4GB DDR4
c)
Hardrive 1TB
d)
Intel HD Grapihics 620, NVIDIA GeForce 930MX 2GB DDR3
2.
Spesifikasi Perangkat Lunak:
a)
Windows 10 Pro 64-bit patching/cracked
b)
MATLAB R2017a patching/cracked
4.
Evaluasi
4.1 Hasil Pengujian
Pada penelitian identifikasi iris ini digunakan data training dan data pengujian. Data didapat dari National
Laboratory of Pattern Recognation (NLPR), Institute of Automation (IA), Chinese Academy of Sciences (CAS).
Database iris tersebut dinamai CASIA V1.0 (Casia –IrisV1)[24]. Database ini mencakup 756 gambar iris dari 108
mata. Semua gambar disimpan sebagai format (.jpg) dengan resolusi 320 x 280. Pada tahap pengujian penulis
menggunakan bahasa pemograman MATLAB.
Adapapun proses pengujian ini terdiri dari dua tahapan yaitu training dan testing. Dari proses training
didapatkan training template dan training masking template yang disimpan dalam bentuk file (.mat), supaya bisa
diproses pada tahap selanjutnya yaitu tahapan testing. Pada tahapan testing dilakukan template matching yang
akan di authentifikasi dengan template- template yang sudah disimpan pada proses training.
Skenario pertama dilakukan untuk mengetahui akurasi dari sistem identifikasi iris yang dibangun.pada
skenario ini dilakukan pengujian menggunakan 400 gambar untuk data training dan 100 gambar testing database.
Dilakukan 1 kali proses training dan 100 kali pengujian sehingga dapat diketahui akurasi dari sistem identifikasi
iris yang sudah dibuat. Setelah dilakukan pengujian tingkat akurasi yang didapat oleh sistem identifikasi iris ini
mencapai 93% dari 100 kali percobaan.
Skenario kedua dilakukan untuk mengetahui akurasi dari sistem identifikasi iris yang menggunakan format
image mata yang berbeda. Pada skenario ini dilakuan pengujian menggunakan 500 gambar file (.jpg) dan 500
gambar file (.bmp) masing- masing sama jumlahnya antara data training dan data testing. Dilakukan 1 kali proses
training dan 100 proses testing untuk masing-masing format file (.jpg) dan (.bmp). Akurasi rata-rata yang didapat
dari pengujian file (.jgp) sebesar 93% dan akurasi rata-rata yang didapat dari pengujian file (.bmp) sebesar 92%.
Skenario ketiga dilakukan untuk mengetahui akurasi dari sistem identifikasi iris menggunakan jumlah sampel
image training yang berbeda. Pada skenario ini dilakukan pengujian menggunakan 150 gambar untuk training dan
35 gambar untuk testing. Setelah itu digunakan data training lebih sedikit yaitu 60 gambar untuk training dan 35
gambar untuk testing . Dilakukan 1 kali proses training dan 35 kali proses pengujian untuk masing- masing sampel.
Dari pengujian yang sudah dilakukan untuk sampel pertama dengan 150 gambar untuk training mendapatkan ratarata akurasi 94.2% dan untuk sampel kedua dengan 60 gambar training mendapatkan rata- rata akurasi 92.4%.
4.2 Analisis Hasil Pengujian
Berdasarkan hasil pengujian pada skenario pertama yang telah dilakukan, didapat hasil rata- rata akurasi dari
100 percobaan didapat tingkat akurasinya 93% dan waktu yang dibutuhkan untuk pengujian skenario pertama
yaitu 189476 detik, dengan menggunakan 400 gambar untuk data training dan 100 data testing. Tingkat pengenalan
tertinggi didapat 82% saat dilakukan pengujian pada gambar 064_1_1.jpg. Tingkat pengenalan terendah didapat
58.05% saat dilakukan pengujian pada gambar 046_1_1.jpg.
Berdasarkan hasil pengujian pada skenario kedua yang telah dilakukan, didapat hasil rata-rata akurasi dari
100 pecobaan dengan format file (.jpg) maupun (.bmp). Pengujian dengan format (.jpg) mendapatkan tingkat
akurasi 93% dengan tingkat pengenalan tertinggi 82% dan tingkat pengenalan terendahnya 58.05% sedangkan
untuk format (.bmp) mendapatkan tingkat akurasi lebih rendah yaitu 92% dengan tingkat pengenalan tertinggi
82.04% dan terendahnya 59.03%. Total waktu yang dibutuhkan untuk pengujian skenario kedua ini yaitu 385233
detik yang berasal dari 2 tahap pengujian yaitu pengujian menggunakan format (.jpg) dan (.bmp). waktu yang
dibutuhkan untuk pengujian menggunakan format (.jpg) 189476 detik sedangkan waktu yang dibutuhkan untuk
pengujian format (.bmp) 195757 detik.
Berdasarkan hasil pengujian pada skenario ketiga yang telah dilakukan, pengujian yang dilakukan
menggunakan jumlah sampel yang berbeda yaitu sampel dengan 150 data training dan 35 data testing mendapatkan
tingkat akurasi sebesar 94.2% dengan total waktu pengujian 24855 detik dengan tingkat pengenalan teringgi
81.52% dan terendahnya 58.70% sedangkan pengujian yang menggunakan lebih sedikit data training yaitu 60 data
dan 35 data testing mendapat tingkat akurasi sebesar 92.4% dengan waktu pengujian 10006 detik dengan tingak
pengenalan tertinggi 81.09% dam timgkat pengenalan terendahnya 57.91%. Akurasi yang didapat pada pengujian
sampel pertama yaitu dengan 150 data training mendapatkan akurasi lebih tinggi yaitu 94.2% dibanding dengan
pengujian sampel kedua dengan menggunakan 60 data training yaitu 92.4%. Akan tetapi waktu pengujian sampel
pertama lebih lama dibandingkan dengan sampel kedua. Waktu yang dibutuhkan untuk menguji sampel pertama
yaitu 24855 detik sedangkan waktu yang dibutuhkan sampel kedua lebih sebentar yaitu 10006 detik. Hal ini
disebabkan oleh penggunaan data training yang tersimpan lebih banyak dari pengujian sampel pertama yaitu 150
data training maka ciri iris yang tersimpan makin banyak dan proses yang dijalankan semakin banyak yang
menyebabkan akurasi dan waktu pengujian lebih besar dibanding sampel kedua.
Table 4.1 Hasil Pengujian
Nama Skenario
Skenario 1
Skenario 2
Skenario 3
Nama Pengujian
100 data testing (.jpg) dengan
400 data training
100 data testing (.jpg) dengan
400 data training
100 data testing (.bmp)
dengan 400 data training
5 sampel data training35 kali
dengan 150 data training
2 sampel data training 35 kali
dengan 60 data training
Hasil Akurasi
93%
Waktu (detik)
189476
93%
189476
92%
195757
94.2%
24855
92.4%
10006
5.
Kesimpulan
Dari hasil pengujian dan analisis maka dapat disimpulkan hal- hal sebagai berikut.
1. Pada penelitian sistem identifikasi iris menggunakan metode hough transformation dan laplacian of
gaussian filter telah berhasil diimplementasikan metode hough transformation pada tahap segmentasi.
2. Pada penelitian sistem identifikasi iris menggunakan metode hough transformation dan laplacian of
gaussian filter telah berhasil diimplementasikan metode laplacian of gaussian filter dalam tahap feature
extraction.
3. Pengujian yang dilakukan pada skenario 1 menggunakan 400 data training dan 100 data testing rata- rata
tingkat akurasinya sebesar 93% dengan total waktu pengujian 189476 detik dengan tingkat pengenal
tertinggi 82% dan terendahnya 58.05%
4. Pengujian yang dilakukan pada skenario 2 menggunakan iris mata dalam format image yang
berbeda.Untuk format image (.jpg) mendapatkan tingkat akurasi sebesar 93% dengan tingkat pengenalan
tertinggi 82% dan terendahnya 58.05% sedangkan untuk format image (.bmp) mendapatkan akurasi lebih
rendah yaitu 92% dengan tingkat pengenalan tertinggi 82.4% dan terendahnya 59.03%. Waktu yang
dibutuhkan untuk pengujian gambar dengan format (.jpg) yaitu 189476 detik dan waktu yang dibutuhkan
untuk pengujian gambar dengan format (.bmp) yaitu 195757. Waktu pengujian yang dibutuhkan dengan
format image (.bmp) lebih lama dibandingan waktu pengujian dengan format image (.jpg)
5. Pengujian yang dilakukan pada scenario 3 menggunakan jumlah sampel yang berbeda yaitu sampel yang
menggunakan 150 data training atau menggunakan 5 sampel gambar dengan sampel kedua menggunkan
60 data training atau 2 sampel gambar data, sampel pertama mendapatkan akurasi sebesar 94.2% dengan
tingkat penegnalan tertinggi 81.52% dan terndahnya 58.70% sedangkan untuk sampel kedua
mendapatkan akurasi lebih rendah yaitu 92.4% dengan tingkat pengenalan tertingginya 80.91% dan
terendahnya 57.09%. Dan waktu yang dibutuhkan untuk pengujia sampel pertama dibutuhkan waktu
sabanyak 24855 detik sedangkan waktu yang dibutuhkan untuk pengujian sampel kedua lebih cepat
disbanding sampel pertama yaitu 10006. Hal ini disebabkan oleh lebih banyaknya data training yang
digunakan untuk sampel pertama yaitu 150 gambar untuk data training menyebabkan tingkat akurasi dan
waktu yang digunakan untuk sampel pertama lebih besar dibandingkan dengan sampel kedua.
5.1 Saran
Berdasarkan pengujian yang sudah dilkukan dengan menggunkan sistem identifikasi iris menggunakan
metode hough transformation dan laplacian of gaussian filter ini, dapat diberikan beberapa saran sebagai
berikut.
1. Perlu dilakukan penelitian lebih lanjut dengan menggunkan metode lain untuk mangurangi kesalahan
pengenalan iris pada proses segmentasi iris yang disebabkan oleh posisi dari pupil iris yang tidak tepat.
2. Perlu dilakukukan penelitian lebih lanjut untuk pengujian terhapap format image lain nya seperti .png,
.gif, .tif dan lainnya.
Daftar Pustaka
[1]
Samranjit Kaur, Sourav Grag. "Analysis of Iris Recognation Based on FAR and FRR Using Hough
Transform." IOSR Journal of Computer Engineering( IOSR-JCE) ver.IV(July – Aug. 2015), PP 31-36.
[2]
L. Ma, T.Wang.T. Tan."Iris recognition using circular symmetric filters."National Laboratory of Pattern
KRecognation, Institute of Automation (Chinese Academy of Science) (2002).
[3]
John G. Dougman. "How Iris Recognation Works" Proceedings of 2002 International Conference on
Image Processing, Vol. 1 2002).
[4]
Ashish kumar Dewangan, Majic ahmad Siddhiqui. "Human Identification and Verification Using Iris
Recognation by Calculating Hamming Discante" Intenational Journal of Soft Computing and Engineering (IJSC),
Vol 2(2), May (2012).
[5]
Bhawna Chouhanm, Shailja Shukla. "Analysis of statiscal feature extraction for Iris Recognation Sysitem
using Laplacian of Gaussian filter." Internaltional Journal of Applied Engineering Research, Dindigul Volume1,
No3. 2010.
[6]
John Daugman. "How Iris Recognation Works." IEEE Transaction on Circuits and Systems for Video
Technology Vol 14, No 1,January (2004)
[7]
Libor Masek. "Recognation of Himan Iris Patterns for Biometric Identification." The University of
Western Australia (2003).
[8]
Sunanda Singh,Shikha Singh. "Iris Segmentation for Iris Recognation Using Hough Transformation
" IPASJ International Journal of Electronics & Communication (IIJEC)Volume 3, Issue 3, March (2015).
[9]
Klaus D. Toennnies, Frank Behrens, Melanie Aurnhammer, "Feasibility of Hough-Transform-based Iris
Localisation for Real-Time-Application" Dept. of Computer Science Oto-von-Guericke Universitӓy Magdeburg,
Germany.
[10]
Kevin W.bowyer, Karen Hollingsworth, Patrick J. Fynn. "Image Understanding for iris biometrics: A
survey" Department of Computer Scinece and Engineering, University of Notre Dame, Notre Dame,IN
46556,USA. Computer Vision Image Understanding 110 (2008) 281-307.
[11]
M. Karpaga Kani, Dr.T.Arumuga Maria Devi. "Iris Segmentation and Recognation System" International
Journal of Advanced Research in Computer Engineering & Technology (IJARCET) Volume 3 Issue10,(2014)
[12]
Maeva Djoumessi. "Iris Segmentation using Daugman’s Integro-Differential Operator" NSF REU at
Utash State University, Logan University of North Carolina, Chapel Hill.
[13]
Romany F. Mansour."Iris Recognition Using Gauss Laplace Filter" American Journal of Applied
Sciences 2016
[14]
Jaehan Koh, Venu Govindaraju, and Vipin Chaudhary, “A Robust Iris Localization Method Using an
Active Contour Model and Hough Transform”, Department of Computer Science and Engineering, University at
Buffalo (SUNY).
[15]
Noureddine Cherabit*, Fatma Zohra Chelali, Amar Djeradi. “Circular Hough Transform for Iris
localization”, Science and Technology 2012, 2(5) 2015
[16]
Maria De Marsico , Alfredo Petrosino , Stefano Ricciardi. “Iris Recognition through Machine Learning
Techniques: a Survey”, Pattern Recognition Letters 2016.
[17]
Z.Zainal Abidin, M.Manaf, A.S.Shibghatullah, S.H.A.Mohd Yunos, S.Anawar, Z.Ayop.” Iris
Segmentation Analysis using Integro-Differential Operator and Hough Transform in Biometric System”, Faculty
of Information and Communication Technology, Universiti Teknikal Malaysia Melaka, Hang Tuah Jaya, 76100,
Durian Tunggal, Melaka., Faculty of Computer & Mathematical Sciences, Universiti Teknologi MARA, Shah
Alam, 40450, Selangor
[18]
Satbir Kaur, Ishpreet Singh.” Comparison of Edge Detection Techniques for Iris Recognition “,
International Journal of Computer Applications (0975 – 8887) Volume 149 – No.9, 2016
[19]
Savithiri, G. and A. Murugan.” Iris Recognation Technique using Gaussian Pyramid Compression”,
International Conference on Recent Trends, Business Administration and Information Processing, Springer,
Kerela, India, pp:325-331, Mar. 26-27, 2010
[20]
Li Ma, Yunhong Wang, Tieniu Tan.” Iris Recognation Using Circular Symmetric Filtes”,National
Laboratory of Pattern Recognition,Institue of Automation, Chinese Academy of Science,P.O. Box 2728, Beijing,
100080, P.R. China
[21]
Ashish Kumar Dewangan, Majid Ahmad Siddhiqui. ” Human Identification and Verification Using Iris
Recognation by Calculating Hamming Distance”,International Journal of soft Computing and Engineering
(IJSCE) ,ISSN:2231-2307,Volume-2, Issue-2, May 2012
[22]
“CASIA Iris Image Database,” http://www.sinobiometrics.com,
[23]
Ruye Wang.”Sharpening and Edge Detection”, Copyright © 1993, 1994, 1995, 1996, Nikos Drakos,
Computer Based Learning Unit, University of Leeds, Copyright © 1997, 1998, 1999, Ross Moore, Mathematics
Department, Macquarie University, Sydney,Oct. 19, 2016
[24]
Zhou, Ping, Wenjun Ye, Yaojie Xia, Qi Wang.”An Improved Canny Algorithem for Edge
Detection”,(2011)
Lampiran
Selanjutnya tabel dibawah ini merupakan pengujian untuk senario 1 dan 2 yang memuat data pengujian untuk
100 kali testing dan 400 data training file (.jpg) maupun file (.bmp).
Tabel 1 Pengujian Skenario 1 dan 2
Nama File
070_1_1
069_1_1
068_1_1
067_1_1
066_1_1
065_1_1
064_1_1
Tingkat Pengenalan
(.jpg)
(.bmp)
68%
60.26%
70%
69.98%
75%
74.75%
64%
63.39%
72%
59.73%
77%
76.71%
82%
75.98%
Waktu Pengenalan (Detik)
(.jpg)
(.bmp)
1535.38
1613.843
1191.98
1315.119
1.633.979
1727
1.141.727
1188.674
2.084.901
1588.807
1.898.463
1980.949
1191.98
2253.446
063_1_1
062_1_1
061_1_1
060_1_1
059_1_1
058_1_1
057_1_1
056_1_1
055_1_1
054_1_1
053_1_1
052_1_1
051_1_1
050_1_1
049_1_1
048_1_1
047_1_1
046_1_1
045_1_1
044_1_1
043_1_1
042_1_1
041_1_1
040_1_1
039_1_1
038_1_1
037_1_1
036_1_1
035_1_1
034_1_1
033_1_1
032_1_1
031_1_1
030_1_1
029_1_1
028_1_1
027_1_1
026_1_1
025_1_1
024_1_1
023_1_1
022_1_1
021_1_1
020_1_1
019_1_1
018_1_1
017_1_1
016_1_1
015_1_1
014_1_1
013_1_1
012_1_1
011_1_1
010_1_1
009_1_1
008_1_1
007_1_1
006_2_1
72%
77%
68%
76%
76.57%
67.06%
80.31%
72.99%
72.76%
77.02%
75.69%
70.85%
71.74%
68.94%
65.83%
72.63%
79.06%
58.05%
69.90%
72.61%
66.30%
75.43%
65.46%
75.28%
73.51%
73.46%
75.05%
77.26%
70.77%
77.53%
77.24%
78.95%
67.90%
65.25%
78.08%
76.96%
78.50%
74.86%
76.66%
72.22%
73.16%
73.57%
72.04%
65.98%
61.63%
74.48%
79.96%
74.07%
70.55%
76.95%
73.42%
73.72%
73.63%
77.86%
70.86%
72.59%
72.93%
74.32%
70.94%
70.71%
67.41%
76.64%
75.23%
64.79%
79.99%
72.99%
66.68%
74.88%
74.22%
63.51%
71.89%
67.75%
72.80%
73.10%
73.21%
Salah
69.71%
74.57%
65.02%
75.88%
63.97%
75.26%
73.45%
72.40%
74.61%
76.78%
70.47%
78.11%
76.23%
78.78%
68.59%
64.91%
77.66%
77.85%
75.11%
73.73%
75.54%
71.04%
72.79%
72.52%
68.88%
73.55%
Salah
73.69%
78.22%
68,02%
70.01%
74.62%
72.27%
72.82%
72.57%
77.65%
70.43%
73.40%
72.80%
73.49%
2.084.591
1.898.463
1.932.191
2.040.771
2.155.488
1.678.118
1445.8
1.270.479
1.827.569
1.724.403
1.281.838
1.183.117
1285.3
2.042.272
2899.89
1.832.452
2.118.766
3.250.492
1.213.044
2.404.277
1.374.666
2.055.613
1.779.659
2.605.312
1.794.125
2.141.541
1.179.868
900.108
2.423.925
1.467.858
1.401.408
1.520.909
1.902.704
2.168.922
1469.65
1.671.302
1.691.316
1.968.452
2.657.707
1.987.967
2.512.111
1.922.753
1.894.042
986.595
2.733.916
1.093.833
1.605.536
2.720.646
2746.59
3.997.385
2.094.376
1.872.709
1.394.048
2.357.385
1.832.708
1.832.708
2.024.236
1.549.247
2145.827
1974.54
1960.003
2178.697
2307.025
1772.002
1535.092
1334.948
2415.335
1858.263
1395.652
1739.683
1181.866
2153.055
1969.95
1930.403
2225.963
3061.786
1283.122
2544.761
1460.001
2156.192
2041.607
2784.843
1969.392
2310.996
1271.728
975.084
2746.382
1610.954
1501.623
1638.081
1997.078
2263.077
1444.491
1624.073
1788.747
2105.903
2815.512
2088.711
2678.395
1911.392
2287.522
1166.179
2873.37
1148.008
1708.329
1435.509
2835.863
1846.35
2302.497
1967.579
1498.551
2571.67
1197.93
1507.396
2172.688
1528.161
005_1_1
004_1_1
003_1_1
002_1_1
001_2_1
101_1_1
101_1_2
101_1_3
101_2_1
102_1_1
102_1_2
102_1_3
102_2_1
103_1_1
103_1_2
103_1_3
103_2_1
104_1_1
104_1_2
104_1_3
104_2_1
105_1_1
105_1_2
105_1_3
105_2_1
106_1_1
106_1_2
106_1_3
107_1_1
107_1_2
107_1_3
108_1_1
108_1_2
108_1_3
106_2_1
69.14%
74.70%
81.52%
60.46%
75.56%
60.06%
60.95%
60.73%
63.05%
58.75%
57.86%
57.94%
56.80%
57.75%
57.68%
57.41%
58.36%
57.63%
57.48%
58.12%
56.95%
58.55%
58.79%
59.85%
57.67%
64.92%
56.41%
58.55%
56.52%
56.79%
57.51%
58.30%
57.90%
56.22%
62.18%
67.19%
76.38%
82.43%
60.40%
75.59%
60.24%
61.52%
61.57%
61.04%
58.33%
57.25%
57.49%
56.96%
58.05%
59.53%
57.49%
57.62%
57.30%
56.82%
56.73%
58.05%
58.05%
57.60%
57.51%
57.62%
62.47%
56.85%
57.72%
57.40%
56.61%
56.89%
59.12%
57.42%
56.99%
60.33%
1.530.872
1.406.307
2.738.866
1391.29
1711.77
1.634.786
1.505.648
1.889.681
2.264.258
1.627.208
2.183.293
2.088.745
2.096.497
1.752.525
1.712.655
1.565.637
1.670.138
3000
2.126.755
1.547.592
1.923.635
1.639.313
2.066.881
1.964.169
1.899.049
3.546.147
1.961.203
2.100.805
2.042.762
2.143.098
1.969.818
1.697.844
1.740.558
1709.34
2.045.674
1627.696
1481.409
2644.291
1544.07
1835.979
1613.843
1489.579
1911.944
2154.228
1732.041
2169.678
2127.794
2058.264
1759.859
2461.883
2399.541
2875.94
1923.894
2104.13
1541.385
1927.718
3972.558
1842
1785.021
1851.77
3585.545
1970.533
2144.826
2024.407
2090.446
1997.006
1694.386
1776.251
1757.691
2012.628
Tabel 2 Pengujian Skenario 3
Tabel dibawah ini merupakan pengujian untuk senario 3 yang memuat data pengujian untuk 2 sampel training
yang berbeda jumlahnya.
Tingkat Pengenalan
Nama File
(5 sampel)
Waktu Pengenalan (detik)
(2 sampel)
(5 sampel)
(2 sampel)
001_1_1
80.03%
73.42%
648.87
260.536
002_1_1
60.46%
59.64%
557.278
223.445
003_1_1
81.52%
81.09%
1015.36
410.191
004_1_1
74.70%
70.92%
551.661
222.227
005_1_1
69.74%
69.74%
608.334
245.11
006_1_1
75.06%
75.06%
614.846
245.375
007_1_1
72.93%
72.93%
800.232
325.074
008_1_1
58.70%
57.91%
466.689
184.192
009_1_1
70.86%
70.24%
439.472
175.758
010_1_1
77.86%
77.86%
971.074
379.924
011_1_1
73.63%
73.63%
563.357
225.903
012_1_1
73.72%
73.72%
746.285
292.187
013_1_1
73.42%
73.42%
834.537
327.341
014_1_1
76.95%
76.45%
691.839
272.921
015_1_1
71.34%
71.34%
1.075.863
426.377
016_1_1
74.07%
72.03%
556.329
214.954
017_1_1
79.96%
79.96%
640.458
254.386
018_1_1
74.48%
73.19%
431.077
187.631
019_1_1
61.63%
59.92%
1.082.684
424.351
020_1_1
65.98%
63.38%
389.66
154.558
021_1_1
72.04%
65.98%
767.053
305.529
022_1_1
73.57%
71.95%
765.704
301.823
023_1_1
73.16%
72.80%
1.009.218
397.268
024_1_1
72.22%
72.22%
792.512
325.476
025_1_1
76.66%
74.71%
1.066.598
419.91
101_1_1
58.23%
56.21%
610.41
238.323
101_1_2
59.28%
58.80%
553.086
219.662
101_1_3
58.67%
57.22%
719.506
281.227
101_2_1
61.58%
59.01%
553.086
339.181
102_1_1
58.75%
56.28%
621.992
246.618
102_1_2
57.69%
57.68%
816.001
332.069
102_1_3
57.94%
55.94%
793.909
313.925
102_2_1
56.80%
56.80%
775.47
306.048
103_1_1
55.57%
54.97%
670.856
261.96
103_1_2
57.31%
57.16%
654.583
265.246