METODE SISTEM PENGENALAN WAJAH

DENGAN IDENTIFIKASI PERSONAL BIOMETRIK

BERDASARKAN POLA IRIS MATA

Tugas Akhir ini Diajukan Sebagai Salah Satu Syarat
Untuk Memperoleh Gelar Strata Satu (S-1)
Universitas 17 Agustus 1945 Surabaya










Disusun oleh
CUT LIZA
460302075









FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS 17 AGUSTUS 1945 SURABAYA
2007
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
FAKULTAS TEKNIK
UNIVERSITAS 17 AGUSTUS 1945 SURABAYA


LEMBAR PENGESAHAN

NAMA : CUT LIZA
N.B.I : 46.03.02075
FAKULTAS : TEKNIK
JURUSAN : TEKNIK INFORMATIKA DAN KOMPUTER
JUDUL : METODE SISTEM PENGENALAN POLA DENGAN
IDENTIFIKASI PERSONAL BIOMETRIK
BERDASARKAN CITRA IRIS MATA


Mengetahui / menyetujui :
Dosen Pembimbing



Ir. Sugiono, MT
NPP : 20450.00.0515


Dekan Fakultas Teknik
Universitas 17 Agustus 1945
Surabaya



Ir. Zainun Achmad, MT
NPP : 131.99.1189
Ketua Jurusan Teknik Informatika
Universitas 17 Agustus 1945
Surabaya



Dr. Ir. Muaffaq A. Jani, M.Eng
NPP : 20450.00.0515


ii
JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER
FAKULTAS TEKNIK
UNIVERSITAS 17 AGUSTUS 1945 SURABAYA


LEMBAR PENGESAHAN TUGAS AKHIR

NAMA : CUT LIZA
N.B.I : 46.03.02075
FAKULTAS : TEKNIK
JURUSAN : TEKNIK INFORMATIKA DAN KOMPUTER
JUDUL : METODE SISTEM PENGENALAN POLA DENGAN
IDENTIFIKASI PERSONAL BIOMETRIK
BERDASARKAN CITRA IRIS MATA


Mengetahui / menyetujui :
Dosen Pembimbing


Dosen Pembimbing I




Ir. Sugiono, MT
NPP : 20460.98.0502

Dekan Fakultas Teknik
Universitas 17 Agustus 1945
Surabaya



Ir. Zainun Achmad, MT
NPP : 131.99.1189
Ketua Jurusan Teknik Informatika
Universitas 17 Agustus 1945
Surabaya



Dr. Ir. Muaffaq A. Jani, M.Eng
NPP : 20450.00.0515

iii
UCAPAN TERIMA KASIH

Puji syukur kehadirat Allah SWT atas segala kemudahan rahmat, dan
karunia-Nya, sehingga pada akhirnya penulis dapat menyelesaikan laporan
perancangan tugas akhir yang diajukan untuk ujian Sarjana Strata-1 ini, dengan judul
metode sistem pengenalan pola dengan identifikasi personal biometrik berdasarkan
citra iris mata.
Pada kesempatan ini penulis ingin menyampaikan ucapan terima kasih kepada
berbagai pihak yang telah membantu terwujudnya laporan perancangan Tugas akhir
ini, antara lain kepada

1. Kepada ALLAH SWT yang selalu melimpahkan rahmat dan hidayahnya.
2. Kepada kedua orang tuaku, Ayahanda (Teuku Anwar Effendy) dan Ibunda
(Nurhayati. Spd) yang senantiasa memberikan dukungan baik moral,
spititual, nasehat, doa, serta pengorbanan yang tidak dapat dinilai dengan
materi yang sangat mendukung terselesaikannya tugas akhir ini dan Tugas
Akhir ini saya dedikasikan sebagai hadiah ulang tahun ibunda tercinta 20 J uni
2007.
3. Bapak Dr. H. Ujianto, M.S, selaku Rektor Universitas 17 Agustus 1945
Surabaya.
4. Bapak J. Subekti, SH.MME selaku Pembantu Rektor III Universitas 17
Agustus 1945
5. Bapak Ir. Zainun Achmad, M.T selaku Dekan Fakultas Teknik Universitas
17 Agustus 1945 Surabaya.
6. Bapak Dr. Ir. Muaffaq A. Jani, M.Eng selaku Ketua J urusan Teknik
Informatika Universitas 17 Agustus 1945 Surabaya.
7. Bapak Ir. Sugiono, M.T Selaku dosen pembimbing dan guru bagi penulis,
karena beliau penulis mendapat kesempatan yang luar biasa untuk belajar
lebih dalam lagi dan semangat dalam penyelesaian Tugas Akhir.
8. Bapak Firdaus, Skom Selaku dosen yang selalu memberikan semangat
motivasi kepada penulis.
9. Bapak Ery Sadewa Yudha W.,S.Kom Selaku dosen wali yang memberikan
kesempatan, memotivasi dan memberikan semangat.
10. Seluruh Dosen, Karyawan dan Staf Fakultas Teknik Informatika Universitas
17 Agustus 1945 Surabaya atas bimbingannya selama penulis menempuh
kuliah.
11. Teuku Andi, Hamsiah selaku kakak, Teuku Rizki dan Teuku Radja
Irfhan selaku adik yang selalu memberi doa, semangat, motivasi untuk
kakak, smoga allah selimpahkan rahmatnya sehingga kita selalu dalam
kebersamaan dan selalu rukun dalam segala kondisi.
12. Terima kasih untuk almarhum Nenenda Aminah yang sangat berjasa semasa
hidupnya, yang mendoakan cut dalam keberangkatan ke surabaya untuk
menempuh ilmu, walau nenek telah tiada cut yakin doa nenek selalu
menyertai kesuksesan cut.
iv
13. Kepada almarhum Abua Usman dan keluarga besar TB yang telah
menghadap Allah saat Tsunami.
14. Nenenda Cut Adiah, Om Bachtiar, Tante Dini, Pakwa Iskandar, Bunda
Cut Nur Chumeidi, Bunda Cut Ina Yanazly, Bunda Cut Sal Witri, Kak
Nur, Te yah yang telah mendoakan dan memotivasi dalam penyelesaian studi
dan tugas akhir ini.
15. Terima kasih untuk honey Zulfikar yang selalu membantu dalam pencarian
referensi, memberikan semangat, dan surprice yang diberikan saat Ultah serta
kasih-sayangnya.
16. Terima kasih untuk abang Ichsan yang sangat banyak membantu dalam
pencarian referensi dan penyelesaian tugas akhir ini.
17. Terima kasih untuk mas Andi Ismail Dan Firdha selaku sepupu yang
membantu kakak dalam pencarian referensi di Universitas Indonesia.
18. Terima kasih untuk Bpk. Fauzi dan Ibu Annisa serta keluarga yang
senantiasa mendoakan.
19. Terima kasih buat sahabat dan saudara yang ada di aceh Pristinawati, Irwandi,
Erna, Mutia, Razie, Asnidar dan lain-lain yang tidak bisa disebutkan satu per
satu dan masyarakat julok cut yang telah mendukung dan mendoakan.
20. Buat sahabat di surabaya Nina, Desri, Dewi, Dini, (cindes), dan teman-teman
lain yang seangkatan, senior dan junior yang tidak bisa disebutkan satu
persatu.
21. Terima kasih buat teman-teman organisasi baik di HIMPUNAN, BEM-FT,
dan PMKTR seperjuangan dalam merantau dan menuntut ilmu yang namanya
tidak bisa disebutkan satu persatu.
22. kepada seluruh teman-teman, semua pihak, saudara, relasi yang tidak bisa
saya sebutkan semuanya disini, kalian akan selalu ada dalam hidupku dan
tidak akan pernah aku lupakan jasa dan bantuan kalian, semoga allah s.w.t
selalu menyertai kalian dimanapun kalian berada.

Penulis menyadari bahwa Tugas akhir ini masih jauh dari sempurna, sehingga
kritik dan saran yang membangun dari pembaca sangat penulis harapkan. Akhir
kata, semoga tugas akhir ini dapat bermanfaat bagi Civitas Akademik Universitas
17 Agustus 1945 Surabaya khususnya dan pembaca pada umumnya.

Surabaya, 18 J uni 2007


Penulis
v
KATA PENGANTAR

Alhamdulillah, segala puji syukur bagi Allah atas segala nikmat, rahmat dan
segala karunianya sehingga dipenghujung semester ini saya dapat menyelesaikan
tugas akhir ini tepat waktu sebagai syarat akhir perkuliahan di Fakultas Teknik
J urusan Teknik Informatika di Universitas 17 Agustus 1945 Surabaya.
Terselesainya makalah ini tidak lepas dari bantuan dan dukungan kedua orang
tua dan bantuan dari berbagai pihak. Oleh karena itu saya mengucapkan banyak
terima kasih kepada semua pihak baik yang terlibat secara langsung maupun tidak
langsung. Semoga menjadi amal kebaikan bagi kita semua
Penulis menyadari dalam penulisan makalah ini masih jauh dari
kesempurnaan, dengan keterbatasan waktu dan kondisi. Namun, penulis telah
berusaha semaksimal mungkin untuk menyelesaikan makalah ini, dengan harapan
dapat bermanfaat bagi para pembaca dengan berbagai keterbatasan yang ada mohon
dimaafkan jika masih terdapat kekurangan di dalam makalah ini, oleh karena-nya
sangat diperlukan saran masukan yang membangun untuk penyempurnaannya dan
terima kasih atas semua pihak yang telah membantu terselesainya makala ini.


Surabaya, 18 J uni 2007


Penulis




vi
ABSTRAK

Biometrik merupakan pengembangan dari sistem identifikasi personal yang
menggunakan karakteristik alami yang dimiliki oleh manusia. Karakteristik yang
akan dibahas pada proyek akhir ini adalah pattern iris mata. Setiap iris memiliki
pola yang unik untuk setiap orang. Pola ini unik dan juga memiliki kekonsistenan dan
kestabilan yang tinggi selama bertahun-tahun tanpa mengalami perubahan sehingga
dapat digunakan dalam sistem identifikasi.
Pada proyek akhir ini akan dibuat perangkat lunak untuk identifikasi pola iris
mata. Proses yang dilakukan meliputi pengambilan gambar mata secara offline dari
harddisk kemudian mengkonversi citra dari RGB scale ke grayscale. Citra mata
dalam grayscale dihilangkan bagian pupilnya kemudian dicrop sehingga hanya ada
bagian iris. Hasil dari iris yang telah dicrop ditransformasi geometri untuk
mendapatkan pattern iris kemudian dilakukan proses pencocokan dengan metode
Euclidean. Nilai jarak yang paling minimal merupakan gambar yang memiliki
kemiripan dengan gambar yang terdapat dalam database.
Perangkat lunak yang telah dibuat memiliki tingkat keberhasilan sebesar
84.99% dan tingkat kesalahan 2.14%. Kesalahan pada perangkat lunak ini terjadi
karena terdapat kemiripan pattern dengan pattern iris yang lain.

Kata kunci : Biometrik, image processing, pattern forming

vii
ABSTRACT

Biometric is the development of personal identification system using natural
characteristic that human being. The characteristic that will be studied in this final
project is the pattern of iris. Each people have an unique iris pattern. It is high
consistence and stablity during through years without any changing so that can be
used in identifying system
This final project will be made software to identify pattern of iris. The system
of this software is get the eyes image by offline from hardisk and convering it from
RGB scale image to grayscale image. Eye image in grayscale is eliminated the part
of pupil, then the image is cropped so the existing only iris. The result of crop iris
which have geometry transformated to get pattern iris then matching process using
Euclidean method. The distance that smallest value is the image that has similar
characteristic with image stored in database
The software have efficacy level 84.99% and mistake level 2.14%. The
mistake in software because there are similar pattern with others.

Key word : Biometrik, image processing, pattern forming
viii
DAFTAR ISI

HALAMAN J UDUL
LEMBAR PENGESAHAN
UCAPAN TERIMA KASIH I
KATA PENGANTAR ii
ABSTRAK iii
ABSTRACT iv
DAFTAR ISI vi
DAFTAR GAMBAR viii
DAFTAR TABEL x
BAB I. PENDAHULUAN 1
1.1. LATAR BELAKANG.. 1
1.2. RUANG LINGKUP.. 1
1.3. TUJ UAN....... 2
1.4. PERMASALAHAN. 2
1.5. BATASAN MASALAH... 2
1.6. METODOLOGI ... 2
1.7. SISTEMATIKA STUDI... 3
BAB II. TEORI PENUNJ ANG.... 5
2.1. PENGOLAHAN CITRA ... 5
2.1.1. Teori Warna.. 5
2.1.2. Warna RGB, CMY, dan Graylevel 6
2.1.3. Penjumlahan warna 7
2.1.4. Pixel... 7
2.1.5 Dasar-dasar hubungan pixel.. 8
2.1.6 Grayscale... 8
2.1.7 Kontras............................... ....... 9
2.1.8 Pengubahan kecerahan warna Gambar................. 10
2.1.9 Deteksi tepi................................................................ 10
ix
2.2. PENGENALAN POLA............................................... 10
2.3. IDENTIFIKASI........................... 11
2.4. EUCLIDEAN....................................... 11
2.5. MICROSOFT VISUAL BASIC.................................. 12
BAB III. PERENCANAAN DAN PEMBUATAN PERANGKAT
LUNAK
15
3.1. ALGORITMA PERANGKAT LUNAK...................... 15
3.2. ALGORITMA PROSES PENGOLAHAN
CITRA.
17
BAB IV. PENGUJ IAN DAN ANALISA....................... 29
4.1. PENGUJ IAN PERANGKAT LUNAK. 29
4.1.1. Pengambilan Data 29
4.1.2. Pengolahan Citra . 29
4.2. PROSEDUR PENGUJ IAN........................................... 34
4.3 HASIL PENGUJ IAN.................................................... 34
4.4. ANALISA 36
BAB V. PENUTUP... 38
5.1. KESIMPULAN.. 38
5.1.SARAN.. 38
DAFTAR PUSTAKA 38
LAMPIRAN 39



x
DAFTAR GAMBAR

Gambar 2.1. Ruang warna RGB dan CMY. 6
Gambar 2.2. Program Microsoft Visual Basic 12
Gambar 2.3. Form dalam Visual Basic... 12
Gambar 2.4. Toolbox dalam Visual Basic.. 13
Gambar 2.5. Kotak Dialog Project.. 13
Gambar 2.6. Kotak Dialog Properties. 13
Gambar 3.1. Skema mata 14
Gambar 3.2. Diagram alir perangkat lunak..... 15
Gambar 3.3. Diagram alir proses pengolahan citra. 16
Gambar 3.4 Listing program grayscale.. 17
Gambar 3.5 Listing program kontras (a)........................................ 18
Gambar 3.6 Listing program kontras (b)........................................ 18
Gambar 3.7. Listing program kontras (c)........................................ 18
Gambar 3.8. Listing program pelembutan warna........................... 19
Gambar 3.9. Listing program titik tengah pupil.............................. 20
Gambar 3.10 Listing program batas pupil........................................ 21
Gambar 3.11 Listing program buang pupil...... 21
Gambar 3.12 Listing program integral proyeksi.............................. 22
Gambar 3.13 Listing program deteksi iris 22
Gambar 3.14 Listing program mask iris.......................................... 23
Gambar 3.15 Listing program crop iris............................................ 24
Gambar 3.16 Listing program pattern form..................................... 24
Gambar 3.17 Listing program deteksi tepi....................................... 25
Gambar 3.18 Listing program perhitungan jarak euclidean.............. 26
Gambar 3.19 Listing program proses pengenalan............................ 27
Gambar 4.1 Input pola iris............................................................. 28
Gambar 4.2 Hasil grayscale............................................................ 29
Gambar 4.3 Hasil kontras 1............................................................ 29
xi
Gambar 4.4 Hasil pelembutan citra................................................ 29
Gambar 4.5 Hasil kontras 2............................................................ 30
Gambar 4.6 Hasil scanning pupil................................................... 30
Gambar 4.7 Hasil buang pupil........................................................ 31
Gambar 4.8. Hasil integral proyeksi................................................ 31
Gambar 4.9 Hasil deteksi iris......................................................... 31
Gambar 4.10 Hasil mask iris............................................................ 32
Gambar 4.11 Hasil crop iris............................................................. 32
Gambar 4.12 Hasil pattern form....................................................... 33
Gambar 4.13 Hasil mask pattern...................................................... 33
Gambar 4.14 Hasil crop pattern....................................................... 33
Gambar 4.15 Hasil deteksi tepi........................................................ 34




xii
1
BAB I
PENDAHULUAN

Pada bab pertama ini berisi materi yang akan memberikan wacana secara umum
mengenai beberapa hal yang berhubungan dengan penulisan tentang tugas akhir.
1.1 LATAR BELAKANG
Pengenalan pola secara biometrik merupakan cara yang handal untuk
membuktikan identitas seseorang berdasarkan karakteristik fisiologis dan sifat
bawaan (behavioral traits).Teknologi dibidang pengenalan identitas (personal
identification) dapat diaplikasikan sebagai pengendali akses dan sekuriti. Berbagai
macam sistem pengenal telah berkembang didunia,antara lain adalah : pengenal
retina, sidik jari, telapak tangan, tanda tangan,ataupun suara.
Iris merupakan salah satu bagian tubuh manusia yang bersifat unik dan
bisa dijadikan pengenalan identitas yang memiliki akurasi tinggi. Struktur iris
mata setiap orang tidak ada yang sama.Tidak ada korelasi antara pola iris yang
satu dengan yang lain meskipun pada saudara kembar, bahkan antara mata kanan
dengan mata kiri seseorang. Jumlah informasi yang dapat diukur dalam satu iris
lebih banyak dibanding jumlah informasi pada sidik jari, dengan keakuratan yang
lebih baik dari tes DNA. Pola ini juga memiliki kekonsistenan dan kestabilan yang
tinggi bertahun-tahun tanpa mengalami perubahan. Dari kondisi ini, maka para
ahli mata mengusulkan bahwa iris ini dapat dijadikan seperti sidik jari untuk
identitas pribadi seseorang.
Pada proyek akhir ini akan dibuat perangkat lunak dengan metode
Eucledian sebagai pembanding, dimana pada pengambilan gambar input berupa
gambar file secara offline bukan online dari kamera, yang nantinya dalam PC
akan dilakukan proses pengujian pola iris dan disesuaikan dengan pola iris yang
sudah terdapat dalam database.

1.2 RUANG LINGKUP
Dalam pembuatan proyek akhir ini ditunjang oleh beberapa ruang lingkup
teori sebagai dasar untuk menyelesaikannya, ruang lingkup teori tersebut ialah:
2
Pengolahan citra
Visual Basic

1.3 MAKSUD DAN TUJUAN
Tujuan dari pembuatan proyek akhir ini membuat suatu perangkat lunak untuk
memberikan informasi mengenai bentuk iris mata sehingga iris mata dapat
dikenali dengan bantuan pengolahan citra diharapkan dapat membantu proses
identifikasi pola iris mata.

1.4 PERMASALAHAN
Pada sistem ini didapatkan permasalahan baik dalam proses mengenali
iris maupun proses pengidentifikasian iris itu sendiri. Permasalahan bisa
didapatkan pada saat awal perencanaan maupun pada saat proses pembuatan.
Permasalahan dalam praproses identifikasi iris antara lain perbedaan
bentuk mata setiap orang, besar kecilnya bentuk pupil pada bagian tengah
mata yang bisa mempengaruhi hasil dari proses pengolahan citra.
Permasalahan dalam proses perealisasian proyek akir antara lain pencarian
batas-batas iris mata, pengenalan dan pencocokan pattern iris dengan metode
euclidean.

1.5 BATASAN MASALAH
Dalam proyek akhir ini, diambil batasan masalah yang akan dibahas
sebagai berikut:
1. Input sistem berupa file gambar (secara off-line) dengan input berupa
gambar mata dengan format bitmap (*.bmp) yang berukuran 250 x 218
piksel
2. Pengenalan dan pencocokan pola iris mata hasil dari proses transformasi
geometrik dengan metode Eucledian.
3. Dalam tugas akhir ini pengukuran jarak dan waktu pengambilan sample
terhadap objek tidak di perhitungkan atau di abaikan
3
4. Model pengenalan dilakukan secara bertahap dan tidak dapat sekaligus
diproses langsung ke iris mata.
1.6 METODOLOGI
Dalam pengerjaan Proyek Akhir ini metodologi yang kami pergunakan adalah
sebagai berikut:
1. Studi tentang image processing (pengolahan citra) yang merupakan dasar
sistem yang akan digunakan dalam proses pengenalan pola.
2. Perencanaan perangkat lunak
3. Realisasi dan hasil implementasi dari hasil rancangan.
4. Pengujian perangkat lunak.

1.7 SISTEMATIKA STUDI

Sistematika pembahasan dalam penyusunan laporan Proyek Akhir ini
adalah:

Bab 1 Pendahuluan
Berisi tentang latar belakang pembuatan proyek akhir ini, tujuan yang akan
dicapai, ruang lingkup, pembahasan , metodologi dan sistematika studi.

Bab II Teori Penunjang
Meliputi uraian dari teori penunjang yang akan digunakan sebagai dasar
pada perencanaan dan pembuatan proyek akhir.

Bab III Perencanaan dan Pembuatan Perangkat Lunak
Berisi tentang perencanaan dan pembuatan suatu program simulasi.


4
Bab IV Pengujian Perangkat Lunak
Membahas tentang pengujian dan perangkat lunak yang telah dibuat
beserta analisanya.

Bab V Penutup
Berisi tentang kesimpulan dan saran yang didapatkan selama proses
perencanaan dari sistem serta rencana pengembangan dari proyek akhir
dimasa yang akan datang.

Daftar Pustaka
Berisi tentang referensi-referensi yang telah digunakan selama
pembuatan Proyek Akhir ini sebagai acuan yang mendukung.

Lampiran
Berisi hasil-hasil pengujian program dan listing program yang dibuat
dalam pembahasan ini.












5
BAB II
TEORI PENUNJANG

Dalam proyek akhir ini terdapat beberapa teori dasar yang digunakan
untuk menunjang penyelesaian proyek akhir. Diantara teori dasar tersebut
adalah tentang Pengolahan Citra, Euclidean distance dan Microsoft Visual
Basic 6.0
2.1 PENGOLAHAN CITRA
Pengolahan citra merupakan suatu metode yang digunakan untuk
mengolah gambar sehingga menghasilkan gambar lain sesuai dengan yang
diinginkan, khususnya menggunakan komputer menjadi citra yang kualitasnya
lebih baik. Citra dalam perwujudannya dapat bermacam-macam, mulai dari
gambar hitam putih dalam sebuah foto (yang tidak bergerak) sampai pada
gambar berwarna yang bergerak pada pesawat televisi. Proses transformasi dari
bentuk tiga dimensi ke bentuk dua dimensi untuk meng hasilkan citra akan
dipengaruhi oleh bermacam-macam faktor yang mengakibatkan penampilan
citra suatu benda tidak sama persis seperti bentuk fisik nyatanya. Faktor-faktor
tersebut merupakan efek degradasi atau penurunan kualitas yang dapat berupa
rentang kontras benda yang terlalu sempit atau terlalu lebar, distorsi geomtri
(geometrik distortion), kekaburan (blur), kekaburan akibat obyek citra yang
bergerak (motion blur), noise atau gangguan yang disebabkan interferensi
peralatan pembuat citra, baik itu berupa tranduser, peralatan elektronik ataupun
peralatan optik. Pengolahan citra ini dapat diaplikasi dalam antara lain dalam
bidang robotik, biomedis, pengindraan jauh, komunikasi data, hiburan geologi
maupun hukum.
Pada mulanya pengolahan citra dilakukan untuk memperbaiki kualitas
citra, namun seiring dengan perkembangan dunia komputasi dengan ditandai
makin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya
ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari
suatu citra, maka pengolahan citra tidak dapat dipisahkan dengan bidang
komputer vision.
6
Pengolahan citra mempuyai dua tujuan utama, yakni sebagai berikut:
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan
informasi secara jelas atau dengan kata lain manusia dapat melihat informasi
yang diharapkan untuk diolah pada proses lebih lanjut.
2. Mengekstraksi informasi ciri yang menonjol pada suatu citra, yang hasilnya
informasi ciri dari citra tersebut secara numerik.
Sebelum melakukan proses verifikasi terhadap pola (citra 2 dimensi),
terlebih dahulu perlu dilakukan proses ekstraksi ciri untuk diambil informasi ciri
yang menonjol. Banyak sekali metode ekstraksi ciri pada citra 2 dimensi yang
telah dikembangkan saat ini, diantaranya adalah metode vektor kuantisasi,
metode Transformasi Ortogonal, Transformasi Uniter (Transformasi Fourier
Diskrit (DFT), Transformasi Kosinus Diskrit (DCT), Transformasi Sinus Diskrit
(DST)), Transformasi Hadamard, Transformasi Haar dan lain sebagainya.
Bayu Dian Witjaksono telah melakukan kompresi image menggunakan metode
kuantisasi vektor berdasarkan Discrete Cosine Transform dan fuzzy c-means,
dimana pada era informasi sekarang ini, multimedia telah menjadi teknologi
yang populer. Penyimpanan maupun pengiriman data digital multimedia
merupakan permasalahan utama yang dihadapi. Salah satu elemen dalam
teknologi multimedia adalah image. Informasi image dengan kualitas yang dapat
diterima dan membutuhkan data dalam jumlah cukup besar.
Kompresi digunakan untuk menurunkan kuantitas data yang dibutuhkan
tersebut dengan tetap mempertahankan kualitas image yang ditampilkan.
Metode kuantisasi vektor untuk kompresi data digital mulai dikembangkan
belakangan ini.
Algoritma kompresi image dengan metode kuantisasi vektor yang paling
populer adalah algoritma lbg, yang sederhana dan mudah diimplementasikan.
Kelemahan algoritma lbg ini terletak pada vaktu yang dibutuhkan untuk
kompresi, karena menggunakan metode gradient 6 steepest descent untuk
mencapai hasil yang optimal. Untuk itu dikembangkan metode kuantisasi vektor
dengan menggunakan clusterisasi fuzzy c-means dan didukung penggunaan
fungsi Discrete Cosine Transform, disebut kuantisasi vektor dct-fcm. Metode
7
fuzzy cmeans digunakan untuk membentuk codebook yang optimal dengan
clusterisasi. Di sini metode lbg akan digunakan sebagai pembanding.
Hasil pengujian menunjukkan keberhasilan metode kuantisasi vektor dct-
fcm, terutama pada sisi kecepatan. Dan kualitas hasil kompresi juga tidak kalah
dari metode lbg. DCT dan kuantisasi (MPEG-2/4, VC-1, H.264) dapat
digunakan untuk mengkompresi film, yang mana sebuah film terdiri atas
gambar-gambar tunggal (frame)-pada standar PAL jumlahnya 25 gambar/detik.
Karena itu, langkah logis pertama adalah dengan mengkompresi setiap gambar.
Artinya, mengubah bitmap menjadi JPEG. Untuk itu, encoder membagi sebuah
frame ke dalam blok-blok berukuran 8 x 8 pixel, masing-masing dengan nilai
kecerahan dan warna yang sesuai. Dalam setiap blok ini nilai kecerahan dan
warna tersebut diubah oleh Discrete Cosinus Transformation (DCT) menjadi
frekuensi sesuai alurnya.
Detail halus yang sulit tertangkap mata manusia menjadi frekuensi tinggi.
Di sini kuantisasi bekerja untuk mereduksi volume data. Dengan matriks
kuantisasi, nilai frekuensi dikonversi menjadi bilangan bulat, di mana frekuensi
tinggi diubah menjadi 0, sehingga sangat mudah dikompresi. Semakin besar
quantisizer yang digunakan untuk menghitung nilai matriks kuantisasi, semakin
kuat tingkat kompresinya, tetapi semakin buruk kualitas gambarnya. Dengan
demikian, pilihan quantisizer yang tepat sangat menentukan pencapaian hasil
yang optimal.
Sedangkan Benyamin Kusumoputro dan Emanuel Philipus telah membuat
pengenalan huruf tulisan tangan menggunakan ekstraksi ciri berbasis fuzzy dan
jaringan syaraf tiruan. Sistem Pengenal Huruf Tulisan Tangan (SPHTT) yang
dikembangkan terdiri dari sub-sistem prapengolahan citra, sub-sistem ekstraksi
ciri dan sub-sistem klasifikasi.
Sub-sistim ekstraksi ciri menggunakan proses aproksimasi kerangka dan
memecahnya menjadi beberapa segmen dengan menentukan sejumlah titik
penting dalam kerangka. Heidemann, telah mengusulkan algoritma baru untuk
vektor kuantisasi yaitu Activity Equalization Vector Quantization (AEV).
Algoritma tersebut didasarkan pada pemenang yang mengambil semua rule
dengan additional supervision dari rata-rata node yang aktif. Ary Mazharuddin
8
Shiddiqi membuat indexing data base citra dengan metode kuantisasi vektor
menggunakan algoritma fair shareamount (fsa). Data base merupakan sesuatu
yang selalu dipakai pada penyimpanan data-data baik dalam jumlah sedikit
maupun banyak.
Proses pengenalan pola ini kita menggunakan proses dalam bentuk data
base dengan alasan penyimpanan dalam data base adalah keamanan data dan
kemudahan dalam pencarian jika akan digunakan. Seiring berjalannya waktu,
data base berkembang semakin kompleks. Kompleksitas tersebut dalam hal
konsep maupun ragam data yang mampu disimpan di dalamnya. Jika dulu data
yang dapat disimpan hanya berupa tulisan dan angka, maka sekarang data base
tidak hanya mampu menyimpan tulisan dan angka, tapi juga gambar. Karena
tidak semua data dapat dicari dengan metode yang sama, maka diperlukan
metode pencarian data sesuai dengan tipe data yang dimaksud.
Dr. Ir. Tati Latifah Erawati Rajab Mengko telah merancang dan
mengimplementasikan pengkodean citra terdistribusi dengan kuantisasi vektor
dan pengkodean huffman untuk transfer citra kedokteran sinar-x menggunakan
javatm. Pengkodean citra kedokteran sinar-X digital dengan kuantisasi vektor
(KV) dan pengkodean Huffman membutuhkan waktu yang lama. Untuk
meningkatkan performansi waktu pengkodean citra perlu dikembangkan model
komputasi terdistribusi. Sistem tidak-terdistribusi mengalami overloading pada
saat melakukan pengkodean citra dengan luas 6.036.000 piksel, sedangkan
sistem terdistribusi mampu menangani citra yang sebelumnya tidak dapat
ditangani oleh sistem tidak-terdistribusi. Dan terjadi peningkatan unjuk-kerja
waktu pengkodean citra pada server yang signifikan untuk ukuran citra yang
semakin besar. Peningkatan perfomansi waktu pengkodean citra akan
meningkatkan performansi waktu pengaksesan citra melalui jaringan komputer.
Sistem yang dikembangkan mendukung perbaikan kualitas citra lossy-to-
lossless pada Region of Interest (RoI).
Sigit Kusumo Ati menggunakan Fast Fourier Transform untuk membuat
audio searching sebagai bentuk aplikasi penghitungan kemunculan iklan pada
radio. Informasi tentang pemasangan iklan di suatu radio (antara lain mengenai,
jam berapa aja suatu iklan ditayangkan, dalam sehari berapa kali suatu iklan
9
ditayangkan dan berapa jumlah uang yang harus dikeluarkan oleh suatu
perusahaan iklan untuk penayangan suatu iklan) bersifat rahasia. Hanya orang
orang tertentu yang memiliki hak akses untuk melihatnya. Bagaimana jika suatu
perusahaan iklan ingin mengetahui dalam satu hari perusahaan pesaingnya
menampilkan berapa kali iklan. Apakah perlu menunggu sampai 24 jam untuk
menghitung iklan pesaingnya.
Sehingga dibuatlah aplikasi untuk penghitungan kemunculan suatu iklan di
radio dengan menggunakan delphi programming. Dengan melakukan
pencocokan antara suatu iklan yang sudah disimpan ke data base dan siaran
radio yang sedang berjalan. Selama ditemukan suatu pola / parameter yang sama
maka nilai counter akan bertambah. Suatu suara dalam bentuk wave, dapat kita
lihat domain amplitudo dan domain waktunya.
Kita dapat mencocokkan pola dari bentuk sinyal antara suatu iklan dengan
rekaman siaran radio 24 jam dalam domain tersebut. Namun hal itu akan sangat
sulit karena ada ada penambahan noise dalam suatu sinyal.
Dengan mengggunakan metode Fast Fourier Transform (untuk mengubah
domain waktu ke domain frekuensi) suatu iklan dengan rekaman siaran radio 24
jam dapat dicocokkan. Hasil dari proses FFT terhadap suatu iklan adalah berupa
informasi frekuensi dan spektral daya, informasi tersebut akan membentuk suatu
pola yang akan disimpan dalam data base. Pada rekaman siaran radio 24 jam
juga akan dikenai proses FFT, pola iklan akan dicocokkan dengan pola rekaman
siaran radio secara overlap (sebesar satu sampling).
Selain itu akan dianalisis frekuensi dominan (yang memiliki tinggi spektral
daya maksimum) dan lebar spektral tersebut. Sinyal Digital Audio terdiri dari
domain waktu dan amplitudo, sinyal tersebut memiliki keterbatasan untuk
diolah, terlebih lagi jika suatu sinyal memiliki noise. Bentuk 2 (dua) sinyal wave
iklan yang sama dengan noise berbeda akan terlihat sama jika dilihat dengan
kasat mata dan menghasilkan suara yang hampir sama jika didengarkan. Untuk
membandingkan 2 sinyal tersebut, untuk setiap detiknya di sampling misal
44100 sampling/detik, nilai perbandingan antara 2 sampling yang berdekatan
antara 2 sinyal tersebut harus sama, jika terdapat noise akan menghasilkan
10
angka perbandingan yang selalu berbeda, meskipun sebenarnya 2 iklan tersebut
adalah sama.
Oleh sebab itu untuk mencocokkan apakah 2 sinyal tersebut sama
meskipun ada noise, sinyal tersebut perlu diubah ke dalam domain frekuensi.
Salah satu cara untuk mengubahnya adalah dengan menggunakan Transformasi
Fourier. Dalam Transformasi Forier domain waktu (t) dan amplitude (A) akan
diubah menjadi domain point frekuensi Transformasi Fourier (n) dan daya (P).
Pada pengolahan sinyal dengan komputer digital, fungsi dinyatakan oleh
himpunan berhingga nilai diskrit. Algoritma TFD (Transformasi Fourier Diskrit)
tidak bagus untuk N yang besar karena komputasinya memakan waktu yang
lama.
Kompleksitas waktu algoritmanya adalah O(N2). Algoritma yang dikenal
cepat untuk menghitung Transformasi Fourier Diskrit adalah FFT (Fast Fourier
Transform). Algoritma FFT mempunyai kompleksitas waktu O (N 2log N). Jadi,
untuk N=50, FFT kurang lebih 10 kali lebih cepat daripada TFD, untuk N =
1000 sekitar 100 kali lebih cepat.
Muhammad Rofiul Ibad telah membandingan algoritma pemampatan citra
digital menggunakan Transformasi Wavelet Diskrit dan Transformasi Kosinus
Diskrit dimana saat ini berbagai alternatif algoritma pemampatan citra digital
telah dikembangkan dengan tujuan untuk mendapatkan hasil pemampatan yang
efisien terhadap ruang penyimpanan dan waktu proses. Transformasi Kosinus
Diskrit dan Transformasi Wavelet Diskrit merupakan perumusan matematis
yang sering kali diterapkan pada algoritma pemampatan citra. Joint
Photographic Experts Group (JPEG), salah satu organisasi pengembang
teknologi pemampatan citra digital berhasil membuat suatu teknik pemampatan
data citra bitmap yang didasarkan pada Transformasi Kosinus Diskrit dan
menjadi standar internasional pemampatan citra.
Disamping itu. Federal Bureau of Investigation (FBI) menerapkan
Transformasi Wavelet Diskrit untuk memampatkan data-data citranya yang
sangat besar secara efisien. Perbandingan terhadap kedua algoritma tersebut
dapat dilakukan dengan penghitungan secara analitik melalui kompleksitas
11
algoritma, dan penghitungan secara empirik terhadap waktu proses, bit rate file
hasil pemampatan, dan besarnya error pemampatan.
Dari hasil perbandingan kompleksitas algoritma dapat disimpulkan bahwa
algoritma pemampatan citra menggunakan Transformasi Kosinus Diskrit
melakukan kerja lebih sedikit dari Transformasi Wavelet Diskrit. Dari hasil
perbandingan empirik dapat disimpulkan bahwa algoritma pemampatan citra
menggunakan Transformasi Kosinus Diskrit lebih optimal dari segi proses dan
algoritma pemampatan citra menggunakan Transformasi Wavelet Diskrit lebih
optimal dari segi hasil.
Decky Samuel melakukan verifikasi Radix-4 Pipelined 16- Point Complex
FFT CORE dengan menggunakan HOL Theorem Proving sehingga dapat
membuktikan bahwa implementasi FFT RTL menyiratkan spesifikasi yang
sesuai pada tingkatan fixedpoint hirarki verifikasi yang klasik dalam HOL,
karenanya menghilangkan perbedaan diantara implementasi hardware dan
spesifikasi matematika tingkat tinggi. Dimana Fast Fourier Transform (FFT)
merupakan suatu algoritma untuk menghitung Discrete Fourier Transform
(DFT) yang secara substansial dapat menyimpan waktu yang lebih dari pada
metoda yang konvensional. Dua kelas dasar dari algoritma FFT adalah
Decimation-In-Time (DIT) dan Decimation-In-Frequency (DIF).
Verifikasi FFT telah dilakukan oleh Akbarpour dan Tahar dengan
menggunakan HOL Theorem Proving . RS232 adalah standard komunikasi
serial antar periperalperiperal. Contoh paling sering kita pakai adalah antara
komputer dengan modem, atau komputer dengan komputer. Standar ini
menggunakan beberapa piranti dalam implementasinya. Paling umum yang
dipakai adalah plug DB9 atau DB25. Untuk rs232 dengan DB9, biasanya
dipakai untuk serial port pada komputer pribadi, dipakai untuk port mouse dan
modem.
Ada banyak sekali metode yang dapat digunakan untuk proses verifikasi,
diantaranya adalah metode Hamming, Euclidean dan lain sebagainya. Metode
yang dipilih untuk proses verifikasi adalah metode euclidean.
Sedangkan bahasa pemrograman yang dipakai adalah Microsoft Visual Basic
6.0, sebab bahasa pemrograman ini berdasarkan pola object oriented yang
12
merupakan suatu trend yang menarik. Dengan menggunakan pola ini, seorang
programmer tidak perlu menuliskan baris-baris listing untuk membentuk suatu
objek yang interaktif, melainkan hanya memanipulasi kontrol yang ada dan
menambahkan perintah.
Selain memperkecil kemungkinan error, hal ini sangat efisien karena
pemrogram tidak perlu banyak mengetik listing program. Microsoft Visual
Basic merupakan sarana pemrograman yang handal dan banyak digunakan
dalam pebuatan aplikasi karena dapat menggabungkan sisi efisiensi dan nilai
estetika pada sebuah aplikasi.
Khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih
baik. Umumnya operasi operasi pengolahan citra dilakukan bila:
Perbaikan atau modifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek nformasi
yang terkandung dalam citra.
Elemen dalam citra perlu di cocokkan, dikelompokkan atau diukur.
Sebagian citra perlu digabung dengan bagian citra yang lain.
Terminologi yang berkaitan dengan image Processing adalah computer vision.
Pada hakikatnya computer vision mencoba meniru cara kerja sistem visual
manusia (human vision). Human vision sesungguhnya sangat kompleks.manusia
melihat objek dengan indra penglihatan (mata), lalu citra objek diteruskan ke otak
untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak dalam
pandangan matanya. Hasil interpretasi mungkin digunakan untuk mengambil
keputusan (misal menghindar kalau melihat mobil yang melaju di depan) .
Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah
besar proses untuk persepsi visual, seperti akuisisi citra, pengolahan citra,
klasifikasi, pengenalan (recognition), dan membuat keputusan.
Computer vision terdiri atas teknik teknik untuk mengestimasi ciri ciri objek
di dalam citra, pengukuran citra yang berkaitan dengan geometry objek, dan
menginterpretasi informasi geometry tersebut.
Proses proses dalam Computer dapat dibagi menjadi tiga proses:
Memperoleh atau mengakuisisi citra digital
Melakukan teknik komputasi untuk memproses atau
13
memodifikasi data citra (operasi operasi pengolahan citra)
Menganalisis dan meginterpretasi citra dan menggunakan
hasil pemrosesan untuk tujuan tertentu, misalnya memadu
robot, mengontrol peralatan, memantau proses manufaktur
dsb.
Klasifikasi proses proses di dalam komputer vision dalam hirarki sebagai
berikut


2.1.1 Teori Warna
Data visual citra berwarna lebih kaya dan rumit daripada citra
monokromatik. Setiap warna dihasilkan oleh kombinasi tiga warna dasar yaitu
Merah (R), Hijau (G), dan Biru (B) dalam komposisi tertentu yang disebut
Grey level dengan nilai 0 sampai 255 dengan format Citra Digital 24 bit.
Komposisi warna-warna dasar tersebut dinyatakan dengan:
C=aR + bG + cB (2.1)
Dari persamaan tersebut dengan gray level 0 sampai dengan 255 bisa
didapatkan 255 X 255 X 255 warna untuk diolah.
Dalam hal ini setiap warna memiliki tiga karakteristik untuk menyatakan
informasi visual, yaitu corak, saturasi dan iluminasi. Corak yang berbeda
dihasilkan bila panjang gelombang cahaya menghasilkan perasaan visual pada
mata. Saturasi menunjukkan bagaimana terkonsentrasinya atau kuatnya suatu
14
warna. Sedangkan iluminasi menunjukkan intensitas cahaya yang dirasakan
oleh mata manusia.

2.1.2 Warna RGB, CMY, dan Gray Level
Model warna RGB (red, green, blue) mendeskripsikan warna sebagai
kombinasi positif dari 3 warna, yaitu merah, hijau, dan biru. Sehingga
membentuk sebuah warna C dengan rumusan sebagai berikut,
C = rR + gG + Bb (2.2)
Jika skalar r, g, b kita beri harga antara 0 dan 1, maka semua definisi warna
akan berada dalam kubus sebagai berikut,
Blue (0,0,1) Cyan (0,1,1)

Gambar 2.1 Ruang Warna RGB dan CMY
Ruang warna ini adalah warna display monitor komputer. Garis sepanjang
titik hitam (0, 0, 0) RGB hingga titik (1, 1, 1) RGB disebut dengan titik keabuan
atau gray level. Sehingga dengan mudah didapatkan hubungan antara RGB
dengan gray level.
(a)
GL
(a,a,a) (2.3)
RGB
Dasar dari pengolahan citra adalah pengolahan warna RGB pada posisi tertentu.
Dalam pengolahan citra warna direpresentasikan dengan nilai hexadesimal dari
0x00000000 sampai dengan 0x00ffffff. Warna hitam dengan nilai 0x00000000,
dan warna putih bernilai 0x00ffffff.

Red (1,0,0) Yellow (1,1,0)
Green (0,1,0)
White (1,1,1)
Magenta (1,0,1)
Black (0,0,0)
15








Nilai warna diatas merupakan gabungan antara 3 warna primer yaitu merah (Red),
hijau (Green), biru (Blue), Sehingga untuk memperoleh warna lain selain warna
primer, perlu menggabungkan skala kecerahan dari tiap warna.

sementara hubungan RGB dengan CMY diberikan oleh rumusan,
(r,g,b) = (1, 1, 1) - (c,m,y) (2.4)
RGB CMY
sehingga apabila diturunkan nilai dari b akan menyebabkan warna bergeser
menjadi kekuningan.

2.1.3 Penjumlahan Warna
Warna yang dideskripsikan dengan RGB adalah pemetaan yang mengacu
pada panjang gelombang dari RGB. Pemetaan menghasilkan nuansa warna
sekitar 16 juta ( 16.777.216) yaitu 256 (8 bit)untuk masing-masing R, G,
dan B.
=
3
256
Masing-masing R, G, dan B didiskritkan dalam skala 256, sehingga RGB
akan memilki indeks antara 0 sampai 255. penjumlahan warna RGB ini adalah,
C = C1 + C2 =
2
) 2 , 2 , 2 ( ) 1 , 1 , 1 ( bC gC rC bC gC rC +
(2.5)
Penjumlahan ini menghasilkan RGB yang tidak bulat, sehingga harus
membulatkan, yaitu dengan metode pembulatan kebawah atau keatas. Misalkan
dua warna yaitu hitam (0, 0, 0) dijumlahkan dengan warna putih (255, 255, 255)
akan menghasilkan warna abu-abu antara hitam dan putih (127, 127, 127). Hasil
16
akhir dibulatkan ke bawah. Contoh lain misalkan menjumlahkan warna merah
(255, 0, 0) dengan warna hijau (0, 255, 0) akan menghasilkan warna kuning
(127, 127, 0).

2.1.4 Pixel
Pixel merupakan satuan komponen terkecil dari gambar yang menentukan
ukuran dari suatu gambar. Resolusi citra menyatakan ukuran bit dari suatu citra
dalam satuan pixel. Untuk citra biner, pixel gambar yang kecerahannya dibawah
tingkat tertentu diwakili oleh 1, dengan demikian semua citra didalam memori
komputer dapat diwakili oleh logika 1 dan 0.
Piksel juga merupakan salah satu komponen dari gambar yang menentukan
resolusi dari gambar tersebut, misalnya sebuah gambar dikatakan resolusinya
sebesar 800 x 600 artinya yaitu panjang pixel horizontalnya 800 dan panjang
pixel vertikalnya 600 dan jumlah total keseluruhan pixel dari gambar tersebut
yaitu 480000.

2.1.5 Dasar-dasar Hubungan antar pixel
Dalam masalah pengolahan citra, hubungan antar pixel merupakan hal yang
sangat penting. Sebuah pixel p pada koordinat (x,y) mempunyai 4 tetangga
horizontal dan vertikal yang koordinat-koordinatnya sebagai berikut.
(x+1,y),(x-1,y),(x,y+1), dan (x,y-1) (2.6)
Kumpulan dari pixel-pixel data yang disebut 4-neighbours of p dapat
dinyatakan sebagai N (p), kecuali jika p(x,y) posisinya terletak digaris batas
gambar, sehingga jumlah pixel tetangga tidak terdiri dari 4 tetangga. Selain 4
tetangga diatas, p juga mempunyai 4 tetangga diagonal, yaitu:
4
(x+1,y+1),(x+1,y-1),(x-1,y+1), dan (x-1,y-1) (2.7)
pixel-pexel diatas dinyatakan sebagai N (p )gabungan dari N (p) dan N (p
) didefinisikan sebagai 8-neighbours of p dan dinyatakan sebagai N
8
(p)
D 4 D
17
Hubungan antar pixel merupakan suatu konsep yang sangat penting yang
digunakan untuk mendefinisikan batas-batas dari suatu objek serta bagian-bagian
daerah kecil dari suatu gambar. Sebagian pertimbangan apakah dua pixel
dihubungkan atau tidak, diperlukan beberapa kriteria. Diantaranya adalah apakah
kedua pixel tersebut mempunyai prinsip kedekatan yang sesuai dengan konsep
yang telah ditentukan, seperti konsep 4-neighbours atau 8-neighbours. Selain itu,
apakah kedua pixel tersebut memiliki gray level yang sesuai dengan kriteria yang
diinginkan. Sebagai contoh, jika dua pixel mempunyai nilai masing-masing 0 dan
1 dan keduanya merupakan bagian dari 4-neighbours, maka dinyatakan bahwa
kedua pixel tersebut tidak ada hubungan, hal ini karena keduanya memiliki nilai
yang berbeda.

2.1.6 Grayscale
Grayscale merupakan sebuah format warna dengan pengambilan rata-rata
dari nilai r, g, dan b dari sebuah format gambar berwarna. Dengan
menggunakan persamaan sebagai berikut
Grayscale = R+G+B /3 (2.8)
Format warna gray ini diperlukan untuk memudahkan proses selanjutnya
karena apabila diproses menggunakan format gambar berwarna maka nilai r, g,
dan b yang bervariasi sehingga akan sulit untuk diproses. Dengan format warna
gray ini maka dihasilkan nilai R=G=B.
Proses awal yang banyak dilakukan dalam image processing adalah mengubah
citra berwarna menjadi citra gray-scale, hal ini dgunakan untuk
menyederhanakan model citra.
Seperti telah dijelaskan di depan, citra berwarna terdiri dari 3 layer matrik yaitu
Rlayer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses
selanjutnya tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan
dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang
sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1
layer matrik gray-scale dan hasilnya adalah citra gray-scale. Dalam citra ini
tidak ada lagi warna, yang ada adalah derajat keabuan.
18
Untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r,
g dan b menjadi citra gray scale dengan nilai s, maka konversi dapat dilakukan
dengan mengambil rata-rata dari nilai r, g dan b.

2.1.7 Kontras
Kontras menyatakan sebaran terang (lighness) dan gelap (darkness)
didalam sebuah gambar. Citra dapat dikelompokkan kedalam tiga kategori
kontras : citra kontras-rendah (low contras),citra kontras bagus (good contras)
dan citra kontras-tinggi. Ketiga kategori ini umumnya dibedakan secara intuitif.
Citra kontras-rendah dicirikan sebagaian besar komposisi citranya
adalah terang atau sebagian besar gelap. Dari histogramnya terlihat sebagian
besar derajat keabuannya terkelompok (clustered) bersama dan hanya
menempati sebagian kecil dari rentang nilai-nilai keabuan yang mungkin. Jika
pengelompokan sebagian kecil nilai-nilai pixel berada di bagian kiri (yang berisi
nilai keabuan yang rendah), citranya cenderung gelap. Jika pengelompokan
nilai-nilai pixel berada dibagian kanan (yang berisi nilai keabuan yang tinggi)
citrannya cenderung terang. Tetapi mungkin saja suatu citra tergolong kontras-
rendah meskipun tidak terlalu terang atau tidak terlalu gelap bila semua
pengelompokan nilai keabuan berada ditengah histogram.
Citra kontras-bagus memperlihatkan jangkauan nilai keabuan yang lebar
tanpa ada suatu nilai keabuan yang mendominasi. Histogram citrannya
memperlihatkan sebaran nilai keabuan yang relatif seragam.
Citra kontras-tinggi, seperti halnya citra kontras bagus, memiliki
jangkauan nilai keabuan yang lebar, tetapi terdapat area yang lebar yang
didominasi oleh warna gelap dan area yang lebar yang didominasi oleh warna
terang. Gambar dengan langit terang dengan latar depan yang gelap adalah
contoh citra kontras-tinggi. Pada histogramnya terlihat dua puncak, satu
pada area nilai keabuan yang rendah dan satu lagi pada area nilai keabuan yang
tinggi.
Citra dengan kontras-rendah dapat diperbaiki kualitasnya dengan operasi
peregangan kontras. Melalui operasi ini, nilai-nilai keabuan pixel akan
19
merentang dari 0 sampai 255 (pada citra 8-bit) dengan kata lain seluruh nilai
keabuan pixel terpakai secara merata.

2.1.8 Pengubahan Kecerahan Gambar (Image Brightness)
Untuk membuat citra lebih gelap atau terang, dilakukan pengubahan
kecerahan gambar. Kecerahan/kecemerlangan gambar dapat diperbaiki dengan
menambahkan (atau mengurangkan) sebuah konstanta kepada (atau dari) setiap
pixel didalam citra. Akibat operasi ini, histogram citra mengalami pergeseran.
Secara matematis operasi ini ditulis sebagai:
b y x f y x f + = ) , ( )' , ( (2.9)
Jika b positif, kecerahan gambar bertambah, sebaliknya jika b negatif kecerahan
gambar berkurang.

2.1.9 Deteksi Tepi (Edge Detection)
Pendeteksian tepi merupakan langkah pertama untuk melingkupi
informasi di dalam citra. Tepi mencirikan batas-batas dan berguna untuk
identifikasi objek didalam citra. Tujuan pendeteksian tepi adalah untuk
meningkatkan penampakan garis batas suatu daerah atau objek didalam citra.
Salah satu teknik yang digunakan untuk pendeteksian tepi yaitu dengan
metode sobel. Metode Sobel merupakan metode dengan mengalikan komponen
matriks kernel 3x3, dengan komponen matrik yang ada di dalamnya dikalikan
dengan komponen warna pada frame gambar asli, yaitu :
Untuk kernel horizontal:

1 2 1
Horizontal = 0 0 0
-1 -2 -1







20
2.1.10 Bitmap
Bitmap adalah representasi atau gambaran yang terdiri dari baris dan
kolom pada titik image graphics di komputer. Nilai dari titik disimpan dalam
satu atau lebih data bit.
Tampilan dari bitmap atau raster, menggunakan titik-titik berwarna yang
dikenal dengan sebutan pixel. Pixel-pixel tersebut ditempatkan pada lokasi-
lokasi tertentu dengan nilai-nilai warna tersendiri, yang secara keseluruhan akan
membentuk sebuah tampilan gambar. Tampilan bitmap mampu menunjukkan
kehalusan gradasi bayangan dan warna dari sebuah gambar, karena itu bitmap
merupakan Nilai B Nilai G Nilai R 0x00 XX XX XX 21 media elektronik yang
paling tepat untuk gambar-gambar dengan perpaduan gradasi warna yang rumit
seperti foto dan lukisan digital.
Struktur bitmap terdiri dari Header, Info Header dan Color Tabel.
Header adalah bagian dari file bitmap yang berisi informasi header dari file
gambar bitmap. Ukuran dari header ini 14 byte, masing-masing terdiri dari
signature 2 bytes (berisi BM sebagai tanda gambar mempunyai format bmp),
FileSize 4 bytes (besarnya ukuran gambar mempunyai satuan bytes), Reserved 4
bytes (tidak
digunakan atau sama diisi dengan nilai nol) dan DataOffset 4 bytes (file offset
untuk raster data).
Info header adalah bagian dari header yang berisi informasi lebih detail
dari file gambar bitmap. Letaknya setelah bagian header. Info header
mempunyai besar 40 bytes, terdiri dari size 4 bytes (ukuran infoheader dan
isinya adalah nilai 40), width 4 bytes (lebar gambar bitmap dalam satu pixel),
Height 4 bytes (tinggi gambar bitmap dalam satuan pixel), planes 2 bytes
(jumlah warna dalam plane, isinya selalu sama dengan satu), BitCount 2 bytes
(Bits per pixel, jika bernilai 1=
monochome palete, banyaknya warna =2, jika bernilai 4= 4 bit pallete,
banyaknya warna = 16, jika bernilai 8 = 8 bit pallete, banyaknya warna = 256,
jika bernilai 16 = 16 bit RGB, banyaknya warna = 65536, jika bernilai 24 = 24
bit RGB, banyaknya warna = 16M), Compression 4 bytes (jenis kompresi yang
digunakan, jika bernilai 0, gambar tidak terkompresi, jika bernilai 1 gambar
21
terkompresi 8 bit RLE-run length encoding, jika bernilai 2, gambar terkompresi
4 bit RLE encoding), ImageSize 4 bytes (ukuran gambar dalam bytes atas
perkalian dari width dikalikan dengan height), XpixelPerM 4 bytes (resolusi
horizontal dalam satuan pixel), YpixelxPerM 4 bytes (resolusi vertikal dalam
satuan pixel), ColorUsed 4 bytes (banyaknya warna dalam color table),
ColorImportant 4 bytes (banyaknya warna utama).
Color table adalah tabel yang berisi warna-warna yang ada pada gambar bitmap.
Ukurannya adalah 4 dikalikan dengan ukuran banyakanya warna. Color table
berisi RGB-red green blue. Strukturnya teriri dari 1 bytes untuk bagian Rgbblue
yang berisi intensitas warna biru 0...255, 1 bytes untuk bagian RgbGreen yang
berisi intensitas warna hijau 0...255, 1 bytes untuk bagian RgbRed yang berisi
intensitas warna merah 0...255, 1 bytes untuk bagian RgbReserved yang selalu
di set sama dengan 0.

2.2 PENGENALAN POLA
Pola merupakan suatu entitas yang dapat diidentifikasi melalui ciri-ciri.
Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang
lain. Ciri-ciri dapat dipakai sebagai indikator dalam proses untuk
mengidentifikasi seseorang apabila memenuhi persyaratan antara lain:
Universal, ciri-ciri tersebut dimiliki oleh semua orang.
Unik, tidak ada dua orang atau lebih yang identik dalam karakteristik
tersebut.
Permanen, tidak berubah, tetap stabil dalam jangka waktu yang lama
dan tidak mengalami perubahan.

2.3 IDENTIFIKASI
Identifikasi yang dilakukan dalam proyek akhir ini adalah
membandingkan antara dua gambar yaitu data sampel yang terdapat dalam
database dengan data uji yang akan dikenali.
Berikut ini ada beberapa contoh tahapan dalam proses identifikasi diantaranya:
1. Pengambilan dua atau lebih gambar dari suatu objek pada posisi yang
berbeda kemudian diidentifikasi. Cara pengidentifikasiannya menggunakan
22
imaging geometri (pemrosesan gambar tiga dimensi). Proses identifikasi ini
dilakukan terhadap gambar tiga dimensi untuk menghasilkan gambar dua
dimensi.
2. Pengambilan dua gambar dengan membandingkan keduanya berdasarkan
klasifikasi piksel. Pengenalan ini yang akan digunakan dalam proyek akhir.
Metode yang digunakan untuk melakukan pengenalan ini adalah metode
statistika diantaranya adalah Eucledian.

2.4 EUCLIDEAN
Eucledian merupakan metode statistika yang berfungsi untuk mencari
data yang terdekat antara parameter sampel dengan parameter data baru.
Parameter sampel : R1, R2, R3.....Rim dimana i = jumlah region dan R =
data pada tiap region. Sedangkan data baru: R1*, R2*, R3*,.....Rn* dimana n =
jumlah regiom dan R = data pada tiap region, banyaknya jumlah region antara
data baru dengan parameter sampel harus sama, sehingga i = n.
dR = *) ( Ri Ri
2
(2.10)
Nilai jarak yang paling minimal merupakan gambar yang memiliki
kemiripan dengan gambar yang terdapat dalam database.
Selain itu Jarak Euclidean dapat dianggap sebagai jarak yang paling pendek
antara dua titik dan pada dasarnya sama halnya dengan persamaan Pythagoras
ketika digunakan didalam dua dimensi. Secara matematis dapat dituliskan
didalam persamaan berikut :




Dimana :
d(i, j) = jarak antara 2 titik
xin = koordinat titik pertama
xjn = koordinat titik kedua
Ketika menggunakan fungsi jarak Euclidean untuk membandingkan jarak,
tidak diperlukan untuk menghitung akar dua sebab jarak selalu merupakan
angka-angka positif. Untuk dua jarak d1 dan d2, jika :
23

Untuk setiap input citra karakter yang akan dikenali dilakukan ekstraksi
ciri. Hasil ekstraksi ciri ini dibandingkan dengan ekstraksi ciri hasil dari citra
acuan. Cara membandingkannya adalah dengan Euclidean distance, yaitu
dengan cara menghitung jarak antara kedua ekstraksi ciri (ekstraksi ciri citra
input dengan ekstraksi ciri citra acuan) untuk setiap posisi x dan y. Untuk setiap
karakter acuan dihitung ratarata error dengan membagi dimensi citranya.
Dengan membandingkan smeua ekstraksi ciri karakter acuan, dicari jarak yang
paling kecil maka error tersebut dijadikan sebagai batas error untuk semua tanda
tangan.
Sedangkan Euclidean Distance digunakan untuk mencari jarak antara dua
nilai untuk mengetahui nilai kedekatan antara nilai-nilai tersebut, pengunaan
distance ini dapat dilakukan jika nilai-nilai tersebut mempunyai besaran yang
sama.
D = (R1 R2)2 + (G1G2)2 + (B1 B2)2 + ( pixel1 pixel2)2 ....(2.6)
Keterangan:
D = distance
R1, R2 = rata-rata R input, R referensi
G1, G2= rata-rata G input, G referensi
B1, B2= rata-rata B input, B referensi
Pixel1, pixel2= pixel input, pixel referensi
Pada pemrosesan citra, nilai yang dicari jarak perbedaannya adalah nilai rata-
rata R, G, B dan pixel antara data input dan referensinya.

2.5 Clustering
Clustering adalah proses pengelompokan sehingga semua anggota dari setiap
partisi mempunyai persamaan berdasarkan matrik tertentu. Sebuah Cluster
adalah sekumpulan obyek yang digabung bersama karena persamaan atau
kedekatannya. Clustering berdasarkan persamaanya merupakan sebuah teknik
yang sangat berguna Karena akan mentranslasi ukuran persamaan yang intuitif
menjadi ukuran yang kuantitatif. Ada banyak pendekatan untuk membuat
24
cluster, diantaranya adalah membuat aturan yang mendikte keanggotaan dalam
group yang sama berdasarkan tingkat persamaan diantara anggotaanggotanya.
Pendekatan lainnya adalah dengan membuat sekumpulan fungsi yang mengukur
beberapa properti dari pengelompokan tersebut sebagai fungsi dari beberapa
parameter dari sebuah clustering. Clustering adalah suatu proses membuat
pengelompokan sehingga semua anggota dari setiap bagian mempunyai
persamaan atau kemiripan berdasarkan letak, sifat, ciri, atau parameter lain yang
telah ditentukan. Sebuah cluster adalah sekumpulan obyek yang digabung
bersama karena persamaan atau kedekatannya.
Dalam mengelompokkan suatu data menjadi suatu bagian-bagian diperlukan
suatu pusat klaster (centroid of a group of data sets) atau sebuah titik yang akan
dijadikan nilai parameter utama dari keseluruhan titik data yang terdapat pada
suatu kelompok atau klaster.
Metode pengklasteran dalam hal ini digunakan untuk segmentasi data (red,
green, blue) pada suatu image, sebagai pattern recognition warna kulit manusia,
yang nantinya akan dicari tingkat kemiripan tertinggi dengan sample kulit yang
ada.
Metode Kmeans
Salah satu metode pengklasteran secara statistik yang banyak digunakan adalah
metode K-Means. Metode K-Means mempunyai kelebihan dalam menghasilkan
klaster dengan proses yang cepat sedangkan kelemahannya yaitu K-Means
membangkitkan initial centroid secara acak sehingga klaster yang dihasilkan
memungkinkan tidak optimal.Berikut ini adalah ilustrasi algoritma kmeans :






25
















Gambar 2.2 Algoritma Kmeans

Algoritma kmeans diatas dapat dijelaskan sebagai berikut :
1. Tentukan k buah centroid (pusat klaster) secara acak Jumlah klaster akan
digunakan sebagai acuan untuk menentukan jumlah inisial pusat klaster yang
akan
dibangkitkan. Inisial pusat klaster dibangkitkan secara acak pada data image.
2. Hitung jarak tiap data dengan masing masing pusat klaster Perhitungan
jarak tiap data dengan pusat klaster menggunakan metode Euclidean Distance.
3. Kelompokkan setiap data dengan kelompok terdekat Perhitungan jarak tiap
data dengan masing masing pusat klaster kemudian dibandingkan dengan
mencari jarak terdekat dengan pusat klaster. Jarak terdekat dengan pusat klaster
berarti data tersebut masuk ke dalam kelompok pusat klaster tersebut.
4. Hitung pusat klaster baru dari hasil rata rata anggota dan pusat lama Pusat
klaster yang baru digunakan untuk melakukan iterasi selanjutnya sampai proses
clustering telah mencapai konvergen, yang berarti rata-rata pergerakan pusat
26
klaster yang baru mendekati nol atau telah mencapai maksimum iterasi. Jika
belum terpenuhi, maka proses berulang ke perhitungan jarak tiap data dengan
masing-masing pusat klaster.

2.6 Integral Projection
Integral projection adalah suatu metode yang digunakan untuk mencari
daerah atau lokasi dari objek. Metode ini dapat diguanakan untuk mendeteksi
batas dari daerah gambar yang berbeda, sehingga bisa dicari daerah lokasi wajah
dan feature-featurenya. Metode ini juga bisa disebut dengan integral baris dan
kolom dari pixel, karena integral ini menjumlahkan pixel per baris dan pixel per
kolom. Dari metode ini akan dengan mudah untuk menemukan daerah lokasi
object yang diperlukan.
Dari metode ini akan didapatkan hasil penjumlahan baris dan kolom yang
nantinya akan diolah atau proses lebih lanjut. Metode ini akan memudahkan saat
akan menari lokasi wajah, sebelum menggunakan metode ini, dicari dahulu nilai
clusternya kemudian setelah didapatkan, jumlahkan tiap pixelnya. Tiap pixel citra
atau gambar yang diproses memiliki nilai cluster, jadi dalam satu gambar semua
pixel memiliki nilai cluster dengan intensitas cluster yang berbeda, jika suatu
daerah memiliki kemiripan warna dengan nilai cluster, berarti pixelnya memilki
nilai yang tinggi dan jika dijumlahkan maka daerah ini akan memiliki jumlah
yang lebih besar dari pada daerah lain yang hanya memilkii nilai yang kecil
(intensitas kecil).
Jumlahkan pixel kearah sumbu y selebar x dan jumlahkan pixel x
sepanjang atau setinggi y, jadi akan diketahui tinggi dan lebar dari image yang
memilki nilai tinggi, dari sini sudah didapatkan lokasi dari object yang dicari.
Untuk mendapatkan lokasi yang lebih tepat maka akan diproses lebih lanjut. Jadi
untuk menjumlahkan pixel baris dan kolom tergantung pada kita, parameter apa
yang digunakan. Jika digunakan parameter kulit maka diasumsikan semua pixel
gambar memilki nilai cluster, tapi nilainya tergantung pada intensitas tertentu.
Jika suatu daerah pixel memilki warna yang sesuai dengan parameter yang
digunakan (misal: kulit), maka daerah tersebut memiliki intensitas yang tinggi,
27
jika dijumlahkan maka pada daerah ini nilainya akan tinggi baik dijumlahkan ke
arah x atau y. seperti gambaran beriku:

Gambar 2.3 Integral Projection
Keterangan:
pX = jumlah pixel X per baris
pY = jumlah pixel Y per kolom

2.7 Filter Sobel
Operator sobel melakukan perhitungan secara 2D terhadap suatu ruang di
dalam sebuah gambar dengan harapan nantinya akan nampak daerah-daerah
bernilai tinggi pada gambar tersebut yang merupakan deteksi tepi dari suatu
gambaran. Operator ini biasanya digunakan untuk mencari gradient dari masing-
masing pixel gambar input yang telah di grayscale sebelumnya.
Secara teori, diperlukan matrik setidaknya berukuran 3x3 sebagai kernelnya.
Seperti gambar dibawah ini menunjukkan kernel 3x3 dari sobel :



28

kernel-kernel ini dapat digunakan bersamaan ataupun secara terpisah. Apabila
digunakan kernel verikal dan kernel horisontal secara bersamaan, maka gradient
dapat diukur dengan formula sbb:
G = Gx2 + Gy2

Nilai magnitude dari gradient juga dapat dihitung lebih cepat lagi dengan
menggunakan formula sbb:
G = Gx + Gy

Gradient tersebut pasti mempunyai derajat kemiringan tertentu. Untuk dapat
menegtahui sudut dari gradient tersebut dapat dihitung dengan menggunakan
rumus sbb:
= arctan(Gy / Gx)
Dalam kasus ini, orientasi 0 untuk menentukan nilai kontras maximum
dari hitam ke putih dihitung dari kiri menuju kanan dan berjalan terus sampai ke
bagian paling atas dari suatu gambaran.
Sedangkan sudutnya diukur berlawanan arah jarum jam. Yang sering terjadi
dalam filter ini adalah nilai absolut dari magnitude hanya sebatas penglihatan
mata kita saja, apabila terdapat dua komponen gradient maka akan digabungkan
menggunakan
operator pseudo-convolution sbb:






Kernel pseudo-convolution agar mempercepat
komputasi


29
Dengan menggunakan kernel pseudo-convolution seperti diatas maka
perhitungan yang terjadi adalah:





2.8 MICROSOFT VISUAL BASIC 6.0
Pada proyek akhir ini digunakan bahasa pemrograman Visual basic 6.0.
Pemilihan bahasa pemrograman ini lebih didasari karena keunggulannya untuk
proses yang lebih cepat dan memudahkan dalam penggunaan fungsi-fungsi yang
dibutuhkan.
Komponen-komponen dalam Visual Basic
Microsoft Visual Basic 6.0 terdiri dari beberapa komponen, antara lain:
menu bar, toolbor, jendela form, kotak dialog program, kotak dialog properties,
kotak dialog form layout dan toolbox. Berikut adalah gambar program microsoft
Visual basic 6.0



Gambar 2.4 Program Microsoft Visual Basic 6.0

30
Jendela Form
Jendela form digunakan untuk merancang form, menampilkan label,
textbox, grafk dan kontrolkontrol lainnya yang digunakan dalam
mendesain tampilan program atau untuk memasukan data. Berikut
adalah gambar jendela form:


Gambar 2.5 Form dalam Visual Basic

Toolbox
Toolbox menampilkan semua standart Visual Basic control. Semua ikon
yang terdapat dalam toolbox disebut dengan Controls (Kontrol) Sebagai
contoh, ikon Label disebut dengan Label controls (Kontrol Label).


Gambar 2.6 ToolBox dalam Visual Basic
31

Kotak Dialog Project
Kotak dialog project adalah kotak dialog yang berisi form-form yang
telah dibuat



Gambar 2.7 Kotak Dialog Project
Kotak Dialog Properties
Kotak dialog properties adalah kotak dialog yang digunakan untuk
membuat setting terhadap form dan membuat setting terhadap kontrol
yang telah dimasukkan kedalam form.











Gambar 2.8 Kotak Dialog Properties
32
BAB III
PERENCANAAN DAN PEMBUATAN PERANGKAT LUNAK
Pembahasan materi dalam bab ketiga ini diarahkan pada langkah
perencanaan proyek akhir yang meliputi perencanaan perangkat lunak secara
keseluruhan, yang merupakan pokok bahasan utama proyek akhir.
Karakteristik Mata
Karakteristik mata memiliki bagian-bagian yang tampak jelas
perbedaannya yaitu iris mata, pupil mata, kornea dan retina. Bagian-bagian
tersebut dapat ditunjukkan pada gambar 3.1.

Gambar 3.1 Skema mata

Dari gambar diatas dapat diketahui bahwa kornea adalah bagian di luar iris
yang tampak putih. Sedangkan iris tampak lebih gelap dari kornea tetapi tidak
sehitam pupil, terletak antara pupil dan kornea. Dan pupil adalah bagian lingkaran
hitam di tengah iris.
Pada proyek akhir ini bagian mata yang akan digunakan untuk proses
identifikasi adalah iris mata. Sehingga harus dipisahkan semua bagian mata
kecuali iris.
Sampel Citra Iris Mata
Citra msts yang akan diproses dalam proyek akhir ini didapatkan dari
download di http:/www.sinobiometric.com. Gambar mata didasarkan pada
CASIA image dataset.
( Chinese Academy of Science Institute of Automation). Dataset ini terdiri dari
108 gambar mata dengan 7 gambar mata per user. Citra mata ini sudah dalam
bentuk gray scale. Tetapi didalam proyek akhir ini tetap dibuat program untuk
33
mengkonversi citra iris dari RGB scale ke Grayscale apabila nantinya ada citra
mata dalam bentuk RGB scale.

3.1 ALGORITMA PERANGKAT LUNAK
Pada proses pembuatan perangkat lunak diperlukan suatu perencanaan
yang berupa algoritma-algoritma pengolahan citra supaya tujuan akhir dari
perangkat lunak ini tercapai.
Algoritma dari perangkat lunak ini yaitu:
1. Ambil citra mata dari harddisk.
2. Citra mata diolah dengan proses pengolahan citra sehingga
menghasilkan bagian iris saja.
3. Citra iris hasil dari pengolahan citra diproses dengan proses identifikasi
4. Dari hasil proses identifikasi dapat diketahui pemilik dari iris.
Gambar 3.2 menunjukkan diagram alir dari algoritma perangkat lunak. Proses
pengolahan citra akan dijelaskan dengan algoritma dan diagram alir tersendiri.

start
Pengambilan
Citra Mata
Pengolahan Citra
Proses Pengenalan
Display pemilik
iris
End

Gambar 3.2 Diagram Alir Perangkat Lunak

34
3.2 ALGORITMA PROSES PENGOLAHAN CITRA
Berikut adalah langkah-langkah yang akan dilakukan dalam membuat
proses pengolahan citra untuk mendapatkan bagian iris mata. Diagram alir dari
proses pengolahan citra ditunjukkan oleh gambar 3.3.

start
1

Gambar 3.3 Diagram Alir Proses Pengolahan Citra

Dari diagram alir tersebut dapat dijelaskan sebagai berikut:
a. Citra
Proses pengambilan citra iris pada proyek akhir ini melalui input gambar
dari file gambar (*.BMP). Hal ini dilakukan secara offline yaitu tidak secara
langsung mengambil gambar dari kamera, sering disebut secara online.
Pengambilan citra mata berupa citra grayscale yang akan diproses lebih lanjut
pada tahap pengolahan citra.
citra
Gray scale
Kontras1
LPF
Kontras2
temukan pupil
Buang pupil
Deteksi iris
Mask iris
Crop iris
Pattern form
Pengenalan
end 1
Deteksi tepi
Integral proyeksi
Mask pattern
Crop pattern
35
b. Grayscale
Grayscale digunakan untuk mengkonversi citra berwarna menjadi citra
hitam putih untuk memudahkan proses pengolahan citra. Citra berwarna
mempunyai tiga kombinasi warna yaitu red (R), green (G), dan blue (B). Untuk
mendapatkan citra grayscale maka tiga komponen warna tersebut dirata-rata.
Proses awal yang banyak dilakukan dalam image processing adalah
mengubah citra berwarna menjadi citra gray scale, hal ini digunakan ntuk
menyederhanakan model citra. Citra berwarna terdiri dari 3 layer matriks yaitu R-
layer, G-layer, B-layer. Sehingga untuk melakukan proses-proses selanjutnya
tetap diperhatikan tiga layer di atas. Bila setiap proses perhitungan dilakukan
menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga
konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matriks gray
scale dan hasilnya adalah citra gray scale. Dalam citra ini tidak ada lagi warna,
yang ada adalah derajat keabuan
Gambar 3.4 adalah contoh listing program untuk mendapatkan citra grayscale.










Pr i vat e Sub cmdGr ay( )
Di mR As I nt eger , G As I nt eger
Di mb As I nt eger
Di mi As Long
Di mX As I nt eger , y As I nt eger
Di mvI mage( 0 To 319, 0 To 239) As Long
Di mGr ay( 0 To 319, 0 To 239) As I nt eger
Ambi l Pi ct ur e1, vI mage
For y = 0 To 239
For X = 0 To 319
i = vI mage( X, y)
R = i And 255
G = ( i \ 256) And 255
b = ( i \ &H10000) And 255
i = ( R + G + b) \ 3
Gr ay( X, y) = i
Next
Next
Tampi l Pi ct ur e4, Gr ay
End Sub
Gambar 3.4 Listing Program Grayscale

c. Kontras1
Kontras digunakan untuk mempertajam perbedaan warna pada citra.
Algoritma untuk peregangan kontras adalah sebagi berikut:
1. Cari batas bawah pengelompokan piksel dengan cara memindai (scan) nilai
keabuan terkecil ke nilai keabuan terbesar (0 sampai 255) untuk menemukan
36
piksel pertama yang melebihi ambang pertama yang telah dispesifikasikan.
Gambar 3.5 menunjukkan listing program untuk proses ini.
2. Cari batas atas pengelompokan piksel dengan cara memindai histogram dari
nilai keabuan tertinggi ke nilai keabuan terendah (255 sampai 0) untuk
menemukan piksel pertama yang lebih kecil dari nilai ambang kedua yang
dispesifikasikan. Listing program untuk proses ini ditunjukkan oleh gambar
3.6.











Gambar 3.5 Listing Program Kontras(a)









Pr i vat e Sub cmdKont r as_Cl i ck( )
Di mG As I nt eger
Di mi As Si ngl e, mAs Long
Di mm2 As Long, n2 As Long
Di mX As I nt eger , y As I nt eger
Di mn As Long
Di mvI n( 0 To 319, 0 To 239) As I nt eger
Di mKont r as( 0 To 319, 0 To 239) As I nt eger

Ambi l Pi ct ur e4, vI n
m= 255
For y = 0 To 239
For X = 0 To 319
G = vI n( X, y)
i = i + G
I f G < mThen m= G
Next
Next
i = i / ( 320# * 240#)
For y = 0 To 239
For X = 0 To 319
G = vI n( X, y)
I f G < i Then
n = n + 1
El se
m2 = m2 + G
n2 = n2 + 1
End I f
Next
Next
m2 = m2 / n2
i = 255 / ( m2 - m)
Gambar 3.6 Listing Program Kontras(b)
3. Piksel-piksel yang berada di bawah nilai ambang pertama di set sama
dengan 0, sedangkan piksel-piksel yang berada di atas nilai ambang kedua di
37
set sama dengan 255. Listing program untuk proses ini ditunjukkan oleh
gambar 3.7.









Gambar 3.7 Listing Program Kontras (c)


For y = 0 To 239
For X = 0 To 319
G = ( vI n( X, y) - m) * i
I f G > 255 Then G = 255
I f G < 0 Then G = 0
Kont r as( X, y) = G
Next
Next
show Pi ct ur e4, Kont r as
End Sub


d. Pelembutan citra
Pelembutan citra digunakan memperhalus citra atau menekan gangguan
pada citra. Pada proyek akhir ini LPF digunakan untuk mnghilangkan bulu-bulu
mata yang memiliki frekuensi tinggi. Operasi pelembutan citra ini dilakukan
untuk menekan komponen yang berfrekuensi tinggi dan meloloskan komponen
yang berfrekuensi rendah atau low pass filter sehingga bulu mata akan terlihat
lebih lembut.
Listing program untuk proses pelembutan citra ditunjukkan oleh gambar 3.8

e. Kontras2
Kontras yang kedua ini digunakan untuk membedakan antara pupil dengan
iris. Algoritma kontras 2 ini sama dengan algoritma kontras 1. Listing program
untuk kontras2 dapat ditunjukkan pada gambar 3.5, gambar 3.6, dan gambar 3.7.






38














Pr i vat e Sub cmdLPF_Cl i ck( )
Di mX As I nt eger , y As I nt eger
Di mw As Long, G As Long
Di mxx As I nt eger , yy As I nt eger
Di mf x As I nt eger , f y As I nt eger
Di mvI n( 0 To 319, 0 To 239) As I nt eger
Di mLPF( 0 To 319, 0 To 239) As I nt eger

Ambi l Pi ct ur e4, vI n
For y = 0 To 239
For X = 0 To 319
G = 0
For f y = - 3 To 3
For f x = - 3 To 3
xx = X + f x
yy = y + f y
I f xx >= 0 And xx < 320 And yy >= 0 And yy <
240 Then
G = G + vI n( xx, yy)
End I f
Next
Next
G = G / ( 7 * 7)
LPF( X, y) = G
Next
Next
Tampi l Pi ct ur e3, LPF
End Sub

Gambar 3.8 Listing Program pelembutan citra

f. Scanning Pupil
Scanning pupil ini digunakan untuk menemukan pupil. Untuk melakukan
proses scanning pupil terlebih dahulu dilakukan adalah menemukan titik tengah
dari pupil (CxP,CyP). Karena pupil memiliki warna yang jauh lebih hitam
daripada iris, maka pupil dapat diketahui dengan menggunakan nilai thresholdnya.
Citra mata discan untuk mengetahui intensitas keabuan yang kurang dari nilai
threshold yang telah ditentukan (16). Total dari nilai keabuan yang kurang dari
nilai threshold di rata-rata sehingga ditemukan titik CxP dan Cyp. Gambar 3.9
menunjukkan listing program untuk mencari titik tengah pupil.
Setelah diketahui titik tengah pupil, maka dilakukan proses scanning citra
dari titik tengah pupil ke arah kiri, dari CxP ke 0. Nilai X minimum yang sesuai
dengan batas threshold dijadikan sebagai batas pupil. Jarak antara CxP dengan
Xmin adalah jari-jari pupil. Jarak ke kanan dianggap sama dengan jarak ke kiri.
Untuk scanning dari CyP ke 0 dilakukan proses yang sama dengan proses sebelum
Listing program untuk mencari batas-batas pupil ditunjukkan oleh gambar 3.10
39











Pr i vat e Sub cmdTi t i kTengahAwal _Cl i ck( )
Di mX As I nt eger , y As I nt eger
Di mw As Long, G As Long
Di mi As Si ngl e, a As Si ngl e
Di mxx As Long, yy As Long, n As Long
Di mvI n( 0 To 319, 0 To 239) As I nt eger

Get Pi ct ur e2, vI n
For y = 0 To 239
For X = 0 To 319
I f vI n( X, y) < 16 Then
xx = xx + X
yy = yy + y
n = n + 1
End I f
Next
Next
CxP = xx / n
CyP = yy / n

Gambar 3.9 Listing Program Titik Tengah Pupil

g. Buang Pupil
Pada bagian ini pupil dihilangkan dengan cara membuat mask lingkaran
tepat dibagian pupil. Dari proses sebelumnya dapat diketahui titik tengah dan
diameter pupil. Nilai yang telah diketahui tersebut digunakan dalam proses ini.
Pada proses ini dibuat lingkaran di titik tengah pupil, dengan diameter yang sama
dengan diameter pupil. Lingkaran yang dibuat disini adalah berwarna putih.
Listing program buang pupil ditunjukkan pada gambar 3.11

h. Integral Proyeksi
Integral proyeksi digunakan untuk menentukan nilai integral dari iris yang
sudah tidak memiliki pupil. Dalam proses ini diambil bagian citra dengan bentuk
persegi panjang dengan ukuran tertentu yang berada disekitar titik tengah pupil.
Masing-masing intensitas keabuan pixel yang berada pada sumbu x yang sama
dijumlahkan dan dibuat grafik nilainya. Listing program integral proyeksi
ditunjukkan pada gambar 3.12.



40








Thr eshol d = 15
For X = CxP To 0 St ep - 1
i = i + 1
I f vI n( X, CyP) > Thr eshol d Then
Exi t For
End I f
Next
xMi nP = X
xMaxP = CxP + i

For y = CyP To 0 St ep - 1
a = a + 1
I f vI n( CxP, y) > Thr eshol d Then
Exi t For
End I f
Next
yMi nP = y
yMaxP = CyP + a

show Pi ct ur e4, vI n

Pi ct ur e4. Li ne ( CxP, 239) - ( CxP, 0)
Pi ct ur e4. Li ne ( 0, CyP) - ( 319, CyP)
xMi nP = xMi nP - 3: xMaxP = xMaxP + 3
yMi nP = yMi nP - 3: yMaxP = yMaxP + 3
Pi ct ur e4. Li ne ( xMi nP, yMi nP) - ( xMaxP, yMaxP) , , B
Pi ct ur e4. Ref r esh
r Pupi l = ( xMaxP + yMaxP - xMi nP - yMi nP) / 4 + 3
End Sub










Gambar 3.10 Listing Program Batas Pupil






Pr i vat e Sub cmdPupi l _Cl i ck( )
Di mPupi l ( 0 To 319, 0 To 239) As I nt eger
Ambi l Pi ct ur e3, Pupi l
Ambi l Pi ct ur e4, Pupi l
Pi ct ur e4. Fi l l Col or = vbWhi t e
Pi ct ur e4. Fi l l St yl e = vbSol i d
Pi ct ur e4. Ci r cl e ( CxP, CyP) , r Pupi l + 1, vbWhi t e
Pi ct ur e4. Ref r esh
End Sub
Gambar 3.11 Listing Program Buang Pupil

i. Deteksi Iris
Deteksi iris dapat dilakukan berdasarkan nilai integral proyeksi. Deteksi
iris ini dilakukan dengan mencari selisih nilai antara jumlah intensitas keabuan
sumbu X dengan sumbu X-1. Jika selisih nilai melebihi nilai yang telah
ditetapkan, maka sumbu X tersebut dianggap sebagai batas iris. Listing program
untuk proses deteksi iris ditunjukkan oleh gambar 3.13.
41














Pr i vat e Sub cmdI nt egr al P_Cl i ck( )
Di mX As I nt eger , y As I nt eger , i As I nt eger
Di mR As I nt eger , r r As I nt eger , s As Si ngl e
Di mi r i s( 0 To 319, 0 To 239) As I nt eger
Ambi l Pi ct ur e4, i r i s
For X = 0 To 319
P( X) = 0
Next
For X = CxP - r Pupi l * 3 To CxP + r Pupi l * 3
For y = CyP - r Pupi l / 2 To CyP + r Pupi l / 2
i = i r i s( X, y)
P( X) = P( X) + i
i = i * 1. 1
I f i > 255 Then i = 255
i r i s( X, y) = i
Next
Next
Show Pi ct ur e2, i r i s
For X = 0 To 319
P( X) = P( X) / r Pupi l
Next
For X = CxP - r Pupi l * 3 To CxP + r Pupi l * 3
Set Pi xel Pi ct ur e2. hdc, X, CyP - P( X) \ 5,
RGB( 255, 0, 0)
Next
Pi ct ur e2. Ref r esh
End Sub


Gambar 3.12 Listing Program Integral Proyeksi














Pr i vat e Sub cmdDI r i s_Cl i ck( )
Di mKi r i As I nt eger , Kanan As I nt eger
Di mX As I nt eger
For X = xMi nP - 6 To 5 St ep - 1
I f P( X - 1) - P( X) > 4 Then
Ki r i = X
Exi t For
End I f
Next
For X = xMaxP + 6 To 314
I f P( X + 1) - P( X) > 4 Then
Kanan = X
Exi t For
End I f
Next
I f Ki r i <> 0 And Kanan <> 0 Then
r I r i s = ( ( CxP - Ki r i ) + ( Kanan - CxP) ) / 2
El seI f Ki r i <> 0 Then
r I r i s = CxP - Ki r i
El seI f Kanan <> 0 Then
r I r i s = Kanan - CxP
El se
r I r i s = r Pupi l * 3
End I f
Pi ct ur e2. Li ne ( Ki r i , 0) - ( Ki r i , 239)
Pi ct ur e2. Li ne ( Kanan, 0) - ( Kanan, 239)
End Sub


Gambar 3.13 Listing Program Deteksi Iri


42
j. Mask Iris
Jarak antara batas iris yang dicari pada proses sebelumnya dengan titik
tengah pupil merupakan jari-jari iris yang berguna untuk membuat mask iris.
Mask iris yang dibuat berwarna putih dengan diameter yang telah diketahui,
sedangkan pupil berwarna hitam. Bagian diluar iris juga diberi warna hitam.
Listing program untuk membuat mask iris ditunjukkan pada gambar 3.14.


Pr i vat e Sub_cmdMaskI r i s_Cl i ck( )
Pi ct ur e3. Li ne ( 0, 0) - ( 319, 239) , vbBl ack, BF
Pi ct ur e3. Fi l l Col or = vbWhi t e
Pi ct ur e3. Fi l l St yl e = vbSol i d
Pi ct ur e3. Ci r cl e ( CxP, CyP) , r I r i s, vbWhi t e
Pi ct ur e3. Fi l l Col or = vbBl ack
Pi ct ur e3. Fi l l St yl e = vbSol i d
Pi ct ur e3. Ci r cl e ( CxP, CyP) , r Pupi l , vbBl ack
End Sub







Gambar 3.14 Listing Program Mask Iris

k. Crop Iris
Croping ini dilakukan untuk mengcrop iris sesuai dengan mask iris yang
telah dibuat. Proses croping iris ini dilakukan dengan cara mengalikan antara
citra mata dengan citra mask iris.
Warna hitam mempunyai nilai keabuan 0 sehingga jika suatu citra
dikalikan dengan warna hitam hasilnya adalah hitam (0). Sedangkan nilai
keabuan warna putih adalah 1, maka jika suatu citra dikalikan dengan warna
putih maka citra tersebut akan tetap, karena sama dengan dikalikan 1. Dengan
mengalikan antara citra mata dengan mask iris hasil yang diharapkan adalah
semua bagian mata kecuali iris berwarna hitam, sedangkan bagian iris tetap
seperti awal. Listing program crop iris ditunjukkan oleh gambar 3.15.

l. Pattern Form
Pattern form didapatkan dari iris yang telah dicrop kemudian
ditransformasi geometri. Pada proses transformasi geometri bagian tepi iris di
tarik ke sumbu y yang lurus dengan titik tengah pupil. Hal ini dilakukan untuk
43
menghilangkan lubang bekas pupil karena besar kecilnya lubang yang tidak
sama pada masing-masing iris akan mempengaruhi proses pengenalan iris
sehingga akan tampak pattern iris dengan jelas. Listing program pattern form
ditunjukkan oleh gambar 3.16.

Pr i vat e Sub cmdCr opI r i s_Cl i ck( )
Di mGr ay( 0 To 319, 0 To 239) As I nt eger
Di mMask( 0 To 319, 0 To 239) As I nt eger
Di mi r i s( 0 To 319, 0 To 239) As I nt eger
Di mx As I nt eger , y As I nt eger
Ambi l Pi ct ur e1, Gr ay
Ambi l Pi ct ur e3, Mask
For y = CyP - r I r i s To CyP + r I r i s
For x = CxP - r I r i s To CxP + r I r i s
i r i s( x + r I r i s - CxP, y + r I r i s - CyP) =
Gr ay( x, y) And Mask( x, y)
Next
Next
CxP = r I r i s
CyP = r I r i s
xMi nP = r I r i s - r Pupi l
yMi nP = xMi nP
Tampi l Pi ct ur e3, i r i s
End Sub









Gambar 3.15 Listing Program Crop Iris

Pr i vat Sub cmdPat t er n_Cl i ck( )
Di mx As I nt eger , y As I nt eger , i As I nt eger
Di mPat t er n( 0 To 319, 0 To 239) As I nt eger
Ambi l Pi ct ur e3, Pat t er n
For y = yMi nP To yMaxP
x = CxP
Whi l e Pat t er n( x, y) = 0
x = x - 1
Wend
I f CxP - x > 0 Then
For i = CxP - 1 To CxP - x St ep - 1
Pat t er n( i , y) = Pat t er n( x + i - CxP, y)
Next
For i = 0 To CxP x
Pat t er n( i , y) = 0
Next
End I f
x = CxP
Whi l e Pat t er n( x, y) = 0
x = x + 1
Wend
I f x - CxP > 0 Then
For i = CxP To 319 - x + CxP
Pat t er n( i , y) = Pat t er n( x + i - CxP, y)
Next
End I f
Next
Tampi l Pi ct ur e2, Pat t er n
End Sub


Gambar 3.16 Listing Program pattern form
44

m. Mask dan crop pattern
Setelah mendapatkan bentuk pattern maka akan dibuat sebuah mask
berbentuk persegi berwarna putih dengan lebar sesuai dengan pattern form,
sedangkan bagian luar diberi warna hitam. Kemudian dicrop sehingga
didapatkan citra sesuai dengan pola yang diinginkan. Hal itu bertujuan untuk
menghilangkan bulu-bulu mata yang mempengaruhi proses pengenalan
berikutnya. Adapun listing program untuk mendapatkan mendapatkan crop
pattern sama dengan program crop iris, dapat dilihat pada gambar 3.15

n. Deteksi Tepi
Berdasarkan pengertiannya Deteksi tepi (Edge Detection) pada suatu citra
adalah suatu proses yang menghasilkan tepi-tepi dari obyek-obyek citra,
tujuannya adalah :
Untuk menandai bagian yang menjadi detail citra
Untuk memperbaiki detail citra yang kabur, yang terjadi
karena error atau adanya efek dari proses akuisisi citra
Suatu titik (x, y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar berikut
menggambarkan bagaimana tepi suatu gambar diperoleh :











Gambar 3.17 Proses Pendeteksian Tepi
45

Setelah mendapatkan crop pattern dari iris dilakukan proses deteksi tepi yang
berguna untuk memisahkan warna yang berbeda sehingga terbentuk suatu
batasan antara tiap-tiap warna yang berbeda, yang nantinya akan dibandingkan
dengan hasil deteksi tepi pattern yang sudah terdapat dalam database. Proses
deteksi tepi dilakukan dengan pengurangan nilai keabuan masing-masing pixel.
Hasil dari selisih tersebut dijumlahkan. Jika nilai dari total selisih tersebut
melebihi nilai yang ditentukan maka bagian tersebut dianggap tepi dan diberi
warna putih sedang bagian lainnya diberi warna hitam. Listing program untuk
mendapatkan mendapatkan deteksi tepi dapat dilihat pada gambar 3.17

o. Euclidean
Pada proses pengenalan dengan Euclidean ini dilakukan perhitungan jarak
dari gambar uji dengan gambar sample yang telah tersimpan dalam database.
Nilai jarak yang paling minimal merupakan iris yang memiliki kemiripan
dengan iris dalam database dan akan diketahui identitas dari pemilik iris
tersebut. Listing program untuk mendapatkan mendapatkan nilai euclidean dan
proses identifikasi dapat dilihat pada gambar 3.18 dan 3.19














Pr i vat e Sub cmddt epi 1_Cl i ck( )
Di mi As I nt eger
Di mj As I nt eger
Di mw1 As Long
Di mw As Long
Di mw2 As Long
Di mg1 As Long
Di mg2 As Long
Di msi mpen As Long
Di msi mpan As Long
Di mt ambah As Long
For i = 1 To Pi ct ur e2. Scal eWi dt h
For j = 1 To Pi ct ur e2. Scal eHei ght
w = Pi ct ur e2. Poi nt ( i , j )
w1 = Pi ct ur e2. Poi nt ( i + 1, j )
w2 = Pi ct ur e2. Poi nt ( i , j + 1)
g1 = w1 - w
si mpan = Abs( g1)
g2 = w - w2
si mpen = Abs( g2)
t ambah = si mpan + si mpen
I f ( t ambah > 1000000) Then
Pi ct ur e2. PSet ( i , j ) , RGB( 255, 255, 255)
El se
Pi ct ur e2. PSet ( i , j ) , RGB( 0, 0, 0)
End I f
Next j
Next i
End Sub
46
Gambar 3.17 Listing Program deteksi tepi














Pr i vat e Sub cmd_ni l ai _Cl i ck( )
Di mG As I nt eger
Di mH As I nt eger
Di mi As Si ngl e, a As Long, z As I nt eger
Di mX As I nt eger
Di mY As I nt eger
Di mvi n( 0 To 319, 0 To 239) As I nt eger
Di mvout ( 0 To 319, 0 To 239) As I nt eger
Ambi l Pi ct ur e2, vi n
Ambi l Pi ct ur e6, vout

' car i r at a- r at a
For Y = 0 To 239
For X = 0 To 319
G = vi n( X, Y)
H = vout ( X, Y)

z = Ab
a = z ^ 2
s( G - H)
i = i + a
Next X
Next Y

G = Sqr ( i )
Text G. Text = G

End Sub
Gambar 3.18 Listing Program perhitungan jarak Euclidean
Listing program pada proses pencocokan iris dalam database dapat dilihat pada
gambar 1.19















Sub cmdku1_Cl i ck( )
Di mi As Si ngl e, e As I nt eger
Di mn As Si ngl e, b As I nt eger
Li st 1. Cl ear
Li st 2. Cl ear
b = 1
i = 1
Adodc1. Recor dSour ce = " sel ect * f r omki t i n wher e i d =
' " & i & " ' "
Adodc1. Ref r esh
Text 9. Text = Adodc1. Recor dset ! NAMAORANG
Pi ct ur e6. Pi ct ur e =
LoadPi ct ur e( Adodc1. Recor dset ! namaf i l e)
cmdni l ai 1_Cl i ck
e = Text 5. Text
Li st 1. AddI t eme
Li st 1. Ref r esh
Li st 2. AddI t emText 9. Text
Li st 2. Ref r esh

For i = 2 To 24
Adodc1. Recor dSour ce = " sel ect * f r omki t i n
wher e i d = ' " & i & " ' "
Adodc1. Ref r esh
Text 9. Text = Adodc1. Recor dset ! NAMAORANG
Pi ct ur e6. Pi ct ur e =
LoadPi ct ur e( Adodc1. Recor dset ! namaf i l e)
cmd ni l ai Cl i ck
Gambar 3.19 Listing Program proses pengenalan
47
BAB IV
PENGUJIAN DAN ANALISA

Pengujian ini dilakukan untuk mengetahui tingkat keberhasilan proyek akhir
yang telah direncanakan. Selain itu dengan adanya pengujian dapat diketahui
adanya kelemahan atau kekurangan sehingga dapat dilakukan beberapa perbaikan
bila diperlukan.

4.1PENGUJIAN PERANGKAT LUNAK
4.1.1 Pengambilan Data
Citra mata yang akan diproses pada pengolahan citra diambil secara offline
dari harddisk. Format gambar yang digunakan adalah format gambar bitmap
(*.bmp). Pada proyek akhir ini, ukuran pola mata yang diinputkan adalah 250 x
218 (pixel) yang berarti 250 pixel kolom dan 218 pixel baris, apabila ukuran mata
yang diimput lebih dari ukuran yang telah disebutkan diatas, maka ukuran mata
yang akan di input harus dijadikan sesuai dengan ukuran yang telah disebutkan
diatas. Berikut ini adalah contoh mata yang akan diolah :









Gambar 4.1 Input pola iris

4.1.2 Pengolahan Citra
c. Grayscale
sebagaimana yang telah dijelaskan pada bab sebelumnya Grayscale
digunakan untuk mengkonversi citra berwarna menjadi citra hitam putih sehingga
48
memudahkan proses pengolahan citra. Meskipun citra mata yang akan diproses
sudah dalam bentuk grayscale tetapi pada perangkat lunak ini tetap diberikan
program konversi ke grayscale untuk menghindari jika terdapat citra berwarna
dan untuk mendapatkan hasil yang lebih akurat. Berikut adalah hasil dari proses
grayscale. Hasil dari proses grayscale dapat dilihat pada gambar 4.2









Gambar 4.2 Hasil Grayscale

b.Kontras1
Kontras digunakan untuk mempertajam perbedaan warna pada citra,
sehingga dengan menjalankan proses ini input mata yang diinput akan lebih
diperjelas dan dipertajam pada citra, sehingga dalam gambar yang dimunculkan
adalah warna warna yang gelap. Maka dari itu setelah dilakukan kontras maka
tampak jelas bagian pupil, bulu mata dan batas-batas iris. Hal ini akan
memudahkan proses selanjutnya yaitu menyamarkan bulu mata.
Kontras yang rendah timbul akibat pencahayaan yang buruk atau efek non-
linier sensor. Kontras menunjukkan tingkat distribusi tingkat pencahayaan antar
satu pixel dengan pixel lain yang berdekatan. Dalam sistem kontrol yang
menggunakan vision, kontras berarti kemudahan dalam membedakan antara satu
bagian image dengan bagian lainnya.
Semakin rendah nilai kontras, artinya antara satu bagian image dengan bagian
lainnya menjadi sulit dibedakan. Dapat dilihat pada gambar 4.3


49





Gambar 4.3 Histogram pengaturan kontras

Kontras dapat diukur dengan melihat nilai histogram dari image. Semakin
mengumpul bentuk grafik hitogram menunjukkan image tersebut memiliki
kontras rendah. Kontras dapat diukur dengan mengalikan image asli dengan nilai
tertentu.
Dimana adalah nilai pengaturan kontras yang diinginkan. Berikut adalah contoh
citra yang telah dikontraskan.









Gambar 4.4 Hasil Kontras1

c. Pelembutan Citra
Proses pelembutan citra digunakan untuk menghilangkan bulu mata yang
cukup berpengaruh pada proses pengolahan citra karena warna bulu mata sangat
hitam, hampir sama hitamnya dengan pupil, karena itu jika tidak dihilangkan
maka bulu mata akan menyulitkan dalam mendeteksi batas-batas pupil. Gambar
4.4 adalah citra mata yang telah dilakukan proses pelembutan citra dengan cara
difilter dengan low pass filter.

50









Gambar 4.5 Hasil pelembutan citra

d. Kontras2
Kontras yang kedua ini digunakan untuk membedakan antara pupil dengan
iris. Pada gambar dapat dilihat dengan jelas bahwa bagian yang paling mencolok
dari citra iris adalah bagian pupil. Bagian selain pupil tampak samar karena telah
diperhalus dengan LPF dan dikontraskan untuk yang kedua kalinya. Hal ini aka
lebih mudah untuk mendeteksi pupil mata yang terlihat, sehingga dalam proses
berikutnya dapat dijalankan dengan mudah, apabilah tidak dilakukan kontras yang
kedua kali, maka pupil akan terlihat masih belum jelas. Berikut adalah hasil dari
proses kontras 2 dapat di perhatikan pada gambar 4.5.









Gambar 4.6 Hasil Kontras2


51
e. Scanning Pupil
Proses scanning iris dilakukan dengan terlebih dahulu menemukan titik
tengah dari pupil. Setelah titik tengah pupil ditemukan maka proses selanjutnya
adalah menentukan nilai threshold dari pupil. Penentuan nilai threshold ini dengan
cara coba-coba (trial and error). Dari titik tengah pupil dilakukan scanning ke
arah kanan hingga ditemukan batas antara pupil dengan daerah diluar pupil
berdasarkan nilai threshold. Dengan cara ini dapat diketahui jarak dari titik tengah
pupil ke batas pupil. Bentuk pupil diasumsikan lingkaran, sehingga diameter pupil
adalah dua kali dari jarak tersebut sehingga batas-batas pupil dapat ditentukan.
Hasil dari citra mata yang telah ditemukan batas pupilnya dapat dilihat pada
gambar 4.6










Gambar 4.7 Hasil Scanning pupil

f. Buang Pupil
Setelah pupil ditemukan maka pupil dihilangkan. Proses pembuangan pupil
yaitu dengan cara membuat lingkaran dengan titik tengah dan diameter yang sama
dengan titik tengah dan diameter pupil. Kemudian bagian pada lingkaran tersebut
dihilangkan. Hasil dari proses tersebut tampak seperti pada gambar 4.7



52











Gambar 4.8 Hasil Buang Pupil

g. Integral Proyeksi
Integral proyeksi dilakukan untuk menentukan nilai integral dari iris yang
sudah tidak memiliki pupil. Pada proses ini ditentukan suatu bagian dari citra yang
akan dihitung, yaitu bagian tengah citra. Bagian yang akan diproses ini diambil
dalam bentuk persegi panjang. Bagian yang telah ditentukan tersebut dijumlahkan
intensitas keabuan dari masing-masing pikselnya secara vertikal. Hasil dari
penjumlahan ditunjukkan oleh grafik merah pada gambar 4.9










Gambar 4.9 Hasil Integral Proyeksi

53
h. Deteksi Iris
Deteksi iris dilakukan berdasarkan nilai integral proyeksi iris Pendeteksian
batas-batas ini dilakukan dengan cara menentukan nilai pembatas tertentu dari
hasil coba-coba (trial and error). Jika nilai jarak antara satu titik dangan titik lain
pada grafik merah melebihi batas yang telah ditentukan maka titik tersebut
dianggap sebagai batas iris, berarti batas iris mata yang terlihat pada proses ini
adalah sepanjang garis merah yang terlihat pada gambar, deteksi ini dilakukan
dengan memberikan batasan batasan sebbelumnya untuk mengetahui batasan
iris mata, sehingga secara akurat akan diperlihatkan batasan iris mata pada objek
yang akan diteliti. Berikut ini adalah contoh citra mata yang telah ditentukan batas
irisnya.










Gambar 4.10 Hasil Deteksi iris

i. Mask Iris
Dari proses deteksi iris dapat diketahui besarnya diameter iris. Dengan
diameter iris yang telah diketahui maka dapat dibuat mask iris. Hasil dari mask
iris dapat dilihat pada gambar 4.11





54









Gambar 4.11 Mask Iris

j. Crop Iris
Iris di crop sesuai dengan mask iris yang telah dibuat. Cara mengcrop iris
adalah dengan mengalikan iris mask dengan citra mata. Karena nilai warna hitam
adalah 0 maka citra yang dikalikan dengan hitam akan hilang karena bernilai 0.
Sedangkan citra yang dikalikan dengan putih akan tetap seperti aslinya karena
warna putih bernilai 1. Berikut adalah hasil dari proses crop iris.










Gambar 4.12Hasil Crop Iris




55
k. Pattern Form
Hasil dari iris yang telah dicrop ditaransformasi geometri untuk
menghilangkan lubang bekas pupil. Hal ini penting dilakukan karena besar
kecilnya lubang yang tidak sama pada masing-masing iris akan mempengaruhi
proses pengenalan iris. Pada proses transformasi geometri bagian tepi iris di tarik
ke sumbu y yang lurus dengan titik tengah pupil. Hasil dari transformasi geometri
dapat dilihat pada gambar 4.13










Gambar 4.13 Hasil pattern form

l. Mask pattern
Setelah mendapatkan pattern form maka dibuat mask berbentuk persegi yang
menunjukkan bagian pattern form yang akan dikenali. Berikut adalah bentuk
mask yang telah dibuat.








Gambar 4.14Hasil mask pattern
56
m. Crop pattern
Dari mask tersebut pattern form dicrop sehingga didapatkan citra sesuai
dengan pola yang diinginkan. Hal itu bertujuan untuk menghilangkan bulu-bulu
mata yang mempengaruhi proses pengenalan berikutnya. Berikut adalah gambar
crop pattern.











Gambar 4.15Hasil crop pattern

n. Deteksi tepi
Deteksi tepi digunakan untuk mengetahui tepi atau batasan antara tiap-tiap
warna yang berbeda dari pattern form dan untuk menghilangkan noise sehingga
memudahkan untuk proses pengenalan selanjutnya. Berikut adalah hasil dari
deteksi tepi.








Gambar 4.16Hasil deteksi tepi
57
o. Pengenalan
Pada proses ini hasil deteksi tepi pattern iris akan dibandingkan dengan
hasil deteksi tepi pattern iris yang terdapat dalam database. Dan nilai d yang
terkecil digunakan sebagai pengenalan sehingga akan diketahui identitas dari
pemilik iris apabila iris yang diinputkan cocok dengan yang ada pada database.

4.2 PROSEDUR PENGUJIAN
Pengujian perangkat lunak dilakukan secara offline yaitu mengambil citra
mata dari file gambar dalam format bitmap (*.bmp). Pengujian dilakukan terhadap
8 delapan sample mata dengan 7 gambar mata yang sama pada setiap sample
sehingga jumlah mata yang diuji berjumlah 54 gambar mata, tiga gambar mata
dari masing-masing sample disimpan dalam database. Dimana tahap pengujiannya
dilakukan dengan proses load file untuk kemudian dilakukan proses pengenalan
pola yang terdiri dari proses pengolahan citra dan tahap pengujian itu sendiri.

4.3 HASIL PENGUJIAN
Setelah program dijalankan dengan mengikuti langkah langkah yang telah di
jelaskan pada bab sebelumnya, maka Berikut ini adalah hasil pengujian dari 54
sample mata yang dapat di lihat pada tabel 4.1.

Tingkat keberhasilan rata-rata:
%H = (100+57.1+85.7+100+100+71.4+80+ 85.7)
8
= 84.99 %
Tingkat kesalahan rata-rata :
%H = (0 + 0 + 4.3 + 0 + 0 + 12.8 + 0 + 0 + 0)
8
= 2.14 %

tabel di bawah ini menjelaskan dimana hasil daripada analisa yang telah dilakukan
untuk mendapatkan ketelitian dari pola iris mata sebagai salah satu acuan untuk
mendeteksi wajah dimana di peroleh keakuratan data bawah 84, 99 % dari rata
58
rata perhitungan tingkat keberhasilan , sedangkan dari tingkat kegagalan
didapatkan persentasenya yaitu sebesar 2,14%

Tabel 4.1. Pengujian tahap pengenalan pola iris
DATA POSITIF DATA NEGATIF DATA
SET
JUMLAH TRUE H(%) JUMLAH FALSE H(%)
MATA
014
7 7 100 47 0 0
MATA
024
7 4 57.1 47 0 0
MATA
029
7 7 100 47 0 0
MATA
088
7 7 100 47 6 12.8
MATA
021
7 5 71.4 47 0 0
MATA
003
5 4 80 49 0 0
MATA
108
7 6 85.7 47 0 0
Rata-rata keberhasilan
84.99
Rata-rata kesalahan
2.14

Keterangan :
Data positif : Data uji sama dengan data set
Data negatif : Data uji tidak sama dengan data set
True positif : Data uji yang dikenali benar
False negatif : Data uji yang dikenali salah
H(%) : Prosentase keberhasilan/kesalahan



59
4.3 ANALISA

Dari hasil pengujian diketahui bahwa perangkat lunak dapat mengenali
pemilik iris dengan tingkat keberhasilan 84.99%. Sedangkan pada data negatif
menunjukkan bahwa perangkat lunak mempunyai kesalahan dalam mengenali iris
sebagai iris orang lain dengan kesalahan sebesar 2.14 %. Cara menghitung
prosentase ketelitiannya adalah dengan cara menghitung jumlah gambar yang
benar/mirip kemudian dibandingkan dengan jumlah gambar yang seharusnya ada
dalam sekumpulan gambar dikalikan seratus persen. Dari tabel diketahui bahwa
beberapa pola iris yang telah diujikan, ternyata tidak semua iris bisa dikenali.
Terdapat 3 sample mata yang dapat dikenali benar semua yaitu mata 014, 029,dan
088. Tetapi ada pula beberapa iris yang hanya dapat mengenali empat, lima atau
enam sample saja. Mata 003 hanya berjumlah 5 data uji, hal ini disebabkan 2
diantaranya terjadi kesalahan pada proses pengolahan citra yaitu proses deteksi
iris yang tidak sempurna sehingga pattern iris tidak didapatkan dan tidak bisa
diproses pada proses identifikasi. Kesalahan pengenalan pada mata 024, 028, 021
dan mata 108 disebabkan adanya iris yang mempunyai pattern yang memiliki
kemiripan dengan pattern yang lain sehingga sebuah mata tidak dikenali atau
dikenali sebagai iris yang lain.
60
BAB V
PENUTUP

Pada bab kelima ini merupakan akhir dari penyelesaian tugas akhir. Dari
berbagai uraian dari bab-bab sebelumnya, ada beberapa hal yang perlu dicacat
sebagai kesimpulan dan juga saran-saran untuk perbaikan dan pengembangan
perangkat lunak ini dimasa yang akan datang.

5.1 KESIMPULAN
Berdasarkan hasil-hasil yang telah dicapai selama perencanaan, pembuatan
dan pengujian perangkat lunak proyek akhir ini maka dapat disimpulkan sebagai
berikut :
1. Perangkat lunak bekerja dengan tingkat keberhasilan rata-rata 84.99% dan
tingkat kesalahan rata-rata 2.14%.
2. Dari semua gambar mata yang telah diujikan, ternyata tidak semua citra
iris bisa dikenali. Hal ini disebabkan pada proses pengolahan citra yang
tidak sempurna sehingga tidak didapatkan pattern iris dan terdapat iris
yang mempunyai pattern yang memiliki kemiripan dengan iris yang lain.
3. Hasil proyek akhir ini dapat digunakan untuk berbagai aplikasi yang
berkaitan dengan proses pengendali akses maupun keamanan, misalnya
sebagai password atau PIN, absensi dan sebagainya.
4. Sistem proses pengenalan pola iris mata ini harus mengikuti tata cara
pengenalan secara bertahap tidak bisa di aplikasi/searching secara
langsung.








61
5.2 SARAN
Berdasarkan hasil yang telah dicapai dalam tugas akhir ini, dapat diberikan
saran yang diperlukan dalam pengembangan dan penyempurnaan sistem ini :
1. Diharapkan sistem ini bisa dilakukan secara online yaitu dilakukan
pengambilan gambar secara langsung melalui kamera digital.
2. Proses pengenalan user baru dapat dilakukan secara otomatis dengan
mengisi data user baru dan dapat tersimpan dalam database secara
langsung.
3. Perlu diperhitungkan jarak dan real timenya yang tersimpan dalam data
base sehingga mudah dalam pencarian.
4. Proses searching secara cepat dan lebih tepat.
62
DAFTAR PUSTAKA

Eduardo Merloti, Paulo, (2004) Experiments on Human Iris recognition Using
Error Backpropagation Artificial Neural Network, San Diego State
University, Computer Science Departement.
Munir, Rinaldi, (2004) Pengolahan Citra Digital dengan Pendekatan
Algoritmik, Informatika, Bandung.
Halvorson, Michael, (2003) Step by Step Microsoft Visual Basic 6.0 Professional,
Jakarta, PT Gramedia.
Ross Woodrow, (2005) Menilai Kepribadian Seseorang Melalui Wajah, Book
Marks.
R.L.Hsu and M.A.Mottaleb, (2002) Face Detection in Color Image, Appear In
IEEE Tans. PAMI, Vol. 24, no.5, pp.696-706.
Garcia Gines-Marteen, Alberto, E. Lopez Pedro, Face Detection Using Integral
Projection Models, Dept. Informatica y Sistemas, Dept. De Ingenieria y
tecnologia de Computer University of Murcia, Murcia Spain.
Rafael C, Gonzales and Richard E, Woods, (2001) Digital Image Processing,
2nd edition, Prentice Hall.
Riyanto Sigit, (2005) Sistem Pengenalan Ekspresi Wajah Secara Real Time,
PENS-ITS.
Riyanto Sigit, Dadet Pramudianto, Achmad Basuki, (2005) Pengolahan Citra
Digital, Andi Offset.
Achmad Basuki, Jozua F. Palandi, Fatchurrochman, (2005) Pengolahan Citra
Digital Menggunakan Visual Basic, Penerbit Graha Ilmu, Yogyakarta.







Lampiran A-1
NILAI JARAK MATA
Database menggunakan microsoft access yang berisi tabel ID, Nama orang, Nama file
dan gambar. Database ini terdiri dari 8 dataset dan masing-masing dataset terdiri dari
3 gambar mata yang sama sehingga jumlah data yang tersimpan dalam database ini
berjumlah 24 data.

















Berikut adalah tampilan program dalam visual basic
Tampilan Menu utama








Nilai jarak pada masing-masing gambar mata 014
Lampiran A-2
NO SAMPLE
014_1
_1
014_1
_2
014_1
_3
014_2
_1
014_2
_2
014_2
_3
014_2
_4
014_1_1 8602 9023 9059 8696 8979 9991 9572
014_1_2 8969 6334 9212 9383 9222 9979 9763 1
014_1_3 8833 9144 8040 8998 9733 9733 9414
024_1_1 9813 9753 9733 9737 10004 10320 10039
024_1_2 9619 9421 9626 9521 9727 10104 9763 2
024_1_3 9740 9579 9592 9663 9938 10389 10046
028_1_1 9636 9562 9602 9352 10123 9892 9720
028_1_2 9452 9265 9390 9120 9743 9906 9646 3
028_1_3 9321 9236 9258 9162 9670 9773 9592
029_1_1 9750 9690 9507 9414 10020 9925 9773
029_1_2 9780 9538 9579 9293 9938 9896 9817 4
029_1_3 9763 9555 9636 9324 9955 10088 9853
088_1_1 9793 9660 9700 9404 10165 9935 9783
088_1_2 9431 9314 9300 9289 9770 9767 9619 5
088_1_3 9575 9173 9123 9233 9863 9925 9813
021_1_1 1007 9889 9876 9760 10238 10393 10184
021_1_2 9810 9589 9663 9490 9994 9997 9846 6
021_1_3 9919 9800 9833 9582 10146 10389 10039
003_1_1 10286 10075 10209 10026 10405 10477 10333
003_1_2 10501 10470 10414 10216 10843 10755 10535 7
003_1_3 10197 10126 10190 9942 10579 10483 10383
108_1_1 10339 10489 10396 10424 10734 10822 10609
108_1_2 10133 10273 10178 10130 10529 10716 10458 8
108_1_3 10295 10327 10238 10114 10704 10773 10725





Lampiran A-3
Nilai jarak pada masing-masing gambar mata 024
NO SAMPLE 024_1_1 024_1_2 024_1_3 024_2_1 024_2_2 024_2_3 024_2_4
014_1_1 9743 9656 9639 9663 9889 9562 9296
014_1_2 9899 9633 9629 9820 9886 9827 9445 1
014_1_3 9935 9863 9820 9790 9876 9743 9538
024_1_1 6007 8696 8797 9084 9359 9338 9321
024_1_2 8614 7062 8677 8763 9169 9084 8610 2
024_1_3 8947 8756 7701 8947 9428 9324 8782
028_1_1 9080 8929 9219 9144 9293 9222 9034
028_1_2 8979 8745 9055 8914 9201 9044 8866 3
028_1_3 8841 8677 9435 8797 9180 8929 8696
029_1_1 8972 8715 8983 9194 9321 9187 8874
029_1_2 9055 8704 9016 9084 9162 9098 8987 4
029_1_3 8987 8826 8990 9080 9229 9159 8947
088_1_1 9247 9062 9355 9421 9585 9359 9187
088_1_2 9052 8855 9026 8936 9236 9144 8925 5
088_1_3 8826 8595 8778 8715 8987 8950 8726
021_1_1 9431 9369 9545 9629 9690 9473 9421
021_1_2 9548 9201 9226 9431 9555 9514 9169 6
021_1_3 9456 9268 9480 9517 9747 9524 9404
003_1_1 9873 9592 10603 9800 10010 9971 9869
003_1_2 9981 9836 10222 10136 10383 10194 10068 7
003_1_3 9919 9707 10020 9925 10133 10075 9994
108_1_1 10483 10174 10197 10364 10402 10477 9991
108_1_2 10380 10120 10039 10229 10165 10209 9783 8
108_1_3 10282 10007 10049 10136 10282 10232 9713




Lampiran A-4
Nilai jarak pada masing-masing gambar mata 028
NO SAMPLE 028_1_1 028_1_2 028_1_3 028_2_1 028_2_2 028_2_3 028_2_4
014_1_1 9915 9629 9582 9823 9592 9787 9843
014_1_2 10235 9787 9767 9991 9803 10194 10342 1
014_1_3 10149 9915 9863 9836 9787 10088 10007
024_1_1 9599 9407 9476 9497 9369 9582 9551
024_1_2 9345 9084 9034 9219 9087 9265 9254 2
024_1_3 9653 9483 9435 9531 9486 9528 9700
028_1_1 0 8326 8388 8333 8337 8164 8617
028_1_2 8326 0 8015 8056 7946 8461 8797 3
028_1_3 8388 8015 0 8388 8100 8492 8632
029_1_1 8958 9159 9030 9073 8976 8859 8848
029_1_2 8881 8859 8903 8785 8722 8774 8598 4
029_1_3 8950 8833 8841 8677 8748 8808 8692
088_1_1 9091 9198 8983 9041 9052 8841 8674
088_1_2 9123 9201 8987 9116 9120 9062 8855 5
088_1_3 8774 8707 8692 8595 8659 8545 8519
021_1_1 9697 9562 9500 9596 9619 9531 9889
021_1_2 9438 9390 9341 9376 9303 9428 9514 6
021_1_3 9740 9592 9639 9733 9528 9723 9773
003_1_1 9700 9760 9572 9551 9445 9562 9666
003_1_2 10052 10072 9723 9929 9860 9860 9697 7
003_1_3 9800 9906 9727 9646 9763 9616 9612
108_1_1 10508 10408 10470 10433 10342 10393 10276
108_1_2 10197 10158 10126 10004 10091 10110 10017 8
108_1_3 10301 10162 10155 10104 10171 10133 9869





Lampiran A-5
Nilai jarak pada masing-masing gambar mata 029
NO SAMPLE 029_1_1 029_1_2 029_1_3 029_2_1 029_2_2 029_2_3 029_2_4
014_1_1 9889 9906 9836 9793 9737 9958 9720
014_1_2 10165 10136 10184 9968 10004 10389 10091 1
014_1_3 10097 10094 10117 10017 9948 10216 10023
024_1_1 9435 9656 9585 9602 9538 9830 9616
024_1_2 9084 9222 9127 9123 9176 9452 9258 2
024_1_3 9497 9493 9428 9355 9517 9783 9616
028_1_1 8958 8881 8950 9026 8994 9012 8815
028_1_2 9159 8859 8833 9069 8958 9055 8954 3
028_1_3 9030 8903 8841 8932 8774 9127 8837
029_1_1 0 8844 8730 8399 8388 8852 8636
029_1_2 8844 0 7705 8564 8822 8841 8549 4
029_1_3 8730 7705 0 8576 8647 8711 8598
088_1_1 9084 8855 9012 8965 9034 9080 8892
088_1_2 8892 8969 9037 8947 8907 9091 9055 5
088_1_3 8870 8932 8863 8756 8752 8844 8726
021_1_1 9743 9840 9797 9760 9717 9984 9813
021_1_2 9697 9612 9521 9760 9623 9787 9626 6
021_1_3 9787 9690 9707 9677 9653 9869 9636
003_1_1 9760 9582 9510 10690 9558 9763 10273
003_1_2 10020 9919 9922 10043 9876 10055 9968 7
003_1_3 9853 9609 9813 9690 9753 9902 9609
108_1_1 10327 10203 10219 10380 10327 10461 10298
108_1_2 10229 10104 9925 10007 10010 10085 9968 8
108_1_3 10052 10062 9961 9925 9968 10190 10068





Lampiran A-6
Nilai jarak pada masing-masing gambar mata 088
NO SAMPLE 088_1_1 088_1_2 088_1_3 088_2_1 088_2_2 088_2_3 088_2_4
014_1_1 10036 9670 9757 9700 9750 10068 9853
014_1_2 10206 9807 9787 9948 9833 10104 10020 1
014_1_3 10178 9797 9770 9978 9987 10107 9899
024_1_1 9790 9531 9331 9466 9345 9445 9397
024_1_2 9411 9240 9012 8819 9062 9023 9222 2
024_1_3 9876 9565 9261 9411 9338 9568 9376
028_1_1 9091 9123 8779 8689 8677 9091 8874
028_1_2 9198 9201 8707 8674 8595 8976 8925 3
028_1_3 8983 8987 8692 9629 8372 9019 8763
029_1_1 9084 8892 8870 8837 8677 9169 8808
029_1_2 8855 8969 8932 8722 8726 9173 8987 4
029_1_3 9012 9037 8863 8748 8767 9091 8940
088_1_1 0 8940 8808 8811 8644 9008 8870
088_1_2 8940 0 8841 8932 8745 9191 9055 5
088_1_3 8808 8841 0 7872 7801 8477 7905
021_1_1 10036 9656 9562 9524 9500 9619 9517
021_1_2 9753 9683 9390 9352 9341 9442 9572 6
021_1_3 10007 9673 9599 9589 9551 9810 9803
003_1_1 9783 9840 9860 9643 9633 9717 9915
003_1_2 9971 10155 9994 9767 9677 10017 9965 7
003_1_3 9883 10049 9793 9737 9639 9915 9915
108_1_1 10305 10168 10232 10248 10136 10554 10260
108_1_2 10013 9873 9753 10000 9853 10206 10104 8
108_1_3 10158 9994 9863 9912 9790 10209 9984






Lampiran A-7
Nilai jarak pada masing-masing gambar mata 021
NO SAMPLE 021_1_1 021_1_2 021_1_3 021_2_1 021_2_2 021_2_3 021_2_4
014_1_1 9968 9856 10030 10152 10055 10396 10081
014_1_2 10273 9978 10085 10377 10149 10517 10346 1
014_1_3 10389 10065 10292 10229 10260 10526 10203
024_1_1 9680 9879 9743 9915 9896 10393 1065
024_1_2 9592 9504 9514 9717 9562 10203 9830 2
024_1_3 9693 9565 9680 9803 9710 10267 9974
028_1_1 9697 9438 9740 9860 9531 10213 9827
028_1_2 9562 9390 9592 9727 9442 10168 9687 3
028_1_3 9500 9341 9639 9747 9558 10257 9767
029_1_1 9743 9697 9787 9919 9666 10339 9853
029_1_2 9840 9612 9690 9889 9663 10305 9850 4
029_1_3 9797 9521 9707 9700 9599 10358 9727
088_1_1 10036 9753 10007 10039 9790 10505 9955
088_1_2 9656 9683 9673 9925 9747 10007 9813 5
088_1_3 9562 9390 9599 9747 9380 10110 9579
021_1_1 0 9850 9442 9687 9879 10213 9807
021_1_2 9850 0 9619 9606 9212 10206 9919 6
021_1_3 9442 9619 0 9438 9383 10260 10072
003_1_1 10418 10355 10526 10637 10520 11024 10612
003_1_2 10728 10698 10743 10810 10542 11226 10995 7
003_1_3 10486 10474 10371 10576 10333 11077 10716
108_1_1 10698 10458 10792 10689 10737 10944 10780
108_1_2 10535 10461 10557 10667 10698 10658 10618 8
108_1_3 10427 10421 10591 10634 10529 10807 10511






Lampiran A-8
Nilai jarak pada masing-masing gambar mata 003
NO SAMPLE 003_1_1 003_1_2 003_1_3 003_2_1 003_2_2 003_2_3 003_2_4
014_1_1 10430 10655 10267 10386 - 10652 -
014_1_2 10526 10983 10680 10777 - 10974 - 1
014_1_3 10442 10837 10689 10695 - 10828 -
024_1_1 10464 10597 10439 10168 - 10263 -
024_1_2 10052 10355 10136 9974 - 9994 - 2
024_1_3 10495 10713 10520 10421 - 10569 -
028_1_1 9700 10052 9800 9504 - 9303 -
028_1_2 9760 10072 9906 9510 - 9483 - 3
028_1_3 9572 9723 9727 9421 - 9414 -
029_1_1 9760 10020 9853 9653 - 9585 -
029_1_2 9582 9919 9609 9514 - 9486 - 4
029_1_3 9510 9922 9813 9483 - 9579 -
088_1_1 9783 9971 9883 9663 - 9602 -
088_1_2 9840 10155 10049 9813 - 9800 - 5
088_1_3 9860 9994 9793 9483 - 9442 -
021_1_1 10418 10728 10486 10273 - 10474 -
021_1_2 10355 10698 10474 10267 - 10317 - 6
021_1_3 10526 10743 10371 10295 - 10452 -
003_1_1 0 10049 9723 9629 - 9843 -
003_1_2 10049 0 9660 9275 - 9997 - 7
003_1_3 9723 9660 0 9222 - 9961 -
108_1_1 11176 11312 10894 10900 - 11065 -
108_1_2 11027 11182 10867 10673 - 10849 - 8
108_1_3 10911 10891 10767 10695 - 10676 -






Lampiran A-9
Nilai jarak pada masing-masing gambar mata 108
NO SAMPLE 108_1_1 108_1_2 108_1_3 108_2_1 108_2_2 108_2_3 108_2_4
014_1_1 10686 10386 10427 10449 10569 10828 10399
014_1_2 10786 10563 10767 10801 10670 10997 10813 1
014_1_3 10801 10467 10686 10480 10612 10888 10755
024_1_1 10731 10643 10615 10819 10597 11086 11003
024_1_2 10566 10339 10222 10352 10424 10891 10789 2
024_1_3 10467 10433 10374 10501 10374 10801 10680
028_1_1 10508 10197 10301 10467 10000 10713 10788
028_1_2 10408 10158 10162 10323 9987 10585 10713 3
028_1_3 10470 10126 10155 10374 9994 10622 10670
029_1_1 10327 10229 10052 10323 10052 10511 10535
029_1_2 10203 10104 10062 10295 9919 10446 10526 4
029_1_3 10219 9925 9961 10209 9863 10323 10480
088_1_1 10305 10013 10158 10320 10030 10551 10680
088_1_2 10168 9873 9994 10114 9697 10298 10342 5
088_1_3 10232 9753 9863 10010 9902 10424 10511
021_1_1 10698 10535 10427 10664 10545 11012 11012
021_1_2 10458 10461 10421 10640 10232 10846 10834 6
021_1_3 10792 10557 10591 10758 10323 10950 10944
003_1_1 11176 11027 10911 11168 10846 11191 11415
003_1_2 11312 11182 10891 11258 11021 11424 11610 7
003_1_3 10894 10867 10767 11080 10780 11197 11278
108_1_1 0 10126 10346 10374 10520 10361 10374
108_1_2 10126 0 9800 9073 10088 9777 9974 8
108_1_3 10346 9800 0 9873 10072 10535 10442





Lampiran A-10
Hasil pengujian pada tabel diatas menunjukkan nilai jarak pada masing- masing
gambar dengan gambar sample yang tersimpan dalam database. Nilai dengan warna
yang berbeda menunjukkan nilai jarak yang terkecil yang digunakan sebagai
pengenalan sehingga akan diketahui identitas dari pemilik iris.




=Data uji yang dikenali benar
=Data uji yang dikenali salah

Lampiran B-1
LISTING PROGRAM

Option Explicit
Dim xMinP As Integer, xMaxP As Integer, yMinP As Integer, yMaxP As Integer
Dim CxP As Long, CyP As Long, nP As Long
Dim Threshold As Byte
Dim P(320) As Integer
Dim rIris As Integer
Dim rPupil As Integer
Dim Cancel As Boolean
Dim AveCol As Long
Dim Saving As Boolean
Dim flag As Boolean
Dim c(255, 255) As COMPLEX
Private Declare Function GetOpenFileName Lib "comdlg32.dll" Alias
"GetOpenFileNameA" (pOpenfilename As OPENFILENAME) As Long
Private Type OPENFILENAME
lStructSize As Long
hwndOwner As Long
hInstance As Long
lpstrFilter As String
lpstrCustomFilter As String
nMaxCustFilter As Long
iFilterIndex As Long
lpstrFile As String
nMaxFile As Long
lpstrFileTitle As String
nMaxFileTitle As Long
lpstrInitialDir As String
lpstrTitle As String
flags As Long
Lampiran B-2
nFileOffset As Integer
nFileExtension As Integer
lpstrDefExt As String
lCustData As Long
lpfnHook As Long
lpTemplateName As String
End Type
Private Function ShowFileDialog1() As String
Dim ofn As OPENFILENAME
ofn.lStructSize =Len(ofn)
ofn.lpstrInitialDir =App.Path & "\skins"
ofn.hwndOwner =hWnd
ofn.lpstrFilter ="Skin files (*.skn)" & Chr$(0) & "*.skn" & Chr$(0) & Chr(0) &
Chr(0)
ofn.lpstrFile =String(256, 0)
ofn.nMaxFile =255
ofn.lpstrTitle ="Membuka File Skin"
ofn.flags =&H800000 +&H1000 +&H8 +&H4
ofn.lpstrDefExt ="skn" +Chr(0)
GetOpenFileName ofn
If Mid(ofn.lpstrFile, 1, 1) <>Chr(0) Then ShowFileDialog1 =ofn.lpstrFile
End Function
Private Sub Tampil(Picture As PictureBox, Data() As Integer)
Dim x As Integer, y As Integer, i As Integer
For y =0 To 239
For x =0 To 319
i =Data(x, y)
SetPixel Picture.hdc, x, y, RGB(i, i, i)
Next
Next
Picture.Refresh
Lampiran B-3
End Sub
Private Sub Ambil(Picture As PictureBox, Data() As Integer)
Dim x As Integer, y As Integer, i As Long
Dim R As Integer, G As Integer, b As Integer
For y =0 To 239
For x =0 To 319
i =GetPixel(Picture.hdc, x, y)
R =i And 255
G =(i \ 256) And 255
b =(i \ &H10000) And 255
i =(R +G +b) \ 3
Data(x, y) =i
Next
Next
End Sub
Private Sub TampilW(Picture As PictureBox, Data() As Long)
Dim x As Integer, y As Integer
For y =0 To 239
For x =0 To 319
SetPixel Picture.hdc, x, y, Data(x, y)
Next
Next
Picture.Refresh
End Sub

Private Sub AmbilW(Picture As PictureBox, Data() As Long)
Dim x As Integer, y As Integer
For y =0 To 239
For x =0 To 319
Data(x, y) =GetPixel(Picture.hdc, x, y)
Next
Lampiran B-4
Next
End Sub
Program pengambilan
Private Sub mnuOpen_Click(Index As Integer)
Dim buka As Boolean
Dim x As Integer, y As Integer
CommonDialog1.Filter ="picture files(*.BMP;*.GIF;*.J PG;*.DIB)"
CommonDialog1.ShowOpen
Picture1.Picture =LoadPicture(CommonDialog1.FileName)
End Sub
Program menyimpan
Private Sub mnuSave_Click(Index As Integer)
Dim File As String ' holds the file name
CommonDialog1.Filter ="picture files(*.BMP;*.GIF;*.J PG;*.DIB)"
CommonDialog1.ShowSave 'display Save dialog
If CommonDialog1.FileName <>"" Then
File =CommonDialog1.FileName
End If
If Trim(File) = "" Then MsgBox "File Not Saved, Invalid Filename.",
vbCritical, "Error": Exit Sub ' error in name
Saving =True ' start saving
Me.Caption ="Please Wait Saving....."
Picture3.Picture =Picture3.Image 'set the picture to equal the image
'Tmp.Caption =File '-- get rid of any unwanted chars (ie chr13, or 0)
If LCase(Right(File, 4) <>".bmp") Then File =File & ".bmp" ' add the bmp
on the file
Call SavePicture(Picture3.Picture, File) ' save the picture
Saving =False 'no longer saving
Me.Caption =" Data tersimpan....."
End Sub

Lampiran B-5
Program grayscale
Private Sub cmdGray_Click()
Dim R As Integer, G As Integer, b As Integer
Dim i As Long
Dim x As Integer, y As Integer
Dim vImage(0 To 319, 0 To 239) As Long
Dim Gray(0 To 319, 0 To 239) As Integer
AmbilW Picture1, vImage
For y =0 To 239
For x =0 To 319
i =vImage(x, y)
R =i And 255
G =(i \ 256) And 255
b =(i \ &H10000) And 255
i =(R +G +b) \ 3
Gray(x, y) =i
Next
Next
Tampil Picture4, Gray
End Sub
Program kontras
Private Sub cmdKontras_Click()
Dim G As Integer
Dim i As Single, m As Long, m2 As Long, n2 As Long
Dim x As Integer, y As Integer, n As Long
Dim vin(0 To 319, 0 To 239) As Integer
Dim Kontras(0 To 319, 0 To 239) As Integer
Ambil Picture4, vin
m =255
For y =0 To 239
For x =0 To 319
Lampiran B-6
G =vin(x, y)
i =i +G
If G <m Then m =G
Next
Next
i =i / (320#* 240#)
For y =0 To 239
For x =0 To 319
G =vin(x, y)
If G <i Then
n =n +1
Else
m2 =m2 +G
n2 =n2 +1
End If
Next
Next
m2 =m2 / n2
i =255 / (m2 - m)
For y =0 To 239
For x =0 To 319
G =(vin(x, y) - m) * i
If G >255 Then G =255
If G <0 Then G =0
Kontras(x, y) =G
Next
Next
Tampil Picture4, Kontras
End Sub


Lampiran B-7
Program LPF
Private Sub cmdLPF_Click()
Dim x As Integer, y As Integer, w As Long, G As Long
Dim xx As Integer, yy As Integer
Dim fx As Integer, fy As Integer
Dim vin(0 To 319, 0 To 239) As Integer
Dim LPF(0 To 319, 0 To 239) As Integer
Ambil Picture4, vin
For y =0 To 239
For x =0 To 319
G =0
For fy =-3 To 3
For fx =-3 To 3
xx =x +fx
yy =y +fy
If xx >=0 And xx <320 And yy >=0 And yy <240
Then
G =G +vin(xx, yy)
End If
Next
Next
G =G / (7 * 7)
LPF(x, y) =G
Next
Next
Tampil Picture3, LPF
End Sub
Program kontras2
Private Sub cmdKontras2_Click()
Dim G As Integer
Dim i As Single, m As Long, m2 As Long, n2 As Long
Lampiran B-8
Dim x As Integer, y As Integer, n As Long
Dim vin(0 To 319, 0 To 239) As Integer
Dim Kontras(0 To 319, 0 To 239) As Integer
Ambil Picture3, vin
m =255
For y =0 To 239
For x =0 To 319
G =vin(x, y)
i =i +G
If G <m Then m =G
Next
Next
i =i / (320#* 240#)
For y =0 To 239
For x =0 To 319
G =vin(x, y)
If G <i Then
n =n +1
Else
m2 =m2 +G
n2 =n2 +1
End If
Next
Next
m2 =m2 / n2
i =255 / ((m2 +i) / 2 - m)
For y =0 To 239
For x =0 To 319
G =(vin(x, y) - m) * i
If G >255 Then G =255
If G <0 Then G =0
Lampiran B-9
Kontras(x, y) =G
Next
Next
Tampil Picture2, Kontras
End Sub
Program cari pupil
Private Sub cmdTitikTengahAwal_Click()
Dim x As Integer, y As Integer, w As Long, G As Long, i As Single, a As
Single
Dim xx As Long, yy As Long, n As Long
Dim vin(0 To 319, 0 To 239) As Integer
Ambil Picture2, vin
For y =0 To 239
For x =0 To 319
If vin(x, y) <16 Then
xx =xx +x
yy =yy +y
n =n +1
End If
Next
Next
CxP =xx / n
CyP =yy / n
Threshold =15
For x =CxP To 0 Step -1
i =i +1
If vin(x, CyP) >Threshold Then
Exit For
End If
Next
xMinP =x
Lampiran B-10
xMaxP =CxP +i
For y =CyP To 0 Step -1
a =a +1
If vin(CxP, y) >Threshold Then
Exit For
End If
Next
yMinP =y
yMaxP =CyP +
Tampil Picture4, vin
Picture4.Line (CxP, 239)-(CxP, 0)
Picture4.Line (0, CyP)-(319, CyP)
xMinP =xMinP - 3: xMaxP =xMaxP +3
yMinP =yMinP - 3: yMaxP =yMaxP +3
Picture4.Line (xMinP, yMinP)-(xMaxP, yMaxP), , B
Picture4.Refresh
rPupil =(xMaxP +yMaxP - xMinP - yMinP) / 4 +
End Sub
Program buang pupil
Private Sub cmdDPupil_Click()
Dim Pupil(0 To 319, 0 To 239) As Integer
Ambil Picture3, Pupil
Tampil Picture4, Pupil
Picture4.FillColor =vbWhite
Picture4.FillStyle =vbSolid
Picture4.Circle (CxP, CyP), rPupil +1, vbWhite
Picture4.Refresh
End Sub



Lampiran B-11
Program Integral proyeksi
Private Sub cmdIntegralP_Click()
Dim x As Integer, y As Integer, i As Integer
Dim R As Integer, rr As Integer
Dim s As Single
Dim iris(0 To 319, 0 To 239) As Integer
Ambil Picture4, iris
For x =0 To 319
P(x) =0
Next
For x =CxP - rPupil * 3 To CxP +rPupil * 3
For y =CyP - rPupil / 2 To CyP +rPupil / 2
i =iris(x, y)
P(x) =P(x) +i
i =i * 1.1
If i >255 Then i =255
iris(x, y) =i
Next
Next
Tampil Picture2, iris
For x =0 To 319
P(x) =P(x) / rPupil
Next
For x =CxP - rPupil * 3 To CxP +rPupil * 3
SetPixel Picture2.hdc, x, CyP - P(x) \ 5, RGB(255, 0, 0)
Next
Picture2.Refresh
End Sub



Lampiran B-12
Program determinan iris
Private Sub cmdDIris_Click()
Dim Kiri As Integer, Kanan As Integer
Dim x As Integer
For x =xMinP - 6 To 5 Step -1
If P(x - 1) - P(x) >4 Then
Kiri =x
Exit For
End If
Next
For x =xMaxP +6 To 314
If P(x +1) - P(x) >4 Then
Kanan =x
Exit For
End If
Next
If Kiri <>0 And Kanan <>0 Then
rIris =((CxP - Kiri) +(Kanan - CxP)) / 2
ElseIf Kiri <>0 Then
rIris =CxP - Kiri
ElseIf Kanan <>0 Then
rIris =Kanan - CxP
Else
rIris =rPupil * 3
End If
Picture2.Line (Kiri, 0)-(Kiri, 239)
Picture2.Line (Kanan, 0)-(Kanan, 239)
End Sub



Lampiran B-13
Program mask iris
Private Sub cmdMaskIris_Click()
Picture3.Line (0, 0)-(319, 239), vbBlack, BF
Picture3.FillColor =vbWhite
Picture3.FillStyle =vbSolid
Picture3.Circle (CxP, CyP), rIris, vbWhite
Picture3.FillColor =vbBlack
Picture3.FillStyle =vbSolid
Picture3.Circle (CxP, CyP), rPupil, vbBlack
End Sub
Program crop iris
Private Sub cmdCropIris_Click()
Dim Gray(0 To 319, 0 To 239) As Integer
Dim Mask(0 To 319, 0 To 239) As Integer
Dim iris(0 To 319, 0 To 239) As Integer
Dim x As Integer, y As Integer
Ambil Picture1, Gray
Ambil Picture3, Mask
For y =CyP - rIris To CyP +rIris
For x =CxP - rIris To CxP +rIris
iris(x +rIris - CxP, y +rIris - CyP) =Gray(x, y) And Mask(x, y)
Next
Next
CxP =rIris
CyP =rIris
xMinP =rIris - rPupil
yMinP =xMinP
Tampil Picture3, iris
End Sub


Lampiran B-14
Program pattern iris
Private Sub cmdPattern_Click()
Dim x As Integer, y As Integer, i As Integer
Dim Pattern(0 To 319, 0 To 239) As Integer
Ambil Picture3, Pattern
For y =yMinP To yMaxP
x =CxP
While Pattern(x, y) =0
x =x - 1
Wend
If CxP - x >0 Then
For i =CxP - 1 To CxP - x Step -1
Pattern(i, y) =Pattern(x +i - CxP, y)
Next
For i =0 To CxP - x
Pattern(i, y) =0
Next
End If
x =CxP
While Pattern(x, y) =0
x =x +1
Wend
If x - CxP >0 Then
For i =CxP To 319 - x +CxP
Pattern(i, y) =Pattern(x +i - CxP, y)
Next
End If
Next
Tampil Picture2, Pattern
End Sub

Lampiran B-15
Program crop pattern
Private Sub crop_Click()
Dim crop(0 To 319, 0 To 239) As Integer
Dim Mask(0 To 319, 0 To 239) As Integer
Dim iris(0 To 319, 0 To 239) As Integer
Dim x As Integer, y As Integer
Ambil Picture2, crop
Ambil Picture3, Mask
For y =CyP - rIris To CyP +rIris
For x =CxP - rIris To CxP +rIris
iris(x +rIris - CxP, y +rIris - CyP) =crop(x, y) And Mask(x, y)
Next
Next
CxP =rIris
CyP =rIris
xMinP =rIris - rPupil
yMinP =xMinP

Tampil Picture2, iris
End Sub
Program deteksi tepi
Private Sub cmddtepi1_Click()
Dim i As Integer, j As Integer
Dim w1 As Long, Dim w As Long, Dim w2 As Long
Dim g1 As Long, Dim g2 As Long
Dim simpen As Long, Dim simpan As Long, Dim tambah As Long
For i =1 To Picture2.ScaleWidth
For j =1 To Picture2.ScaleHeight
w =Picture2.Point(i, j)
w1 =Picture2.Point(i +1, j)
w2 =Picture2.Point(i, j +1)
Lampiran B-16
g1 =w1 - w
simpan =Abs(g1)
g2 =w - w2
simpen =Abs(g2)
tambah =simpan +simpen
If (tambah >1000000) Then
Picture2.PSet (i, j), RGB(255, 255, 255)
Else
Picture2.PSet (i, j), RGB(0, 0, 0)
End If
Next j
Next i
End Sub
Program nilai Euclidean
Private Sub cmd_nilai_Click()
Dim G As Integer, Dim H As Integer
Dim i As Single, a As Long, z As Integer
Dim x As Integer, Dim y As Integer
Dim vin(0 To 319, 0 To 239) As Integer
Dim vout(0 To 319, 0 To 239) As Integer
Ambil Picture2, vin
Ambil Picture6, vout
For y =0 To 239
For x =0 To 319
G =vin(x, y)
H =vout(x, y)
z =Abs(G - H)
a =z ^2
i =i +a
Next x
Next y
Lampiran B-17
G =Sqr(i)
TextG.Text =G
End Sub
Private Sub cmdnilai1_Click()
Dim G As Integer, Dim H As Integer
Dim i As Single, a As Long, z As Integer
Dim x As Integer, Dim y As Integer
Dim vin(0 To 319, 0 To 239) As Integer
Dim vout(0 To 319, 0 To 239) As Integer
Ambil Picture2, vin
Ambil Picture6, vout
For y =0 To 239
For x =0 To 319
G =vin(x, y)
H =vout(x, y)
z =Abs(G - H)
a =z ^2
i =i +a
Next x
Next
G =Sqr(i)
Text5.Text =G
End Sub
Program sistem pengenalan
Private Sub Command5_Click()
Dim i As Integer, e As Integer, n As Single, b As Integer
Dim G As Integer, a As Integer
Dim vin(0 To 319, 0 To 239) As Integer
Dim vout(0 To 319, 0 To 239) As Integer
List1.Clear
List2.Clear
Lampiran B-18
b =1
i =1
Adodc1.RecordSource ="select * from kitin where id ='" & i & "'"
Adodc1.Refresh
Text9.Text =Adodc1.Recordset!NAMAORANG
Picture6.Picture =LoadPicture(Adodc1.Recordset!namafile)
cmdnilai1_Click
e =Text5.Text
List1.AddItem e
List1.Refresh
List2.AddItem Text9.Text
List2.Refresh
For i =2 To 24
Adodc1.RecordSource ="select * from kitin where id ='" & i & "'"
Adodc1.Refresh
Text9.Text =Adodc1.Recordset!NAMAORANG
Picture6.Picture =LoadPicture(Adodc1.Recordset!namafile)
cmd_nilai_Click
List1.AddItem TextG.Text
List1.Refresh
List2.AddItem Text9.Text
List2.Refresh
If TextG.Text <e Then
e =TextG.Text
n =i
b =n
End If
Next i
Adodc1.RecordSource ="select * from kitin where id ='" & b & "'"
Adodc1.Refresh
Text7.Visible =True
Lampiran B-19
Text7.Text =Adodc1.Recordset!NAMAORANG
Picture5.Picture =LoadPicture(Adodc1.Recordset!GAMBAR)
Text7.Refresh
TextG.Text =e
kit:
End Sub
Lampiran C-1
SAMPLE MATA
Gambar mata dibawah ini digunakan dalam proyek akhir, terdiri dari 8 sample
mata dengan 7 gambar mata yang sama pada setiap sample (7 kali pengambilan
gambar) sehingga jumlah mata yang diuji berjumlah 56 gambar mata.

MATA 1_1 1_2 1_3 2_1 2_2 2_3 2_4
003


014


021


024










Lampiran C-2


MATA 1_1 1_2 1_3 2_1 2_2 2_3 2_4
028

029

088

108