Pengembangan Model Sistem Identifikasi Biometrika Menggunakan Karakteristik Telinga

Dedy Suryadi,ST.,MT, Dr.Ir.Risanuri Hidayat,.M.Sc ; Hanung Adi Nugroho,.S.T.,M.E.,Ph.D.

2016 | Disertasi | S3 Teknik Elektro

Sistem identifikasi personal dengan menggunakan telinga merupakan teknologi yang terus dikembangkan. Permasalahan utama sistem identifikasi personal dengan biometrika telinga adalah masih mempunyai kelemahan dalam hal ketergantungan pada orientasi posisi telinga yang berbeda-beda. Penelitian ini memperkenalkan pendekatan baru untuk menghasilkan ciri citra telinga yaitu analisis fraktal. Dua karakteristik fraktal yaitu dimensi fraktal dan lacunarity (derajat kekosongan fraktal) digunakan untuk menghasilkan ciri citra telinga. Untuk mendapatkan ciri citra telinga ini, proses diawali dengan pra pengolahan untuk memperbaiki kualitas citra. Kemudian proses segmentasi telinga dilakukan untuk mendapatkan kontur telinga. Kontur telinga ini selanjutnya diekstraksi dengan analisis fraktal untuk mendapatkan dua komponen ciri telinga yaitu dimensi fraktal dan lacunarity. K-Nearest Neighbor (k-NN) dengan metode pengukuran jarak digunakan untuk klasifikasi. Pengujian klasifikasi ini menggunakan database citra telinga yang diperoleh dari database AMI dan database UMIST. Hasil pengujian dengan database AMI menunjukkan akurasi tertinggi 96,43%, diperoleh dengan Cityblock Distance dan k=1 dari k-NN. Pengujian dengan database UMIST terbagi menjadi dua database, yakni database yang berorientasi sudut azimuth yang sama dan database dengan sudut azimuth yang berbeda. Pengujian dengan database yang berorientasi sudut azimuth yang sama menunjukkan akurasi sebesar 96,97%. Pengujian dengan database berorientasi sudut azimuth yang berbeda diperoleh akurasi sebesar 98,23%, masing-masing melalui pengukuran Euclidean distance di k=1 dari k-NN. Pengujian ini terbukti bahwa hasil akurasi yang dicapai dari klasifikasi citra telinga pada metode dimensi fraktal dan lacunarity tidak ada ketergantungan pada posisi pengambilan citra telinga. Hasil uji statistik menunjukkan bahwa Euclidean Distance memiliki kinerja terbaik di k=1 dari k-NN pada pengujian dengan database UMIST penelitian ini.

Personal identification systems using ear are a technology that is being developed the main problem with the biometric personal identification system of the ear is still having weaknesses in terms of dependence on the orientation of the position of the ears are different. The new approach used for feature extraction is fractal analysis. Two characteristics of fractal are the fractal dimension and lacunarity used to produce the characteristic of the ear image. Feature extraction process, beginning with the pre-processing process to improve the quality of the image. Next, the processes of segmentation do to get contour ear. Ear contour then extracted with fractal analysis to obtain two characteristic components of the ear, namely the fractal dimension and lacunarity. K-Nearest Neighbor (k-NN) with distance measurement method used for classification. Testing the classification using ear image database obtained from the AMI database and database UMIST. The results of testing with AMI database, show the highest accuracy 96.43%, obtained by Cityblock Distance and k = 1 of k-NN. Testing with UMIST database that is divided into two databases, the databases are oriented the same azimuth angle and databases with different azimuth angles. Testing with a database oriented the same azimuth angle shows the accuracy of 96.97%. Testing with a database oriented azimuth angles different obtained an accuracy of 98.23%, respectively through the Euclidean distance measurement at k = 1 of k-NN. This test proved that the results achieved accuracy of classification the image of the ear on the method of fractal dimension and lacunarity not depend on the position of the image ear retrieval. Statistical analysis showed that the Euclidean Distance has the best performance at k = 1 of K-NN on testing with the UMIST database in this research.

Kata Kunci : Identification, Biometrics, Fractal Dimension, Lacunarity, K-Nearest Neighbor