bab iii pencit

8/19/2019 Bab III Pencit

1/31

BAB III

Metode Logika Fuzzy

3.1.1. PendahuluanDengan perkembangan teknologi yang sangat pesat teori!teori yang mendukung hal ini

"uga kian bertambah. #alah satunya adalah Logika Fuzzy. Logika Fuzzy adalah peningkatan

dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. #aat logika klasik

menyatakan bah$a segala hal dapat diekspresikan dalam istilah biner %& atau 1 hitam atau

putih ya atau tidak' logika (uzzy menggantikan kebenaran boolean dengan tingkat

kebenaran.

Logika Fuzzy merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran

%(uzzyness' antara benar atau salah. Dalam logika klasik dinyatakan bah$a segala hal dapat

diekspresikan dalam istilah binary %& atau 1 hitam atau putih ya atau tidak' sedangkan

logika (uzzy memungkinkan nilai keanggotaan antara & dan 1 tingkat keabuan dan "uga hitam

dan putih dan dalam bentuk linguistik konsep tidak pasti seperti )sedikit) )lumayan) dan

)sangat). Logika ini berhubungan dengan himpunan (uzzy dan teori kemungkinan. Logika

(uzzy ini diperkenalkan oleh Dr. Lot(i *adeh dari +ni,ersitas -ali(ornia Berkeley pada 1/0.

Logika (uzzy dapat digunakan dalam bidang teori kontrol teori keputusan dan

beberapa bagian dalam managemen sains. #elain itu kelebihan dari logika (uzzy adalah

kemampuan dalam proses penalaran seara bahasa %linguisti reasoning' sehingga dalam

peranangannya tidak memerlukan persamaan matematik dari ob"ek yang dikendalikan.

Adapun salah satu ontoh aplikasi logika (uzzy dalam kehidupan sehari!hari adalah Pada

tahun 1& pertama kali dibuat mesin ui dengan logika (uzzy di 2epang %Matsushitaletri Industrial -ompany'. #istem (uzzy digunakan untuk menentukan putaran yang tepat

seara otomatis berdasarkan "enis dan 4 banyaknya kotoran serta "umlah yang akan diui.

Input yang digunakan adalah5 seberapa kotor "enis kotoran dan banyaknya yang diui.

Mesin ini menggunakan sensor optik mengeluarkan ahaya ke air dan mengukur bagaimana

ahaya tersebut sampai ke u"ung lainnya. Makin kotor maka sinar yang sampai makin redup.

Disamping itu sistem "uga dapat menentukan "enis kotoran %daki atau minyak'.

6husus di makalah ini kami akan mem(okuskan ke pengolahan itra seperti deteksi

$a"ah deteksi sudut iris mata dan pengurangan noise.


2/31

3.4. 7eori Logika #amar

3.4.1. Pengertian Logika #amar

Logika #amar adalah suatu ara yang tepat untuk memetakan suatu ruang

input kedalam suatu ruang output. 7itik a$al dari konsep modern mengenai

ketidakpastian adalah paper yang dibuat oleh Lo(ti A *adeh %1/0' dimana *adeh

memperkenalkan teori yang memiliki obyek!obyek dari himpunan (uzzy yangmemiliki batasan yang tidak presisi dan keanggotaan dalam himpunan (uzzy dan

bukan dalam bentuk logika benar %true' atau salah %(alse' tapi dinyatakan dalam

dera"at %degree'. 6onsep seperti ini disebut dengan Fuzziness dan teorinya dinamakan

Fuzzy #et 7heory. Fuzziness dapat dide(inisikan sebagai logika kabur berkenaan

dengan semantik dari suatu ke"adian (enomena atau pernyataan itu sendiri. #eringkali

ditemui dalam pernyataan yang dibuat oleh seseorang e,aluasi dan suatu

pengambilan keputusan. #ebagai ontoh5

1. Mana"er pergudangan mengatakan pada mana"er produksi seberapa banyak persediaan barang

pada akhir minggu ini kemudian mana"er produksi akan menetapkan "umlah barang yang

harus diproduksi esok hari.

4. Pelayan restoran memberikan pelayanan terhadap tamu kemudian tamu akan memberikan tipyang sesuai atas baik tidaknya pelayanan yang diberikan.

3. Anda mengatakan pada saya seberapa se"uk ruangan yang anda inginkan saya akan mengatur

putaran kipas yang ada pada ruangan ini.

Fuzzy system %sistem kabur' didasari atas konsep himpunan kabur yang

memetakan domain input kedalam domain output. Perbedaan mendasar himpunan

tegas dengan himpunan kabur adalah nilai keluarannya. 8impunan tegas hanya

memiliki dua nilai output yaitu nol atau satu sedangkan himpunan kabur memiliki

banyak nilai keluaran yang dikenal dengan nilai dera"at keanggotaannya. Logika (uzzy

adalah peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran

sebagian. Dimana logika klasik %risp' menyatakan bah$a segala hal dapat

diekspresikan dalam istilah binary %& atau 1 hitam atau putih ya atau tidak'. Logika

(uzzy menggantikan kebenaran Boolean dengan tingkat kebenaran. Logika (uzzy

memungkinkan nilai keanggotaan antara & dan 1 tingkat keabuan dan "uga hitam dan

putih dan dalam bentuk linguisti konsep tidak pasti seperti 9sedikit: 9lumayan:

dan 9sangat:. Logika ini diperkenalkan oleh Dr. Lot(i *adeh dari +ni,ersitas

-ali(ornia Barkeley pada tahun 1/0. Logika (uzzy telah digunakan pada bidang!

bidang seperti taksonomi topologi linguistik teori automata teori pengendalian

psikologi pattern reognition pengobatan hukum deision analysis system theory

and in(ormation retrie,al. Pendekatan (uzzy memiliki kelebihan pada hasil yang

terkait dengan si(at kogniti( manusia khususnya pada situasi yang melibatkan pembentukan konsep pengenalan pola dan pengambilan keputusan dalam lingkungan

yang tidak pasti atau tidak "elas.

Ada beberapa alasan mengapa orang menggunakan logika (uzzy %6usumade$i

# Purnomo 8 4&1&' antara lain5

1. 6onsep logika (uzzy mudah dimengerti. 6onsep matematis yang mendasari penalaran (uzzy

sangat sederhana dan mudah dimengerti.

4. Logika (uzzy sangat (leksibel

3. Logika (uzzy memiliki toleransi terhadap data!data yang tidak tepat.

;. Logika (uzzy mampu memodelkan (ungsi!(ungsi nonlinear yang sangat kompleks.

0. Logika (uzzy dapat membangun dan mengaplikasikan pengalaman pengalaman para pakar

seara langsung tanpa harus melalui proses pelatihan./. Logika (uzzy dapat beker"asama dengan teknik!teknik kendali seara kon,ensional.


3/31


4/31

4. 8impunan Fuzzy

8impunan (uzzy merupakan suatu grup yang me$akili suatu kondisi atau

keadaan tertentu dalam suatu ,ariabel (uzzy.

-ontoh5

a. Kariable mahasis$a terbagi men"adi 0 himpunan (uzzy yaitu5 kurangsekali kurang ukup baik dan baik sekali.

b. Kariabel dosen terbagi men"adi 3 himpunan (uzzy yaitu5 ukup baik

dan baik sekali. #eperti terlihat pada gambar 3.1

Gambar 3.1. Hmpunan Fuzzy pada variabel Mahasiswa

3. #emesta Pembiaraan

#emesta pembiaraan adalah keseluruhan nilai yang diperbolehkan untuk

dioperasikan dalam suatu ,ariabel (uzzy. #emesta pembiaraan merupakan himpunan bilangan real yang senantiasa naik %bertambah' seara monoton dari kiri ke kanan.

=ilai semesta pembiaraan dapat berupa bilangan positi( maupun negati(. Ada kalanya

nilai semesta pembiaraan ini tidak dibatasi batas atasnya.

-ontoh5

a. #emesta pembiaraan untuk ,ariable mahasis$a5 C& 0&

b. #emesta pembiaraan untuk ,ariable dosen5 C& 0&

;. Domain

Domain himpunan (uzzy adalah keseluruhan nilai yang dii"inkan dalam

semesta pembiaraan dan boleh dioperasikan dalam suatu himpunan (uzzy. #eperti

halnya semesta pembiaraan domain merupakan himpunan bilangan real yangsenantiasa naik %bertambah' seara monoton dari kiri ke kanan. =ilai domain dapat

berupa bilangan positi( dan bilangan negati(. -ontoh domain himpunan (uzzy5

a. 6urang #ekali C& 10

b. 6urang C0 40

. -ukup C10 30

d. Baik C40 ;0

e. Baik #ekali C30 0&

3.4.;. Fungsi 6eanggotaan

Fungsi keanggotaan adalah suatu kur,a yang menun"ukkan pemetaan titik!titik

input data kedalam nilai keanggotaannya %sering "uga disebut dengan dera"at

keanggotaan' yang memiliki inter,al antara & sampai 1. #alah satu ara yang dapat

digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan


5/31

(ungsi. Apabila + menyatakan himpunan uni,ersal dan A adalah himpunan (ungsi

(uzzy dalam + maka A dapat dinyatakan sebagai pasangan terurut %ang 1< dari

ulandari F. 4&&0'. Ada beberapa (ungsi yang bisa digunakan.

3.4.;.1. Gepresentasi Linear

Pada representasi linear pemetaan input ke dera"at keanggotaannya

digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan men"adi pilihan yang baik untuk mendekati suatu konsep yang kurang "elas.

Ada 4 keadaan himpunan (uzzy yang linear. Pertama kenaikan himpunan

dimulai pada nilai domain yang memiliki dera"at keanggotaan nol%&' bergerak ke

kanan menu"u ke nilai domain yang memiliki dera"at keanggotaan lebih tinggi

%6usumade$i # Purnomo 8 4&1&'. #eperti terlihat pada gambar 3.4.

Gambar 3.2. Representasi linear naik

Fungsi 6eanggotaan5

6edua merupakan kebalikan dari yang pertama. Jaris lurus dimulai dari nilai

domain dengan dera"at keanggotaan tertinggi pada sisi kiri kemudian bergerak

menurun ke nilai domain yang memiliki dera"at keanggotaan lebih rendah. #eperti

terlihat pada gambar 3.3.


6/31

Gambar 3.3. Representasi linear turun

Fungsi 6eanggotaan5

3.4.;.4. Gepresentasi 6ur,a #egitiga

6ur,a segitiga pada dasarnya merupakan gabungan antara 4 garis %linear'.

#eperti terlihat pada gambar 3.;.

Gambar 3.4. Kurva e!iti!a

Fungsi 6eanggotaan5

3.4.;.3. Gepresentase kur,a trapezium %6usumade$i # Purnomo 8 4&1&'

6ur,a trapesium pada dasarnya seperti bentuk segitiga hanya sa"a ada titik

yang memiliki nilai keanggotaan 1. #eperti terlihat pada gambar 3.0.


7/31

Gambar 3.". Representasi Kurve #rapesium

Fungsi 6eanggotaan5

3.4.0 -ara 6er"a Logika #amar

3.4.;.0 Fuzzy(ikasi

Fuzzy(ikasi adalah proses perubahan suatu nilai crisp ke dalam ,ariabel fuzzyyang berupa ,ariabel linguistik yang nantinya akan dikelompokkan men"adi himpunan

fuzzy. =ilai masukan!masukan yang masih dalam bentuk ,ariabel numerik yang telah

dikuantisasi sebelum diolah oleh pengendali (uzzy harus diubah terlebih dahulu ke

dalam ,ariabel (uzzy. Melalui (ungsi keanggotaan yang telah disusun maka nilai!nilai

masukan tersebut men"adi in(ormasi (uzzy yang berguna nantinya untuk proses

pengolahan seara (uzzy pula. Proses ini disebut (uzzy(ikasi.

3.4.;./ In(erening %Gule Base'

Pada umumnya aturan!aturan (uzzy dinyatakan dalam bentuk 9IFN78=:

yang merupakan inti dari relasi (uzzy. Gelasi (uzzy dinyatakan dengan G"uga disebut

implikasi (uzzy. +ntuk mendapatkan aturan 9IFN..78=: ada dua ara utama 51. Menanyakan ke operator manusia yang dengan ara manual

telah mampu mengendalikan sistem tersebut dikenal dengan 9human epert:.

4. Dengan menggunakan algoritma pelatihan berdasarkan data!

data masukan dan keluaran.

Dalam penalaran logika (uzzy ada dua tipe utama untuk pengambilan

keputusan (uzzy yaitu 5 Jeneralized Modus Ponens %JMP' dan Jeneralized Modus

7olens %JM7'. JMP disebut "uga dengan diret reasoning sedangkan JM7 disebut

"uga indiret reasoning. 2ika himpunan (uzzy dinotasikan dengan AAOBBO dan

,ariabel linguistik dinotasikan dengan dan y maka JMP dan JM7 dapat dinyatakan

sebagai berikut 5

Jeneralized Modus Ponens %JMP' 5


8/31

Dalam hal ini penyelesaian BO dapat dinotasikan dengan 5 BO AO o G

Dengan G adalah relasi (uzzy dari implikasi (uzzy i( A then BO tanda o adalah

operator komposisi dan AO adalah himpunan (uzzy yang mempunyai bentuk 5 sangat

A lebih atau kurang A tidak A dan sebagainya.

Jeneralized Modus 7olens %JM7' 5

Dalam hal ini penyelesaian BO dapat dinotasikan dengan 5 AO G o BO

3.4.;.< De(uzzy(ikasi

De(uzzy(ikasi adalah proses memetakan besaran dari himpunan (uzzy ke

dalam bentuk nilai risp. #trategi yang umum dipakai dalam de(uzzi(ikasi adalah

menentukan bentuk kompromi terbaik.

Metode!metode untuk strategi de(uzzy(ikasi adalah5

1. Metode keanggotaan maimum %mamembership'4. Metode pusat luas %-enter o( Area -oA'.

3. Metode keanggotaan maksimum rata!rata % Meanma Membership '

1. Metode keanggotaan maimum %ma!membership' atau largest

maimum %LHM'

Metode ini dikenal "uga dengan metode tinggi. #olusi risp diperoleh dengan

mengambil dera"at keanggotaan tertinggi dari semua hasil agregasi. Misalkan *

adalah himpunan (uzzi.

maka µ (z*) ≥ µ (z) untuk setiap z ∈ Z

4. Metode keanggotaan maksimum rata!rata %Meanma

Membership %MHM' atau Middle!o(!Maima '

Metode ini hampir sama dengan metode pertama keuali titik maksimumnya

tidak unik %berupa dataran'. #olusi risp diperoleh dengan mengambil nilai rata!rata

domain yang memiliki nilai keanggotaan maksimum.


9/31

3. Metode pusat luas %-enter o( Area -oA'.

Metode ini dikenal "uga dengan nama metode entroid atau enter o( gra,ity.

Ini merupakan metode paling umum digunakan. #olusi risp diperoleh dengan

menghitung pusat gra,itasi %titik!berat' dari daerah agregasi.


10/31

3.3.1 Implementasi Metode Logika #amar pada Deteksi 7epi -itra Digital


11/31

Deteksi tepi itra digital adalah salah satu dari sekian "enis pengolahan itra dalam

mendeteksi suatu tepi itra digital sering kali digunakan berbagai metode klasik seperti

metode #obel dan Metode Pre$it. #elain deteksi dengan menggunakan metode klasik

terdapat metode erdas yaitu deteksi tepi dengan menggunakan metode logika samar atau

(uzzy logi dengan menggunakan logika (uzzy kita dapat mengatasi ambiguitas dan

ketidak"elasan gambar dengan benar seperti perbedaan membatasi tingkat keerahan gambar.

Fuzzy logi dianggap mampu menangani proses deteksi tepi.

#eara umum pendeteksian tepi suatu itra digital dapat diartikan sebagai suatu proses

yang menghasilkan tepi!tepi dari obyek!obyek yang terdapat dalam itra digital tersebut.

Pendeteksian tepi merupakan proses a$al dari pengenalan pola yang dalam kehidupan sehari!

hari diterapkan di berbagai pola yang dalam kehidupan sehari!hari diterapkan di berbagai hal

antara lain pengenalan $a"ah identi(ikasi sidik "ari dan rekam medis dimana batas!batas

$ilayah tertentu diperlukan untuk analisis itra lebih lan"ut tu"uan utama dari deteksi tepi

adalah untuk menentukan piksel4 yang sesuai dengan ob"ek terlihat.

$an!kah Ker%a

+ntuk lebih memper"elas penggunaan logika samar pada pendeteksian tepi itra

digital digunakan DFD %Data Flo$ Diagram' yaitu suatu bentuk diagram alur yang dibagi!

bagi per le,el dimana tiap le,el memiliki karakteristik tertentu dimulai dari le,el & hingga

le,el yang kita inginkan sesuai dengan pembagian pen"elasan kita. dimana le,el &

memberikan gambaran data yang mengalir antara sistem dengan lingungan yang

digambarkan seara global

Le,el &

#elan"utnya yaitu le,el 1 dimana pembuatan diagram lebih rini lagi


12/31

Le,el1


13/31

Pada DFD le,el 4

sebagai

berikut

DFD le,el 4 proses 1 %proses Fuzzy' terdapat tiga buah proses yaitu 5

1. Proses Fuzzy(ikasi %1.1' yaitu proses modi(ikasi ,ariabel itra akan dirubah dari nilai le,el

keabu!abuan men"adi nilai keanggotaan (uzzy4. proses modi(ikasi nilai keanggotaan %1.4' pada tahapan ini hasil dari image (uzzi(iation

yang berupa (uzzy sets yang dikelompokkan berupa beberapa ,ariabel yaitu blak $hite dan

edge

3. Proses De(uzzi(ikasi%1.3' yaitu proses penarian nilai risp dari output proses sebelumnya.

output dari proses de(uzzy(ikasi ini berupa tingkat keabu!abuan

;. Proses 7reesholding adalah proses mengubah itra biner atau hitam putih sehingga dapat

diketahui daerah mana yang termasuk obyek dan bakground dari itra seara "eals.

0. Proses 7ampil -itra yaitu proses menampilkan itra hasil kepada user


14/31

#eara umum Proses mendeteksi tepi itra digital dapat dilihat melalui (lo$hart

berikut ini 5

&erbedaan 'eteksi #epi (itra 'i!ital den!an Met)de klasik dan Met)de $)!ika samar

Metode logika samar merupakan metode erdas dalam melakukan pengolahan itra

terutama pada pendeteksian tepi itra digital perbedaan ini dapat dilihat pada gambar hasil

tes berikut dimana metode logika samar memberikan gambar yang lebih "elas.


15/31

Dapat diketaui bah$a dengan menggunakan logika samar kita "uga bisa mendeteksi

tepi itra digital dan mendapatkan hasil yang lebih baik dibandingkan dengan metode klasik


16/31

3.3.4 P=-AGIA= -I7GA BGBA#I# P=J=ALA= A2A8 +=7+6 AB#=#I

M=JA2AG M=JJ+=A6A= M7HD F+**

Pada Image Proessing khususnya deteksi $a"ah pada suatu itra merupakan langkah

penting dalam interaksi manusia omputer dan penelitian pengenalan pola. Ini "uga

merupakan langkah a$al dalam pengenalan $a"ah. Banyak studi tentang deteksi $a"ah baru!

baru ini. 6ebanyakan diantaranya menangani itra $a"ah yang (rontal.

#istem biometrik banyak diaplikasikan dalam kehidupan manusia menggunakan

kemampuan komputer. Dengan semakin tingginya kemampuan komputer untuk memproses

data dalam "umlah besar dengan keepatan yang tinggi akan lebih membantu. #alah satu ara

yang digunakan dalam sistem biometrik adalah pengenalan $a"ah. #istem pengenalan $a"ah

bertu"uan untuk mengidenti(ikasi $a"ah seseorang dengan ara membandingkan $a"ah

tersebut dengan database $a"ah yang sudah ada. +ntuk membaa karakteristik tubuh seperti

$a"ah dibutuhkan peralatan pembaa sebuah basis data yang mampu menyimpan data itra$a"ah dan tentu sa"a perangkat lunak yang dapat menganalisis data tersebut.

#alah satu metode yang digunakan dalam pendeteksian $a"ah adalah Logika Fuzzy.

#eara prinsip di dalam teori (uzzy set dapat dianggap sebagai ekstension dari teori

kon,ensional atau 9risp: set. Di dalam teori 9risp: set suatu elemen hanya dapat

digolongkan sebagai anggota atau bukan anggota dari suatu set atau himpunan. #ehingga di

dalam teori 9risp: set suatu elemen yang merupakan anggota mempunyai tingkat

keanggotaan %membership le,el' penuh atau satu %unity' dan suatu elemen yang bukan

anggota mempunyai tingkat keanggotaan nol.

Absensi menga"ar dosen dengan penarian itra berbasis pengenalan $a"ah

mengunakan metode 4DD-7 adalah sebuah so(t$are yang akan dibuat untuk menggantikan

model absensi dosen menga"ar. #o(t$are ini meman(aatkan image $a"ah dosen yang diambil

dari kamera. Dosen ukup datang ke PLPP dihadapan kamera dan so(t$are akan mengambil

itra $a"ah dosen seara automati dan memprosesnya kedalam database. Metode yang

digunakan untuk memproses itra $a"ah adalah metode 4D D-7 %4 Dimention Disrete

-osine 7rans(orm.'.

LA=J6A8!LA=J6A8 MMBA=J+= DA7ABA# G-HJ=I7IH= FA-A. Inter(ae 6amera

Pembangunan program inter(ae kamera dilakukan agar program dapat

mengambil itra $a"ah dan membangun data base itra $a"ah 6amera yang

digunakan adalah kamera dengan kemampuan 0.& MPiels dengan plug and play usb

4.& automati $ith balane dan automati olor ompensation Merk M!7eh.

Berikut algoritma inter(ae kamera.


17/31

B. Pendeteksian dan Pengenalan a"ah

7ahap selan"utnya yaitu membangun database itra $a"ah. Data base yang

dibangun terdiri dari itra $a"ah yang diambil dari sisi muka sa"a. +ntuk

menghilangkan keerahan dari itra $a"ah dilakukan proses normalisasi sehingga

didapat itra $a"ah dalam data base maupun itra $a"ah re(erensi itra $a"ah tanpa

keerahan. #ebelum dilakukan proses pengenalan $a"ah terlebih dahulu dideteksi

pada itra re(erensi yang tertangkap kamera apakah terdapat itra $a"ah atau tidak.

Penentuan ini didasarkan pada itra yang tertangkap kamera apakah mengandung$arna kulit $a"ah atau tidak.

Berikut algoritmanya5

Proses pengenalan $a"ah dilakukan dengan mengubah nilai piel $arna GJB

%Ged Jreen Blue' itra $a"ah domain spasial kedalam domain (rekuensi enggunakan

persamaan 4D!D-7 sampai didapat in,ers 4D!D-7 dari itra $a"ah re(erensi maupun

itra $a"ah data base. 6emudian hasil terkeil perbandingan in,ers 4D!D-7 dari itra

$a"ah re(erensi dan itra $a"ah data base merupakan hasil dari proses pengenalan.

Berikut algoritma (ae reognition5

-. Flo$hart Pengambilan data

a"ah


18/31

Dilihat dari (lo$hart di atas mulai dari pengambilan $a"ah dari inter(ae

kamera kita telah mendapatkan ,ariable!,ariabel dari $a"ah yang tampak depan dan

saming dari $a"ah dosen. #etelah itu dimasukkan dalam database. Dan dari (ae

detetion dan (ae reognition $arna kulit dari $a"ah yang $arna dasarnya GJB itu

diubah men"adi $arna Jraysale untuk lebih mudah diidenti(ikasi dengan

menggunakan metode (uzzy untuk mendapatkan itra yang lebih baik

D. 8asil Pengambilan Data a"ah


19/31

Fae detetion %' adalah perkiraan nilai menurut penglihatan user. Dengan

asusmsi penilaian adalah bah$a untuk nilai maksimum (ae yang terdeteksi adalah

bagian $a"ah sa"a tanpa telinga tanpa leher tanpa bakground dan tidak ada bagian

$a"ah tidak terpotong. Proses (ae reognition dilakukan menggunakan bakground$arna putih dengan tidak melakukan pengukuran intensitas ahaya dengan nilai

eigent(ae kurang dari &1. Pada penelitian ini belum sampai tahap pembangunan

database dosen menga"ar danhasil itra $a"ah hasil proses (ae reognition belum

digunakan sebagai key untuk mengambil data dosen dalam database yang menentukan

ruang dosen menga"ar dan matakuliah yang dia"arkan. Penelitian ini baru sampai pada

tahap (ae reognition yang dilakukan seara real time.

*denti+ikasi Retina Mata Manusia

1. &en!ertian


20/31

Identi(ikasi personal merupakan bagian penting dari transaksi dimana masyarakat

sering menggunakan identi(ikasi personal yang membutuhkan sesuatu yang seseorang

ketahui seperti pass$ord kartu kuni dan sebagainya. Identi(ikasi retina merupakan metode

otomatis yang memberikan identi(ikasi asli dari seseorang degan mengambil gambaran

retina. #istem pembaaan retina telah banyak digunakan pada pengimplementasian ontrolakses keamanan tinggi seperti bidang militer institusi keuangan bahkan keamanan pen"ara.

#elain itu identi(ikasi retina memiliki tingkat penolakan kesalahan yang rendah hampir nol

persen karena pola!pola aliran darah pada retina yang unik.

Identi(ikasi pembaaan retina beker"a berdasarkan pola!pola aliran darah yang berada

pada bagian belakang dari retina pada satu mata. Getina dibaa dengan sinar in(ra merah

intensitas rendah yang diproyeksikan melalui bagian belakang mata dan menu"u retina. #inar

in(ra merah dengan pola retina kemudian dire(leksikan kembali pada suatu kamera (undus.

6amera (undus lalu akan mengambil pola retina tersebut dan mengubahnya men"adi data (oto

digital. #inar in(ra merah digunakan karena aliran!aliran darah pada retina menyerap sinar

in(ra merah lebih epat daripada lapisan

Pola!pola dari retina ini dapat dipela"ari oleh suatu metode logika baik itu =eural

=et$ork Marko, ataupun Fuzzy. #edangkan pada metode (uzzy mampu membahasakan

,ariabel sistem dan memberikan rentang nilai kebenaran yang kontinu dalam inter,al nol

sampai dengan satu berbeda dengan sistem biner yang memberikan keputusan nilai

kebenaran yang kaku %benar atau salah' nol atau satu. Logika (uzzy dapat mengenali itra

dengan parameter karakteristik itra yang mirip karena kemampuannya menggambarkan

parameter karakteristik itra dalam kur,a (ungsi keanggotaan yang (leksibel. #emakin banyak

parameter karakteristik itra yang digunakan semakin besar pula kemungkinan itra dapat

dikenali. Bila dibandingkan dengan metode lainnya metode (uzzy dipilih karena lebih mudahdimengerti (leksibel serta toleran terhadap data yang kurang tepat. #elain itu metode (uzzy

"uga mampu memeragakan (ungsi nonlinear dari kerumitan yang berubah!ubah dan dapat

dipadukan dengan teknik ontrol kon,ensional.

2 #ahapan,#ahapan


21/31

Pengolahan itra dan pengenalan pola men"adi bagian dari proses pengenalan itra. 6edua

aplikasi ini akan saling melengkapi untuk mendapatkan iri khas dari suatu itra yang hendak

dikenali. #eara umum tahapan pengolahan itra digital meliputi 5

1. Akuisisi -itra %Pengambilan Data Getina@Getina #anning'

Pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti

kamera analog handyam sanner optial reader dan sebagainya. -itra yang dihasilkan

belum tentu data digital sehingga perlu didigitalisasi

4. Peningkatan 6ualitas -itraPada tahap ini dikenal dengan pre!proessing dimana dalam meningkatkan kualitas

itra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan itra

digital berikutnya

3. #egmentasi -itra %Dengan Logika =euro!Fuzzy'

#egmentasi bertu"uan untuk memilih dan mengisolasikan %misahkan' suatu ob"ek dari

keseluruhan itra. 7ahap do$nsampling merupakan proses untuk menurunkan "umlah piel

dan menghilangkan sebagian in(ormasi dari itra dengan resolusi itra yang tetap.

Do$nsampling menghasilkan ukuran itra yang lebih keil

;. Gepresentasi dan +raian


22/31


23/31

#eperti terlihat pada Jambar program ini dia$ali dengan pembaaan data retinamasukan yang telah tersedia yang kemudian di olah pada tahapan GHI Blok untuk

mendapatkan region o( interest dari retina. #elan"utnya pada tahapan Image Blok itra

retina hasil dari GHI kemudian dibagi men"adi blok Q blok itra berukuran ; ;. 6emudian

dilakukan kon,ersi $arna itra retina dari GJB %Ged Jreen Blue' ke 8#K %8ue #aturation

Kalue'. 7ahapan berikutnya adalah -olor Feature tration itra yang telah mele$ati proses

pembentukan Image Blok diproses melalui ekstraksi (itur $arna untuk mendapatkan iri

itra dalam suatu nilai 8ue #aturation dan Kalue. =ilai 8#K ini selan"utnya digunakan

sebagai parameter karakteristik bagi Adapti,e =euro Fuzzy In(erene #ystem %A=FI#'.

Dimana pada program ini tipe membership (untion yang digunakan adalah (ungsi

keanggotaan 7rapesium dan (ungsi keanggotaan Jaussian.

&r)ses (r)p R* /l)-k

Program ini dia$ali dengan melakukan pemisahan GHI retina dari suatu itra retina.

Pemisahan ini dilakukan untuk memisahkan bagian retina mata yang penting atau yang

diinginkan untuk diu"i yang hasilnya akan dimasukkan kedalam database utama retina dan

dilatih dengan logika (uzzy . Dimana bagian dari retina tersebut terdiri dari syara(!syara(

pusat retina.


24/31

Dari seluruh sampel retina yang ada masingQmasing sampel diperlakukan sama

dengan pengambilan GHI sebanyak ; kali. Pengambilan GHI pertama diambil bagian paling

tengah retina berupa pusat syara( optik seperti ditun"ukkan pada Jambar

Pengambilan kedua dilakukan agak sedikit melebar keluar dari pengambilan pertama seperti

ditun"ukkan pada Jambar

Pada pengambilan ketiga diambil GHI melebar kesamping seperti

Dan pada pengambilan keempat dilakukan pengambilan hampir seluruh bagian dari itra

retina yang dianggap ukup me$akili bagian retina keseluruhan dari suatu sampel sepertiditun"ukkan pada Jambar


25/31

GHI seara manual didapat dengan melakukan proses pemotongan dimana proses ini

menghasilkan itra dalam bentuk kotak. Dimana user dapat menentukan kotak rop dengan

memilihnya menggunakan mouse. Dimana ropping terhadap itra retina dapat dilakukandengan posisi pengambilan yang berbeda!beda. Fungsi ini dipilih untuk mempermudah

pengambilan itra retina yang ada tanpa harus memetakan lokasi ropping pada suatu

koordinat itra retina. 6etika -ropping dilakukan (ungsi imrop membentuk kotak sepan"ang

area yang dipilih. Dan ketika mouse dilepas akan tampil itra keluaran dari area yang dipilih

dan hasil ropping kemudian akan ditampilkan pada program. #edangkan pemilihan GHI

dengan ropping tetap diambil bagian retina dengan kondisi seperti ditun"ukkan pada Jambar

+ntuk setiap itra retina ditentukan dahulu koordinat bagi masing!masing retina agar

didapatkan hasil atau GHI yang diinginkan .

&r)ses *ma!e /l)-k

7ahapan berikutnya adalah membentuk itra retina hasil ropping untuk di"adikan

blok Q blok itra menggunakan operasi blok pembeda %distint bloks'. Distint bloks

merupakan partisi berbentuk kotak yang membagi sebuah matriks berukuran m n. Distint

bloks membagi matriks itra mulai dari kiri atas tanpa ada o,erlapping @ penumpukan. 2ika

blok tidak dapat terbagi seara pas maka akan ditambahkan zero padding seperti ditun"ukkan

pada Jambar


26/31

Pada program ini matriks itra terbagi oleh blok berukuran ; ;. 6emudian setelah

itra terbagi dalam blok!blok ; ; dibuatlah suatu (ungsi ( yang memiliki persamaan untuk

menghitung nilai rataQrata dari blok. Lalu mengalikan hasilnya dengan matriks satu sehingga

blok keluaran berukuran sama dengan blok masukan. 8asil itra keluaran akan berukuran

sama dengan itra masukan. Lalu dihitung pula nilai rata!rata dari elemen matriks itra

tersebut. #elan"utnya setiap blok!blok yang terbagi!bagi dalam ukuran ; ; kemudian akan

di"alin kembali men"adi satu bagian.

()l)r Feature 0-tra-ti)n

Pada tahapan ekstraksi (itur $arna dari itra retina ini itra hasil imageblok akan

diolah kembali untuk menghasilkan parameter!parameter hue saturation dan ,alue. Dimana

langkah pertama itra hasil image blok di kon,ersi $arnanya dari GJB ke 8#K.

Pengkon,ersian ini dilakukan karena daerah $arna 8#K sering digunakan untuk

pengambilan $arna dari sebuah pallete $arna agar lebih mudah bereksperimen $arna dengan

8#K daripada menggunakan daerah $arna GJB. Model $arna 8#K ini dipilih "uga karena

kemudahannya mentrans(ormasi model $arna GJB ke 8#K atau sebaliknya. #elain itu "arak $arna 8#K adalah murni dan konsepnya yang hampir seragam makaproses kuantisasi pada

8#K dapat dihasilkan dari mengumpulan $arna yang padat dan lengkap. =ilai hue antara &

sampai 1 berarti $arna antara merah mele$ati kuning hi"au yan biru dan magenta dan

kembali men"adi merah. =ilai saturation antara & sampai 1 berati dari tidak tersaturasi

%keabuan' sampai tersaturasi penuh %tidak putih'. =ilai ,alue atau brightness antara & sampai

1 berarti $arna semakin erah seperti ditun"ukkan pada Jambar


27/31

&r)ses Mat-hin!

7ahap ini adalah tahap yang paling menentukan untuk program yang akan dibuat

karena proses ini akan mengenali itra retina masukkan. 7ingkat keakuratan hasil pengenalan

program ini akan ditentukan oleh baik atau tidaknya proses pembentukan sistem in(erensi

neuro (uzzy adapti( yang ada pada tahapan ini. Peranangan sistem in(erensi neuro (uzzy

adapti( pada tugas akhir ini menggunakan A=FI# Pengu"ian dan Pelatihan yang ada pada

Perangkat Lunak Analisa Matematis Pada program ini digunakan (uzzy in(erene system tipe

#ugeno dimana output sistem tidak berupa himpunan (uzzy melainkan berupa konstanta atau

persamaan linier. Fuzzy in(erene system merupakan proses pemetaan dari suatu input ke

output dengan menggunakan logika (uzzy yang dapat menyediakan dasar pengambilan

keputusan atau pola yang diperoleh. Dimana (uzzy in(erene system melibatkan beberapa

proses yaitu Membership (untion Fuzzy Logi Hperator dan I( then Gules. Adapun

peranangan sistem (uzzy terdiri dari beberapa tahapan yaitu 5

a' Identi(ikasi karakteristik model seara (ungsional dan operasional.Pada tahap ini memperhatikan karakteristik apa sa"a yang dimiliki oleh sistem yang

ada serta merumuskan karakteristik operasi!operasi yang akan digunakan dalam model (uzzy.

Pada sistem identi(tikasi retina ini terdapat 0 input m( dan 1 m( output input diperoleh dari

nilai rata!rata hue nilai rata!rata saturation dan nilai rata!rata ,alue sedangkan output yang

didapat dari sistem (uzzy adalah retina mata hasil identi(ikasi.

b' Membentuk membership (untion.

Fuzzi(ikasi merupakan proses membuat suatu nilai risp men"adi bersi(at (uzzy. 8al

ini dengan menganggap kuantitas yg selama ini risp dan deterministi sebenarnya bersi(at

ambigu impresisi dan mengandung ketidak pastian. Gepresentasi data yang bersi(at ambigusebagai himpinan (uzzy dilakukan dengan menetapkan (ungsi keanggotaan dapat dilakukan


28/31

dengan beberapa ara. Pada penulisan ini digunakan untuk membangun nilai keanggotaan

dari ,ariabel (uzzy adalah induti,e reasoning.

&embentukan 'atabase untuk menentukan Membership Fun-ti)n

Pembentukan membership (untion dalam "aringan adapti( (uzzy inter(eren sistem

adalah dengan membentuk (ile .dat dengan memasukkan nilai dari rata!rata hue rata!rata

saturation dan rata!rata ,alue serta nilai dari bobot atau $eight dari itra retina yang

disimpan dalam database seperti ditun"ukkan pada Jambar

&r)ses #rainin! daptive eural Fuzzy *n+eren-e ystem

Pada program ini dipilih dua "enis tipe membership (untion yaitu 7rapesium dan

Jaussian. Dimana pada masing!masing dari dua membership (untion yang digunakan data

masukkan ditraining sebanyak /& kali. Pada pengaturan output yang ditraining masing Q

masing membership (untion diset tipe membership (untionnya. 7ipe membership (untion

output ini dipilih untuk menghasilkan data training yang lebih baik daripada tipe membership(untion output onstant agar menghasilkan error yang lebih keil sehingga mampu

mengidenti(ikasi masukkan itra retina dengan lebih baik. Proses training ini menggunakan

metode hybrid yaitu proses pembela"aran yang terdiri atas dua bagian yaitu arah ma"u dan

arah mundur. Pada arah ma"u parameter premis dibuat tetap. Dengan menggunakan metode

Geursi,e Least


29/31

3.; 6esimpulan

3.;.1 Lampiran

8asil Diskusi

#esi 1Penanya 5 Isnaeni

Pertanyaan 5 apa yg membedakan metode (uzzy dgn yang lain R

2a$aban5 kami belum mengetahui seara spesi(ik karena kami "uga belum membaa

mengenai metode lainnya mungkin pertanyaan ini akan ter"a$ab sendirinya ketika semua

kelompok telah melakukan presentasi akan tetapi ketika dilihat dari karakteristik dari (uzzy

logi sendiri maka dengan menggunakan metode ini terdapat kondisi!kondisi tertentu yang

dapat menguntungkan kita untuk meman(aatkannya dimana (uzzy logi ini sendiri

memungkinkan untuk meniptakan banyak keadaan misalnya pada pe$arnaan dengan

menggunakan (uzzy logi maka tidak hanya ada dua $arna yaitu hitam dan putih tetapi

diantara kedua $arna tersebut terdapat abu!abu dimana keadaan ini dapat kita man(aatkan

untuk keperluan tertentu dalam pengolahan itra

Penanya5 Ah$an Azhari 7ahir

?5 bagaimana ara meminimalisir kekurangan dari (uzzy logi R dan bagaimana parameter!

parameter logika samar R

2a$aban 5 sebagaimana kita ketahui dalam pengembangannya (uzzy logi tidak terdapat

metode baku atau metode yang disepakati seara uni,ersal sehingga pengembangannya

susah salah satu ara untuk mengatasi ini menurut kami yaitu memberikan suatu standarisasi

dalam proses pengembangan dari (uzzy logi ini.

Mengenai parameter yang digunakan dalam (uzzy logi ini terdapat banyak hal misalkan

pada implementasinya penggunaan air onditioner dalam mengatur tinggi rendahnya suhu parameternya disini tentu sinyal listrik karena dari situ kita dapat mengontrol a tersebut

ontoh lainnya pada peman(aatan (uzzy logi pada pendeteksian tepi itra digital yang

men"adi parameter disini adalah rentang nilai keabuan

Penanya 5 #a?iraz =urbaitil Atik -ahyati

Pertanyaan 5 Bagaimana sistem ker"a persentasi ipk mahasis$a yang mengimplementasika

logika (uzzy R

2a$aban 5 Dengan menggunakan metode GFID %Gadio Fre?ueny Identi(iation' yang

berbasis "arak dengan menyamakan (rekuensi antara tag Geei,er %penerima' dan tag signal

diatur pada bagian G##I%Geei,ed #ignal #trength' dengan dideteksi dengan 7eknologi

Indoor positioning system pada ruangan yang telah ditentukan dan sudah diputuskan oleh#P6 %#istem Pendukung 6eputusan' dengan logika (uzzy namun pertanyaan ini tidak

memiliki hubungan dengan penggunaan (uzzy logi dalam pengolahan itra

sesi 4

Penanya 5 Arya 8udaya

Pertanyaan 5 #udah ada aturan yang dilakukan pada metode ker"a (uzzy logi tapi kenapa

anda bilang tidak baku R

2a$aban 5 #epertinya disini ada sedikit kesalah pahaman yang kami maksud disini adalah

tidak adanya metode baku dalam tahap pengembangan (uzzy logi ini sehingga orang!orang

susah mengembangkannya sudah terdapat metode yang baku tetapi dalam konsep penerapan

(uzzy logi ini


30/31

Penanya 5 rlangga

Pertanyaan 5 Bagaimana aranya (uzzy logi mengetahui itu $a"ah atau bukan R

2a$aban 5 suatu $a"ah memiliki pola!pola tertentu dan sedemikian rupa dimana dimiliki oleh

semua $a"ah nah (uzzy logi dapat mendeteksi pola!pola tersebut dan dengan instruksi atau

algoritma yang sedemikian rupa maka (uzzy logi dapat membedakan ketika menginput suatugambar $a"ah atau bukan

Penanya 5 Pak #ya(aruddin

Pertanyaan 5 Bagaimana Fuzzy Logi mendeteksi $arna R

2a$aban 5 Pertama harus dilakukan yaitu menginput suatu itra digital kemudian

mengubahnya men"adi graysale atau men"adi hitam putih kemudian dari tingkat GJBnya

dapat dilihat dimana semakin tinggi maka akan mendekati $arna putih "adi otomatis $arna

akan terang sedangkan apabila dera"at GJBnya rendah maka $arna akan men"adi gelap


31/31

3.;.4 Da(tar Pustaka

4&10. https5@@ore.a.uk@do$nload@(iles@3

bab iii pencit

Documents