PENGENALAN IRIS MATA MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS - PCA) DAN JARINGAN SARAF TIRUAN PERAMBATAN BALIK

Abstract

Abstrak

Ciri biometrik merupakan pembeda identitas yang dimiliki secara personal yang dapat dijadikan sebagai penunjuk identitas seseorang terutama iris. Pada tugas akhir ini metode Principal Component Analysis dan jaringan saraf tiruan digunakan sebagai metode pengenalan iris mata. Sistem dibangun menggunakan platform PC dan penulisan program komputer menggunakan MATLAB. Terdapat dua tahap dalam pengenalan iris mata ini, tahap pelatihan  dan tahap pengenalan. Citra mata yang masuk akan melalui tahap prapengolahan. Setelah itu akan di ekstraksi cirinya dengan PCA sehingga keluarannya akan masuk kedalam Jaringan Saraf Tiruan Perambatan Balik untuk dilatihkan. Pada tahap pengenalan ini akan menggunakan nilai bobot dan bias yang telah didapatkan dari proses pelatihan JST dalam tahap pelatihan sebelumnya. Kemudian setelah melalui tahap ekstraksi ciri, nilainya akan dibandingkan dengan nilai hasil keluaran jaringan. Pada pengujian pengaruh jumlah komponen utama diperoleh pengenalan tertinggi sebesar 87,5% pada penggunaan 15 komponen. Semakin banyak komponen utama yang digunakan maka persentase keberhasilan pengenalan akan semakin baik. Terdapat beberapa faktor yang memengaruhi hasil pengenalan yaitu kurangnya variasi pada citra latih yang disajikan ke dalam sistem untuk setiap jenis iris mata dan variasi iris mata yang berbeda dengan variasi iris mata citra latih.

Kata kunci:Pengenalan Iris Mata, PCA, Jaringan Saraf Tiruan Perambatan Balik

Abstract

Biometric features are an identity differentiator of a personal which can be used as an indicator of a person’s identity espescially iris. In this final report, Principal Component Analysisandneural networkare usedas a method ofiris recognition. The systemis builtusinga PCplatformand writing computer program using MATLAB. There are twostagesin theiris recognition, training phase and recognition phase. Image of the eye will go through the preprocessing stagetolook the circularirisandbe changedtopolar coordinates. After thatthe characteristic will beextracted with PCA so thatthe outputwill enter the Back Propagation Neural Networktobe trained. At the recognitionstage ,the weightsandbiasesthat have been obtained from the training process in the trainingphasebeforehandwillbe used. Thenafter going through astage offeature extraction, the valuewill becompared with theoutputvalue ofthe network. In testing, theeffect ofnumber of principal component sobtained the highestrecognitionfor 87.5% on the use of15components. The more principal components are used the better the percentage of succeful recognition. Severalfactors thatinfluence the outcome ofthe recognition arethelack of varietyin the training image presentedto the system for any type ofirisandirisvariations which are different with variations in training irisimage.

Keywords: Iris Recognition, PCA, Backpropagation Neural Network