You are on page 1of 37

i

TUGAS KOMPUTER FORENSIK

“EAR BIOMETRICS”

DI SUSUN OLEH

ARDYAN PRADANA PUTRA NIM 091624653002

MAGISTER ILMU FORENSIK
SEKOLAH PASCASARJANA UNIVERSITAS AIRLANGGA
SURABAYA
2017
ii

KATA PENGANTAR

Puji syukur kehadirat Allah S.W.T karena berkat rahmat dan hidayah-Nya,
sehingga penyusunan Makalah Komputer Forensik dengan judul ”Ear Biometrics”
dapat terselesaikan. Makalah ini disusun untuk memenuhi tugas Mata Kuliah
Komputer Forensik pada program studi Ilmu Forensik di Sekolah Pascasarjana
Universitas Airlangga.
Dalam penyusunan Makalah ini, penyusun banyak mendapatkan
bimbingan dan bantuan dari berbagai pihak. Oleh karena itu, penyusun
menyampaikan terima kasih kepada Dosen pengajar mata kuliah Komputer
Forensik atas bimbingan maupun arahannya dalam penyusunan Makalah ini,
kepada rekan-rekan seperjuangan “Mahasiswa pascasarjana Magister Ilmu
Forensik” yang selalu memberikan saran serta motivasi yang sangat tinggi dalam
penyusunan Makalah ini.
Penyusun menyadari bahwa dalam pembuatan Makalah ini masih sangat jauh
dari kesempurnaan. Oleh karena itu, penyusun mengharapkan kritik dan saran
yang bersifat membangun, demi penyempurnaan Makalah ini. Semoga Makalah
ini bermanfaat bagi perkembangan ilmu forensik.

Surabaya, 02 Juni 2017

( Penyusun )
iii

DAFTAR ISI

Cover .......................................................................................................... i
Kata Pengantar .......................................................................................... ii
Daftar Isi .................................................................................................... iii

BAB I PENDAHULUAN
1.1. Latar Belakang ........................................................................... 1
1.2. Rumusan Masalah ...................................................................... 3
1.3. Tujuan Penulisan Makalah......................................................... 3
1.4. Manfaat Penulisan Makalah....................................................... 3

BAB II TINJAUAN PUSTAKA
2.1. Biometrics .................................................................................. 4
2.2.1 Definisi ......................................................................... 4
2.2.2 Sifat Biometrik............................................................... 5
2.2.3 Mode Operasional Biometrik ........................................ 5
2.2.4 Ukuran Kinerja .............................................................. 9
2.2. Biometrik Telinga ...................................................................... 15

BAB III PERANCANGAN
3.1. Teknik Deteksi Telingan 3D ...................................................... 17
3.1.1 Preprocessing .................................................................. 17
3.1.2 Perhitungan Kandidat Telinga......................................... 21
3.1.3 Lokalisasi Telinga ........................................................... 23
3.2. Invarian skala dan rotasi............................................................. 25
3.3. Hasil Eksperimental ................................................................... 27
3.4. Teknik Pengenalan Telinga........................................................ 28
3.4.1. Peningkatan Gambar...................................................... 28
3.4.2. Ekstraksi Fitur................................................................ 29
3.4.3. Klasifikasi dan Fusion ................................................... 31

BAB IV PENUTUP
4.1. Kesimpulan................................................................................ 33
4.2. Saran...................................... .................................................... 33

DAFTAR PUSTAKA
1

BAB I
PENDAHULUAN
1.1 Latar Belakang
Latarbelakang penggunaan telinga sebagai ciri pribadi datang dari sebuah
ilmu yang bernama biometrik. Biometrik berasal dari bahasa Yunani bios yang
artinya hidup dan metron yang artinya mengukur. Biometrik sendiri merupakan
studi tentang metode otomatis untuk mengenali manusia. Dalam dunia teknologi
informasi, biometrik relevan dengan teknologi yang digunakan untuk menganalisa
fisik dan kelakuan manusia untuk diautentifikasi. Motivasi utama dibalik
penggunaan biometrik adalah memberikan mekanisme otentikasi orang yang
nyaman dengan bantuan karakteristik biologis atau tingkah lakunya dan untuk
menghilangkan penggunaan banyak cara otentikasi yang tidak tepat seperti yang
didasarkan pada KTP, kata sandi, fisik Kunci, PIN dll.3
Ada dua jenis karakteristik yang digunakan dalam biometrik untuk
autentikasi orang. Jenis karakteristik pertama bersifat fisiologis, sedangkan yang
lainnya didasarkan pada perilaku manusia. Karakteristik fisiologis bergantung
pada "apa yang kita miliki" dan berasal dari informasi struktural tubuh manusia,
sedangkan karakteristik perilaku didasarkan pada "apa yang kita lakukan" dan
bergantung pada perilaku seseorang. Karakteristik biometrik yang unik (baik itu
fisiologis atau perilaku) yang digunakan untuk otentikasi biasanya disebut sifat
biometrik. Contoh umum ciri biometrik fisiologis adalah wajah, telinga, iris, sidik
jari, geometri tangan, pola vena tangan, palm print, dll., Sedangkan tanda tangan,
gaya berjalan (walking pattern), ucapan, dinamika stroke kunci, dan sebagainya,
adalah contoh perilaku. biometrik.2
Di antara berbagai sifat biometrik fisiologis, telinga telah mendapatkan
banyak popularitas dalam beberapa tahun terakhir karena telah terbukti menjadi
biometrik yang andal untuk pengakuan manusia. Penggunaan telinga untuk
pengenalan manusia telah dipelajari oleh Iannarelli pada tahun 1989. Studi ini
menyarankan penggunaan fitur berdasarkan 12 jarak yang diukur secara manual
dari telinga. Ini telah menggunakan 10.000 gambar telinga untuk menunjukkan
2

keunikan telinga dan telah menyimpulkan bahwa telinga dapat dibedakan
berdasarkan sejumlah karakteristik.2
Hal ini telah memotivasi peneliti di bidang biometrik untuk melihat
penggunaan telinga untuk pengenalan manusia. Analisis indeks decidability (yang
mengukur pemisahan antara skor asli dan imposter untuk sistem biometrik) juga
menunjukkan keunikan telinga individu. Telah ditemukan bahwa indeks desidensi
telinga berada dalam urutan besarnya lebih besar dari pada wajah, tapi tidak
sebesar iris. Berikut adalah daftar karakteristik biometrik yang membuat
biometrik telinga menjadi pilihan populer untuk pengenalan manusia yaitu:
telinga ditemukan sangat stabil, Studi medis telah menunjukkan bahwa perubahan
besar pada bentuk telinga hanya terjadi sebelum usia 8 tahun dan setelah 70 tahun.
Selain itu telinga sangat konsisten dan tidak berubah bentuknya seperti ekspresi
wajah.2
Pengenalan telinga terdiri dari dua langkah penting dan ini adalah (i)
deteksi telinga dan (ii) Pengakuan. Deteksi telinga melakukan segmentasi telinga
dari wajah profil sebelum menggunakannya untuk tugas pengenal. Sebagian besar
teknik pengenalan telinga langsung bekerja pada gambar telinga tersegmentasi
secara manual, namun ada juga beberapa pendekatan yang dapat mengambil
gambar wajah lengkap sebagai input dan segmen telinga secara otomatis.
Tantangan utama pengenalan telinga 2D adalah karena kontras dan pencahayaan
yang buruk, adanya kebisingan di telinga, pendaftaran galeri (database) yang
buruk, dan gambar probe. Tantangan dalam pengenalan telinga 3D terutama
disebabkan oleh minimnya pendaftaran gambar galeri dan probe dan adanya noise
pada data 3D.2
Oleh karena itu penulis menyusun sebuah makalah mengenai Ear
Biometrics yang dimana akan menjelaskan mengenai tahap-tahap dalam
menyusun sebuah program Ear Detection and Ear Recognition.
3

1.2 Rumusan Masalah
Rumusan masalah dalam Makalah ini secara umum adalah “ Bagaimanakah
cara merancang Ear Detection and Ear Recognition”. Secara rinci, rumusan
masalah yang dapat dijabarkan sebagai berikut:
1. Apakah yang dimaksud dengan Ear Detection & Ear Recognition?
2. Apa saja tahap-tahap dalam merancang suatu program Ear Detection &
Ear Recognition?
3. Bagaimanakah proses perancangan suatu program Ear Detection & Ear
Recognition?
1.3 Tujuan
Adapun tujuan disusunnya Makalah ini, yaitu?
1. Untuk memahami konsep Biometrika pada Telinga
2. Memahami tahap-tahap dalam menyusun sebuah program Ear Detection &
Ear Recognition.
3. Mengetahui proses perancangan suatu program Ear Detection & Ear
Recognition
1.4 Manfaat
Adapun manfaat dalam penyusunan Makalah ini yaitu
1. Secara teoritis menambah wawasan penyusun dan pembaca mengenai
konsep Ear Detection & Ear Recognition.
2. Sebagai media maupun sumber informasi yang dapat digunakan dalam
proses belajar.
4

BAB II
TINJAUAN PUSTAKA
2.1 Biometrics
2.1.1 Definisi
Istilah "Biometrik" dikaitkan dengan penggunaan karakteristik fisiologis
atau perilaku tertentu untuk mengotentikasi atau mengidentifikasi individu. Hal
ini dapat didefinisikan sebagai karakteristik terukur dari seseorang yang dapat
digunakan untuk mengenali identitasnya secara otomatis. Karakteristik fisiologis
didasarkan pada "apa yang dimiliki seseorang" dan bergantung pada informasi
struktural tubuh manusia, sedangkan karakteristik perilaku didasarkan pada "apa
yang seseorang lakukan" dan bergantung pada perilaku seseorang.2
Gagasan di balik pengenalan berbasis biometrik adalah dengan
menggunakan karakteristik unik khusus dari seseorang yang tersedia di wajah,
telinga, iris, sidik jari, tanda tangan, dll. Jelas bahwa penggunaan biometrik
menambahkan kompleksitas pada sistem autentikasi yang akan sulit dicapai
dengan Teknik berbasis kata sandi standar. Alasan umum metode otentikasi
menggunakan biometrik lebih disukai daripada kata kunci tradisional dan metode
berbasis PIN dibahas di bawah ini.2
1. Kehadiran fisik: Orang yang diidentifikasi harus hadir secara fisik pada
saat otentikasi dalam otentikasi berbasis biometrik. Hal ini membuat
autentikasi berbasis biometrik aman.
2. Tidak ada yang mengingat informasi: Otentikasi berdasarkan teknik
biometrik menghilangkan kebutuhan untuk mengingat kata sandi atau PIN.
Informasi yang digunakan dalam otentikasi biometrik selalu dilakukan
oleh orang yang bersamanya.
3. Kurang rentan terhadap pemalsuan: Ada sedikit kemungkinan identitas
biometrik dipalsukan, dipalsukan dan dibodohi. Selain itu, sistem
biometrik dapat digunakan bersamaan dengan kata sandi dan PIN,
sehingga meningkatkan keamanan sistem yang ada tanpa menggantinya.
5

2.1.2 Sifat Biometrik
Clarke [1] telah menganalisis persyaratan sistem biometrik dan telah
menyarankan sifat berikut bahwa karakteristik / sifat biometrik harus dimiliki
untuk membuatnya sesuai untuk otentikasi yang berhasil.
1. Universalitas: Setiap orang harus memiliki karakteristik biometrik dan
jarang mengalami kecelakaan atau penyakit.
2. Keunikan: Tidak ada dua orang yang memiliki nilai karakteristik
biometrik yang sama seperti itu berbeda pada individu.
3. Permanen: Karakteristik biometrik sebaiknya tidak berubah seiring waktu.
Seharusnya tidak mengalami perubahan yang cukup besar berdasarkan
usia atau penyakit.
4. Kolektabilitas: Karakteristik biometrik harus dapat ditagih dari siapapun
pada setiap kesempatan.
5. Acceptability: Masyarakat dan masyarakat umum seharusnya tidak
keberatan untuk memberikan karakteristik biometrik.
6. Measurability: Measurability dimaksudkan untuk kemungkinan
memperoleh dan mendigitalkan karakteristik biometrik menggunakan
beberapa perangkat / sensor digital yang sesuai tanpa menimbulkan
ketidaknyamanan bagi orang tersebut.
7. Sirkumvensi: Karakteristik biometrik dapat ditiru atau dipalsukan. Dengan
pengelakan itu berarti sistem harus bisa menangani situasi ini secara
efektif. 2
2.1.3 Mode Operasional Sistem Biometrik
Sistem biometrik dapat menggunakan salah satu sifat atau beberapa sifat
untuk otentikasi orang. Sistem yang menggunakan satu sifat disebut sistem
biometrik unimodal sementara yang menggunakan lebih dari satu sifat disebut
sistem biometrik multi-modal. Setiap sistem biometrik dapat digunakan dalam
tiga mode: (i) sebagai sistem pendaftaran, (ii) sebagai sistem verifikasi dan (iii)
sebagai sistem identifikasi. Pendaftaran digunakan untuk mendaftarkan orang
baru dengan sistem. Verifikasi melibatkan validasi identitas yang diklaim
seseorang dan melibatkan perbandingan satu lawan satu. Identifikasi adalah
6

proses pencarian identitas dalam database yang mengandung template biometrik.
Modus operasi ini dijelaskan di bawah secara rinci. 2
1. Pendaftaran
Ini adalah langkah awal untuk menggunakan sistem biometrik apapun. Ini
berkaitan dengan pendaftaran mata pelajaran dalam sistem. Proses pendaftaran
terdiri dari tiga langkah utama yaitu. Akuisisi data, preprocessing dan fitur
ekstraksi. Akuisisi data berkaitan dengan pengumpulan rawdata dari subyek untuk
sifat tertentu. Langkah preprocessing melakukan pembersihan data dan
penghilangan noise pada data yang terkumpul. Ini juga mendeteksi Region of
Interest (ROI) pada citra yang diperoleh. Fitur ekstraksi proses ekstrak fitur dari
kawasan ROI. Proses pendaftaran selesai dengan mendaftarkan (menyimpan)
fitur-fitur ini di database terhadap ID yang unik.

Gambar 2.1 Diagram blok modul pendaftaran
Gambar 2.1 menunjukkan diagram blok sistem biometrik dalam mode
pendaftaran. Begitu pendaftaran selesai, sistem biometrik dapat digunakan untuk
otentikasi yang biasanya dilakukan dalam dua mode: verifikasi dan identifikasi.
Kedua mode ini dijelaskan di bagian selanjutnya. 2
2. Verifikasi
Verifikasi biometrik adalah cara dimana seseorang dapat dikenali secara
unik dengan mengevaluasi satu atau lebih karakteristik biometrik yang
membedakan (juga disebut fitur atau sifat). Dalam sistem verifikasi seseorang
harus membuktikan identitasnya untuk mendapatkan akses sistem. Dibutuhkan
nomor identitas unik dan karakteristik biometrik seseorang sebagai masukan dan
perbandingan dengan karakteristik yang terdaftar dalam database terhadap nomor
identitas masukan. Bergantung pada skor yang sesuai, sistem verifikasi menerima
7

atau menolak identitas yang diklaim. Sistem verifikasi terdiri dari empat
subsistem yaitu. Modul akuisisi data, Preprocessor, Feature extractor dan Matcher
yang bekerja secara serial. Modul akuisisi data bertanggung jawab untuk
mengumpulkan data mentah dari subjek. Pra-prosesor digunakan untuk
menghilangkan kebisingan dan menemukan ROI pada gambar masukan. 2
Ekstraktor fitur menghitung fitur penting dari data biometrik masukan.
Matcher digunakan untuk membandingkan vektor fitur dari dua identitas
biometrik dan menghasilkan nilai kemiripan yang menunjukkan seberapa dekat
dua karakteristik fitur yang terkait. Skor kemiripan yang lebih tinggi yang
dihasilkan oleh matcher mengindikasikan pencocokan yang lebih baik. Jika skor
cukup mencukupi untuk menyatakan kecocokan, identitas yang diklaim diterima;
Jika tidak maka akan ditolak Aturan yang mengatur deklarasi pertandingan sering
dikonfigurasi oleh pengguna akhir sehingga dia dapat menentukan bagaimana
sistem biometrik harus berperilaku berdasarkan pertimbangan keamanan dan
operasional. Proses verifikasi menggunakan perbandingan satu lawan satu yang
berarti masukan fitur biometrik untuk seseorang hanya dibandingkan dengan yang
terdaftar terhadap identitas yang diklaim. 2

Gambar 2.2 Diagram blok sistem averifikasi
Gambar 2.2 menunjukkan diagram blok dari sistem verifikasi. Output dari
sistem verifikasi bisa diterima atau ditolak. Jika input fitur biometrik untuk
seseorang sesuai dengan yang sudah terdaftar di database, dia diterima oleh
sistem; Jika tidak ditolak Contoh umum dari sistem verifikasi adalah biometrik
yang memungkinkan ATMmachine, di mana seseorang harus menukar kartu
tersebut untuk memberi tahu nomor identitasnya dan untuk menghasilkan fitur
biometrik ke mesin untuk dibandingkan dengan menarik uang. 2
8

3. Identifikasi
Identifikasi melibatkan pencarian subyek yang mirip dengan template
query yang ada di database. Seperti sistem verifikasi, sistem identifikasi juga
terdiri dari empat subparts yaitu. Modul Akuisisi Data, Pre-processor, Fitur
extractor dan Matcher. Modul ini berfungsi dengan cara yang sama seperti dalam
kasus verifikasi kecuali sedikit modifikasi pada modul pencocokan. Dalam
verifikasi, perbandingan dilakukan sebagai one to-satu sedangkan dalam
identifikasi, semua template tersimpan dalam database dibandingkan (dicari)
untuk menghasilkan kecocokan terbaik dari template kueri. Karena ini, proses
identifikasi memerlukan perbandingan satu-ke-banyak. Output dari sistem
identifikasi adalah seperangkat mata pelajaran yang merupakan kecocokan terbaik
dengan template query. Biasanya dalam sistem ini, seseorang tertarik untuk
mengetahui hal-hal m atas yang serupa dari database dengan ukuran n dimana m ≤
n. Perbedaan penting antara identifikasi dan verifikasi adalah bahwa tidak seperti
verifikasi, identifikasi tidak memerlukan identitas yang diklaim dan melakukan
operasi yang sesuai terhadap keseluruhan database. 2

Gambar 2.3 Diagram blok dari sistem identifikasi
Gambar 2.3 menunjukkan diagram blok dari sistem identifikasi.
Identifikasi Positif dan Negatif: Berdasarkan kerja sama pengguna selama proses
identifikasi, dapat dikelompokkan menjadi dua jenis: identifikasi positif dan
identifikasi negatif. Dalam identifikasi positif, subjek tertarik untuk diidentifikasi
oleh sistem. Contoh identifikasi positif yang baik dapat dilihat saat seseorang
mencoba mengakses beberapa area terbatas dengan menggunakan fitur
biometriknya seperti wajah atau sidik jari. Dalam identifikasi negatif, subjek
mencoba untuk menghindari identifikasi dirinya yang berhasil oleh sistem. Dalam
9

hal ini, subjek tidak kooperatif dan tidak mau diidentifikasi. Dia mungkin tidak
suka bekerja sama dalam menyediakan data biometrik dan oleh karena itu
diperlukan pengawasan pada saat pengambilan data dan ekstraksi fitur. Contoh
identifikasi negatif dapat dilihat pada pencuri yang tertarik untuk tidak dikenali
oleh sistem dengan bantuan sidik jari laten yang ditemukan di lokasi kejahatan.
Bergantung pada jenis identifikasi, mungkin diperlukan penggunaan
berbagai jenis sensor dalam perolehan data. Misalnya, identifikasi negatif
mungkin memerlukan lebih banyak data untuk identifikasi. Oleh karena itu,
sistem berbasis sidik jari mungkin memerlukan sensor ukuran penuh dan
penanganan sepuluh cetak data sidik jari pada saat pendaftaran dan identifikasi
untuk mendapatkan hasil yang diinginkan jika terjadi identifikasi negatif. 2
2.1.4 Ukuran Kinerja
Kinerja sistem biometrik berkaitan dengan penilaian kuantitatif terhadap
keakuratan dan karakteristik sistem lainnya. Kinerja sistem biometrik dapat diukur
untuk tiga tugas: deteksi, verifikasi dan identifikasi ROI. Berikut adalah beberapa
metrik penting yang umum digunakan untuk mengevaluasi kinerja sistem
biometrik. 2
1. Deteksi ROI
Kinerja deteksi ROI (deteksi telinga) dapat diukur sebagai berikut.

2. Akurasi Verifikasi
Hal ini diukur dengan menggunakan parameter berikut.
a. False Acceptance Rate (FAR): Ini didefinisikan sebagai pecahan kandidat
yang salah diterima oleh sistem biometrik. Itu berarti, ini adalah tingkat di
mana penipu salah diterima sebagai orang asli. Penerimaan palsu dapat
menyebabkan kerusakan dan terjadi saat pencocokan skor yang ditetapkan
oleh sistem biometrik untuk peniru memenuhi kriteria ambang
pencocokan. Nilai FAR yang rendah menunjukkan bahwa sistem
biometrik dapat secara efisien menangkap variabilitas antar kelas melalui
10

representasi dan pencocokan fitur. FAR yang juga kadang disebut dengan
False Match Rate (FMR), diberikan oleh

b. Tingkat Penolakan Salah (FRR): Ini mewakili sebagian dari kandidat yang
ditolak secara salah oleh sistem biometrik. Dengan kata lain, ini adalah
tingkat di mana seseorang yang tidak benar ditolak sebagai penipu. FRR
juga disebut False Non-Match Rate (FNMR). Nilai FRR yang rendah
menunjukkan bahwa sistem dapat menangkap variasi intra-kelas secara
efisien melalui teknik representasi fitur dan pencocokannya. Dengan
demikian, FRR diberikan oleh

Tingkat Penerimaan Asli (GAR) mengukur fraksi penerimaan kandidat asli
dan ditentukan oleh

Gambar 2.1.4a menunjukkan contoh kurva Threshold versus FAR dan FRR.

c. Equal Error Rate (EER): Ini didefinisikan sebagai tingkat di mana
kesalahan FAR dan FRR sama, yaitu.
11

d. Pengakuan Akurasi: Ini digunakan untuk mengukur kinerja sistem
verifikasi dan didefinisikan sebagai

Ambang yang digunakan untuk pencocokan memainkan peran penting
dalam menentukan nilai optimum FAR dan FRR. Setiap perubahan nilai
ambang membuat perubahan dalam FAR dan FRR. Kombinasi FAR dan
FRR optimum dipilih untuk menentukan keakuratannya. Seringkali
kombinasi FAR dan FRR yang memberikan akurasi tertinggi dianggap
optimal.
e. Kurva Karakteristik Operasional Penerima (ROC): Kinerja sistem
verifikasi juga dapat dievaluasi dengan menggunakan kurva AROC. Ini
secara grafis menunjukkan perubahan GAR (Genuine Acceptance Rate)
sehubungan dengan perubahan dalam FAR. Ini mengukur kemampuan
sistem untuk membedakan orang asli dari penipu. Karena kurva ROC
memetakan grafik antara nilai FAR dan GAR (atau FRR) dan karenanya
menghilangkan penggunaan parameter ambang pada grafik. Kurva ROC
yang ideal akan mencakup titik di GAR = 100, FAR = 0. Namun, dalam
skenario nyata, sulit bagi sistem biometrik untuk mencapai kinerja
sempurna tersebut.
Gambar 2.1.4b menunjukkan contoh kurva ROC. Kurva ROC memberikan
cara yang baik untuk membandingkan kinerja dua sistem biometrik.

Gambar 2.1.4b Kurva karakteristik operasi penerima (ROC)
12

f. Kesalahan Di bawah Kurva ROC (EOC): Area di bawah kurva ROC
(AUC) didefinisikan sebagai jumlah skalar yang memberi tahu probabilitas
bahwa pengklasifikasi memberi skor pertandingan lebih tinggi ke sampel
asli yang dipilih secara acak daripada sampel peniru yang dipilih secara
acak. Umumnya, untuk interpretasi yang lebih baik, Error di bawah ROC
Curve (EUC) digunakan dan didefinisikan sebagai berikut. 2

3. Identifikasi Akurasi
Hal ini biasanya diukur dari segi Karakteristik Pencocokan Kumulatif dan
Tingkat Pengakuan yang Benar. Istilah ini bisa dijelaskan sebagai berikut. 2
a. Karakteristik Pencocokan Kumulatif (CMC): Ini adalah ukuran untuk
mengevaluasi kinerja sistem identifikasi biometrik dan dihitung dengan
membandingkan templat database dengan template uji dan memberi
peringkat berdasarkan skor pencocokannya. Hal ini juga disebut Rank-k
recognition rate. Ini menunjukkan seberapa sering template subjek asli
muncul dalam peringkat-k (misalnya 1, 5, 10, 100 dll) sesuai dengan skor
pencocokan. Hal ini dapat didefinisikan sebagai berikut.

b. Correct Recognition Rate (CRR): Ini adalah ukuran kinerja yang paling
umum digunakan untuk mengevaluasi sistem identifikasi biometrik. Hal ini
juga dihitung dengan membandingkan template database dengan template
uji dan memberi peringkat berdasarkan skor pencocokannya. Ini
menunjukkan seberapa sering template subjek asli muncul dalam game
peringkat 1 sesuai dengan skor yang sesuai. Hal ini juga disebut tingkat
pengakuan Rank-1 dan dapat didefinisikan sebagai berikut.
13

2.1.5 Sifat Biometrik
Karakteristik biometrik bisa berupa fisiologis atau perilaku. Beberapa ciri
biometrik fisiologis dan perilaku yang baik dibahas pada bagian ini. 2
1. Sifat Fisiologis
Subbagian ini memberikan informasi dasar tentang beberapa biometrik
fisiologis populer yaitu face, fingerprint, ear, iris dan palm print.
Telinga: Meski secara relatif merupakan biometrik baru, telinga telah
digunakan sebagai alat pengenalan manusia di bidang forensik untuk waktu yang
lama. Selama penyelidikan TKP, sidik jari1 dan sidik jari2 sering digunakan
untuk pengakuan tersangka karena tidak adanya sidik jari yang valid. Serupa
dengan sidik jari, sejarah pemakaian awetan yang lama dipegang menunjukkan
penggunaannya untuk pengenalan manusia secara otomatis. Sistem pengenalan
telinga sangat mirip dengan sistem pengenalan wajah biasa. Namun, telinga
memiliki sedikit kelebihan dibanding wajah. Misalnya, penampilannya tidak
berubah karena ekspresi dan ternyata tidak terpengaruh oleh proses penuaan.
Warnanya seragam dan latar belakangnya bisa ditebak. 2
2.1.6 Motivasi
Di antara berbagai sifat biometrik fisiologis, telinga telah mendapat
banyak perhatian dalam beberapa tahun terakhir karena telah terbukti menjadi
biometrik yang andal untuk pengenalan manusia. Sebuah penelitian yang sangat
awal tentang penggunaan telinga untuk pengenalan manusia telah dilakukan oleh
Iannarelli. Penelitian ini telah mengajukan sebuah sistem pengenalan berbasis
telinga manual yang telah menggunakan dua belas ciri telinga. Fitur-fitur ini
mewakili jarak pengukuran secara manual antara titik fitur telinga yang spesifik.
Sistem ini telah menggunakan 10.000 gambar telinga untuk menemukan kriteria
keunikan antara dua telinga. Penelitian ini menyarankan agar telinga dapat
dibedakan berdasarkan jumlah karakteristik dan fitur yang telah mendorong
peneliti untuk menggunakan telinga untuk pengenalan manusia. 2
Analisis indeks decidability (yang mewakili pemisahan antara nilai asli
dan nilai imposter untuk sistem biometrik) juga menunjukkan keunikan telinga
individu dimana indeks determinasi telinga ditemukan sebagai urutan besarnya
14

yang lebih besar daripada bentuk wajah, namun tidak Sebesar iris. Karakteristik
biometrik membuat telinga banyak populer diberikan di bawah ini.
1. Telinga sangat konsisten dan tidak berubah bentuknya seperti ekspresi wajah.
Apalagi telinga memiliki distribusi warna yang seragam.
2. Perubahan bentuk telinga terjadi hanya sebelum usia 8 tahun dan setelah itu
70 tahun. Bentuk telinga sangat stabil selama sisa hidup.
3. Di wajah, penanganan latar belakang merupakan isu yang menantang dan
seringkali membutuhkan data untuk ditangkap di lingkungan yang terkendali.
Namun, dalam kasus telinga, latar belakang dapat diprediksi karena telinga
selalu tetap berada di tengah wajah profil.
4. Ukuran telinga lebih besar dari sidik jari, iris, retina dll dan lebih kecil dari
pada wajah, sehingga telinga bisa didapat dengan mudah.
5. Telinga tidak terpengaruh oleh kosmetik dan kacamata.
6. Telinga adalah contoh bagus biometrik pasif dan tidak memerlukan banyak
kerjasama dari pengguna. Data telinga bisa ditangkap meski tanpa
sepengetahuan pengguna dari jarak jauh.
7. Telinga bisa digunakan dengan cara berdiri sendiri untuk dikenali atau bisa
diintegrasikan dengan wajah untuk disempurnakan. 2
Pengenalan telinga terdiri dari dua langkah utama dan ini adalah (i) deteksi
telinga dan (ii) Pengakuan. Deteksi telinga berhubungan dengan segmentasi
telinga dari wajah profil sebelum menggunakannya untuk tugas pengenal.
Sebagian besar teknik pengenalan terkenal bekerja pada gambar telinga
tersegmentasi secara manual. Ada beberapa teknik pengenalan telinga yang
mampu mengambil gambar wajah lengkap karena input memiliki mekanisme
untuk mendeteksi dan memotong telinga untuk dikenali.
Teknik pendeteksian telinga yang efisien namun otomatis untuk 2D dan
juga untuk 3D. Pengakuan berhubungan dengan pengakuan seseorang
berdasarkan telinga tersegmentasi. Tantangan utama pengenalan telinga 2D
berasal dari kontras dan iluminasi yang buruk, adanya noise pada citra telinga,
minimnya pendaftaran citra database dan probe. Tantangan dalam pengenalan
15

telinga 3D terutama berasal dari pendaftaran database dan gambar probe yang
buruk dan adanya noise pada data 3D. 2

2.2 Biometrik Telinga
Alfred Iannarelli adalah perintis penggunaan telinga sebagai biometrika. Ia
mengukur secara manual jarak antarbagian pada telinga dan mengoleksi basisdata
yang terdiri atas 10.000 data telinga. Sistem Iannarelli didasarkan atas pengukuran
seperti terlihat pada gambar berikut: 4

Gambar 2.2a Metode Pengukuran Iannarelli
Metode Iannarelli tidak cocok untuk machine vision karena sangat sulit
melokalisasi poin anatomi untuk melakukan perhitungan seperti itu. Selanjutnya
perkembangan teknologi komputer ke arah otomatisasi pada biometrika telinga.
Sistem otomatisasi ini menggunakan tahapan sebagai berikut: 3
1. Acquisition
Pengambilan citra keabuan kepala subjek dengan ukuran 300x500 pixcel.
Sebelum dilakukan lokalisasi telingan, terlebih dahulu dilakukan lokalisasi
wajah. Metode yang biasa digunakan untuk melokalisasi wajah adalah
metode Iconic Filter Banks atau Fischerface.
2. Localization
Lokalisasi telingan ditentukan dengan memanfaatkan tepi piramid
gaussian yang merepresentasikan gradien citra
16

3. Edge Extraction
Tepi dicari dengan operator canny (contohnya dengan gaussian a=3.0,
upper thresholds=46, dan lower thresholds=20
4. Curve Extraction
Ddari hasil deteksi tepu lalu dibuat diagram voronoi. Diagram ini
merupakan ciri dari telinga yang didaftarkan. Pencocokan dapat dilakukan
setelah diagram voronoi terbentuk
5. Graph Model
Perbedaan pencolokan akan menyebabkan konstruksi voronoi
neighborhood graph yang digunakan sebagai model. 3

Gambar 2.2b Langkah mendapatkan graf biometrik telinga
17

BAB III
PERANCANGAN

3.1 Teknik Deteksi Telinga 3D
Teknik ini didasarkan pada fakta bahwa dalam gambar rentang profil 3D,
telinga adalah satu-satunya wilayah yang berisi diskontinuitas kedalaman
maksimum; Akibatnya, tempat ini mengandung kepadatan tepi yang lebih besar
dibandingkan dengan daerah lainnya. Selanjutnya, tepi yang ada di telinga
melengkung di alam. Teknik ini terdiri dari tiga tugas utama: preprocessing,
perhitungan calon telinga penentuan dan lokalisasi telinga. Langkah-langkah ini
serupa dengan yang digunakan pada pendengaran telinga di 2D. Gambar 4.1
menunjukkan diagram alir keseluruhan dari teknik ini. 2
3.1.1 Preprocessing
Ini terdiri dari empat langkah utama. Citra rentang profil 3D dikonversi
menjadi gambar peta kedalaman. Selanjutnya, perhitungan tepi dilakukan pada
citra peta kedalaman. Tepi ini didekati dengan menggunakan segmen garis.
Akhirnya, semua sisi yang tidak relevan dipangkas. 2
1. Perhitungan Peta Kedalaman
Data 3D wajah profil yang digunakan dalam penelitian ini dikumpulkan
oleh digitizer 3D non-kontak Minolta Vivid 910 yang menghasilkan data hasil
pemindaian 3D dalam bentuk grid titik awan
18

Dari ukuran m × n dengan masing-masing titik memiliki informasi
mendalam. Digitizer memberikan nilai kedalaman yang besar (Inf) jika gagal
menghitung informasi kedalaman suatu titik. Misalkan z (i, j) adalah informasi
mendalam untuk sebuah titik (i, j) dan ini berisi nilai finite yang nyata jika
kedalaman dapat dihitung; Jika tidak maka akan diatur ke Inf. Dalam teknik yang
dibahas di sini, gambar rentang 3D dari wajah profil diubah menjadi gambar peta
kedalaman yang digunakan untuk deteksi tepi. Kedalaman citra peta I2D ∈ Rm ×
n dari citra jarak diperoleh dengan memperlakukan nilai kedalaman titik 3D
karena intensitas pikselnya diberikan sebagai:

Intensitas piksel pada citra peta kedalaman dinormalisasi dalam rentang 0-1
Normalisasi min-max seperti yang didefinisikan oleh:

Langkah perhitungan citra peta kedalaman dirangkum dalam Algoritma
4.1. Gambar 3.1.1a menunjukkan beberapa contoh gambar rentang 3D dimana
gambar peta kedalaman yang sesuai ditunjukkan pada Gambar. 3.1.1b. Dapat
dicatat bahwa teknik untuk mengubah gambar rentang 3D menjadi gambar
kedalaman 2D bekerja dengan baik untuk setiap pose dan rotasi umum wajah
profil 3D. Gambar 4.3 menunjukkan contoh konversi gambar 3D yang berhasil ke
gambar kedalaman untuk berbagai pandangan subjek.
19

Gambar. 3.1.1a Contoh rentang 3D dan gambar peta kedalaman yang
sesuai. Gambar rentang 3D. B Kedalaman gambar peta

Gambar. 3.1.1b Gambar rentang 3D asli dan gambar kedalaman yang
sesuai untuk berbagai pose wajah profil subjek. Gambar rentang 3D Asli B
Kedalaman gambar peta.2
2. Komputasi Ujung
Perhitungan tepi dalam gambar intensitas adalah tugas yang menantang.
Namun pada citra peta kedalaman wajah profil, ini relatif mudah karena adanya
diskontinuitas mendalam yang kuat di daerah telinga, terutama di sekitar heliks
telinga. Dalam teknik pendeteksian telinga 3D yang dibahas di sini, tepi gambar
peta kedalaman wajah profil terdeteksi menggunakan operator tepi Canny.
Selanjutnya, daftar semua tepi yang terdeteksi diperoleh dengan menghubungkan
piksel tepi ke dalam daftar pasangan koordinat. Dimanapun persimpangan tepi
ditemukan, daftar disimpulkan dan daftar terpisah dibuat untuk masing-masing
cabang baru. 2
20

Tepi yang terbentuk karena kebisingan dihilangkan dengan menggunakan
kriteria berdasarkan panjang tepi di mana panjang tepi didefinisikan sebagai
jumlah piksel yang berpartisipasi di dalamnya. Ambang batas panjang untuk
eliminasi tepi dipilih secara proporsional dengan lebar citra profil muka profil
wajah. Secara formal, untuk citra dengan lebar n, ambang batas τ dapat
didefinisikan sebagai τ = κn dimana κ adalah konstanta yang nilainya dipilih
secara eksperimental. Ini dipilih menjadi 0,03 dalam percobaan kami. 2
3. Ujung Ujung
Semua piksel dari tepi yang dihitung mungkin tidak sama pentingnya dan
mungkin tidak selalu mewakili tepi. Pencantuman piksel semacam itu dalam
perhitungan lebih lanjut tidak hanya dapat menciptakan redundansi namun juga
dapat memperlambat kecepatan perhitungan. Oleh karena itu untuk mempercepat
pemrosesan, piksel yang berlebihan dilepas dengan memasang segmen garis ke
tepi.
Di setiap array titik tepi, nilai dan posisi penyimpangan maksimum dari
garis yang menyertai titik akhir dihitung. Jika penyimpangan maksimum pada
suatu titik ditemukan lebih dari toleransi yang diijinkan, tepi disingkat menjadi
titik itu dan prosedur diulangi agar sesuai dengan garis di titik ujung yang tersisa.
Ini memecah setiap sisi menjadi segmen garis di mana setiap segmen mewakili
tepi asli dengan toleransi yang ditentukan. 2
4. Pemangkasan Tepian yang Tidak Relevan
Semua tepi linier (yaitu, yang hanya membutuhkan dua titik untuk
representasi setelah pemasangan segmen garis) dapat dihapus. Seperti yang
dinyatakan sebelumnya dalam kasus deteksi telinga 2D, hal ini dilakukan karena
tepi telinga manusia mengandung kelengkungan dan memerlukan setidaknya tiga
poin untuk representasi mereka. Biarkan himpunan semua sisi yang mungkin
berasal dari telinga menjadi S. 2
21

3.1.2 Perhitungan Kandidat Telinga
Ini digunakan untuk menghitung komponen yang terhubung dalam grafik
untuk mendapatkan kandidat telinga. Proses komputasi seperti kandidat terdiri
dari tiga langkah utama; Ini membangun grafik konektivitas tepi, memperoleh
komponen yang terhubung dalam grafik dan menghitung kandidat telinga. 2
1. Konstruksi Grafik Konektivitas Tepi
Biarkan himpunan S berisi n tepi yang menentukan peta tepi citra peta
wajah yang mendalam. Misalkan edge ke kanan di S didefinisikan oleh titik pi ∈
P. Misalkan ada lonceng convex CH (ei) yang didefinisikan untuk setiap edge ei.
Misalkan ada grafik konektivitas tepi yang baru didefinisikan G = (V, E) di mana
himpunan simpul, V dan himpunan busur, 1 E, dapat didefinisikan oleh V = {pi |
Pi ∈ P} dan E = {(pi, pj) | CH (ei) berpotongan CH (ej)} masing-masing. Karena
konveksitas tepi dan sifat tepi telinga luar yang mengandung tepi telinga bagian
dalam, lekukan convex tepi luar memotong sisi dalam. Secara eksperimental,
diamati bahwa lambung konveks pada tepi telinga memotong setidaknya satu
lekukan konveks lain dari tepi yang ada di telinga. Dengan demikian, diharapkan
semua simpul milik bagian telinga di G terhubung satu sama lain secara langsung
atau melalui titik lain.
Karena karakteristik tepi luar yang mengandung tepi dalam tidak sesuai
untuk tepi yang berada pada bagian tak-telinga dari citra muka profil wajah,
simpul yang tergabung dalam bagian non-telinga sebagian besar tetap terisolasi
dalam grafik. 2
2. Perhitungan Komponen yang Terhubung
Komponen grafik graf G yang terdiagnosa dianalisis untuk melokalisasi
telinga. Hanya komponen yang terhubung dengan dua atau lebih simpul yang
dipertimbangkan dalam menghitung calon telinga yang mungkin. Hal ini
disebabkan oleh fakta bahwa setiap komponen dengan satu simpul mewakili tepi
intensitas tunggal pada citra peta kedalaman dan tidak dapat mewakili telinga;
Maka itu akan dihapus dari grafik. Gambar 4.4 menyajikan contoh grafik
konektivitas tepi dan pelabelan komponen yang terhubung. Gambar 4.4a
menunjukkan gambar tepi yang diperoleh dari gambar muka wajah profil profil
22

sementara Gambar. 4.4b menunjukkan grafik konektivitas tepi yang dibangun
untuk citra tepi ini. Komponen yang terhubung pada Gambar. 4.4b dengan lebih
dari satu simpul ditunjukkan di dalam empat persegi panjang. 2
3. Perhitungan Kandidat Telinga
Misalkan K = {K1, K2,. . . , Km} adalah himpunan komponen graf G yang
terhubung dimana masing-masing komponen memiliki dua atau lebih bilangan
simpul. Tingkat simpul rata-rata komponen yang terhubung Kj didefinisikan
sebagai:

Dimana d (pi) adalah derajat vertex pi dan nj adalah jumlah total simpul
pada komponen Kj. Untuk lebih membuang komponen terhubung palsu, hanya
komponen Memiliki derajat verteks rata-rata lebih besar dari satu dianggap
mendapatkan calon telinga yang mungkin. Hal ini disebabkan oleh fakta bahwa
bagian telinga profil gambar peta kedalaman mendalam kaya akan sisi karena
variasi kedalaman yang besar hadir di wilayah ini dan oleh karena itu kurang
mungkin komponen yang terhubung yang mewakili telinga hanya memiliki dua
titik atau derajat verteks rata-rata. satu. 2

Gambar. 3.1.2 Contoh grafik konektivitas tepi dan pelabelan komponen
yang terhubung. Peta tepi (berbagai warna yang digunakan untuk membedakan
sisi). B Grafik konektivitas tepi (komponen terhubung dengan lebih dari satu titik
yang dilipat dalam persegi panjang). C Terdeteksi telinga
23

Kandidat telinga yang mungkin dalam profil gambar wajah didefinisikan
sebagai bagian dari gambar rentang 3D yang dipotong dengan menggunakan
kotak pembatas tepi yang berpartisipasi dalam komponen yang terhubung. Penting
untuk dicatat bahwa calon telinga yang mungkin dipotong dari gambar awan titik
3D dan bukan dari citra peta yang dalam. Karena citra peta kedalaman diperoleh
dari gambar rentang 3D dengan mempertimbangkan nilai kedalaman z sebagai
intensitas, mereka terdaftar dalam bidang xy dan karenanya kotak pembatas tepi
komponen yang terhubung (yang diperoleh dari citra peta kedalaman) mengacu
pada bagian yang sama pada Gambar peta kedalaman serta gambar rentang 3D.
Unit kandidat telinga dihitung dengan menggunakan semua komponen yang
terhubung dari grafik konektivitas tepi yang memenuhi kriteria derajat verteks
rata-rata. 2
3.1.3 Localization Telinga
Hal ini dilakukan dengan mengidentifikasi telinga yang benar di antara
calon telinga yang mungkin dengan bantuan template telinga yang dibuat secara
off-line. Identifikasi dilakukan dengan membandingkan tempelan telinga dengan
calon telinga yang mungkin.
1. Pembuatan Template Telinga
Untuk mengidentifikasi telinga sejati, template yang menunjukkan
karakteristik skala dan invarian rotasi digunakan. Untuk menghitung template
semacam itu dalam teknik ini, distribusi bentuk, deskripsi bentuk 3D [8], yang
invarian terhadap rotasi dan skala digunakan. Distribusi bentuk memberikan ciri
khas yang bagus, terutama untuk telinga dan telinga dan pada saat bersamaan,
kuat pada perubahan sudut pandang, rotasi dan skala. Ini merupakan bentuk
model 3D sebagai distribusi probabilitas yang diambil dari fungsi bentuk yang
mengukur sifat geometris model 3D.
Kami menggunakan L2-norm sebagai fungsi bentuk untuk menghitung
bentuk distribusi. Ini mewakili distribusi jarak Euclidean antara pasangan titik
yang dipilih secara acak pada permukaan model 3D. Sementara distribusi
menggambarkan keseluruhan bentuk objek secara efisien, sampel dari distribusi
ini dapat diperoleh dengan cepat dan mudah. Gambar 3.1.3 menunjukkan
24

distribusi bentuk 200 telinga dan 200 sampel non-telinga (bagian wajah). Hal ini
dapat dengan jelas dibayangkan bahwa bentuk distribusi telinga dikondensasikan
dalam area kecil seperti yang ditunjukkan dengan warna merah. Namun, tidak
demikian halnya dengan non-telinga. Untuk menghitung tempelan telinga, set
pelatihan dibuat dengan memilih beberapa sampel telinga 3D secara acak dan
distribusi bentuknya diperoleh. Template telinga diperoleh dengan menghitung
distribusi bentuk rata-rata dengan mengambil rata-rata tempat sampah masing-
masing dari semua distribusi bentuk yang mewakili telinga pelatihan. 2
2. Identifikasi Telinga
Biarkan calon telinga ditetapkan menjadi IE = {I1, I2,. . . , Iη} di mana η
adalah kardinalitas dari set IE dan Ik adalah bagian dari gambar rentang profil 3D
yang mewakili kandidat telinga kth yang mungkin, k = 1, 2,. . . , Η. Identifikasi
telinga sejati dilakukan dengan membandingkan

Gambar. 3.1.3 Bentuk distribusi 200 telinga (ditunjukkan merah) dan 200
gambar telinga non-telinga (ditunjukkan biru) template dengan bentuk distribusi
calon telinga di IE. Perbandingan dilakukan dengan menggunakan jarak
Bhattacharyya D yang didefinisikan sebagai berikut untuk dua distribusi bentuk f
dan g

Dimana fi dan gi adalah jumlah sampel f dan g di tempat sampah dan n
adalah jumlah total tempat sampah dalam distribusi. Biarkan TE = {TI1, TI2,. . . ,
Tiη} menjadi bentuk distribusi yang ditetapkan untuk kandidat telinga di IE. Jarak
Bhattacharyya dihitung antara tempelan telinga (T) dan semua elemen di TE
25

untuk mendapatkan match score vector MatchScore. Kandidat telinga yang
sebenarnya didapat begitu

Itu berarti, calon telinga dari IE yang jarak Bhattacharyya minimal,
dinyatakan sebagai kandidat telinga sejati. Gambar 4.4c menunjukkan lokasi
telapak yang benar yang dilipat oleh persegi panjang yang diperoleh setelah
identifikasi telinga.
3.2 Invarian Skala dan Rotasi
Karakterisasi teknik pendengaran telinga 3D yang sangat penting dan
berguna yang dibahas dalam bab ini adalah bahwa secara inheren skala dan
invarian rotasi.
3.2.1 Invariance to Scale
Crux dari teknik ini terletak pada bagaimana grafik konektivitas tepi G
dibangun. Konstruksi grafik yang baik tergantung pada kriteria yang digunakan
untuk menentukan konektivitas di antara simpul. Untuk membuat skala deteksi
telinga invarian, kriteria untuk menghubungkan simpul di G juga harus invarian
skala. Dalam teknik ini, didasarkan pada persimpangan lambung convex yang
dapat menentukan konektivitas di antara simpul terlepas dari skala citra telinga.
Hal ini membuat skala teknik invarian. Untuk menunjukkan invarian skala, peta
tepi sintetis seperti yang ditunjukkan pada Gambar. 4.6a dipertimbangkan. Ini
diperkecil seperti yang ditunjukkan pada Gambar. 4.7a. Lambung Convex dan
konektivitas tepi

Gambar. 3.2.1a Contoh konstruksi grafik konektivitas tepi untuk peta tepi.
Peta tepi B lambung Convex C Grafik konektivitas tepi
26

Gambar. 3.2.1b. Peragaan invarian skala dan rotasi: peta tepi skala bawah
pada Gambar. 4.6a, b cembung convex dari tepi yang ditunjukkan pada (a), grafik
konektivitas tepi c untuk (b), d peta tepi yang diputar pada Gambar. 4.6a, lekukan
convex dari tepi yang ditunjukkan pada (d), grafik konektivitas tepi untuk grafik
(e) untuk peta tepi ini digambarkan pada Gambar. 4.7b, c masing-masing. Jelas
bahwa grafik yang diperoleh serupa dengan yang ditunjukkan pada Gambar. 4.6c.
Hasil serupa telah diamati untuk versi peta tepi skala.
3.2.2 Invariance to Rotation
Karena penampilan struktural telinga (oleh karena itu peta tepi) tidak
berubah karena rotasi di pesawat, kriteria berdasarkan lambung convex dapat
digunakan untuk menentukan konektivitas di antara simpul pada grafik G, bahkan
dengan adanya rotasi. Hal ini membuat teknik rotasi invarian. Teknik ini juga bisa
mendeteksi telinga dengan adanya out-of-plane rotation. Namun, diharapkan jenis
rotasi seperti itu tidak sepenuhnya menyembunyikan detail struktural telinga.
Untuk menunjukkan invarian rotasi, peta tepi sintetis ditunjukkan pada Gambar.
4.7a diputar oleh -45◦ seperti yang ditunjukkan pada Gambar. 4.7d. Grafik hull
dan grafik konektivitas convex untuk peta tepi yang diputar yang ditunjukkan
ditunjukkan pada Gambar. 4.7e, f masing-masing. Dapat dilihat bahwa grafik
yang diperoleh mirip dengan yang ditunjukkan pada Gambar. 4.7c. Hasil serupa
dapat ditunjukkan untuk sejumlah rotasi.
27

3.3 Hasil Eksperimental
Percobaan dilakukan pada Koleksi J2 (UND-J2) [5, 9] dari University of
Notre Dame yang berisi gambar wajah profil 3D. Gambar di mana kamera tidak
dapat menangkap informasi 3D dari telinga dengan benar akan dibuang dan 1604
gambar digunakan untuk eksperimen. Gambar-gambar ini dipengaruhi oleh
variasi skala dan pose. Juga, beberapa gambar tersumbat oleh rambut dan cincin
telinga. Gambar 4.8 menunjukkan beberapa hasil segmentasi pada database UND-
J2.
3.3.1 Evaluasi Kinerja
Kinerja teknik deteksi telinga yang dibahas dalam bab ini ditunjukkan
menghasilkan tingkat deteksi benar 99,38%. Untuk menunjukkan ketahanannya
terhadap rotasi, ada dua set data uji baru yang dihasilkan dengan melakukan rotasi
dalam bidang pada + 90◦ dan -90◦ pada gambar rentang 3D asli. Kinerja
pendeteksian telinga pada kedua kumpulan data ditemukan sama dengan yang
diperoleh pada set aslinya. Selain itu, untuk menunjukkan bahwa teknik ini dapat
mendeteksi telinga kiri dan kanan pada saat bersamaan, tes lain dilakukan dengan
membalik gambar rentang profil 3D secara horizontal, sehingga membuat semua
gambar wajah kiri kanan. Kami juga telah mencapai kinerja yang sama dalam
eksperimen ini. Selanjutnya, untuk menguji teknik terhadap variasi skala, 194
profil 3D

Gambar. 3.3 Sedikit hasil deteksi telinga 3D dari database UND-J2
28

3.4 Teknik Pengenalan Telinga
Bagian ini menyajikan teknik pengenalan telinga yang efisien. Ini telah
menggunakan tiga teknik secara paralel untuk meningkatkan citra yang
menghasilkan tiga versi input gambar yang disempurnakan. Selanjutnya, ketiga
set fitur yang diambil dari gambar digunakan untuk melatih tiga pengklasifikasi
yang berbeda. Gambaran umum sistem ditunjukkan pada Gambar. 3.2. 2

Gambar 3.4 Blok diagram teknik pengenalan telinga

3.4.1 Peningkatan Gambar
Langkah ini melibatkan ketiga teknik peningkatan citra dan dimaksudkan
untuk meningkatkan kontras citra telinga, untuk meminimalkan efek kebisingan
dan menormalkan efek iluminasi dan bayangan. Teknik ini telah digunakan secara
paralel pada setiap gambar telinga input untuk mendapatkan tiga gambar yang
disempurnakan. Tujuan peningkatan gambar adalah untuk mendapatkan vektor
deskriptor fitur SURF yang akurat untuk titik fitur yang membantu dalam
membangun korespondensi titik yang benar antara titik fitur dalam dua gambar.
Misalnya, titik fitur tertentu dalam dua gambar berbeda dari subjek yang sama
(yang diterangi berbeda) mungkin mendapatkan dua vektor deskriptor SURF yang
berbeda dengan tidak adanya perangkat tambahan. Namun, ketika perangkat
tambahan diterapkan pada gambar, vektor deskriptor untuk titik-titik yang sesuai
dalam dua gambar ditemukan sangat mirip. 2
Penggunaan tiga teknik penyempurnaan secara paralel didasarkan pada
gagasan berikut. Hal ini diamati dalam skenario kehidupan nyata bahwa di
lingkungan (dalam database), semua gambar yang diambil mungkin tidak
29

terpengaruh oleh semua masalah yaitu. Kontras, iluminasi dan kebisingan,
bersama. Bergantung pada kondisi lingkungan yang berbeda, mereka biasanya
menderita salah satu dari masalah ini. Oleh karena itu, tidak perlu menggunakan
semua teknik peningkatan pada gambar bersama (dalam mode serial). Namun,
sangat ideal untuk menerapkan ketiga teknik penyempurnaan secara paralel pada
gambar karena tidak diketahui secara apriori masalah dimana gambar terpengaruh.
Oleh karena itu dengan menggunakan teknik peningkatan yang berbeda secara
paralel, kita dapat menangani semua masalah tersebut. Itu berarti, jika gambar
memiliki masalah kontras yang buruk, itu bisa ditangani dengan teknik
peningkatan yang bisa mengatasi masalah kontras. 2
3.4.2 Ekstraksi Fitur
Gambar telinga yang disempurnakan menjalani fase ekstraksi fitur dimana
teknik SURF digunakan untuk mengekstrak fitur. Alasan di balik pemilihan
SURF untuk ekstraksi fitur terhadap deskriptor fitur lokal lainnya seperti SIFT
[24] dan GLOH [43] adalah sebagai berikut. SURF memiliki kemampuan untuk
menangkap sifat lokalisasi spasial, perubahan dalam sudut pandang 3D, orientasi
dan variasi skala lebih efisien dibandingkan dengan deskriptor lokal lainnya [44].
Ini menyediakan sebuah vektor deskriptor yang sangat khas untuk sebuah titik
fitur dalam arti bahwa vektor deskriptor dapat benar cocok dengan probabilitas
tinggi terhadap database besar vektor deskriptor yang diperoleh untuk titik fitur
banyak gambar. SURF mewakili citra telinga dalam hal satu set poin fitur
menonjol, masing-masing titik yang terkait dengan vektor deskriptor yang dapat
berupa 64 dimensi atau 128 dimensi. Diagram deskriptor dimensi 1212 lebih
diskriminatif dibandingkan dengan vektor 64 dimensi. Karena dalam tugas
pengenalan telinga, selalu bagus untuk merepresentasikan gambar dengan fitur
diskriminatif yang kuat, dalam teknik pengenalan telinga ini deskriptor dimensi
dimensi 128 digunakan dalam ekstraksi fitur. 2
Sebuah teknik untuk fusi tingkat fitur digunakan untuk mendapatkan
kerangka menyatu untuk subjek dengan menggabungkan fitur yang diperoleh dari
beberapa contoh pelatihan (contoh) subjek. Jika ada gambar telinga dari subjek
untuk pelatihan, tempelan yang menyatu untuk itu diperoleh dengan
30

menggabungkan vektor deskriptor fitur dari semua gambar pelatihan bersama-
sama, dengan mempertimbangkan vektor deskriptor yang berlebihan hanya satu
kali. 2
Biarkan SURF menampilkan template dari gambar pelatihan dari subjek
yang akan ditunjukkan oleh F1, F2,. . . , Fn dimana Fj adalah matriks berdimensi
128 × m yang mewakili templat fitur untuk gambar telinga ke-j dengan titik fitur
m. Artinya, setiap kolom matriks Fj mewakili vektor deskriptor dari titik fitur
gambar telinga. Kemudian template menyatu pada dasarnya diperoleh dengan
menggabungkan kolom-bijaksana dari template fitur yang mempertimbangkan
kolom berlebihan (vektor deskriptor) hanya satu kali. Mengingat Fj s sebagai
himpunan vektor kolom, Ffused dapat ditulis secara matematis sebagai berikut:

Dimana kardinalitas himpunan Ffused menyediakan jumlah vektor
deskriptor pada tempelan tempaan. Biarkan kardinalitas himpunan Ffused
diwakili oleh m, maka mengikuti ketidaksetaraan m ≤ m1 + m2 + · · · + mn. Juga
ukuran tempelan tempel Ffused adalah 128 × m.
Fusion dari template ini dilakukan secara bertahap dimana pertama dua
fitur template F1 dan F2 yang menyatu untuk menghasilkan template baru T yang
selanjutnya menyatu dengan feature template F3. Prosedur ini dilanjutkan sampai
semua template fitur dipertimbangkan untuk difusi. Sementara menggabungkan
dua fitur template Fi dan Fi + 1, pencocokan SURF (dijelaskan dalam Algoritma
2.1) diterapkan di antara template untuk mengetahui vektor deskriptor fitur yang
berlebihan. Jika vektor deskripsi fitur pada template sesuai dengan vektor
deskriptor pada template yang lain, jika vektor fitur deskriptor pada template lain,
sama lazimnya digunakan dan hanya digunakan satu kali dalam fusi. Langkah fusi
dirangkum dalam Algoritma 3.4. 2
31

3.4.3 Klasifikasi dan Fusion
Fused feature templates dari masing-masing subjek untuk berbagai teknik
peningkatan digunakan untuk melatih pengklasifikasi tetangga terdekat. Karena
ada tiga teknik yang disempurnakan yang digunakan, tiga set template menyatu
diperoleh dan dengan demikian tiga klasifikasi kelas terdekat dilatih. Strategi
pencocokan yang digunakan pada pengklasifikasi tetangga terdekat untuk
membandingkan dua template fitur didasarkan pada pencocokan SURF. Skor
yang sesuai antara dua template fitur telinga pada pencocokan SURF dihitung
dengan menghitung jumlah pasangan vektor deskriptor (atau titik lokasi masing-
masing) yang disandingkan di antara kedua templat tersebut. Untuk mendapatkan
dua pasang vektor deskriptor antara dua template gambar, vektor deskriptor dari
satu template gambar dipilih dan dibandingkan dengan semua vektor deskriptor
dari template gambar lainnya dengan menggunakan jarak Euclidean. 2
Hasil pencocokan akhir dideklarasikan dengan menggunakan metode
matching matching tetangga terdekat dimana pasangan dikatakan cocok jika
jaraknya lebih dekat dari τ kali jarak tetangga terdekat kedua dimana τ adalah
ambang pencocokan. Langkah pencocokan SURF telah dijelaskan dalam
Algoritma 2.1.
Sangat mudah untuk melihat bahwa dalam database, jika sebagian besar
gambar dipengaruhi oleh masalah tertentu, pengklasifikasi khusus untuk masalah
itu akan berkinerja lebih baik untuk database itu. Oleh karena itu, untuk
32

menggabungkan nilai yang diperoleh dari kelas yang berbeda, bobot relatif
terhadap pengklasifikasi tergantung pada kinerja individual mereka. Skor
pencocokan yang diperoleh dari masing-masing pengklasifikasi dinormalisasi
menggunakan teknik normalisasi minmin dan kemudian digabungkan dengan
aturan jumlah tertimbang [45]. Keputusan klasifikasi akhir diambil dengan
menggunakan skor yang menyatu. Langkah-langkah yang diikuti dalam pelatihan
dan pengujian dirangkum dalam Algoritma 3.5 dan 3.6 masing-masing. 2
33

BAB IV
PENUTUP

4.1 Kesimpulan
Setiap sistem biometrik dapat digunakan dalam tiga mode: (i) sebagai
sistem pendaftaran, (ii) sebagai sistem verifikasi dan (iii) sebagai sistem
identifikasi. Pendaftaran digunakan untuk mendaftarkan orang baru dengan
sistem. Verifikasi melibatkan validasi identitas yang diklaim seseorang dan
melibatkan perbandingan satu lawan satu. Identifikasi adalah proses pencarian
identitas dalam database yang mengandung template biometrik.
Selanjutnya Pengenalan telinga terdiri dari dua langkah penting dan ini
adalah (i) deteksi telinga dan (ii) Pengakuan. Deteksi telinga melakukan
segmentasi telinga dari wajah profil sebelum menggunakannya untuk tugas
pengenal. Sebagian besar teknik pengenalan telinga langsung bekerja pada
gambar telinga tersegmentasi secara manual, namun ada juga beberapa
pendekatan yang dapat mengambil gambar wajah lengkap sebagai input dan
segmen telinga secara otomatis. Sistem otomatisasi Ear Biometrics menggunakan
tahapan: Acquisition, Localization, Edge Extraction, Curve Extraction, dan Graph
Model.
4.2 Saran
Permasalahan utama dalam pengenalan telinga dapat disebabkan oleh
beberapa faktor diantaranya adalah karena kontras dan pencahayaan yang buruk,
adanya kebisingan di telinga, pendaftaran galeri (database) yang buruk, dan
gambar probe, begitu juga dengan pengenalan telinga 3D terutama disebabkan
oleh minimnya pendaftaran gambar galeri dan probe dan adanya noise pada data
3D. Oleh karena itu dalam membuat suatu program berbasis deteksi & pengenalan
pada telinga harus benar-benar mempertimbangkan berbagai faktor diatas, guna
memaksimalkan kinerja suatu program.
34

DAFTAR PUSTAKA

1. Banafshe Arbab-Zavar1, Xingjie Wei2, John D. Bustard1, Mark S. Nixon1
and Chang-Tsun Li2. (2011) On Forensic Use of Biometrics, with Face and
Ear Recognition. University of Southampton.
2. Prakash. S, Gupta.P (2015) Ear Biometrics in 2D and 3D Localization and
Recognition. Augmented Vision and Reality. SPRINGER. Volume 10
3. Edria Albert Varian W (.....). Aplikasi Graf Dalam Biometrik Telinga.
Jurusan Teknik Informatika ITB: Bandung
4. Nitin Kaushal, Purnima Kaushal (2011) HUMAN EARPRINTS: A REVIEW.
Biometrics & Biostatistics 2:129. doi:10.4172/2155-6180.1000129
5. Ayman Abaza, Arun Ross (2010) Towards Understanding the Symmetry of
Human Ears: A Biometric Perspective. IEEE International Conference on
Biometrics: Theory, Applications and Systems.