Perpustakaan Digital ITB

Iris sebagai fungsi biometrika terbukti andal dibandingkan tandingannya. Namun aplikasinya secara umum masih tidak selazim yang dibayangkan. Masalah ini disebabkan oleh tantangan dalam memperoleh dan mengondisikan citra secara ideal. Mitigasi modern ini adalah dengan beralih ke spektrum near-infrared (NIR) yang terbukti lebih toleran terhadap pencitraan non-ideal. Namun akibatnya perangkat pendukung sistem menjadi tidak universal karena memerlukan gawai khusus. Dilatarbelakangi oleh masalah tersebut, tulisan ini mengusulkan arsitektur iris recognition pada spektrum tampak dengan berbasiskan framework convolutional neural network (CNN) untuk proses segmentasi iris dan klasifikasinya. Hal ini membawa motivasi ekstraksi fitur secara semantik dengan mengandalkan pembelajaran mesin. Tulisan ini juga bertujuan membuktikan hipotesis bahwa arsitektur yang menerapkan super-resolution kepada citra masukannya dapat memperbaiki kemampuan identifikasi citra iris pada spektrum tampak. Untuk itu, diusulkanlah arsitektur iris recognition yang mengintegrasikan solusi superresolution. Tulisan ini melaporkan eksperimen dengan segmentasi Mask-RCNN dan super-resolution EDSR, analisis hubungan metrik-metrik terkait, serta pengaruhnya terhadap sistem klasifikasi modern yang berbasiskan CNN. Dari hasil pengujian dengan classifier DenseNet201 sebagai kontrol, ditemukan bahwa Mask-RCNN dengan keluaran citra iris yang di-crop meningkatkan akurasi sebesar 1,62 kali lipat, mencapai akurasi 84,43% pada total durasi eksekusi 0,75 detik. Sedangkan dengan penambahan EDSR, akurasi membaik mencapai 85,47% pada total durasi eksekusi 1,47 detik. Untuk keluaran citra iris tersegmentasi menggunakan mask keluaran Mask-RCNN, akurasi tercatat meningkat 1,13 kali lipat, mencapai akurasi 68,51% dan diperbaiki dengan penambahan EDSR, mencapai 69,72%. Hipotesis bahwa super-resolution memperbaiki sistem iris recognition terbukti, dan integrasinya dengan Mask-RCNN terbukti menjadi solusi bagi rumusan masalah.