ABSTRAKSI: Biometrika telinga merupakan salah satu alternatif yang menggunakan karakteristik fisik alami manusia untuk identifikasi manusia. Biometrika telinga mempunyai beberapa kelebihan jika dibandingkan dengan wajah yaitu memiliki distribusi yang lebih seragam warna sehingga hampir semua informasi kekal ketika mengubah gambar asli menjadi abu-abu skala, mengurangi resolusi spasial dan tidak mengalami perubahan yang disebabkan oleh perubahan ekspresi wajah dan usia. Telinga manusia tidak akan berkembang setelah berumur delapan tahun. Bentuk telinga yang lebih kecil juga memungkinkan sistem identifikasi dapat bekerja lebih cepat dan efisien dari wajah.
Tugas akhir ini bertujuan merancang suatu sistem yang berfungsi untuk identifikasi personal dengan akurasi yang cepat dan tepat. Sistem ini dibuat dengan salah satu metode analisis tekstur yaitu metode Gray Level Run Length (GLRL) untuk mengenali ekstrasi ciri pada daun telinga manusia. Ada 5 ciri analisis tekstur yang dipakai dalam tugas akhir ini yaitu SRE (Short Run Emphasis), LRE (Long Run Emphasis), RLU (Run Length Uniformity), GLU (Gray Level Uniformity), dan RPC (Run Percentage). Sampel citra diambil dari 15 orang (setiap orang diambil 10 sampel yang terdiri dari 5 sampel telinga kanan dan 5 sampel telinga kiri). Citra yang diakuisisi akan diubah ke grayscale, dilakukan ekstrasi ciri, dan kemudian dilakukan proses pengenalan citra dengan Linear Discriminant Analysis (LDA).
Dari hasil pengujian performansi sistem, maka diketahui bahwa performansi sistem pengenalan manusia melalui citra telinga mencapai 80,67% pada saat data latih terdiri dari 90 sampel telinga dan data uji 150 sampel telinga dimana 90 sampel telinga data latih diambil dari 3 gambar terakhir dari setiap telinga.
Kata Kunci : biometrik, kontur telinga, metode GLRL ( Gray Level Run Length )ABSTRACT: Ear biometrics is one alternative that uses the physical characteristics of natural human to human identification. Ear biometrics has several advantages when compared with a face that has a more uniform distribution of colors so that almost all of the information conserved when changing the original image into a gray scale, reducing the spatial resolution and did not experience changes caused by changes in facial expression and age. Human ear will not develop after the age of eight years. Smaller ear shapes also allow the identification system can work more quickly and efficiently from the face.
The final task is aimed at designing a system that works for personal identification with a fast and precise accuracy. The system is made with one of texture analysis methods is the method of Gray Level Run Length (GLRL) to recognize the extraction of leaf traits on the human ear. There are 5 characteristic texture analysis used in this thesis is the SRE (Short Run Emphasis), LRE (Long Run Emphasis), RLU (Run Length Uniformity), GLU (Gray Level Uniformity), and RPC (Run Percentage). Image samples taken from 15 people (each person taken 10 samples consisting of 5 samples and 5 samples of the right ear left ear). The acquired image is converted to grayscale, feature extraction performed, and then perform an image recognition with Linear Discriminant Analysis (LDA).
From the results of performance testing system, it is known that the recognition performance of the human system through the image of the ear reaches 80.67% when the training data consist of 90 samples of ear and ear test data 150 samples with 90 samples taken ear training data that is the last 3 images from each ear respectively.
Keyword: biometrics, ear contour, GLRL method (Gray Level Run Length)