APLIKASI JARINGAN SYARAF TIRUAN PERAMBATAN BALIK PADA PENGENALAN ANGKA TULISAN TANGAN

1. PENDAHULUAN

Di zaman yang serba modern ini kecanggihan teknologi dapat dimanfaatkan untuk membantu tugas manusia, salah satu aplikasi dari kecanggihan teknologi tersebut adalah komputer. Pada mulanya komputer hanya digunakan sebagai mesin ketik biasa. Namun sekarang dengan segala perangkat pendukungnya (baik hardware maupun software ), komputer telah berkembang menjadi alat kontrol yang dapat melakukan proses-proses tertentu antara lain menghitung, menyimpan data, pengolah citra atau gambar, dan lain sebagainya. Apalagi saat ini didukung dengan software-sotware yang beraneka ragam dan dapat diperoleh dengan mudah. Salah satu pengguna yang cukup diuntungkan adalah kantor-kantor dengan segala kegiatannya antara lain kegiaan administrasi, marketing, publikasi, dan lain sebagainya.
Ilustrasi diatas menggambarkan bagaimana mudahnya pekejaan manusia dengan segala fasilitas tersebut. Salah satu permasalahan yang dihadapi oleh manusia adalah membaca tulisan tangan berupa angka. Bila hanya beberapa angka untuk dibaca dan dimasukkan ke dalam data digital (komputer) bukan merupakan permasalahan. Namun jika yang ditangani adalah angka-angks yang jumlahnya ribuan dan harus dikerjakan berulang-ulang, terpikir oleh kita untuk menciptakan program otomatis untuk mengganti peran manusia.
Di dalam mengenali tulisan tangan seseorang, sebuah program komputer harus dilatih dahulu. Untuk dapat mengenali tulisan tangan seseorang, harus ada data informasi yang mewakili data tersebut yang diambil dari obyek, yang tentunya harus merupakan suatu data digital. Data digital tersebut dapat diperoleh dengan melakukan scan gambar. Dari hasil scan tersebut, maka dilakukan preprocessing yang terdiri dari atas normalisasi dimensi dan ketebalan. Dari proses-proses tersebut, maka dapat dibangun suatu sistem cerdas yang memanfaatkan komputer untuk mengenali tulisan tangan seseorang.


Permasalahannya adalah bagaimana membangun sebuah sistem yang dapat mengenali tulisan tangan, khususnya pengenalan angka menggunakan Neural Network dengan metode perambatan balik. Untuk itu proses penelitian akan mengikuti alur seperti pada Gambar 1.

2. PRA-PENGOLAHAN (PREPROCESSING)
Sampel acuan atau referensi yang akan diujikan disini adalah sampel tulisan tangan angka yang ditulis dalam lembar kertas A4, yang formatnya sudah disesuaikan. Jumlah data yang digunakan adalah sebanyak 7980 buah pola angka 0 sampai 9, yang masing-masing pola angka banyaknya 798 buah. Data tersebut diatas didapat dari 50 responden, yang merupakan mahasiswa Teknik Elektro Universitas Udayana, dan beberapa responden umum.
Dari total sampel sebanyak 7980 buah tersebut, dibagi penggunaannya untuk sampel pelatihan dan pengujian. Banyaknya sampel pengenalan adalah 1900 buah, sedangkan sisanya 6080 digunakan untuk sampel pengujian. Seluruh sampel tersebut ditulis menggunakan pena dengan tinta berwarna hitam, dan dengan konteks yang berbeda untuk setiap orang, dalam artian tidak konsisten didalam penulisan yang meliputi kecepatan (speed), kelajuan (acceleration), ketebalan (thickness), dan tekanan.
Selanjutnya sampel acuan tersebut di-scan dengan resolusi scanner 300 dpi, dan isimpan dengan format gambar tif, 1 bit (hitam dan putih). Data yang akan dibaca adalah angka-angka 0 sampai 9, yang dikelompokkan menjadi 10 kelompok pengenalan yang akan dikenali oleh jaringan syaraf.
Tabel 1 berikut ini akan memperlihatkan ilustrasi pengelompokan pengenalan angka.



2.1. Tahapan normalisasi dimensi (size normalization)
Sebelum memasuki proses pelatihan jaringan syaraf tiruan, dimensi citra harus diseragamkan dulu. Dalam penelitian ini dimensi citra yang diseragamkan adalah dimensi matrik 15 x 5. Dipilihnya dimensi matrik 15 x 5 karena dengan menggunakan dimensi ini, input yang digunakan ke dalam jaringan syaraf tiruan tidak terlalu banyak, yang nantinya mempengaruhi kecepatan proses dari sistem yang dibuat. Disamping mempengaruhi kecepatan dari proses, dimensi yang terlalu kecil akan mengacaukan pola dari citra angka tersebut.
Nilai input dari jaringan syaraf tiruan dari penelitian ini adalah 75 neuron (node). Gambar 2 memperlihatkan normalisasi dimensi dari citra angka 8.
2.2. Tahapan normalisasi ketebalan (thickness normalization)
Selain normalisasi dimensi, perlu juga diperhitungkan normalisasi ketebalan (thickness normalization). Normalisasi ketebalan ini digunakan untuk menyeragamkan piksel-piksel dari pola-pola angka. Sebelum dinormalisasi, setiap pola-pola karakter pikselnya berbeda-beda, karena perbedaan konteks penulisan dari responden. Hal ini dikarenakan pada proses penulisan sampel, tingkat kecepatan penulisan (speed), kelajuan pena, dan tekanan pena dari setiap responden berbeda, sehingga ketebalan dari tiap-tiap pola berbeda.

Untuk menyeragamkan pola-pola karakter yang akan digunakan sebagai input jaringan syaraf tiruan, maka ketebalan dari tiap-tiap pola diseragamkan. Dalam penelitian ini, normalisasi ketebalan ini diseragamkan seolah-olah mendekati 1 piksel. Gambar citra yang mengalami normalisasi ketebalan tampak seperti pada gambar3.

2.3. Tahap Ekstraksi Ciri dengan Teknik Penjendelaan
Tahap berikutnya adalah mengekstraksi ciri-ciri tertentu dari setiap obyek. Ekstraksi adalah proses untuk mengubah huruf / angka yang terdapat dalam file gambar tersebut menjadi susunan kode angka (antara angka 0 dan 1). Setiap kotak dilakukan scanning piksel, dan dicari nilai rata-ratanya, dengan menghitung total jumlah piksel yang hidup dibagi dengan banyaknya piksel tiap kotak Gambar 4 memperlihatkan proses ekstraksi ciri.

3. NEURAL NETWORK PERAMBATAN BALIK
Metode pelatihan perambatan balik secara sederhana adalah metode gradient descent untuk meminimalkan total galat kuadrat keluaran. Aplikasi yang memakai jaringan ini untuk masalah yang melibatkan pemetaan sekumpulan masukan terhadap sekumpulan target keluaran, jadi masuk kategori jaringan dengan pelatihan terbimbing.
Tujuan pelatihan jaringan ini adalah mendapatkan keseimbangan antara kemampuan tanggapan yang benar terhadap pola masukan yang dipakai untuk pelatihan jaringan (memorization) dan kemampuan memberikan tanggapan yang layak untuk masukan yang sejenis namun tidak identik dengan yang dipakai pada pelatihan (generalization).
Pelatihan jaringan perambatan balik melibatkan tiga tahap. Umpan-maju pelatihan pola masukan , komputasi dan perambatan balik galat, serta perubahan bobot. Setelah pelatihan, aplikasi jaringan hanya melibatkan tahap komputasi umpan-maju. Walau pun pelatihan jaringan lambat, jaringan yang telah dilatih dapat menghasilkan keluaran dengan sangat cepat. Beragam variasi perambatan balik telah banyak dikembangkan untuk meningkatkan kecepatan proses pelatihan.
Struktur jaringan syaraf yang dipakai memiliki 75 neuron pada lapisan input, satu lapisan tersembunyi dengan jumlah neuron, dan 10 neuron pada lapisan output.

4. DATA DAN HASIL PERCOBAAN
Angka-angka yang akan dikenali berjumlah 10. Sampel-sampel angka yang telah dikumpulkan sebanyak 7980 sampel angka (tiap angka didapat 798 sampel tulisan tangan). Kemudian diuraikan cirinya, dengan MxN diputuskan bernilai 15x5. Ciri tiap kata yang berjumlah 75 nilai ini sebagai masukan jaringan perambatan balik.
Dari 798 sampel tiap angka, dilakukan percobaan yang akan memakai data ciri reratanya dengan rincian : 190 sampel untuk pelatihan jaringan dan 608 untuk pengujian. Hal ini diperlukan karena tujuan jaringan perambatan balik adalah mendapatkan keseimbangan antara pesat pengenalan pada sampel-sampel kata yang dipakai untuk pelatihan jaringan (kemampuan memorization) dengan pesat pengenalan pada sampel kata yang berbeda dengan yang dipakai pada pelatihan jaringan (kemampuan generalization) Percobaan yang telah dilakukan dengan memakai data pelatihan dan pengujian dengan 5x15 input, dengan menguji satu lapisan tersembunyi dengan jumlah neuron 20 dan 10 neuron pada lapisan output jaringan perambatan balik. Hasil yang didapatkan diperlihatkan pada Tabel 2 untuk hasil pelatihan dan pengujian dengan jumlah neuron 20 pada lapisan tersembunyi.
Dari Tabel 2 terlihat keseimbangan antara pelatihan (kemampuan memorization) 92,58 % dan pengujian (kemampuan generalization) 80,31% cukup seimbang. Tabel 2 juga menunjukkan unjuk-kerja pengenalan angka mencapai 80,31 %.

5. KESIMPULAN
1. Pemakaian pendekatan global pada pengenalan tulisan tangan (kata dan angka) mampu mendapatkan unjuk-kerja relatif cukup baik dengan menguraikan ciri rerata citra tulisan tangan tersebut. Unjuk-kerja optimal pengenalan tulisan tangan berupa angka sebesar 80,31 %
2. Jaringan Syaraf Tiruan Perambatan Balik dengan satu lapisan tersembunyi relatif cukup baik menunjukkan keseimbangan antara kemampuan memorization dan generalization setelah didapatkan jumlah neuron optimal pada lapisan tersembunyi pada aplikai pengenalan tulisan tangan untuk pembacaan check.

PERANGKAT LUNAK PELATIHAN PENCITRAAN PADA PERALATAN KAMERA GAMMA

Peralatan Kamera Gamma merupakan alat diagnostik medik yang dapat menghasilkan citra anatomi dan fungsi organ dengan cara mendeteksi berkas radiasi dari radioisotop yang dimasukkan ke dalam tubuh pasien. Peralatan Kamera Gamma terdiri dari 3 bagian utama yaitu bagian deteksi, bagian pencitraan dan bagian mekanik. Baik tidaknya hasil pemakaian peralatan ini sangat tergantung pada keahlian pengguna/operator dalam menangani peralatan ini, baik dari segi elektronik, mekanik, protokol pengoperasian, pengolahan hasil citra maupun protokol klinisnya. Pengguna yang telah ahli akan mampu menghasilkan data citra yang baik, mudah dibaca dan hasil analisis citra yang akurat. Pada umumnya keahlian pengguna akan meningkat dengan banyaknya pengalaman yang diperoleh dalam mengoperasikan peralatan, semakin sering mengoperasikan akan semakin meningkat keterampilannya, terutama ketrampilan dalam melakukan akuisisi data dan menganalisi data citra. Sayangnya untuk menjalankan perangkat lunak akuisisi pencitraan selalu terkait dengan pemakaian radiasi, pasien dan peralatan Kamera Gamma itu sendiri. Untuk itu, guna membiasakan pengguna dalam pemakaian perangkat lunak akuisisi pencitraan, maka dikembangkan suatu media pelatihan pemakaian perangkat lunak pencitraan yang dapat dipelajari sendiri tanpa harus menggunakan radiasi, pasien ataupun menghidupkan peralatan Kamera Gamma. Perangkat lunak pelatihan ini dikembangkan oleh Institute of Oncologi Unversity Ljubljana Slovenia yang diberi nama Medicview Teaching dikembangkan dari perangkat lunak Medicview Acquisition yang telah digunakan dalam akuisisi data pada peralatan Kamera Gamma. Fasilitas menu dan cara pemakaian pada kedua perangkat ini adalah sama, hanya berbeda pada cara akuisisi data yaitu data bukan berasal dari pasien langsung tetapi memproses ulang data pasien yang telah disimpan dalam data base, data disimulasikan seolah-olah akuisisi data langsung dari pasien. Sedangkan untuk penganalisisan data dan pengolahan hasil citra, caranya sama seperti analisis data sesungguhnya. Maksud penulisan makalah ini adalah untuk memperkenalkan adanya media pelatihan perangkat lunak pencitraan sehingga diharapkan dapat memberikan gambaran tentang cara akuisisi pencitraan pada Kamera Gamma serta pengetahuan lain di bidang kedokteran nuklir.

PRINSIP KERJA PERLATAN KAMERA GAMMA

Secara garis besar peralatan Kamera Gamma terdiri dari 3 bagian yaitu bagian deteksi, bagian pencitraan dan bagian mekanik. Bagian deteksi terdiri dari detektor kristal sintilator NaI(Tl), penguat awal dan bagian pengolah sinyal, dari bagian ini dihasilkan sinyal berbobot posisi X, Y dan Z. Bagian pencitraan terdiri dari modul antar muka dan perangkat lunak akuisisi dalam komputer, bagian ini mengolah sinyal masukan menjadi suatu citra obyek. Sedang bagian mekanik terdiri dari beberapa sistem mekanik beserta kontrol penggerak mekanik. Blok diagram Kamera Gamma diperlihatkan dalam Gambar 1.

Blok diagram Kamera Gamma.

Pemakaian alat untuk pemeriksaan pasien secara ringkas dapat diterangkan sebagai berikut. Mula-mula pasien dilakukan penanganan klinis sesuai dengan kasus yang dideritanya, kemudian pasien ditempatkan pada meja pasien, detektor diarahkan kebagian organ yang diperiksa. Detektor akan mendeteksi zarah radiasi yang dipancarkan oleh isotop yang terakumulasi dalam organ pasien. Pulsa-pulsa listrik yang dihasilkan oleh detektor akan dikuatkan oleh rangkaian penguat awal, oleh Sekolah Tinggi Teknologi Nuklir - BATAN bagian pengolah sinyal pulsa tersebut dibobotkan kedalam bentuk sinyal posisi berdimensi X dan Y. Selain itu, pulsa keluaran detektor juga dicek kebenarannya sebagai bobot energi oleh penganalisis tinggi pulsa (Single Chanel Analyzer), sehingga pulsa yang sesuai dengan bobot energi isotop saja yang dilewatkan, oleh teknik logika pulsa ini dibentuk menjadi sinyal Z. Sinyal X, Y dan Z yang dihasilkan, diumpankan ke bagian masukan modul antarmuka pencitraan untuk diubah menjadi sinyal digital agar dapat dipahami oleh perangkat lunak akuisisi pada komputer. Hasil perekaman data akan dicitrakan oleh perangkat lunak akuisisi Medicview menjadi citra organ pasien, selanjutnya citra organ ini dilakukan analisis menggunakan studi pasien, pengolahan data citra, penyimpanan file, pelaporan dan pengiriman file kepada dokter maupun bagian lain untuk penanganan lebih lanjut.

METODA PELATIHAN

Metoda pelatihan yang diterapkan adalah metoda belajar sendiri/mandiri, pengguna dapat leluasa melakukan pelatihan tanpa rasa takut melakukan kesalahan, karena tidak berkaitan langsung dengan pasien, radiasi maupun peralatan Kamera Gamma. Data base pasien telah tersedia cukup banyak bahkan dapat ditambahkan dengan data pasien baru sehingga dapat dipelajari variasi beberapa kasus pada pasien. Selain itu ditampilkan foto posisi pasien saat diperiksa dan disediakan beberapa teori dasar ilmu pengetahuan dalam bidang kedokteran nuklir.

Beberapa fungsi yang tersedia seperti:

a. Data base dari pasien yang telah diperiksa, terdiri dari form isian data pribadi pasien, data klinis, data akuisisi serta studi pasien b. c. d. e. f. seperti Bone, Heart, Lung. Cardiac, Kidney, Sentinel dan lain-lainnya. Akuisisi data berupa simulasi pengambilan data baik secara statis, dinamis maupun gate; Pengaturan tampilan dan posisi hasil citra serta ditampilkan foto posisi pasien. Analisis data menggunakan standar protokol klinis sesuai studi pasien untuk menghasilkan citra yang bermutu Pelaporan hasil citra berupa cara analisis hasil, penyimpanan, pencetakan dan pengiriman hasil kepada institusi lain. Materi teori pembelajaran di bidang kedokteran nuklir seperti bidang fisika, bidang pharmasi, instrumentasi nuklir dan penanganan klinis. Manual pengoperasian perangkat lunak akuisisi Medicview

PEMBAHASAN

Pengoperasian perangkat lunak pelatihan ini sama seperti pengoperasian perangkat lunak Medicview saat digunakan untuk akuisisi data pasien. Setelah program diaktifkan, akan tertampil Menu Utama yang berisi beberapa short cut fungsi operasi seperti diperlihatkan pada Gambar 2. Fungsi dari setiap short cut diterangkan dalam manual Medicview Akuisisi.

Gambar 2. Tampilan menu utama.

Dari short cut Patient akan ditampilkan menu pasien, yang berisi daftar semua nama pasien yang tercantum pada kotak daftar pasien dan nama studi pasien yang tercantum pada kotak studi pasien. Data pasien beserta studinya merupakan data yang sudah tetap dan nantinya akan diproses kembali pada saat akuisisi data.

Tampilan menu pasien diperlihatkan dalam Gambar 3. Pilih nama pasien yang akan dilakukan pemeriksaan, maka akan tertampil form isian data pasien yang telah terisi, kemudian pilih akuisisi sehingga tertampil menu akuisisi seperti yang diperlihatkan oleh Gambar 4. Dalam menu akuisisi tertampil beberapa parameter pengaturan seperti arah posisi pasien, pembesaran citra, pengaturan warna citra, posisi pasien, citra organ yang diperiksa dan daftar materi teori pembelajaran. Jika pengaturan dirasakan telah cukup, selanjutnya dimulai pengambilan data dengan menekan Start Recording, lamanya akuisisi data sesuai dengan batas waktu atau jumlah cacah yang telah ditentukan, setelah selesai akuisisi data kemudian tampilan akan kembali ke menu pasien.

Gambar 3. Tampilan menu pasien.

Gambar 4. Tampilan menu akuisisi.

Hasil akuisisi data yang tersimpan dalam daftar studi pasien selanjutnya dilakukan analisis citra atau pengolahan hasil citra. Hasil analisis disimpan atau dapat dilaporkan kepada yang berkepentingan melalui pencetakan atau jaringan. Salah satu hasil analisis (contoh: analisis ginjal) diperlihatkan dalam gambar 5.

Gambar 5. Tampilan laporan hasil analisis.

Salah satu slide materi pembelajaran dalam bidang instrumentasi nuklir diperlihatkan pada Gambar 6, sedangkan foto perangkat keras modul antarmuka beserta komputer pengolah citra diperlihatkan pada Gambar 7. Dari menu yang tersedia, pengguna dapat leluasa mencoba semua shortcut, melakukan pengaturan citra dan melakukan analisis hasil citra tanpa khawatir melakukan kesalahan maupun akibat lainnya. Dengan sering mencoba media pembelajaran ini dan dengan didasari pengetahuan penanganan klinis, diharapkan dapat membantu meningkatkan kemampuan dan pengetahuan pengguna, sehingga tidak gamang lagi nantinya dalam mengoperasikan peralatan Kamera Gamma. Gambar 6. Slide Materi Pembelajaran.

Gambar 7. Foto modul antarmuka pencitraan.

KESIMPULAN

Perangkat lunak pelatihan pencitraan Medicview teaching dapat membantu pengguna terutama operator pemula, para profesional dari spesialis yang berbeda di bidang kedokteran nuklir dalam memahami pemakaian Kamera Gamma. Pengoperasian perangkat lunak ini cukup mudah dan tanpa ada rasa khawatir melakukan kesalahan yang berakibat fatal, karena dioperasikan tanpa pasien, tanpa radiasi dan tanpa menghidupkan peralatan Kamera Gamma. Pengguna dapat berlatih sendiri dalam memahami cara akuisisi data pencitraan dan menganalisis hasil citra. Dengan diperkenalkan media pelatihan perangkat lunak pencitraan ini diharapkan dapat memberikan

gambaran tentang cara akuisisi pencitraan pada Kamera Gamma serta pengetahuan lain di bidang kedokteran nuklir. Walaupun sudah tersedia manual pengoperasian, tetapi dengan membiasakan pelatihan ini diharapkan pengguna tidak gamang lagi dalam penanganan akuisisi langsung terhadap pasien.

Download Versi PDF : klik disini

Pembacaan Citra pada Termometer Non-Kontak

Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.

Umumnya citra digital berbentuk persegi panjang atau bujur sangkar (pada beberapa sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau piksel sehingga ukuran citra selalu bernilai bulat. Setiap titik memiliki koordinat sesuai posisinya dalam citra. Koordinat ini biasanya dinyatakan dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung pada sistem yang digunakan. Setiap titik juga memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili oleh titik tersebut.

representasi-warna

Format data citra digital berhubungan erat dengan warna. Pada kebanyakan kasus, terutama untuk keperluan penampilan secara visual, nilai data digital merepresentasikan warna dari citra yang diolah. Format citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan Citra Warna Berindeks.

color-dialog

Pengolahan citra digital dapat dikelompokkan dalam dua jenis kegiatan :

1.Memperbaiki kualitas suatu gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia.
2.Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis.

Bidang aplikasi kedua yang sangat erat hubungannya dengan ilmu pengetahuan pole (pattern recognition) yang umumnya bertujuan mengenali suatu objek dengan cara mengekstrak informasi penting yang terdapat pada suatu citra. Bila pengenalan pola dihubungkan dengan pengolahan citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut pengenalan citra atau image recognition. Proses pengenalan citra ini sering diterapkan dalam kehidupan sehari-hari.
Pengolahan citra dan pengenalan pola menjadi bagian dari proses pengenalan citra. Kedua aplikasi ini akan saling melengkapi untuk mendapatkan ciri khas dari suatu citra yang hendak dikenali. Secara umum tahapan pengolahan citra digital meliputi akusisi citra, peningkatan kualitas citra, segmentasi citra, representasi dan uraian, pengenalan dan interpretasi.
Akusisi citra atau pengambilan data dapat dilakukan dengan menggunakan berbagai media seperti kamera analog, kamera digital, handycamp, scanner, optical reader dan sebagainya. Citra yang dihasilkan belum tentu data digital, sehingga perlu didigitalisasi.
Peningkatan kualitas citra ini dikenal dengan pre-processing dimana dalam meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam keberhasilan pada tahap pengolahan citra digital berikutnya.
Segmentasi citra bertujuan untuk memilih dan mengisolasikan (memisahkan) suatu objek dari keseluruhan citra. Segmentasi terdiri dari downsampling, penapisan dan deteksi tepian. Tahap downsampling merupakan proses untuk menurunkan jumlah piksel dan menghilangkan sebagian informasi dari citra. Dengan resolusi citra yang tetap, downsampling menghasilkan ukuran citra yang lebih kecil. Tahap segmentasi selanjutnya adalah penapisan dengan filter median, hal ini dilakukan untuk menghilangkan derau yang biasanya muncul pada frekuensi tinggi pada spektrum citra. Pada penapisan dengan filter median, gray level citra pada setiap piksel digantikan dengan nilai median dari gray level pada piksel yang terdapat pada window filter. Tahap yang terakhir pada proses segmentasi yaitu deteksi tepian. Pendekatan algoritma Canny dilakukan berdasarkan konvolusi fungsi citra dengan operator Gaussian dan turunan-turunannya. Pendeteksi tepi ini dirancang untuk merepresentasikan sebuah tepian yang ideal, dengan ketebalan yang diinginkan. Secara umum, proses segmentasi sangat penting dan secara langsung akan menentukan keakurasian sistem dalam proses identifikasi iris mata.
Representasi dan Uraian mengacu pada data konversi dari hasil segmentasi ke bentuk yang lebih sesuai untuk proses pengolahan pada komputer. Keputusan pertama yang harus sudah dihasilkan pada tahap ini adalah data yang akan diproses dalam batasan-batasan atau daerah yang lengkap. Batas representasi digunakan ketika penekanannya pada karakteristik bentuk luar, dan area representasi digunakan ketika penekanannya pada karakteristik dalam, sebagai contoh tekstur. Setelah data telah direpresentasikan ke bentuk tipe yang lebih sesuai, tahap selanjutnya adalah menguraikan data.
Pengenalan dan Interpretasi pola tidak hanya bertujuan untuk mendapatkan citra dengan suatu kualitas tertentu, tetapi juga untuk mengklasifikasikan bermacam-macam citra. Dari sejumlah citra diolah sehingga citra dengan ciri yang sama akan dikelompokkan pada suatu kelompok tertentu. Interpretasi meliputi penekanan dalam mengartikan objek yang dikenali. (http://www.ittelkom.ac.id)

yu1Termometer non-kontak atau termometer inframerah dapat mengukur suhu tanpa kontak fisik antara termometer dan obyek di mana suhu diukur. Termometer ditujukan pada permukaan obyek dan secara langsung memberikan pembacaan suhu. Alat ini sangat berguna untuk pengukuran di tungku atau suhu permukaan dan lain sebagainya.
Prinsip dasar termometer infra merah adalah bahwa semua obyek memancarkan energi infra merah. Semakin panas suatu benda, maka molekulnya semakin aktif dan semakin banyak energi infra merah yang dipancarkan.Termometer infra merah terdiri dari sebuah lensa yang focus mengumpulkan energi infra merah dari obyek ke alat pendeteks/detektor. Detektor akan mengkonversi energi menjadi sebuah sinyal listrik, yang menguatkan dan melemahkan dan ditampilkan dalam unit suhu setelah dikoreksi terhadap variasi suhu.