Implementasi Arsitektur Attention U-Net Untuk Segmentasi Iris Pada Citra Dengan Noise Tinggi Menggunakan Dataset UBIRISv2

Pormes, Abigail (2026) Implementasi Arsitektur Attention U-Net Untuk Segmentasi Iris Pada Citra Dengan Noise Tinggi Menggunakan Dataset UBIRISv2. Bachelor thesis, Institut Teknologi Kalimantan.

	Text 11221048_cover.pdf Download (330kB)
	Text 11221048_statement_of_authenticity.pdf Download (58kB)
	Text 11221048_publishing_agreement.pdf Download (206kB)
	Text 11221048_approval_sheet.pdf Download (240kB)
	Text 11221048_preface.pdf Restricted to Repository staff only until 3 October 2028. Download (192kB) | Request a copy
	Text 11221048_abstract_id.pdf Restricted to Repository staff only until 3 October 2028. Download (206kB) | Request a copy
	Text 11221048_abstract_en.pdf Restricted to Repository staff only until 3 October 2028. Download (206kB) | Request a copy
	Text 11221048_table_of_content.pdf Restricted to Repository staff only until 3 October 2028. Download (265kB) | Request a copy
	Text 11221048_illustrations.pdf Restricted to Repository staff only until 3 October 2028. Download (243kB) | Request a copy
	Text 11221048_tables.pdf Restricted to Repository staff only until 3 October 2028. Download (228kB) | Request a copy
	Text 11221048_notations.pdf Restricted to Repository staff only until 3 October 2028. Download (233kB) | Request a copy
	Text 11221048_chapter_1.pdf Restricted to Repository staff only until 3 October 2028. Download (334kB) | Request a copy
	Text 11221048_chapter_2.pdf Restricted to Repository staff only until 3 October 2028. Download (661kB) | Request a copy
	Text 11221048_chapter_3.pdf Restricted to Repository staff only until 3 October 2028. Download (608kB) | Request a copy
	Text 11221048_chapter_4.pdf Restricted to Repository staff only until 3 October 2028. Download (1MB) | Request a copy
	Text 11221048_conclusions.pdf Restricted to Repository staff only until 3 October 2028. Download (233kB) | Request a copy
	Text 11221048_bibliography.pdf Download (178kB)
	Text 11221048_enclosure.pdf Restricted to Repository staff only until 3 October 2028. Download (150kB) | Request a copy
	Text 11221048_paper.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text 11221048_presentation.pdf Restricted to Repository staff only until 3 October 2028. Download (5MB) | Request a copy

Abstract

Segmentasi iris pada citra yang memiliki noise tinggi menjadi tantangan utama dalam sistem biometrik berbasis cahaya tampak (visicle wavelength), terutama pada lingkungan tidak terkontrol (unconstrained environment). Citra pada dataset UBIRISv2 memiliki karakteristik gangguan yang kompleks, seperti oklusi bulu mata dan kelopak mata, serta variasi pencahayaan dan pantulan kacamata, mengakibatkan metode segmentasi konvensional atau Convolutional Neural Network (CNN) sering mengalami kesalahan klasifikasi piksel. Penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi kinerja arsitektur U-Net dengan penambahan mekanisme Attention Gate dalam menangani permasalahan tersebut. Metode yang diusulkan menerapkan mekanisme Attention Gate pada jalur skip connection yang berfungsi untuk menekan informasi penting dan relevan terhadap noise. Kedua model dilatih menggunakan dataset CASIA-Iris-Thousand dan diuji secara cross-dataset menggunakan 1.102 citra UBIRISv2 melalui dua skenario pengujian. Hasil pengujian tingkat piksel menunjukkan bahwa model Attention U-Net (Usulan) secara konsisten mendominasi performa atas Standard U-Net (Baseline). Pada Skenario 1 (Tanpa Augmentasi), Attention U-Net unggul dengan perolehan Mean IoU 0,4656 dan F1_Score 0,5909 (dibandingkan Standard U-Net dengan IoU 0,3963 dan F1_Score 0,5425). Performa tersebut meningkat optimal pada Skenario 2 (Dengan Augmentasi), di mana Attention U-Net meraih skor tertinggi dengan Mean IoU 0,5299 dan F1_Score 0,6741, mengungguli Standard U-Net yang meraih IoU 0,4999 dan F1_Score 0,6490. Meskipun Standard U-Net memiliki Recall lebih tinggi, arsitektur ini mengalami over-segmentation ekstrem akibat False Positive tinggi. Sebaliknya, attention heatmap membuktikan Attention Gate plus augmentasi lebih efektif menekan noise latar belakang dan mengisolasi struktur iris secara presisi di lingkungan luar ruangan.

Item Type:	Thesis (Bachelor)
Subjects:	T Technology > T Technology (General)
Divisions:	Jurusan Matematika dan Teknologi Informasi > Informatika
Depositing User:	Abigail Abigail Pormes
Date Deposited:	15 Jul 2026 01:09
Last Modified:	15 Jul 2026 01:09
URI:	http://repository.itk.ac.id/id/eprint/27240

Actions (login required)

View Item