ANALISIS DAN PEMBUATAN SISTEM PENGENALAN SIDIK JARI BERBASIS KOMPUTER DI POLDA METRO JAYA

ANALISIS DAN PEMBUATAN SISTEM PENGENALAN SIDIK JARI BERBASIS KOMPUTER DI POLDA METRO JAYA Wikaria Gazali; Alexander Agung Santoso Gunawan Mathematics & Statistics Department, School of Computer Science, Binus University Jl. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 [email protected]; [email protected]

ABSTRACT Fingerprint is a unique physiological characteristic of human being. This causes fingerprint be a common object of study in the development of biometric technology. Fingerprint proved accurate, safe, and uncomplicated for identification process compared to other biometric systems, such as face, iris, and voice. This study aims to create a fingerprint recognition application program using wavelet transform and Backpropagation type of artificial neural network. This research is executed offline and limited only to the right thumb, with dimension of 128 x 128 pixels. Digital fingerprint image is obtained using a scanner with grayscale color and stored in the format *.bmp. The fingerprint image will pass through several stages of image processing to enhance the image quality. Wavelet transformation is used for extracting the characteristics of a fingerprint image by selecting a small number of coefficients of the wavelet transform which is approximation coefficients. Results from the extraction of image features will be used as input to the Backpropagation type of neural network. Keywords: pattern recognition, sidik jari, transformasi wavelet, neural network, backpropagation

ABSTRAK Sidik jari merupakan karakteristik fisiologis manusia yang unik. Hal ini menyebabkan sidik jari menjadi obyek yang umum diteliti dalam perkembangan teknologi biometrik. Sidik jari terbukti akurat, aman, dan tidak menyulitkan untuk proses identifikasi dibandingkan dengan sistem biometrik lainnya, seperti wajah, iris mata, dan suara. Penelitian ini bertujuan membuat program aplikasi pengenalan sidik jari menggunakan transformasi Wavelet dan jaringan syaraf tiruan (neural network) jenis Backpropagation. Penelitian dilakukan secara offline dan dibatasi hanya pada ibu jari tangan kanan, dengan dimensi 128 x 128 piksel. Citra digital sidik jari diperoleh menggunakan scanner dengan ruang warna keabuan (grayscale) dan disimpan dengan format *.bmp. Citra sidik jari akan melewati sejumlah tahapan pengolahan citra untuk meningkatkan mutu citra. Transformasi Wavelet digunakan untuk mengekstraksi ciri-ciri dari suatu citra sidik jari dengan cara memilih sejumlah kecil koefisien hasil Transformasi Wavelet yang merupakan koefisien aproksimasi. Hasil dari ekstraksi ciriciri citra ini akan digunakan sebagai input pada jaringan syaraf tiruan jenis Backpropagation. Kata kunci: pattern recognition, sidik jari, transformasi wavelet, neural network, backpropagation

Analisis dan Pembuatan Sistem …... (Wikaria Gazali; Alexander Agung Santoso Gunawan)

55

PENDAHULUAN Manusia adalah makhluk yang unik dan berbeda satu sama lain. Ia memiliki berbagai karakteristik yang dapat digunakan untuk membedakan dirinya dengan individu lain. Karakteristik ini perlu diidentifikasikan agar dapat digunakan untuk mengenali identitas seseorang. Teknik konvensional yang sering digunakan untuk mengenali identitas seseorang adalah menggunakan password atau dengan kartu identitas. Akan tetapi, kedua teknik di atas ternyata tidak cukup efektif, karena sangat mudah untuk disalahgunakan oleh pihak yang tidak berwenang. Untuk mengatasi masalah di atas, dikembangkanlah suatu metode identifikasi secara biometrik. Teknik identifikasi secara biometrik, didasarkan pada karakteristik fisiologis, seperti karakteristik wajah, sidik jari, iris mata, DNA, telapak tangan dan karakterisitik perilaku, seperti tanda tangan dan suara. Teknik identifikasi secara biometrik ini memiliki keunggulan dalam hal keamanan dibandingkan dengan teknik konvensional. Keunggulan tersebut, disebabkan karena karakteristik secara biometrik tidak mudah untuk dicuri oleh pihak-pihak yang tidak berwenang. Oleh karena alasan ini pula, biometrik menjadi suatu hal yang penting untuk dibahas dalam upaya meningkatkan keamanan. Seperti telah disebutkan di atas, salah satu karakteristik fisiologis yang dapat diidentifikasikan secara biometrik adalah sidik jari. Sidik jari adalah karakteristik yang paling umum digunakan dalam identifikasi biometrik. Sidik jari setiap orang selalu berbeda dan tidak akan pernah sama, meskipun ia kembar identik. Hal ini membuat teknik identifikasi sidik jari secara biometrik menjadi solusi yang tepat untuk masalah keamanan. Dalam dunia kepolisian, sidik jari juga menjadi suatu hal yang penting dalam hal mengidentifikasi identitas seseorang. Sidik jari menjadi suatu karakteristik fisiologis yang mungkin dapat ditemukan di tempat kejadian perkara sebuah kriminalitas. Umumnya, di negara maju, pihak kepolisian mereka telah memiliki basis data citra sidik jari yang terkomputerisasi, yang dapat digunakan untuk mencocokkan dengan citra sidik jari laten yang ditemukan. Di Indonesia, Direktorat Reserse Kriminal Umum Polda Metro jaya, memiliki divisi Identifikasi, yang bertugas untuk mengidentifikasi identitas seseorang. Salah satu sub divisinya bertugas untuk melakukan identifikasi sidik jari laten. Sidik jari laten yang ditemukan harus dibandingkan dengan basis data sidik jari yang telah dikumpulkan. Akan tetapi, sidik jari ini harus dibandingkan secara manual, sehingga proses untuk mencari identitas suatu sidik jari akan sangat memakan waktu. Oleh karena itu, sangat penting bagi mereka, untuk mengembangkan suatu aplikasi yang dapat membantu untuk mengidentifikasi sidik jari secara cepat. Pada penelitian ini akan dibahas proses pengenalan sidik jari dengan metode Transformasi Wavelet dan Backpropagation. Metode Wavelet akan digunakan pada tahap awal untuk mengekstraksi karakteristik unik yang dimiliki oleh suatu sidik jari. Setelah itu, karakteristik unik ini akan menjadi input bagi jaringan syaraf tiruan jenis Backpropagation, yang berguna untuk melakukan identifikasi sidik jari tersebut. Hasil akhir dari penelitian yang dilakukan berupa perangkat lunak yang dapat mengidentifikasi sidik jari seseorang. Dengan penelitian ini, diharapkan agar proses identifikasi sidik jari menjadi suatu hal yang mudah dan cepat, sehingga dapat membantu untuk mempercepat penanganan berbagai kasus kriminal dan meningkatkan keamanan serta pengarsipan sidik jari di Indonesia.

56

Jurnal Mat Stat, Vol. 12 No. 1 Januari 2012: 55-65

Pengenalan Pola Pengenalan pola merupakan sebuah metode yang telah lama ada dan terus berkembang hingga saat ini. Pengenalan pola tradisional masih berbasis pada kemampuan alat indera manusia. Manusia mampu mengingat suatu informasi pola secara menyeluruh hanya dengan berdasarkan sebagian informasi yang tersimpan dalam ingatannya. Sebagai contoh, dengan hanya mendengar sebagian lagu, dapat membuat kita mengingat seluruh lagu. Pengenalan pola adalah kemampuan manusia untuk mengenali obyek-obyek berdasarkan ciriciri dan pengetahuan yang pernah diamatinya dari obyek tersebut (Fadlisyah, 2007). Tujuan dari pengenalan pola ini adalah mengklasifikasi dan mendeskripsikan pola atau obyek kompleks berdasarkan ciri-cirinya. Saat ini, komputer telah memiliki sistem intelijen visual, yang membuat dirinya dapat melihat dan mengenali sebuah obyek. Untuk dapat mengenali sebuah obyek komputer harus melakukan pengolahan citra dan pengenalan pola. Pengolahan citra (Acharya dan Ray, 2005) digunakan untuk mendapatkan citra dengan kualitas yang baik, sementara pengenalan pola berfungsi agar komputer dapat mengenali citra tersebut. Dalam pengenalan pola, kita bisa membagi keseluruhan proses menjadi tiga tahap (Gambar 1), yaitu: (1) perolehan data (data acquisition), yaitu tahap saat data analog akan dilewatkan pada penerjemah yang akan membuatnya menjadi format digital untuk diproses oleh komputer; (2) pengolahan data (data preprocessing), yaitu tahap saat data digital yang diperoleh dari tahap sebelumnya diekstraksi karakteristiknya dan kemudian karakteristik tersebut menjadi data output; (3) dan pengklasifikasian keputusan (decision classification), yaitu tahap saat karakteristik yang diperoleh pada tahap sebelumnya, digunakan untuk mengklasifikasikan obyek.

Gambar 1. Representasi konseptual dari sistem pengenalan pola.

Dalam pengenalan pola, banyak sekali metode yang bisa digunakan dan tidak ada suatu metode yang bisa dikatakan paling tepat. Metode terbaik yang digunakan untuk mengenali suatu pola, berbeda-beda tergantung obyek yang diteliti. Namun demikian, pendekatan pengenalan pola yang saat ini sedang berkembang adalah dengan menggunakan jaringan syaraf tiruan. Jadi dapat kita simpulkan bahwa pengenalan pola adalah suatu proses untuk mengenali sebuah obyek dengan berbagai metode, dan dalam proses pengenalannya harus memiliki tingkat akurasi yang tinggi. Adapun tingkat akurasi yang tinggi ini, berarti bahwa suatu metode pengenalan pola yang diaplikasikan pada komputer harus mampu mengenali, meskipun pola tersebut secara manual sulit untuk dikenali oleh manusia. Hal inilah yang mendorong perkembangan berbagai teknologi biometrik saat ini.


57

Sidik Jari Sidik jari adalah suatu hal yang unik yang diberikan oleh Tuhan untuk setiap manusia(Dani, Trimada, 2000). Sidik jari setiap orang akan berbeda dan tidak pernah sama. Hal ini membuat sidik jari seringkali digunakan dalam teknologi biometrik. Keunggulan lain dari sidik jari adalah kepraktisannya dan ketahanannya. Suatu pola sidik jari normal terdiri dari garis-garis dan spasi. Garis-garis ini dinamakan ridge sedangkan spasi di antara dua garis dinamakan valley. Valley sering juga disebut furrow. Melalui pola dari ridge dan furrow inilah sebuah sidik jari yang unik disesuaikan untuk diidentifikasi. Ciri yang unik dari sidik jari ini dinamakan "minutiae“. Sidik jari tidak dibedakan dari ridge dan furrow-nya, tetapi dibedakan dari minutiae. Minutiae ini terdiri dari ending, core, dan bifurcation. Ending adalah bagian ujung/akhir dari sebuah ridge, bifurcation adalah bagian percabangan dari ridge, sementara core adalah titik pusat dari sidik jari (Gambar 2).

Gambar 2. Ridge ending dan bifurcation

Wavelet Transformasi Wavelet merupakan metode yang biasa digunakan untuk menyajikan data, fungsi atau operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya (Ketut Dharma Putra, 2000). Transformasi Wavelet mempunyai kemampuan membawa keluar ciri-ciri/karakteristik khusus dari citra yang diteliti. Transformasi Wavelet Diskrit Transformasi merupakan suatu proses untuk mengubah suatu data ke dalam bentuk lain agar lebih mudah untuk dianalisis. Sebagai contoh, transformasi Fourier merupakan suatu proses untuk mengubah data ke dalam beberapa gelombang kosinus yang berfrekuensi berbeda. Jadi Transformasi Wavelet adalah proses pengubahan sinyal ke dalam berbagai Wavelet basis dengan berbagai fungsi pergeseran dan penyekalaan. Transformasi Wavelet Diskrit merupakan pentransformasian sinyal diskrit menjadi keofisienkoefisien Wavelet yang diperoleh dengan cara menapis sinyal dengan menggunakan dua buah tapis yang berlawann, yaitu: (1) tapis perataan atau penyekalan atau disebut juga dengan tapis lolos rendah (low pass filter); (2) tapis detil atau tapis lolos tinggi (high pass filter). Pada tahap pertama, sinyal dilewatkan pada rangkain filter high-pass dan low-pass, kemudian setengah dari masing-masing keluaran diambil sebagai sampel melalui operasi sub-sampling. Proses ini disebut sebagai proses dekomposisi satu tingkat. Keluaran dari filter low-pass digunakan sebagai masukan di proses dekomposisi tingkat berikutnya. Proses ini diulang sampai tingkat proses dekomposisi yang diinginkan. Gabungan dari keluaran-keluaran filter high-pass dan satu keluaran

58


filter low-pass yang terakhir, disebut sebagai koefisien Wavelet, yang berisi informasi sinyal hasil transformasi yang telah terkompresi. Jadi, secara umum dapat kita simpulkan bahwa transformasi Wavelet Diskrit adalah proses dekomposisi citra pada frekuensi sub-band dari citra tersebut, di mana komponen sub-band tersebut dihasilkan dengan cara menurunkan level dekomposisi (Gambar 3) di mana g(n) dan h(n) adalah respon impulse dari HPF dan LPF.

Gambar 3. Dekomposisi Wavelet diskrit pada sinyal satu dimensi

Dalam dekomposisi output filter yang memiliki respon impulse h(n) dan input x(n) adalah:

sehingga output dari LPF dan HPF setelah down sampling adalah:

Wavelet, level maksimum ditentukan dengan persamaan sebagai berikut:

Pada Transformasi Wavelet diskrit, terdapat beberapa jenis basis induk Wavelet, seperti Wavelet Haar dan Wavelet Daubechies. Wavelet Haar adalah jenis Wavelet yang pertama kali dikenal. Wavelet ini juga merupakan jenis Wavelet yang paling sederhana. Adapun fungsi dari Wavelet Haar sebagai berikut:


59

Selain itu, fungsi skala dari Wavelet Haar adalah sebagai berikut:

Pada Wavelet Daubechies, terdapat empat fungsi skala, yaitu:

Dari empat fungsi skala tersebut, koefisien fungsi Wavelet-nya adalah, g 0 = h3 , g1 = − h2 ,

g 2 = h1 , dan g 3 = − h0 . Setiap langkah dari proses Transformasi Wavelet, akan menggunakan fungsi tersebut. Jika data input memiliki nilai N, fungsi Wavelet akan digunakan untuk menghitung dan menghasilkan N/2 output. Dari fungsi-fungsi di atas, dapat kita rangkumkan fungsi skala dari Wavelet Daubechies adalah:

Sementara fungsi umum Wavelet Daubechies adalah:

Penelitian ini menggunakan basis Wavelet jenis Haar atau sering juga disebut dengan D2 (Daubechies 2). Transformasi Wavelet Dua Dimensi Data citra merupakan data yang berbentuk array dua dimensi (Gamabr 4), yang berisi informasi tentang warna dan intensitas pencahayaan dari suatu piksel.

60


Gambar 4. Algoritma transformasi Wavelet diskrit dua dimensi

Untuk mentransformasikan data dua dimensi dengan menggunakan metode Wavelet, digunakan Transformasi Wavelet dua dimensi. Transformasi Wavelet dua dimensi merupakan pengeneralisasian Transformasi Wavelet pada ruang satu dimensi, yang algoritmanya dapat dilihat pada Gambar 3. Proses dekomposisi Transformasi Wavelet untuk citra dua dimensi dapat dijelaskan pada Gambar 5 berikut.

Gambar 5. Transformasi Wavelet untuk citra dua dimensi

Pendekatan Object Oriented Analysis Design (OOAD) Salah satu metode yang paling sering digunakan untuk menganalisis dan merancang suatu software adalah Object Oriented Analysis Design (Mathiassen et al., 2000). Hal ini karena konsep object oriented saat ini mendominasi dunia komputer. Object oriented sangat digemari oleh perancang perangkat lunak karena dengan konsep tersebut hampir seluruh fenomena yang ada di dunia dapat dimodelkan.


61

HASIL DAN PEMBAHASAN Mekanisme Kerja Sistem Untuk menjalankan program aplikasi ini, user harus klik file fingerprint recognition.exe. Setelah itu, layar utama (Gambar 6) dari program aplikasi ini akan ditampilkan.

Gambar 6. Layar utama program aplikasi

Jika user memilih untuk klik menu file, ia bisa memilih empat menu yang tersedia di dalamnya, yaitu load image, load network, save network, dan exit (Gambar 7).

Gambar 7. Open file dialog

62


Load Image berfungsi untuk meng-input citra yang akan diproses sementara load network berfungsi untuk meng-input neural network yang telah dibentuk sebelumnya. Save network berfungsi untuk menyimpan neural network yang telah di-training. Load Image akan mem-filter agar citra yang bisa di-input hanyalah citra dengan format *.bmp, sementara save network dan load network, memiliki filter dengan format *.ann (Gambar 8).

Gambar 8. Save file dialog

Setelah user memilih menu load image, citra akan ditampilkan pada picturebox pertama. Tombol preprocessing akan segera aktif. Jika user menekan tombol preprocessing, akan keluar menu untuk mengatur nilai threshold. Setelah menentukan nilai threshold yang sesuai dan menekan tombol process, threshold option akan tertutup dan layar kembali ke menu utama. Pada picture box yang kedua akan terisi citra yang telah melewati tahap preprocessing (Gambar 9). Setelah itu button extract template akan aktif, yang membuat user dapat melakukan ekstraksi ciri.

Gambar 9. Preprocessing


63

Saat proses preprocessing selesai, layar output akan menampilkan nilai threshold (Gambar 10) yang digunakan pada proses pengolahan citra tersebut.

Gambar 10. Threshold option

Pada saat tombol extract template (Gambar 11) di klik, citra pada picture box 2 akan berubah manjadi citra yang telah didekomposisi, yaitu menjadi citra 8x8 piksel. Setelah itu, tombol training dan identify akan segera aktif. Selain itu, pada layar output, juga akan ditampilkan hasil ekstraksi ciri, yang berupa matriks 8 x 8.

Gambar 11. Extract template

Jika proses training selesai, akan tampil pesan pada layar output, bahwa proses training berhasil. Pada proses identify, hasil dari proses identifikasi juga akan ditampilkan pada layar output. Hasil dari proses identifikasi adalah keterangan berupa nama dari pemilik citra sidik jari atau keterangan bahwa sidik jari tidak terdeteksi. Jika tombol clear output ditekan, layar output akan dibersihkan.

Analisis Data dan Pembahasan Setelah mengumpulkan citra sidik jari dari ibu jari tangan kanan 20 orang, tahap selanjutnya adalah menguji program aplikasi dengan citra sidik jari tersebut. Citra sidik jari yang terkumpul adalah sebanyak 60 buah, dengan spesifikasi 40 citra tanpa distorsi dan 20 citra dengan distorsi. Dapat dilihat bahwa program dapat mengenali 32 citra sidik jari tanpa distorsi yang telah ditrainingkan kepadanya. Hal ini memberikan tingkat keakuratan sebesar 80%, yang dihitung dengan rumus:

64


% keakuratan =

x 100%

Tingkat pendeteksiannya dengan menggunakan rumus yang sama adalah 65%. Program aplikasi ini diuji dengan menggunakan 60 citra sidik jari. Adapun citra sidik jari tersebut terdiri dari 40 citra sidik jari yang telah dilatihkan dan 20 citra sidik jari yang terdistorsi. Dari hasil pendeteksian yang dilakukan, program dapat mengenali 80% citra sidik jari tanpa distorsi dan 65% citra sidik jari yang terdistorsi.

PENUTUP Berdasarkan hasil perancangan program ini didapat bahwa proses peningkatan mutu citra, sangat penting untuk dilakukan dalam upaya untuk melakukan pengenalan sidik jari. Dari hasil pelatihan jaringan syaraf tiruan terhadap 40 data sidik jari yang telah diekstrak cirinya menggunakan Transformasi Wavelet, dengan arsitektur jaringan yang terdiri dari 64 sel pada lapisan input, 49 sel pada lapisan tersembunyi (hidden layer) dan 6 sel pada lapisan output, jaringan syaraf tiruan backpropagation yang dibangun dapat mengenali 80% data sidik jari yang pernah dilatihkan dan 65% data sidik jari terdistorsi yang diujikan kepadanya. Transformasi Wavelet sangat baik digunakan sebagai pemrosesan awal, yaitu untuk mengekstraksi ciri citra sidik jari, sehingga dapat digunakan untuk mengembangkan aplikasi sidik jari dengan basis data yang besar. Thresholding dapat membantu untuk mengurangi/mereduksi noise dari citra asli. Penggunaan aplikasi pengenalan citra sidik jari dapat meningkatkan efektifitas dan keakuratan hasil, khususnya dalam segi waktu yang dibutuhkan untuk proses pengenalan. Dalam kesempatan ini penulis mengucapkan banyak terima kasih kepada sdr. Julius yang telah membantu dalam penyelesaian makalah ini, khususnya dalam pembuatan program komputernya, sehingga makalah ini dapat terselesaikan dengan baik.

DAFTAR PUSTAKA Acharya, Tinku & Ray, Ajoy K. (2005). Image Processing: Principles and Applications (Jilid 1). New Jersey: John Wiley & Sons. Dani, Trimada. (2000). Buku Petunjuk Teknis Polri di Bidang Identifikasi (Jilid 2). Jakarta: Departemen Pertahanan Markas Besar Kepolisian Negara Republik Indonesia. Fadlisyah. (2007). Computer Vision dan Pengolahan Citra. Yogyakarta: ANDI. Mathiassen, L., Madsen, A. M., Nielsen, P. A., & Stage, J. (2000). ObjectOriented Analysis & Design (First edition). Aalborg, Denmark: Marko Publishing. Putra, Ketut Dharma. (2000). Pencarian Citra pada Sistem Basis Data Citra dengan Metode Dekomposisi Wavelet Multiresolusi (Jilid 1). Universitas Gadjah Mada, Yogyakarta.


65

ANALISIS DAN PEMBUATAN SISTEM PENGENALAN SIDIK JARI BERBASIS KOMPUTER DI POLDA METRO JAYA

Recommend Documents