ANALISIS SISTEM VERIFIKASI DENGAN MENGGABUNGKAN BIOMETRIKA TELAPAK TANGAN DAN GEOMETRI TANGAN NASKAH PUBLIKASI
disusun oleh Retno Ardhaningtyas Andari 10.11.3821
JURUSAN TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2014
ANALYSIS VERIFICATION SYSTEM WITH COMBINING BIOMETRICS OF PALM AND HAND GEOMETRICS ANALISIS SISTEM VERIFIKASI DENGAN MENGGABUNGKAN BIOMETRIKA TELAPAK TANGAN DAN GEOMETRI TANGAN Retno Ardhaningtyas Andari Hanif Al Fatta Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT
Advancement of communication networks and mobility tools need a reliable method to identify a person. Identification system development continues to be done so that the identification system that used not only using 2 methods, the identification system based on ownership ( possession based or "what you have" ) and identification system based on knowledge ( knowledge-based or "what you know" ). One way is the development of identification system by merger biometrics of palms and hand geometrics, that biometrics technology whose main function is to recognize humans through palms and hands geometric. The purpose of this study was to analyze the verification systems by combining palm biometric and hand geometrics as a multimodal biometrics system that combines (fussion) palm biometrics and hand geometrics for verification purposes. Characteristics (features) palm and hand geometrics are combined in two ways, namely the merger at characteristic representation level and the merger of decisions level. Both characteristic of biometrics is used in parallel with the results combined to draw conclusions of the verification process Later in its implementation, biometrics that combines Palm and Hand Geometry is created by using the C # programming language. The resulting application is an application to perform the verification process of biometrics analysis on each part until the withdrawal of the conclusion of a multimodal biometrics.
Keywords : Biometrics, Palm, hand geometric, Multimodal Biometrics, C#, Verification
1. PENDAHULUAN Mengikuti kemajuan jaringan komunikasi dan mobilitas alat akan sangat dibutuhkan
sebuah
metode
yang
handal
untuk
mengidentifikasi
seseorang.
Perkembangan sistem identifikasi terus dilakukan agar sistem identifikasi yang dipakai tidak hanya menggunakan 2 metode konvensional ( tradisional ), yaitu sistem identifikasi berdasarkan kepemilikan ( possession based atau “what you have” ) dan sistem identifikasi berdasarkan pengetahuan ( knowledge based atau “what you know” ). Sistem identifikasi berdasarkan kepemilikan merupakan suatu proses pengamanan yang berdasarkan pada suatu benda ( token ) yang dimiliki seseorang, misalnya kartu dan kunci. Penggunaan kartu dan kunci memiliki kelemahan, seperti dapat dicuri atau hilang, dapat digunakan secara bersama-sama, dan mudah diduplikasi sehingga dapat disalahgunakan oleh pihak lain. Sedangkan sistem identifikasi berdasarkan pengetahuan adalah proses pengaman yang mempunyai sistem otentifikasi dengan jenis password atau PIN sebagai media utamanya. Penggunaan PIN dan password juga mempunyai kelemahan, seperti tidak ingat apabila terlalu panjang dan jika terlalu pendek akan sangat mudah ditebak oleh orang lain. 2. LANDASAN TEORI 2.1 Pengertian Biometrika Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh tertentu ( something what you are ) atau perilaku tertentu unik yang ada pada seseorang ( something what you do ). Kata biometrika berasal dari kata bios, yang berarti kehidupan, dan metron yang berarti ukuran sehingga biometrika dapat diartikan sebagai pengukuran karakteristik pembeda ( distinguishing traits ) pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkannya dengan karakteristik yang 1
sebelumnya telah disimpan pada suatu database . Kebanyakan sistem biometrik menggunakan dua model operasi. Yang pertama adalah modus pendaftaran untuk menambahkan template ke dalam database, dan yang kedua adalah identifikasi, dimana sebuah template dibuat untuk perbandingan individu dan kemudian dicari dalam database ( Munir, 2004 ). Biometrik menunjukkan identifikasi otomatis dari seseorang berdasarkan phisiologikal atau karakter behavioral. Metode ini mengidentifikasi lebih daripada
metode
tradisional
yang
melibatkan
password
dan
PIN.
Biometrik
mendeskripsikan fisik unik seseorang atau karakteristik behavioralnya. Karena fitur seseorang unik, biometrik merupakan cara untuk mengidentifikasi seseorang dengan latar belakang legal yang cukup ( Feng, H; & Chong Wa,C. , 2002 ). Sistem akan mencari 1
Putra, Dharma. Sistem Biometrika, ( Edisi kesatu; Yogyakarta: ANDI, 2009 ), hal 23.
dan mencocokkan identitas seseorang dengan suatu basis data acuan yang telah disiapkan sebelumnya melalui proses pendaftaran. Teknologi identifikasi ini juga disebut dengan teknologi “what you are” dan bertujuan untuk meningkatkan keamanan sistem sehingga sistem mampu melakukan pengenalan diri dalam mengenali target dengan tepat. Sistem biometrika mempunyai keunggulan antara lain biometrika tidak dapat hilang ( fisik ) atau terlupa ( perilaku ) kecuali faktor trauma, biometrika sulit untuk di-kopi atau ditiru ataupun dipindah tangankan ke pihak lain dan biometrika mengharuskan orang 2
yang bersangkutan untuk ada di tempat identifikasi dilakukan . 2.2 Pengukuran Kinerja Biometrika False Accept Rate ( FAR ) atau False Macth Rate ( FMR ), yaitu peluang alat identifikasi untuk menyatakan sah pada data yang sebenarnya tidak sah untuk data yang 3
masuk . Sistem ini menyatakan adanya kesesuaian antara data yang masuk dan dianggap sah padahal data yang masuk adalah data yang tidak sah ( tidak sesuai ), sehingga orang yang tidak sah dapat diterima masuk sebagai orang yang sah ( Nugroho, 2009 ). Identifikasi ini termasuk dalam identifikasi Type II dalam bahasa ilmu statistik, yaitu kesalahan dalam membenarkan kesalahan yang sebenarnya salah ( Putra, 2009 ). False Eject Rate ( FRR ) atau False Nomacth Rate ( FNMR ), yaitu peluang alat tersebut menyatakan tidak sah terhadap data masuk yang sebenarnya sah. Sistem ini menyatakan tidak adanya kesesuaian antara data masuk dan data yang ada di dalam database, sedangkan data keduanya sebenarnya sesuai. Identifikasi ini termasuk dalam identifikasi Type I dalam bahasa ilmu statistik, yaitu kesalahan yang menyatakan 4
kesalahan data yang sebenarnya data yang benar . Receiver ( relative ) Operating Characteristics ( ROC ), merupakan tingkat kepekaan alat yang dipengaruhi oleh FAR dan FRR. Tingkat kepekaan ini dapat diatur dan pengaturan ini akan menyebabkan trade of antara FAR dan FRR. Equal Error Rate ( EER ), merupakan tingkat persentasi yang menunjukkan bahwa bilangan FAR dan FRR sama. Untuk membandingkan 2 buah alat biometrika secara tepat, maka alat yang bilangan EERnya rendah dianggap lebih aktual. Failure to Enroll rate ( FTE atau FER ), merupakan tingkat persentase orang gagal mendaftar ( enroll ) ke sistem. Failure to Capture rate ( FTC ), merupakan tingkat persentase orang gagal terdeteksi oleh sistem dan Template Capacity merupakan jumlah maksimum orang yang dapat tersimpan pada alat sebagai data ( Nugroho, 2009 ). 3. ANALISIS SISTEM 2
Nugroho, Eko. Biometrika Mengenal Sistem Identifikasi Masa Depan. ( Edisi kesatu; Yogyakarta : ANDI, 2009 ), hal 2. 3 4
Nugroho, Eko.Ibid.hal 8. Putra, Dharma.Ibid.hal 9.
3.1 Pra-Pengolahan Terdapat 4 tahap utama yang dilakukan pada tahap pra-pengolahan ( preprocessing ) antara lain adalah sebagai berikut : 1. Konversi citra tangan berwarna ke citra tangan beraraskan keabuan ( grayscale ). Proses konversi citra berwarna ke citra grayscale dapat dilakukan dengan perhitungan sebagai berikut : Dengan I ( x,y ) adalah nilai tingkat warna keabuan pada posisi ( x,y ), R menyatakan nilai komponen ruang warna merah, G menyatakan nilai komponen ruang warna hijau dan B menyatakan nilai komponen ruang warna biru. R, G, B merupakan nilai dari setiap pixel citra berwarna pada posisi ( x,y ).
Gambar 3.1 Contoh Citra Tangan Berskala Keabuan 2. Konversi citra tangan beraraskan keabuan ke citra biner. Citra tangan biner dibutuhkan untuk menentukan daerah yang diminati atau region of interest ( ROI ) dari citra telapak tangan dan fitur geometri tangan. Proses konversi citra tangan beraraskan keabuan ke citra biner dapat dilakukan dengan cara sebagai berikut :
3. Dengan T adalah nilai ambang ( threshold value ) global, yang nilainya dihitung menggunakan metode otsu.
Gambar 3.2 Contoh Citra Tangan Biner 4. Menentukan daerah yang diminati atau region of interest ( ROI ). Sistem verifikasi telapak tangan pada dasarnya adalah pencocokan fitur ROI telapak tangan yang diuji dengan fitur ROI telapak tangan acuan. Kesalahan dalam menentukan ROI dapat menurunkan unjuk kerja sistem. Untuk menentukan ROI telapak tangan, sistem ini menggunakan metode morphologi erosi (erosion morphological). Setiap
citra tangan biner dapat dianalisis dengan metode morphologi erosi menggunakan elemen yang berbentuk persegi guna menghasilkan ROI telapak tangan . Jika R adalah set elemen dengan pixel bernilai tidak nol pada citra biner ( pixel putih ) dan SE adalah set elemen dengan pixel bernilai tidak nol, maka metode morphologi erosi dapat dirumuskan sebagai berikut : Dengan SEg merupakan set elemen pembentuk yang digeser sebanyak g pixel dan tidak boleh keluar dari daerah citra biner. Pada sistem ini ukuran ROI telapak tangan adalah 160 x 160 pixel dan kelipatannya.
Gambar 3.3 Elemen Pembentuk Persegi
Gambar 3.4 Contoh gambar Geometri Tangan 5. Normalisasi intensitas citra ROI. Normalisasi ini bertujuan untuk mengurangi pengaruh pencahayaan yang berbeda saat akuisisi data. Proses normalisasi ini sangat penting dilakukan karena untuk mencegah adanya tambahan cahaya yang masuk.
Gambar 3.5 Gambar Sebelum dinormalisasi (kiri) Sesudah dinormalisasi (kanan) 3.2 Ekstraksi Fitur 1. Ekstraksi Fitur Telapak Tangan, tahapan ini mempunyai 3 tahapan yaitu : a. Deteksi garis-garis telapak tangan. Garis-garis telapak tangan yang masih bercampur dengan latar di belakangnya perlu diperjelas. Untuk memperjelas garis telapak tangan dapat menggunakan metode deteksi garis ( line detection o
o
). Metode ini akan mendeteksi garis-garis telapak tangan dalam arah 0 , 45 , o
o
90 , 135 sehingga akan diperoleh 4 citra yang masing-masing menunjukkan
citra ke dalam empat 4 sudut tersebut. Citra akhir diperoleh dengan mencari nilai maksimum dari keempat citra tersebut. b. Membagi citra telapak tangan ke dalam blok-blok. Citra telapak tangan yang telah mengalami proses deteksi garis dibagi ke dalam blok-blok. Terdapat dua model pembagian blok, yaitu pembagian blok yang saling tumpang tindih dan pembagian blok yang tidak saling tumpang tindih. c. Membentuk vektor fitur telapak tangan. Setiap blok kemudian dihitung nilai standar deviasi ( σ ), dengan ( µ ) menyatakan nilai rata-rata yang dapat dihitung dengan rumus : Dengan M menyatakan jumlah seluruh pixel pada setiap blok dan X adalah sebagai nilai pixelnya. Vektor fitur telapak tangan dapat dibentuk dengan cara sebagai berikut : Dengan σi menyatakan nilai standar deviasi blok ke-I dan N menyatakan jumlah keseluruhan blok. 2. Ekstraksi Fitur Geometri tangan. Vektor fitur geometri tangan dapat dinyatakan sebagai berikut : Dengan N = 16. Nilai g1 sampai gN dapat dilihat pada gambar di bawah ini.
Gambar 3.6 Pengambilan Fitur Geometri Tangan Titik awal ( x1, y1 ) dan titik akhir ( x2, y2 ) untuk setiap fitur geometri tangan ditentukan secara tetap melalui proses uji coba. Dengan mengetahui titik awal dan titik akhir penghitungan maka panjang atau lebar masing- masing fitur dapat diperoleh dengan menggunakan rumus garis berikut : Keseluruhan tahapan dari konversi ke citra grayscale sampai perhitungan telapak tangan dan geometri tangan adalah sebagai berikut :
Gambar 3.7 Keseluruhan Proses Cita Telapak Tangan
Gambar 1 merupakan hasil dari pencarian telapak tangan yang akan diproses untuk keperluan uji citra (verifikasi). Gambar 2 adalah proses dimana hasil citra grayscale pada gambar 1 di normalisasi untuk mengurangi intensitas cahaya yang masuk. Gambar 3 adalah gambar dimana citra hasil normalisasi di cari daerah dominannya ( range of interest ). Gambar 4 adalah gambar dimana citra tangan dicari atau dideteksi garisnya untuk keperluan uji citra dan gambar 5 adalah hasil biner dari pemrosesan citra tangan.
Gambar 3.8 Keseluruhan Proses Cita Geometri Tangan Gambar 1 merupakan hasil dari konverter citra tangan berscala keabuan yang akan diproses untuk keperluan uji citra (verifikasi). Gambar 2 adalah proses dimana hasil citra grayscale pada gambar 1 di normalisasi untuk mengurangi intensitas cahaya yang masuk. Gambar 3 adalah gambar dimana citra hasil normalisasi di cari daerah dominannya ( range of interest ). Gambar 4 adalah gambar dimana citra tangan dicari atau dideteksi garis tepinya untuk keperluan uji citra dan gambar 5 adalah hasil biner dari pemrosesan citra geometri tangan. 3.3 Pencocokan Fitur Sistem ini menggunakan jarak euclidean ternormalisasi ( normalized Euclidean distance ) untuk mencocokkan dua vektor fitur biometrika. Jarak euclidean ternormalisasi dari dua vektor fitur u dan v adalah sebagai berikut : Dengan
|| v || disebut norm dari v yang dinyatakan sebagai : Semakin kecil skor đ (u,v) maka semakin mirip kedua vektor fitur yang dicocokkan. Sebaliknya, semakin besar skor đ (u,v) maka semakin berbeda kedua vektor itu. Sifat dari jarak Euclidean ternormalisasi adalah hasil berada pada rentang 0 ≤ đ (u,v) ≤ 2. Untuk
memudahkan
proses
pengambilan
keputusan
maka
digunakan
metode
pengukuran kesamaan (similarity measure). Semakin tinggi skor yang diperoleh maka kemungkinan besar pengguna adalah sah. Demikian pula sebaliknya. Skor pengukuran kesamaan ini berada di antara rentang 0 sampai dengan 1 yang didapat dengan rumus : 4. IMPLEMENTASI DAN PEMBAHASAN
5.1 Konversi Citra Berwarna ke Citra Grayscale Citra yang dihasilkan pada tahap akuisisi citra adalah citra berwarna sehingga perlu dikonversi ke citra grayscale. Modul dalam pembuatan aplikasi sistem verifikasi biometrika adalah sebagai berikut :
5.2 Pengambangan dengan Metode Otsu Pada modul ini, input citra berupa citra beraraskan keabuan dengan format pixel minimal 8 bit. Nilai ambang t ditentukan dengan mencari nilai k yang optimal. Nilai ambang t yang diperoleh digunakan oleh fungsi thresholding untuk membentuk citra biner.
5.3 Menentukan ROI Telapak Tangan ROI ( range of interest ) telapak tangan diperoleh dengan menggunakan metode morphologi erosi dengan memperkecil ukuran citra dan menyisakan daerah residu untuk
mendapatkan titik tengah ROI yang ditentukan. Modul dalam pembuatan aplikasi sistem verifikasi biometrika adalah sebagai berikut :
5.4 Normalisasi Intensitas Citra Telapak Tangan Normalisasi
intensitas
citra
ROI
bertujuan
untuk
mengurangi
pengaruh pencahayaan yang berbeda saat akuisisi citra. Modul untuk normalisasi intensitas citra tangan adalah sebagai berikut :
5.5 Pembahasan Database Penyimpanan fitur ke File basis data dilakukan untuk keperluan penyimpanan fitur ke hardisk (file). Dalam proses ini digunakan beberapa struktur data antara lain adalah
penyimpanan data yang ada di MySql dan folder. Untuk penyimpanan di MySql sistem perlu dihubungkan agar terjalin komunikasi dari sistem ke Direktori penyimpanan data. Untuk cek ID pengguna menggunakan program sebagai berikut :
Yang kemudian sistem akan membaca program yang diminta untuk mencari ID dari pengguna :
Sedangkan penyimpanan pada folder, penyimpanan citra dilakukan secara manual :
Gambar 4.8 Penyimpanan Citra dalam Folder Dan penyimpanan laporan baik laporan user maupun laporan uji citra juga diarahkan oleh sistem ke penyimpanan yang berupa .txt
5.6 Pembahasan Registrasi Pengguna Registrasi pengguna memberikan fitur pendataan penggguna baru untuk dapat menggunakan sistem verifikasi ( uji citra ), cara input citra baik real time atau mengambil citra yang telah diolah hingga analisis dari masing-masing pengolahan citra.
Gambar 4.9 Inputan Data Pengguna Pembuatan inputan data pengguna yang dihubungkan ke database menggunakan modul program berikut :
Pada proses registrasi pengguna, citra telapak tangan dan geometri tangan diambil beberapa kali kemudian dihitung fiturnya dan diambil fitur rata-ratanya. Fitur rata-rata ini disimpan ke dalam database beserta identitas dari pengguna untuk proses pengujian. Fitur yang disimpan dalam database adalah fitur telapak tangan, fitur geometri tangan dan fitur gabungan antara fitur telapak tangan dengan fitur geometri tangan. Fitur telapak tangan dan fitur geometri tangan masing-masing akan digunakan untuk penggabungan pada tingkat keputusan ( skor ), sedangkan fitur gabungan keduanya akan digunakan untuk penggabungan pada tingkat representasi fitur.
Gambar 4.10 Citra Input Registrasi 5.7 Pembahasan Uji Citra Pengujian citra memberikan fitur dimana penggguna dapat menggunakan sistem verifikasi, cara input citra baik real time atau mengambil citra yang telah diolah hingga analisis dari masing-masing pengolahan citra yang diujikan.
Gambar 4.11 Pengujian Citra
5.8 Proses Implementasi Pengguna Baru
Gambar 4.12 Implementasi Pengguna Baru Dengan
terdaftarnya
pengguna,
maka
pengguna
dengan
bebas
dapat
menggunakan sistem verifikasi dari simulasi hingga proses verifikasi.Pengguna akan diarahkan untuk menggunakan aplikasi secara menyeluruh. Dalam implementasi pengguna baru, harus ada koneksi sistem dengan MySql. 5.9 Proses Implementasi Analisis Telapak Tangan
Gambar 4.13 Implementasi Analisis Telapak Tangan Dalam implementasinya, Pengguna dapat melihat langkah-langkah dalam melakukan verifikasi terutama untuk verifikasi telapak tangan tahap demi tahap. Hal yang sama dalam penggunaan Analisis Geometri Tangan. 5.10 Proses Implementasi Analisis Geometri Tangan
Gambar 4.13 Implementasi Analisis Geometri Tangan 5.11 Proses Implementasi Uji Citra
Gambar 4.15 Implementasi Uji Citra Pengujian citra memberikan fitur dimana penggguna dapat menggunakan sistem verifikasi, cara input citra baik real time atau mengambil citra yang telah diolah hingga analisis dari masing-masing pengolahan citra yang diujikan. Untuk proses pengujian, citra tangan akan diuji secara bertahap dari palm pixel, palm score, geometri pixel, geometri score, representasi fussion, dan decission fussion. Kemudian sistem akan melihat apakah pemilik citra tangan dinilai valid atau tidak. Untuk pengujian palm pixel dan palm score apabila tidak valid, maka sistem tidak akan menampilkan pesan. Namun apabila palm pixel dan palm score dianggap valid, maka sistem akan menampilkan pesan sebagai berikut :
Gambar 4.16 Palm Pixel dan Palm Score Valid
Apabila geometri pixel dan geometri score dianggap valid, maka sistem akan menampilkan pesan sebagai berikut :
Gambar 4.17 Geometri Pixel dan Geometri Score Valid Apabila representasi fussion dan decission fussion dianggap valid, maka sistem akan menampilkan pesan sebagai berikut :
Gambar 4.18 representasi fussion dan decission fussion Valid Kemudian sistem akan melihat apakah pemilik citra tangan dinilai valid atau tidak. Apabila sistem melihat pengujian citra valid, maka sistem akan menampilkan pesan sebagai berikut :
Gambar 4.19 User Diaggap Valid Setelah pengujian dianggap valid, maka sistem akan menampilkan siapa pemilik citra tangan yang diujikan.
Gambar 4.20 Pemilik Citra Uji 5.12 Unjuk Kerja Sistem Verifikasi
Gambar 4.21 Unjuk Kerja Sistem Verfikasi Pengguna dengan nomor ID 0003 mempunyai lima citra uji yang tidak valid. Hal ini dikarenakan pengguna yang melakukan verifikasi bukan pengguna yang berhak atau bukan pengguna sebenarnya. Tabel 4.1 Perbandingan Hasil Pengujian ID 00003
Untuk pengujian nomor ID 0001 dinyatakan valid, akan tetapi ada sisi dimana citra uji dinyatankan tidak valid, yaitu pada pengujian geometri pixel. Hal ini bisa saja terjadi karena pada saat penggambilan citra, posisi berpindah secara tidak sengaja, intensitas cahaya yang berbeda ( lebih terang atau lebih gelap ). Tabel 4.2 Perbandingan Hasil Pengujian ID 00001
5.13 Penyebab Kegagalan Verifikasi Pada saat pengambilan citra, pergeseran citra dapat saja terjadi. Hal ini disebabkan oleh posisi kamera, papan alas yang tidak tetap serta pengambilan gambar pada berbagai kondisi, baik di dalam maupun di luar ruangan. Untuk mengetahui pengaruhnya terhadap sistem maka sistem kembali diuji dengan menggunakan nilai ambang optimal. Hal-hal yang menyebabkan kegagalan pada sistem yang terdiri dari data nilai ambang, data statistik skor dari masing-masing metode dan tingkat kesalahan yang terjadi.
Gambar 4.22 Perbandingan Citra Tidak Valid Pada file log di atas tampak kotak yang menandai pengguna yang seharusnya diterima oleh sistem, tetapi ternyata ditolak. Sebagai contoh adalah pengguna dengan ID 00001. Untuk mengetahui mengapa pengguna ini ditolak maka pengguna ini diuji dengan form form Analisis Geometri Tangan karena penolakan terjadi pada geometri tangan pengguna.
Gambar 4.23 Citra Uji Bergeser 1 (kiri) Citra Uji Bergeser 2 (kanan) Pada tabel uji citra tampak citra uji mengalami pergeseran yang cukup signifikan, menyamai ukuran blok telapak tangan sehingga tentu saja terjadi perbedaan satu baris blok pada ekstraksi fitur. Sedangkan pada geometri tangan, pergeseran tersebut terjadi karena bergesernya sumbu perhitungan sehingga memberikan hasil pengukuran fitur geometri tangan yang berbeda. Berdasarkan analisis penyebab kegagalan di atas maka dapat disimpulkan bahwa perbaikan teknik pengambilan citra ( modul akuisisi citra ) akan dapat memperbaiki unjuk kerja sistem. 5.1.
KESIMPULAN
1. Aplikasi Verifikasi Biometrika dibuat sebagai aplikasi pendukung yang berfungsi sebagai media analisis yang telah menjadi pembuktian kinerja dari sistem verifikasi penggabungan biometrika telapak tangan dan geometri tangan. 2. Sistem yang dibuat telah mampu digunakan sebagai analisator kinerja dari sistem analisis biometrika telapak tangan dan geometri tangan. 3. Sistem mampu melakukan proses registrasi yang dibutuhkan oleh sistem untuk menyimpan data biometrik individu yang sudah terdaftar, mampu melakukan proses pemisahan fitur (feature extraction), mampu melakukan pencocokan (matching) dari skor-skor yang dihasilkan, mampu melakukan penggabungan fitur (feature fussion) untuk menggabungkan fitur telapak tangan dan geometri tangan, serta mampu
mengambil keputusan (decission) untuk memutuskan apakah hasil verifikasi yang didapat cocok atau tidak. 4. Sistem mampu menampilkan hasil analisis yang didapat dari verifikasi biometrika sehingga dapat dianalisis lebih lanjut sebagai penelitian atau sebagai pembuktian kinerja sistem biometrika untuk diimplementasikan. 5. Sistem verifikasi dengan menggabungkan biometrika telapak tangan dan geometri tangan mampu dijadikan sebagai salah satu solusi pengembangan dari pengenalan identitas yang masih menggunakan metode konvensional dengan menggunakan biometika yang aman, murah, mudah dan ramah lingkungan. 6. Analisis dan aplikasi yang dihasilkan belum dapat digunakan sebagai alat untuk memenuhi
keperluan
aplikasi
sipil
atau
aplikasi
komersial
karena
pengimplementasian sistem verifikasi yang dibuat belum memenuhi standar ( masih menggunakan alat sederhana ). 5.2. 1.
SARAN Penyebab Kegagalan Verifikasi a. Citra tangan yang diinputkan masih menggunakan input citra tangan yang telah diolah akan tetapi peneliti telah membuat input citra tangan menggunakan webcam tetapi hasil yang diharapkan kurang sempurna. Diharapkan pembaca mampu menyempurnakan penggunaan webcam atau dengan menggunakan scanner tangan. b. Menggunakan kamera berkekuatan 2 MP dan hanya mengambil 5 citra untuk setiap user. Sedangkan untuk pengambilan gambar setiap user hanya diambil citra tangan sebelah kanan saja atau kiri saja. Diharapkan kepada pembaca untuk menggunakan kamera dengan resolusi lebih agar citra tangan yang dihasilkan lebih baik dan pembaca mampu menggabungkan citra kiri maupun kanan dari setiap user. c. Pengambilan citra tangan dalam bagian akuisisi citra ( image aquisition ) masih menggunakan papan dengan pasak ( pegs ) yang telah ditentukan posisi penempatan pasaknya untuk layak digunakan dalam beberapa ukuran tangan dan peneliti telah menentukan jarak kamera dengan papan pegs agar kamera tidak akan mudah berubah, akan tetapi intensitas pencahayaan masih mungkin terjadi, sehingga pembaca harus mampu meminimalisir pencahayaan yang ada. Dalam penelitian ini, peneliti mengambil solusi memberikan normalisasi intensitas pada citra tangan yang diolah di dalam sistem.
2.
Implementasi Sistem Verifikasi Pengimplementasian sistem verifikasi yang dibuat belum memenuhi standar ( masih menggunakan alat sederhana ) sehingga aplikasi yang dihasilkan belum dapat
digunakan sebagai alat untuk memenuhi keperluan aplikasi sipil atau aplikasi komersial. Maka diharapkan kepada pembaca untuk mampu mengimplementasikan sistem ini pada aplikasi sipil maupun komersial. DAFTAR PUSTAKA Al Fatta, Hanif. 2007. Analisis dan Perancangan Sistem Informasi untuk Keunggulan Bersaing Perusahaan dan Organisasi Modern. Yogyakarta : ANDI offset. Munir, Rinaldi. 18 Juni 2005. Penggunaan Tanda-Tangan Digital untuk Menjaga Integritas
Berkas Perangkat Lunak, Seminar Nasional Aplikasi Teknologi
Informasi 2005 (SNATI 2005). Feng, H; & Chong Wa,C. 2002. Private Key Generation from On-Line Handwritten Signature, Information Management and Computer Security, Emerald journal 10 (4). Jain A.K, Ross A., Pankanti S., 1999, “A Prototype Hand Geometry-based Verification System”, IEEE Trans. On Circuits and System for Video Technology, 4 (1). Jeffery L. Whitten, dkk. 2004. Metode Desain & Analisis Sistem. Yogyakarta : ANDI Offset. Jogiyanto, HM. 2005. Analisis & Desain Sistem Informasi : Pendekatan Terstruktur Teori dan Praktik Aplikasi Bisnis. Yogyakarta : ANDI Offset. Kadir Abdul & Susanto, Adhi. 2013. Teori Aplikasi Pengolahan Citra. Yogyakarta: ANDI Offset. Kusrini. 2007. Strategi Perancangan dan Pengolahan Basis Data. Yogyakarta: ANDI Offset. Munir, Rinaldi. 2005. Penggunaan Tanda Tangan Digital untuk Menjaga Integritas. Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005). Munir, Rinadi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. Nugroho, Adi. 2010. Membangun Aplikasi Basis Data Menggunakan C# dan SQL Server.Yogyakarta: ANDI Offset. Nugroho, Eko. 2009. Biometrika Mengenal Sistem Identifikasi Masa Depan. Yogyakarta : ANDI Offset. Prahasta, Eddy. 2005. Konsep-Konsep Dasar Sistem Informasi Geografis. Bandung : INFORMATIKA. Putra, Dharma. 2009. Sistem Biometrika. Yogyakarta : ANDI offset R.C. Gonzales, R.E. Woods, Digital Image Processing. Ed. 2nd Weber, Ron (1999), Information Systems Control and Audit, Prentice Hall. Whitten, L.J, Bentley, D.L & Dittman, C.K. 2004. System Analysis and Design Methods, USA Mc Grawhill, Inc.
