19
BAB 2 TINJAUAN PUSTAKA
2.1.
Sistem Biometrik Sistem biometrik merupakan teknologi pengenalan diri yang menggunakan
bagian tubuh atau perilaku manusia. Sidik jari dan tanda tangan merupakan contoh biometrik yang berdasarkan bagian tubuh dan tingkah laku manusia. Keduanya telah digunakan dalam teknologi biometrik dan telah diaplikasikan secara luas dewasa ini. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal serta dalam sistem biometrik yang digunakan untuk mengidentifikasi pada berbagai kondisi sosial termasuk kontrol akses, penyelidikan kejahatan dan tindak kriminal, serta identitas pribadi adalah citra sidik jari [11]. Citra sidik jari ini digunakan karena kehandalannya sangat tinggi serta tidak ada individu yang mempunyai bentuk fisik dan tingkah laku yang sama persis. Alphonse
Bertillon
adalah
pemberi
ide
untuk
menggunakan
body
measurement untuk mengatasi kriminalitas, dimana body measurement dapat digunakan sebagai bukti dari pelaku kriminal. Selain untuk kepentingan bukti kriminalitas, body measurement digunakan juga sebagai suatu pengenal identitas. Citra sidik jari ini digunakan karena kehandalannya sangat tinggi serta tidak ada individu yang mempunyai bentuk fisik dan tingkah laku yang sama persis identifikasi citra sidik jari juga dipakai untuk menentukan dan mengenali ciri dari setiap user. Hal ini
20
disebabkan oleh banyaknya masalah pada pemalsu identitas yang dapat mengakses suatu fasilitas yang bukan haknya, misalnya mengakses suatu fasilitas keuangan dalam sebuah bank. Keuntungan lain yang didapat dengan menggunakan sistem biometrik adalah pengguna tidak perlu menghafal suatu kode tertentu (knowledge based) atau pengguna tidak perlu menggunakan suatu alat (traditional token) sebagai identitas. Selain untuk kepentingan bukti kriminalitas, body measurement digunakan juga sebagai suatu pengenal identitas. Dengan diterapkan biometrik ini dalam pengenalan identitas akan lebih efisien dikarenakan berkurangnya maintenance password komputer. Dengan menggunakan teknologi sistem biometrik jenis fingerprint merupakan perkembangan untuk security yang bisa diandalkan untuk masa yang akan datang karena tidak terdapat kesamaan pada setiap orang meskipun orang tersebut lahir kembar identik. Pada gambar 2.1 dijelaskan bahwa bagian enrollment terdiri dari bagian biometric sensor yang berfungsi untuk mengambil citra sidik jari dari pengguna kemudian pada bagian feature extraction digunakan untuk mengekstraksi ciri dari sidik jari yang selanjutnya disimpan sebagai database. Untuk proses autentivication biometric sensor untuk membaca sidik jari pengguna yang telah ada di database selanjutnya citra tersebut diekstraksi untuk mendapatkan ciri khusus yang sama dengan data yang disimpan pada database. Kemudian dilakukan matching dengan database apakah cirinya sama dengan data yang ada di database.
21
Biometric Sensor
Feature Extraction
Enrollment
Biometric Sensor
Database
Feature Extraction
ID:8039 Matching
Autentivication
Result
Gambar 2.1. Arsitektur sistem biometrik [12]
Tabel 2.1 menunjukkan beberapa contoh penerapan aplikasi biometrik yang sudah banyak menggunakan biometrik sebagai tanda pengenal karena memiliki nilai unik yang tidak terdapat kesamaan pada setiap orang meskipun orang tersebut lahir kembar identik.
22
Tabel 2.1. Penerapan aplikasi biometrik pada forensik, sipil dan komersial forensic civilian commercial [13].
Forensic
Civilian
Commercial
Corpse identification
National ID
ATM
Driver’s license
Access Control
Welfare disbursement
Cellular phone
Border Crosing
Credit Card
Criminal investigation Parenhood determination
Template NAME(PIN)
name
Quality Checker
Feature Extractor
System DB User interface Enrollment
Gambar 2.2. Proses enrollment sidik jari [14]
23
Gambar 2.2 menunjukkan proses enrollment yang dimulai pada proses pengambilan data dengan dilakukan perbaikan citra selanjutnya diambil ciri khusus untuk disimpan sebagai database.
NAME(PIN)
Feature
Matcher
Extractor
(1 match)
One System DB template User interface True/False Verification
Gambar 2.3. Proses verifikasi sidik jari [14]
Gambar 2.3 merupakan proses verifikasi atau autentifikasi sidik jari dimana suatu proses yang dapat membandingkan citra sidik jari yang sudah tersimpan pada database dengan memasukkan kode pin dan citra sidik jari sebagai input data. Dengan hanya membandingkan data template pada database dan data input, hasil dari sistem verifikasi adalah data benar atau salah.
24
NAME
( PIN )
Feature
Extractor
Matcher
( N matche ) r N System DB templates
User interface User’s identity or Identification
“ usernot identified”
Gambar 2.4. Proses identification sidik jari [14]
Gambar 2.4 dapat dijelaskan bahwa sistem identifikasi merupakan suatu proses yang membandingkan data input dengan semua template data biometrik pada sistem database. Hal ini dilakukan karena pada sistem identifikasi dapat membandingkan semua data, sehingga pada proses identifikasi lebih kompleks dan waktu proses yang lebih lama dari pada sistem verifikasi.
25
Peralatan untuk mendapatkan citra sidik jari biasa disebut fingerprint. Pada setiap sensor fingerprint mempunyai tipe yang berbeda sehingga kemampuan masing-masing data yang dihasilkan juga berbeda. Dengan perbedaan spesifikasi dan kemampuan sensor fingerprint maka akan menghasilkan kualitas citra yang berbeda juga. Kemampuan ini dapat dilihat dari kepekaan pembacaan dari sebuah sensor. Sebagian sensor jika diberikan noise yang tinggi, maka citra sidik jari tidak dapat dibaca dan ada sebagian sensor jika diberikan noise yang tinggi, maka sensor tetap dapat membaca citra sidik jari. Dengan mengetahui jenis sensor yang dipakai akan dengan mudah menentukan bagaimana menerapkan pada kondisi yang akan kita ambil datanya atau dengan menentukan batas noise yang masih dapat dibaca oleh sensor, sehingga tidak akan terjadi kegagalan dalam membaca citra sidik jari dengan sensor yang sedang dipakai.
2.2.
Sidik jari Sidik jari merupakan hasil reproduksi tapak jari baik yang diambil dengan
sengaja maupun tidak sengaja, dicapkan dengan tinta, maupun bekas yang ditinggalkan pada benda karena pernah tersentuh kulit telapak tangan atau kaki. Sidik jari manusia digunakan untuk keperluan identifikasi karena tidak ada dua manusia yang memiliki sidik jari yang sama persis walaupun lahir kembar identik. Hal ini membuat sidik jari menjadi suatu yang unik dan tidak berubah dimana sidik jari ditentukan oleh permukaan topografi dari struktur ridge yang dimilikinya.
26
Ridge Bifurcation Ridge Ending
Core
(a) Ridge Ending Ridge Bifurcation Ridge Island
Core Delta
Ridge Ecrorare Ridge Dot
(b)
(c)
Gambar 2.5. Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop [12]
Gambar 2.5 menunjukkan bahwa setiap citra sidik jari memiliki data unik. Pengertian data unik ini dapat dijelaskan bahwa ridge ending merupakan garis terputus, bifurcation merupakan dua garis yang bertemu di salah satu ujungnya, island merupakan garis pendek terputus pada kedua ujungnya, ecrorare merupakan garis putus-putus dan dot merupakan garis yang sangat pendek seperti titik. Secara spesifik, konfigurasi global dapat didefinisikan dengan struktur ridge yang digunakan untuk mengklasifikasikan suatu kelas dari citra sidik jari. Pada saat pendistribusian titik-titik digunakan untuk membandingkan atau menyepadankan dan membentuk kesamaan ciri atau pola diantara dua sample citra sidik jari. Sistem identifikasi otomatis
27
dengan menggunakan biometrik citra sidik jari, dapat berfungsi membandingkan citra sidik jari sebagai input dengan sekumpulan data citra sidik jari dalam suatu database. Tidak selamanya citra sidik jari dapat diperoleh dalam kondisi baik, terutama pengambilan citra sidik jari yang diambil tanpa persiapan. Seperti Gambar 2.6 terlihat beberapa citra sidik jari yang diambil tidak sempurna, maka untuk dapat mengambil informasi dengan benar perlu dilakukan perlakuan khusus.
(a)
(d)
(b)
(e)
(c)
(f)
Gambar 2.6. Garis acquisition: (a) Sidik jari terkena tinta (b) Sidik jari tersembunyi didapat dari kondisi kejahatan (c,d,f) Diperoleh dari optical, (e) Diperolehdari sensor kapasitif [15].
28
Sidik jari dapat diklasifikasikan menjadi tiga kelas utama, yaitu: Arch, Loop dan Whorl berdasarkan dari pola garis pola garis (ridge) dan lembah (valley) [4]. Karena citra sidik jari yang unik, maka dari data itu akan dilakukan perbaikan citra terlebih dahulu untuk memunculkan karakteristik dari masing-masing citra sidik jari pada setiap orang. Perbaikan citra sidik jari perlu dilakukan karena mengalami perubahan pada citra sidik jari yang diakibatkan oleh sidik jari terkena kotoran, berminyak maupun kering. Di bawah ini adalah contoh dari ketiga kelas yang telah disebutkan yaitu: Arch, Loop dan Whorl.
(a)
(b)
(c)
Gambar 2.7. Klasifikasi pada citra sidik jari (a) Arch, (b) Loop dan (c) Whorl [4].
Pada Gambar 2.7 menunjukkan klasifikasi pada citra sidik jari ada tiga jenis citra sidik jari yang banyak ditemukan yaitu, Gambar 2.7(a) arch, sebuah pola berbentuk lengkungan, Gambar 2.7(b) loop, sebuah pola berbentuk lingkaran dan Gambar 2.7(c) whorl, sebuah pola berbentuk alur-alur berputar. Dari klasifikasi ini dapat dibagi menjadi beberapa subklasifikasi [8], yaitu:
29
a. Arch dibagi menjadi arch dan tented arch, dari beberapa populasi arch mempunyai presentasi sebesar 5%. b. Loop dibagi menjadi left loop, right loop dan double loop. Berbeda dengan arch, jumlah individu yang mempunyai klasifikasi loop sangat besar yaitu sebesar 60 %. c. Whorls pada klasifikasi ini jumlah presentasi individu sebesar 35%.
2.2.1. Identifikasi sidik jari Identifikasi sidik jari merupakan metode dalam mencocokkan data input citra sidik jari terhadap semua data template. Sebelum melakukan pencocokan ada beberapa langkah yang perlu dilakukan, diantaranya: a. Data acquisition adalah penerjemahan data dari suatu sensor ke dalam bit-bit data citra sidik jari. Ada beberapa metode dalam data acquisition diantaranya: an inked fingerprint, a latent fingerprint dan a live scan fingerprint. An inked fingerprint adalah pengambilan data dengan cara sidik jari diberi tinta untuk ditempelkan ke suatu kertas putih, selanjutnya kertas putih tersebut di-scan dan dimasukkan ke database. Sedangkan a latent fingerprint adalah cara yang banyak digunakan dalam mendeteksi masalah kriminal dimana pengambilan data sidik jari dilakukan pada suatu barang bukti kriminal yang diberikan bubuk atau cairan kimia, dan kemudian difoto untuk mendapatkan citra sidik jari. A live scan fingerprint adalah suatu alat yang embedded dalam suatu
30
aplikasi dimana alat tersebut akan mengambil data sidik jari user secara langsung dengan cara menempelkan sidik jari ke alat tersebut. b. Feature extraction adalah ekstraksi bit-bit data ke dalam parameter-parameter sesuai dengan metode yang akan dipakai dalam pencocokan. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae dan pada metode image matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier. c. Decision making adalah membandingkan antara ekstraksi data input dan data template yang akan menghasilkan apakah data benar atau salah.
Banyak metode pencocokan sidik jari yang telah dikembangkan, misalnya: minutiae-based dimana metode yang mencocokkan berdasarkan pada vektor ekstraksi minutiae, vektor ridge ending dan ridge bifurcation sidik jari input dan sidik jari (query) serta image-matching yang merupakan metode yang mencocokkan dua buah citra sidik jari. Penggolongan metode tersebut berdasarkan pada bagaimana cara mencocokkan citra sidik jari. Minutiae-based mempunyai keunggulan dalam kecepatan karena jumlah data yang dicocokkan berbentuk vektor dengan ukuran yang relatif kecil dibandingkan dengan metode image-matching. Sedangkan image-matching mempunyai keunggulan dari sisi akurasi data yang lebih tinggi dibandingkan dengan metode minutiae-based. Namun kelemahannya lambat dari sisi kecepatan.
31
2.3.
Pengolahan Citra Pengolahan citra merupakan pemrosesan suatu citra, khususnya menggunakan
komputer menjadi citra yang lebih baik. Dalam hal melakukan pengolahan citra, maka ada proses-proses yang akan dilalui untuk mendapatkan suatu citra yang lebih baik, diantaranya sebagai berikut:
2.3.1. Binerisasi Kebanyakan algoritma ekstraksi minutiae beroperasi pada citra biner dimana hanya ada dua tingkat dominan yaitu: piksel hitam yang mewakili ridge, dan piksel putih yang mewakili valley seperti yang terlihat pada Gambar 2.8. Binerisasi adalah proses mengubah gray level citra menjadi citra biner. Hal ini akan meningkatkan kontras antara ridge dan valley dalam citra sidik jari dan akibatnya memfasilitasi ekstraksi minutiae.
(a)
(b)
Gambar 2.8. Proses konversi binerisasi (a) citra asli, (b) hasil binerisasi [10]
32
Salah satu properti yang berguna dari Gabor Filter adalah ia memiliki komponen DC nol, yang berarti filtering citra menghasilkan nilai piksel rata-rata nol. Oleh karena itu, binerisasi langsung dari citra dapat dilakukan menggunakan global ambang nol. Proses binerisasi melibatkan pemeriksaan tingkat gray level nilai setiap piksel dalam citra yang disempurnakan dan jika nilai lebih besar daripada ambang global, maka nilai piksel disetel ke nilai biner satu, selain itu diatur ke nol. Hasilnya adalah citra biner berisi dua tingkat informasi, latar depan ridge dan latar belakang valley. Binerisasi diperoleh dengan persamaan (2.1).
...........................................(2.1)
2.3.2. Thinning Thinning atau penipisan adalah suatu proses pengurangan objek dalam citra digital hingga mendapatkan ukuran minimal yang diperlukan untuk pengenalan objek tersebut oleh komputer, hasilnya dikenal dengan skeleton (kerangka) dan proses thinning kadang dikenal juga sebagai skeletonisasi. Algoritma thinning dikelompokkan dalam dua kelompok utama yakni iterative (pixel based) dan non-iterative (non pixel-based). Untuk kelompok iterative terdiri dari sequential dan paralel, sedangkan yang non-iterative terdiri dari medial axis transform, line following dan lain-lain [18]. Meskipun secara umum proses
33
thinning secara berulang akan melakukan proses penghapusan pada titik-titik tepi suatu area, beberapa hal harus diperhatikan [8]: a. Tidak menghapus atau menghilangkan titik akhir. b. Tidak memutuskan keterhubungan. c. Dan tidak terjadi pengikisan yang terlalu berlebihan. Suatu algoritma thinning dikatakan baik jika meliputi proses untuk menangani hal-hal sebagai berikut [17]: a. Kepekaan terhadap noise, algoritma thinning seharusnya tidak peka terhadap noise (mengabaikan noise). Noise dapat menyebabkan algoritma thinning menghasilkan kerangka yang tidak benar. b. Mempertahankan topologi dan geometri objek, hal ini dapat dicapai jika tidak terjadi pemutusan keterhubungan dan pengikisan yang berlebihan. c. Isotropi, hasil kerangka tetap sama meskipun objek diputar dalam berbagai arah. d. Dapat direkonstruksi, objek dapat dibentuk kembali berdasarkan kerangka hasil thinning. e. Efisien, kecepatan proses menjadi hal yang utama terutama pada aplikasi real time.
Gambar 2.9 memperlihatkan proses thinning pada citra yang ber-noise, dimana pada proses thinning walau dilakukan proses berulang-ulang tapi tidak menghapus keseluruhan citra.
34
(a)
(c)
(b)
(d)
Gambar 2.9. Proses thinning pada citra (a) citra ber-noise; (b) citra ideal; (c) citra bernoise; (d) kerangka hasil thinning yang dipengaruhi noise [16]
2.3.3. Gabor filter Saat informasi ridge orientasi dan ridge frekuensi telah ditentukan, parameterparameter ini digunakan untuk membentuk simetrik genap Gabor Filter. Sebuah Gabor filter dua dimensi terdiri atas dua gelombang sinusoida dari orientasi dan frekuensi, dimodulasikan oleh sebuah envelope (sampul) Gaussian [13]. Gabor filter bekerja pada frekuensi dan orientasi yang selektif sesuai sifatnya. Sifat-sifat ini membuat filter di tuning agar menghasilkan respon maksimal pada ridge orientasi
35
dan ridge frekuensi tertentu dalam pencitraan sidik jari. Untuk itu, tuning yang sempurna dari gabor filter dapat digunakan secara efektif untuk mempertahankan struktur ridge saat terjadi pengurangan noise. Gabor filter simetrik genap adalah bagian nyata dari fungsi gabor, yang diberikan oleh gelombang cosinus yang di modulasi oleh Gaussian (Gambar 2.10). Gabor filter dalam domain spatial ditentukan oleh [4]: 2 yθ2' 1 xθ ' G ( x, y;θ , f ) = exp − 2 + 2 2 σ x ' σ y '
xθ = x cosθ − y sin θ ,
cos(2πfxθ ), ..(2.2)
..........................................................(2.3)
yθ = x sin θ + y cosθ , .........................................................(2.4) Dimana θ adalah orientasi gabor filter, f adalah frekuensi gelombang cosinus, σ x dan σ y adalah deviasi standar sifat gaussian sepanjang sumbu x dan y , dan xθ dan yθ mendefinisikan sumbu x dan y dari koordinat filter.
f
x
y
Gambar 2.10. Gabor filter simetris genap dalam spatial domain [10]
36
Gabor Filter diterapkan pada citra sidik jari secara spasial untuk konvolusi citra dengan filter. Konvolusi piksel (i,j) pada citra memerlukan kesesuaian orientasi nilai
dan nilai frekuensi ridge
gabor filter
untuk memperoleh peningkatan citra
E (i, j ) =
2
(i − u, j − v ) ∑ ∑ G (u, v; O(i, j ), F (i, j ))N............................(2.5)
adalah orientasi citra,
jari yang telah dinormalkan,
dilakukan sesuai rumus:
wy
wx 2
u =−
Dimana
pada pikselnya. Oleh karena itu, penerapan
wy wx v=− 2 2
adalah frekuensi ridge citra, dan
adalah citra sidik
adalah lebar dan tinggi dari mask gabor
filter. Bandwidth filter yang menentukan rentang respon frekuensi filter, ditentukan oleh parameter standar deviasi σ x dan σ y . Karena bandwidth filter diatur untuk menyesuaikan frekuensi ridge lokal, maka dapat disimpulkan bahwa pemilihan parameter σ x dan σ y harus terkait dengan frekuensi ridge. Namun, pada algoritma originalnya [9], σ x dan σ y secara empiris diatur pada tetapan nilai masing-masing 4.0 dan 4.0. Sebuah kelemahan menggunakan nilai yang tetap adalah bahwa kekuatan untuk bandwidth selalu konstan, tidak memperhitungkan variasi yang mungkin terjadi dalam nilai-nilai frekuensi ridge. Misalnya, jika sebuah filter dengan bandwidth konstan diterapkan untuk citra sidik jari yang mana menunjukkan variasi yang signifikan pada nilai frekuensi, dapat menyebabkan enhancement secara non-uniform atau enhancement tambahan lainnya. Dengan demikian, daripada menggunakan nilai
37
tetap, maka dipilih nilai σ x dan σ y menjadi fungsi parameter frekuensi ridge, yang didefinisikan sebagai berikut:
σ x = k x F (i, j ), ................................................................. (2.6) σ y = k y F (i, j ),
................................................................. (2.7)
Dimana F merupakan frekuensi ridge citra,
σ x , dan
adalah variabel konstan untuk
adalah variabel konstan untuk σ y . Hal ini memungkinkan pendekatan
yang lebih adaptif untuk digunakan, sebagai nilai-nilai σ x dan σ y sekarang dapat ditentukan secara adaptif sesuai dengan frekuensi ridge lokal dari citra sidik jari. Selanjutnya, dalam algoritma asal, lebar dan tinggi dari mask filter sama-sama diatur pada nilai tetap. Ukuran filter mengontrol luas spasial dari filter, yang idealnya dapat secara umum mengakomodasi manfaat informasi sinyal Gabor. Namun, nilai filter yang tetap akan tidak optimal karena tidak dapat mengakomodasi sinyal Gabor dengan bandwidth yang berbeda. Oleh karena itu, agar memungkinkan ukuran filter bervariasi secara otomatis mengikuti bandwidth sinyal Gabor, maka ditetapkan ukuran filter menjadi fungsi yang memakai standar deviasi sebagai parameter [19]:
wx = 6σ x , ...........................................................................(2.8) wy = 6σ y Dimana
dan
............................................................................(2.9)
adalah lebar dan tinggi mask filter Gabor; σ x dan
σ y adalah standar deviasi dari bentuk Gaussian sepanjang sumbu x dan y . Dalam
38
persamaan (2.9) lebar dan tinggi dari mask filter keduanya ditetapkan sebagai
,
karena sebagian besar informasi gelombang Gabor terkandung di rentang ini jauh dari sumbu
. Oleh karena itu, pemilihan nilai parameter ini
memungkinkan masker filter untuk merekam sebagian besar informasi sinyal Gabor.
2.4.
Identifikasi Sidik Jari Identifikasi sidik jari merupakan metode dalam mencocokkan data input sidik
jari terhadap semua data template. Sebelum melakukan pencocokan ada beberapa langkah yang perlu dilakukan diantaranya: a. Data acquisition adalah penerjemahan data dari suatu sensor ke dalam bit-bit data sidik jari. Ada beberapa metode dalam data acquisition diantaranya: an inked fingerprint, a latent fingerprint dan a live scan fingerprint. An inked fingerprint adalah pengambilan data dengan cara sidik jari diberi tinta untuk ditempelkan ke suatu kertas putih, selanjutnya kertas putih tersebut di-scan dan dimasukkan ke database. A latent fingerprint adalah pengambilan data yang dilakukan pada suatu barang bukti kriminal dengan memberikan bubuk atau cairan kimia, kemudian di foto untuk mendapatkan sidik jari. Sedangkan A live scan fingerprint adalah suatu alat embedded dalam suatu aplikasi dimana alat akan mengambil data sidik jari user secara langsung dengan cara sidik jari ditempelkan ke alat tersebut. b. Feature extraction merupakan ekstraksi bit-bit data ke dalam parameter-
39
parameter sesuai dengan metode yang akan dipakai dalam pencocokan sidik jari. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae dan metode citra matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier. c. Decision making adalah membandingkan data sidik jari antara ekstraksi data input dengan data template, sehingga menghasilkan data yang benar atau salah. Minutiae-based mempunyai keunggulan dalam kecepatan karena jumlah data yang dicocokkan berbentuk vektor dengan ukuran yang relatif kecil bila dibandingkan dengan metode citra-matching yang hanya unggul dari sisi keakurasian data, namun kelemahannya lambat dari sisi kecepatan.
2.4.1. Minutiae Minutiae adalah vektor dari ridge ending dan ridge bifurcation dari sebuah citra sidik jari seperti yang diperlihatkan pada Gambar 2.11. Vektor ridge ending adalah lokasi koordinat x, y dan sudut θ dari ujung garis jari. Sedangkan Vektor ridge bifurcation adalah koordinat x, y dan sudut θ dari garis jari yang berbentuk cabang. Untuk menentukan suatu lokasi dari ridge ending dan ridge bifurcation dalam suatu citra sidik jari adalah dengan melihat piksel tetangga dari suatu piksel citra setelah dilakukan proses sceletonized. Jika suatu piksel R mempunyai piksel tetangga, X1, X2, …..Xk. Suatu piksel dikategorikan sebagai ridge ending jika piksel tersebut mempunyai kondisi sebagai berikut:
40
....................(2.10) Sedangkan suatu piksel dikategorikan sebagai ridge bifurcation jika hubungan piksel dan piksel tetangganya memenuhi kondisi sebagai berikut: ....................(2.11)
Gambar 2.11. Vektor minutiae ridge (x,y,θ) ending dan ridge bifurcation [14]
Untuk mendapatkan hasil ekstraksi minutiae yang akurat diperlukan suatu metode enhancement citra, hal ini dikarenakan data acquisition seringkali menghasilkan data citra dengan kualitas kurang baik. Salah satu enhancement citra adalah recovered dari ridge, contoh sidik jari dengan kualitas yang baik dan rendah seperti pada Gambar 2.12.
41
(a)
(b)
Gambar 2.12. Dua citra sidik jari dengan kualitas yang berbeda (a) citra kualitas baik; (b) citra kualitas rendah [11]
2.4.2. Minutiae matching Minutiae matching merupakan proses pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae yang ada pada database. Pada Gambar 2.13 menunjukkan minutiae dari query yang digambarkan dengan warna hitam sedangkan minutiae pada database digambarkan dengan warna merah. Jika minutiae pada database mempunyai lokasi x,y dan sudut yang sama atau hampir sama dengan minutiae input dianggap teridentifikasi. Area yang berwarna biru muda menunjukkan vektor minutiae query bersesuaian dengan vektor minutiae sidik jari pada database. Korelasi vektor minutiae input dan vektor minutiae template dapat di nilai dengan:
......................................................................(2.12)
= Jumlah vektor minutiae query dan template yang bersesuaian = Jumlah vektor minutiae query
42
(a)
(b)
(c)
Gambar 2.13. Minutiae matching dari sampel input sidik jari dan template database; (a) citra sidik jari; (b) query database; (c) minutiae matching [17]
Beberapa faktor penyebab sehingga tidak dapat dilakukan penilaian pada vektor minutiae disebabkan oleh: a. Faktor usia, yakni garis sidik jari terlihat tidak jelas seperti pada orang tua. b. Faktor kecelakaan yang menyebabkan hilangnya garis-garis jari pada sidik jari. c. Faktor cuaca, sehingga garis-garis jari tidak jelas pada individu yang tinggal pada kawasan yang cuacanya terlalu kering. d. Faktor keturunan. Hal tersebut menyebabkan kualitas citra pada data acquisition sangat jelek. Dari seratus populasi, persentase data acquisition yang jelek adalah sebesar dua sampai lima persen [8].
