38
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Kriminalitas adalah suatu hal yang sering terjadi di dunia ini. Indonesia termasuk suatu negara yang memiliki tingkat kriminalitas cukup tinggi. Hal inilah yang mendorong dibentuknya Kepolisian Negara Republik Indonesia. Dengan tingkat kriminalitas yang tinggi, tugas untuk mengidentifikasi/membuktikan sesuatu, menjadi suatu hal yang perlu dilakukan dalam berbagai tindak penyelidikan. Oleh karena itu, dibentuklah divisi Identifikasi Direktorat Reserse Kriminal Umum, yang bertugas untuk melakukan berbagai penyelidikan, guna mengetahui identitas seseorang. Pada bagian ini, akan dibahas mengenai gambaran umum dari divisi Identifikasi Direktorat Reserse Kriminal Umum. Selain itu, juga akan diberikan struktur organisasi dan gambaran dari sistem yang berjalan pada divisi tersebut. Dari semua hal itu, penulis menganalisis permasalahan yang terjadi dan mencoba memberikan alternatif pemecahan masalah. Pada bagian ini, juga akan dibahas mengenai rancangan dari program aplikasi yang dibuat.
3.1 Gambaran Umum Perusahaan Direktorat Reserse Kriminal Umum (DIRESKRIMUM) adalah suatu divisi yang berada dibawah Polda Metro Jaya. Divisi tersebut memiliki tugas untuk menangani berbagai kriminalitas yang terjadi di Jakarta. Salah satu divisi dari Direktorat Reserse Kriminal Umum adalah divisi Identifikasi. Pada penelitian ini, penulis hanya akan memfokuskan diri pada divisi Identifikasi tersebut.
39
3.1.1 Riwayat Perusahaan Direktorat Reserse Kriminal Umum, merupakan sebuah divisi yang berada di bawah Polda Metro Jaya, yang bertugas untuk menangani berbagai kriminalitas yang terjadi di Jakarta. Direktorat Reserse Kriminal Umum beralamatkan di Jalan Jenderal Sudirman kav. 55, Jakarta Selatan 12190. Salah satu divisi yang dimiliki oleh Direktorat Reserse Kriminal Umum adalah divisi Identifikasi. Divisi ini bertugas untuk melakukan identifikasi dari identitas seseorang, dengan berbagai cara. Salah satu sub divisi yang sesuai dengan penelitian ini adalah sub divisi daktiloskopi. Sub divisi daktiloskopi adalah sub divisi yang bertugas untuk mengidentifikasikan identitas seseorang melalui sidik jari.
3.1.2 Struktur Organisasi
KASI IDENTIFIKASI
PAUR DAKTILOSKOPI
KANIT OLAH TKP I
KANIT OLAH TKP II
PAUR FOTOGRAFI
KANIT OLAH TKP III
Gambar 3.1 Struktur Organisasi Divisi Identifikasi DIRESKRIMUM (Sumber: Divisi Identifikasi DIRESKRIMUM)
40
Berdasarkan struktur di atas, adapun uraian tugas dari masing-masing personilnya secara umum adalah sebagai berikut: a. Kasi (Kepala Seksi) Identifikasi.
Di dalam divisi Identifikasi, Kepala Seksi merupakan posisi tertinggi yang bertanggung jawab terhadap divisi tersebut. Adapun tugas-tugasnya adalah: •
Memegang kekuasaan tertinggi.
•
Memberikan petunjuk dan bimbingan kepada personilnya dalam melaksanakan berbagai kegiatan operasional
•
Bertanggung jawab atas semua personil yang ada di divisi tersebut.
•
Bertanggung jawab penuh atas divisi baik dari segi intern maupun ekstern.
•
Mengkoordinasikan personilnya dalam penyusunan dan pelaksanaan seluruh kegiatan perusahaan.
b. Paur Daktiloskopi.
•
Melakukan pengambilan sidik jari kriminal secara rutin.
•
Melakukan pengambilan sidik jari non kriminal, untuk berbagai keperluan, seperti untuk pembuatan SKCK (Surat Keterangan Catatan Kepolisian).
•
Melakukan pengambilan sidik jari laten di Tempat Kejadian Perkara (TKP).
41
•
Melakukan
identifikasi
sidik
jari,
guna
mengetahui
identitas
pemiliknya. •
Melakukan pengiriman basis data citra digital sidik jari kriminal, ke Markas Besar Kepolisian Negara Republik Indonesia.
c. Paur Fotografi.
•
Mengambil foto dari para kriminal secara rutin.
•
Mengambil foto di Tempat Kejadian Perkara (TKP)
•
Memelihara file fotografi.
d. Kanit (Kepala Unit) Olah TKP.
•
Melakukan pengolahan Tempat Kejadian Perkara (TKP), guna memperoleh berbagai barang bukti.
3.1.3 Sistem yang Berjalan Pada bagian ini tidak akan dibahas sistem dari divisi Identifikasi secara keseluruhan, tetapi hanya sub divisi Paur Daktiloskopi. Seperti telah diuraikan di atas, subdivisi ini memiliki tiga tugas utama, yaitu melakukan pengambilan citra sidik jari, melakukan identifikasi, dan melakukan pengiriman basis data citra sidik jari ke Mabes Polri. Untuk lebih jelasnya, sistem yang digunakan pada setiap tugas tersebut adalah sebagai berikut: a. Pengambilan citra sidik jari.
Proses pengambilan citra sidik jari, terbagi menjadi tiga, yaitu pengambilan sidik jari kriminal, sidik jari non kriminal, dan sidik jari laten di TKP.
42
Untuk proses pengambilan citra sidik jari kriminal dan non kriminal, petugas akan menggunakan stamping kit, yang berisi tinta, plate untuk tempat mengoleskan tinta, dan roll untuk meratakan tinta.
Gambar 3.2 Sikap Pengambilan Sidik Jari (Sumber: Buku Petunjuk Teknis Polri di Bidang Identifikasi)
Petugas akan membantu orang yang akan diambil citra sidik jarinya, dengan menekan kesepuluh jari mereka pada plate yang telah diolesi tinta, dan menggulingkan jari mereka satu persatu pada formulir sidik jari. Setelah semua citra sidik jari berhasil didapatkan, petugas akan membantu untuk melakukan pengisian formulir sidik jari tersebut. Khusus untuk kriminal, bagian foto dikosongkan dan akan diisi oleh bagian fotografi,
43
sementara untuk non kriminal, diwajibkan untuk membawa foto sendiri dengan ukuran 4 x 6 dan mencantumkannya pada formulir sidik jari.
Gambar 3.3 Cara Pengambilan Sidik Jari (Sumber: Buku Petunjuk Teknis Polri di Bidang Identifikasi)
Untuk pengambilan citra sidik jari kriminal, petugas akan datang ke sel tahanan, dan melakukan pengambilan sidik jari di tempat tersebut. Akan tetapi, untuk non kriminal, mereka wajib datang sendiri ke bagian Identifikasi, jika ingin mengambil citra sidik jari. Pada proses pengambilan sidik jari kriminal, umumnya dibutuhkan tiga orang personal, yaitu satu orang untuk mengambil sidik jari, satu orang sebagai fotografer, dan satu orang lainnya untuk mengurus administrasi.
44
Gambar 3.4 Formulir Sidik Jari
b. Identifikasi sidik jari.
Proses pencocokan/identifikasi sidik jari, dilakukan secara manual. Setelah sebuah sidik jari laten ditemukan, sidik jari tersebut akan dicocokan dengan
45
basis data citra sidik jari dari para tersangka. Proses pencocokan sidik jari ini, merupakan sebuah proses yang rumit, dengan cara melakukan pencocokan delta, core, dan berbagai ciri lainnya dari sebuah sidik jari. c. Pengiriman basis data citra sidik jari
Secara rutin bagian daktiloskopi harus melakukan pengiriman citra sidik jari kriminal yang telah mereka peroleh. Proses pengiriman citra ini akan menggunakan sebuah program aplikasi yang bernama APIS. APIS adala sebuah program aplikasi untuk melakukan pengiriman sidik jari secara langsung. Dalam pengoperasiannya, APIS membutuhkan koneksi Internet. Kendala yang sering ditemui dalam penggunaan APIS adalah seputar masalah koneksi Internet.
3.2 Identifikasi Permasalahan Subdivisi daktiloskopi bertugas untuk melakukan identifikasi sidik jari guna mengetahui identitas pemiliknya. Dalam proses identifikasi ini, petugas harus melakukan perbandingan citra sidik jari secara manual, dengan basis data citra sidik jari yang dimilikinya. Proses perbandingan sidik jari secara manual ini akan membutuhkan waktu yang relatif lama. Petugas harus membandingkan citra sidik jari satu persatu dengan citra sidik jari dari para tersangka. Seandainya ada sepuluh orang tersangka, maka sidik jari tersebut harus dibandingkan dengan kesepuluh sidik jari dari sepuluh orang tersebut, atau sama dengan membandingkan dengan seratus sidik jari. Hal tersebut hanya untuk satu kali proses identifikasi, padahal mungkin subdivisi ini harus menangani berbagai kasus. Dari hal tersebut, dapat dilihat bahwa
46
subdivisi daktiloskopi membutuhkan sebuah sistem untuk melakukan identifikasi sidik jari secara otomatis. Hal ini diperlukan untuk membantu dan mempercepat proses identifikasi sidik jari.
3.3 Alternatif Pemecahan Masalah Dengan menganalisis permasalahan yang dihadapi oleh subdivisi Daktiloskopi ini, maka penulis merancang sebuah alternatif pemecahan masalah, yang dapat membantu proses identifikasi. Adapun alternatif pemecahan masalah tersebut adalah dengan menggunakan sebuah sistem atau program aplikasi dengan tenaga komputer, yang dapat melakukan training data citra sidik jari, dan menggunakan basis data tersebut untuk melakukan identifikasi atau pencocokkan. Basis data citra sidik jari juga harus menyimpan informasi tentang pemilik dari sidik jari yang bersangkutan. Pada penelitian ini, hanya akan dibangun program aplikasi yang dapat mengidentifikasi citra sidik jari dari ibu jari tangan kanan, basis data yang dibangun hanya akan menampung nama pemilik sidik jari tersebut. Citra sidik jari diperoleh dengan menggunakan scanner dengan ruang warna grayscale, dan disimpan dengan format *.bmp dengan ukuran 128 x 128 piksel.
3.4 Rancangan Program Aplikasi Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2005. Proses perancangan menggunakan pendekatan Object Oriented Analysis and Design (OOAD) dengan menggunakan notasi Unified Modeling Language (UML) yang mencakup flowchart, use case diagram dan rancangan layar. Proses identifikasi sidik jari ini, menggunakan Transformasi Wavelet untuk
47
melakukan ekstraksi ciri dari citra sidik jari dan jaringan syaraf tiruan jenis Backpropagation untuk melakukan identifikasi sidik jari.
3.4.1 Microsoft Visual C# 2005 Perancangan program aplikasi ini, menggunakan Microsoft Visual C# 2005. Bahasa pemrograman C# merupakan penerus dari bahasa pemrograman C++. Hal ini membuat C# memiliki berbagai kelebihan yang dimiliki oleh C++ dan telah mereduksi berbagai kekurangan yang dimiliki C++. Sesuai dengan konsep perancangan yang menggunakan pendekatan Object Oriented Analysis and Design (OOAD), maka bahasa pemrograman C# merupakan pilihan yang tepat. Microsoft Visual C# 2005 merupakan perangkat lunak yang berorientasi obyek. Selain itu, ia juga merupakan bahasa pemrograman yang cukup sederhana, yang sering digunakan untuk mengembangkan program aplikasi oleh para developer program.
3.4.2 Flowchart dan Usecase Diagram Dalam perancangan program aplikasi ini, penulis menggunakan flowchart untuk menggambarkan proses yang terjadi pada aplikasi secara keseluruhan. Proses ini digambarkan secara runtun, dari awal proses perancangan, yaitu pengumpulan data, hingga terbentuk jaringan syaraf tiruan dari hasil training data. Adapun simbol-simbol yang sering digunakan pada diagram alir/flowchart adalah sebagai berikut : 1.
Proses
48
•
Berupa proses/ pengolahan, misalnya perhitungan
•
Untuk predefined process
2.
Operasi Input / Output
3.
Operasi Manual Input
4.
Panah, menghubungkan antar komponen dan menunjukkan arah.
5.
Decision, berupa pertanyaan atau penentuan suatu keputusan.
6.
Terminal, untuk menandai awal atau akhir program
7.
Preparation, untuk inisialisasi suatu nilai
8.
Connector, sebagai penghubung dalam satu halaman.
9.
Off Page Connector, sebagai penghubung antar halaman.
Berikut ini adalah flowchart dari perancangan program aplikasi identifikasi sidik jari:
49
Gambar 3.5 Flowchart
50
Gambar 3.6 Usecase Diagram
Use case diagram di atas, digunakan untuk menggambarkan interaksi yang terjadi antara pengguna dan program aplikasi. Melalui usecase diagram di atas, dapat dilihat hal-hal yang dapat dilakukan oleh pengguna pada program aplikasi ini.
3.4.3 Rancangan Layar Penulis merancang program aplikasi ini menjadi satu layar utama, yang terbagi menjadi beberapa menu, sesuai dengan fungsi-fungsi yang telah diuraikan pada bagian sebelumnya.
51
Gambar 3.7 Tampilan Layar Utama
Tampilan layar utama di atas, terbagi menjadi beberapa bagian. Pertama adalah bagian menu, yang terdiri dari menu file dan menu help. Bagian kedua adalah bagian citra, ketiga adalah bagian output, dan bagian keempat adalah bagian button fitur. Adapun rincian fungsi dari masing setiap bagian adalah: a. Menu. Pada bagian ini terdapat dua menu, yaitu menu file dan menu help.
Menu file akan berisi segala sesuatu yang berkaitan dengan file, yaitu load citra, yang berfungsi untuk me-load citra, save network, yang berfungsi untuk men-save network yang telah ditrain, load network, yang berfungsi untuk me-load file network, dan exit yang berfungsi untuk keluar dari program aplikasi. Menu help, akan berisikan dua macam bantuan, yaitu user manual, yang berisikan tata cara pemakaian program aplikasi, dan about me, yang berisikan contact person dari penulis. b. Citra adalah bagian dimana semua citra yang di-load dan diproses akan
ditampilkan. Citra pertama akan berisikan citra asli yang di-load pertama
52
kali. Citra kedua akan berisikan citra yang telah diproses, baik melalui proses pengolahan citra maupun proses ekstraksi fitur. c. Output, akan berisikan semua laporan dari proses yang terjadi pada
program aplikasi. d. Program ini memiliki lima tombol fitur, yaitu preprocessing, ekstract,
training, identify, dan clear output. Preprocessing berfungsi untuk melakukan pengolahan citra. Jika tombol ini ditekan, akan menampilkan menu threshold option. Ekstract berfungsi untuk melakukan ekstraksi ciri. Training dan Identify merupakan tombol untuk proses pelatihan dan pengujian dari jaringan syaraf tiruan. Clear output adalah tombol untuk menghapus laporan yang ditampilkan pada bagian output.
Gambar 3.8 Menu File
53
Gambar 3.9 Menu Help
Gambar 3.8 adalah tampilan dari menu threshold. Pada bagian ini akan berisi dua buah radiobutton, di mana pengguna harus memilih apakah ia ingin menggunakan fasilitas adaptive threshold, ataukah menentukan nilai threshold secara manual. Selain itu, pengguna juga bisa menentukan apakah ia ingin menggunakan filter yang tersedia atau tidak. Tombol proses berfungsi untuk memroses nilai threshold yang telah ditentukan oleh user.
Gambar 3.10 Menu Threshold
54
3.4.4 Pengumpulan Data Tahap ini merupakan tahap untuk mengumpulkan citra digital sidik jari. Citra sidik jari yang dikumpulkan adalah citra dari ibu jari tangan kanan. Citra sidik jari diperoleh dengan menggunakan tinta. Tinta dioleskan pada sebuah plate yang licin, yang umumnya terbuat dari kaca. Setelah itu, jari digulingkan pada plate yang telah diberi tinta tersebut. Kemudian, jari yang telah bertinta, ditekankan pada sebuah kertas putih. Setelah citra sidik jari diperoleh, berikutnya adalah tahap untuk mengubah citra analog sidik jari menjadi citra digital. Citra ini diubah menjadi citra digital dengan menggunakan perangkat keras scanner Canon Pixma MP145. Citra analog sidik jari discan dengan format ruang warna grayscale, dengan output pencetakan 300 dpi. Selain itu, juga digunakan fitur yang tersedia dari scanner, yaitu fitur koreksi pemudaran warna dan koreksi cahaya belakang. Citra tersebut, kemudian diubah menjadi ukuran 128 x 128 piksel dengan menggunakan perangkat lunak Adobe Photoshop CS3. Pada penelitian ini, citra sidik jari diambil dari 20 orang. Setiap orang diambil citra ibu jari tangan kanannya sebanyak tiga kali. Dari tiga sidik jari yang diambil, dua adalah citra sidik jari yang baik, sementara satunya adalah citra sidik jari yang terdistorsi. Jadi total data yang diperoleh adalah 60 citra sidik jari, dengan rincian 40 citra sidik jari yang akan digunakan pada tahap pelatihan dan pengujian, serta 20 citra sidik jari terdistorsi yang akan digunakan untuk proses pengujian.
55
3.4.5 Pemrosesan Citra Setelah sebuah citra digital sidik jari diperoleh, maka citra tersebut siap untuk digunakan pada tahap selanjutnya, yaitu pemrosesan citra. Tahap ini adalah tahap untuk memperbaiki mutu/kualitas dari suatu citra digital. Untuk memperbaiki mutu dari suatu citra, kita harus menghilangkan noise yang terdapat pada citra digital sidik jari. Proses perbaikan kualitas citra yang dilakukan pada penelitian ini terbagi menjadi dua tahap yaitu: a. Thresholding
Proses thresholding adalah proses untuk merubah citra grayscale/keabuan menjadi citra dengan dua warna yaitu hitam dan putih (biner). Setiap piksel pada citra akan diambil derajat keabuannya. Derajat keabuan dari sebuah citra dapat diperoleh dengan persamaan berikut:
S adalah nilai dari derajat keabuan sebuah piksel, sementara R, G, dan B secara berurutan adalah nilai dari warna merah, hijau dan biru. Pada citra keabuan, nilai dari layer R,G, dan B haruslah sama. Jika semuanya bernilai 0, maka warna yang dihasilkan adalah warna hitam, sementara jika semuanya bernilai 255, maka warna yang dihasilkan adalah warna putih, selain itu jika nilainya berada diantara 0 hingga 255 maka akan menghasilkan warna abu-abu sesuai dengan tingkat gradasinya. Setelah kita memperoleh nilai dari suatu piksel, tahapan dari proses thresholding berikutnya adalah memutuskan apakah piksel tersebut akan
56
dihitamkan atau diputihkan. Untuk menentukan hal ini, kita akan dibantu dengan sebuah nilai, yaitu threshold value. Threshold value adalah sebuah nilai batas pada proses thresholding. Jika nilai derajat keabuan dari suatu piksel lebih rendah daripada threshold value, maka piksel tersebut akan dihitamkan. Akan tetapi, sebaliknya jika nilai dari piksel tersebut lebih tinggi dari nilai threshold value, maka pikses tersebut akan diputihkan. Pada penelitian ini, threshold value dapat ditentukan dengan menggunakan dua cara, yaitu secara manual dan dengan menggunakan metode mean value threshold. Jika user memilih untuk menentukan nilai threshold secara manual, maka ia bisa menginput nilai threshold dari 0 sampai 255. Proses penentuan nilai threshold dengan menggunakan metode mean threshold value, bertujuan untuk menentukan nilai ambang berdasarkan rata-rata nilai piksel dari suatu citra. Adapun pseudocode dari proses penentuan nilai ambang dengan metode mean value threshold adalah sebagai berikut: Awal modul luas = panjang_gambar*lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar)-1 mulai dari nilai x yang ke-0 hingga (panjang_gambar)-1 mulai salin nilai piksel gambar ke dalam array_penampung
57
selesai selesai dari i yang ke-0 hingga luas-1 mulai nilai=nilai+array_penampung(i) selesai nilai_ambang=nilai/luas Akhir modul Selain itu, pseudocode untuk proses thresholding secara keseluruhan adalah sebagai berikut: Awal modul dari nilai y yang ke-0 hingga (lebar_gambar)-1 mulai dari nilai x yang ke-0 hingga (panjang_gambar)-1 mulai jika nilai piksel citra(x,y) lebih kecil dari nilai_ambang maka ubah nilai piksel citra(x,y) menjadi 0 selain itu ubah nilai piksel citra(x,y) menjadi 255 selesai selesai
58
Akhir modul Proses thresholding ini akan membantu untuk mereduksi noise yang dimiliki oleh suatu citra. Nilai piksel yang lebih tinggi dari nilai ambang, akan secara otomatis diputihkan, sehingga sebagian noise akan terhapus. b. Penapisan/Filtering
Penapisan atau filtering adalah sebuah proses untuk menentukan nilai dari suatu piksel dengan cara melakukan perhitungan dari nilai intensitas pikselpiksel disekeliling piksel tersebut. Pada penelitian ini, digunakan dua jenis penapisan yaitu: •
Tapis lolos rendah (Low pass Filter). Filter ini mempunyai tujuan untuk mempertegas bagian dengan frekuensi rendah pada suatu citra. Ia akan melakukan pemerataan tingkat keabuan, sehingga membuat citra terlihat agar kabur kontrasnya. Namun demikian tapis
lolos
rendah dapat mengurangi sebagian efek noise yang ada pada sebuah citra. Ia akan mengurangi berbagai gangguan yang berbentuk garis tajam. Filter ini umumnya berbentuk matriks mask n x n, di mana n umumnya bernilai tiga atau lima.
Tabel 3.1 Mask Low pass Filter 3 x 3 P1 * K
P2 * K
P3 * K
P4 * K
P5 * K = C * K
P6 * K
P7 * K
P8 * K
P9 * K
59
Tabel 3.2 Mask Low pass Filter 5 x 5
P1 * K
P2 * K
P3 * K
P4 * K
P5 * K
P6 * K
P7 * K
P8 * K
P9 * K
P10 * K
P11 * K
P12 * K
P13 * K = C * K
P14 * K
P15 * K
P16 * K
P17 * K
P18 * K
P19 * K
P20 * K
P21 * K
P22 * K
P23 * K
P24 * K
P25 * K
P adalah piksel pada citra yang akan di-filter, sementara C adalah titik tengah dari mask, yang akan diganti nilainya dan K adalah konstanta. Nilai dari konstanta adalah
, jadi untuk mask ukuran 3x3, nilai
konstantanya adalah 1/9. Adapun pseudocode dari mask 3x3 adalah:
Awal modul luas = panjang_gambar*lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar)-1 mulai dari nilai x yang ke-0 hingga (panjang_gambar)-1 mulai
60
nilai_piksel(x,y)
=
nilai_piksel(x-1,y-1)*1/9
+
nilai_piksel(x,y-1)*1/9 + nilai_piksel(x+1,y-1)*1/9 + nilai_piksel(x1,y)*1/9
+
nilai_piksel(x,y)*1/9
nilai_piksel(x-1,y+1)*1/9
+
+
nilai_piksel(x+1,y)*1/9
nilai_piksel(x,y+1)*1/9
+ +
nilai_piksel(x+1,y+1)*1/9 selesai selesai Akhir modul
•
Tapis lolos tinggi (High pass Filter). Filter ini mempunyai karakter yang berlawanan dengan Low pass Filter. Ia bersifat memperkuat piksel-piksel dengan frekuensi yang tinggi. Penggunaan filter ini akan membuat garis batas antar obyek menjadi lebih tajam. Untuk menerapkan filter ini pada suatu citra, kita membutuhkan sebuah mask yang sama seperti pada bagian tapis lolos rendah, yaitu matriks mask 3x3. Perbedaannya hanya terletak pada nilai koefisiennya, yaitu K=1/4. Pseudocode dari high pass filter adalah sebagai berikut:
Awal modul luas = panjang_gambar*lebar_gambar; dari nilai y yang ke-0 hingga (lebar_gambar)-1 mulai
61
dari nilai x yang ke-0 hingga (panjang_gambar)-1 mulai nilai_piksel(x,y) nilai_piksel(x,y-1)*(-1/4)
= +
nilai_piksel(x-1,y)*(-1/4)
+
nilai_piksel(x+1,y)*(-1/4)
+
nilai_piksel(x-1,y-1)*(-1/4) nilai_piksel(x+1,y-1)*(-1/4)
+ +
nilai_piksel(x,y)*(-1/4)
+
nilai_piksel(x-1,y+1)*(-1/4)
+
nilai_piksel(x,y+1)*(-1/4) + nilai_piksel(x+1,y+1)*(-1/4) selesai selesai Akhir modul
3.4.6 Ekstraksi Ciri Tahap ini bertujuan untuk melakukan ekstraksi ciri dengan metode dekomposisi Wavelet Haar. Setelah suatu citra melewati tahap pengolahan citra, maka citra tersebut siap untuk diekstrak cirinya. Pada penelitian ini, input pertama pada tahap ekstraksi ciri berukuran 128 x 128 piksel. Kita perlu menghitung level maksimum dari dekomposisi Wavelet yang mungkin dilakukan, dengan menggunakan rumusan yang telah diuraikan pada bagian sebelumnya. Pada penelitian ini, panjang datanya adalah 128, panjang filternya adalah dua, sehingga level maksimum dari dekomposisi Wavelet setelah dihitung dengan menggunakan rumusan adalah tujuh. Penelitian ini menggunakan level dekomposisi empat. Pada dekomposisi level pertama, citra dengan ukuran 128 x 128 piksel, akan menjadi citra
62
dengan empat sub bidang pada ukuran yang lebih rendah yaitu 64 x 64 piksel. Keempat sub bidang ini akan membawa informasi yang berbeda, yaitu informasi aproksimasi, vertikal, horizontal, dan diagonal. Dekomposisi level kedua akan menghasilkan citra dengan ukuran 32 x 32 piksel, dekomposisi level ketiga akan menghasilkan citra dengan ukuran 16 x 16 piksal, dan dekomposisi level keempat menghasilan citra dengan ukuran 8 x 8 piksel. Hasil dari dekomposisi level keempat, yang berupa citra aproksimasi inilah yang akan digunakan sebagai citra masukkan pada jaringan syaraf tiruan, pada tahap selanjutnya. Adapun algoritma dari dekomposisi Wavelet ini adalah sebgai berikut: a.
Tahap 1 : Input citra diubah menjadi empat bagian citra baru dengan ukuran
b.
.
Tahap 2 : Tes kondisi berhenti, jika ukuran dari citra aproksimasi adalah 1 x 1 piksel atau telah mencapai level dekomposisi yang diinginkan, maka proses berhenti, jika tidak, ulangi tahap pertama dengan menggunakan citra aproksimasi sebagai input citra. Cara kerja dari Wavelet Haar adalah dengan melakukan perhitungan rata-
rata dari input sinyal yang diperolehnya. Misalkan terdapat suatu citra berukuran 1x4 piksel, dengan nilai piksel [3 5 4 8], maka hasil dari proses perhitungan nilai rata-rata, diperoleh nilai [4 6]. Hasil tersebut kembali dihitung nilai rata-ratanya sehingga diperoleh nilai [5]. Setelah proses perhitungan nilai rata-rata selesai, kita juga harus mencatat koefisien detil dari setiap langkah. Koefisien detil adalah perbedaan antara hasil rata-rata dengan
63
nilai masukkannya. Misal pada tahap pertama, yaitu perhitungan rata-rata nilai 3 dan 5 sehingga diperoleh nilai 4, maka koefisien detil dari tahap itu adalah [1]. Dari contoh ini, citra digital dengan nilai piksel [3 5 4 8], akan diTransformasikan menjadi deret [5 -1 -1 -2]. Nilai asli citra digital bisa diperoleh dengan mengalikan, koefisien Haar yang diperoleh dengan empat basis Haar. Pada contoh di atas: [3 5 4 8] = 5[1 1 1 1] + -1[1 1 -1 -1] + -1[1 -1 0 0] + -2[0 0 1 -1] Perhitungan Transformasi Wavelet pada citra dua dimensi, memiliki prinsip yang sama dengan perhitungan pada citra satu dimensi. Proses perhitungan dilakukan secara horizontal terlebih dahulu, kemudian dilakukan secara vertikal. Pada penelitian ini, hasil dari proses ekstraksi ciri pada citra berukuran 128 x 128 piksel ini adalah citra aproksimasi dengan ukuran 8 x 8 piksel. Kemudian setiap piksel ini akan diambil nilainya, dan dijadikan input layer dari jaringan syaraf tiruan. Total input yang dihasilkan adalah 64 sel.
3.4.7 Proses Pelatihan Pada tahap pelatihan, semua matriks input yang diperoleh pada tahap ekstraksi
ciri,
akan
dilatihkan
pada
jaringan
syaraf
tiruan
jenis
backpropagation yang telah dibangun. Jaringan syaraf tiruan ini dibangun dengan input layer sebanyak 64 buah, dan output sebanyak 6 buah. Selain itu, jaringan syaraf tiruan ini juga menggunakkan satu lapisan tersembunyi. Jumlah sel pada lapisan tersembunyi ini dihitung dengan rumusan:
64
sehingga jumlah sel dari lapisan tersembunyi pada jaringan syaraf tiruan ini adalah sebanyak 49 buah. Pada penelitian ini, jumlah sel pada lapisan input sesuai dengan hasil ekstraksi ciri yang diperoleh, sedangkan jumlah sel pada lapisan output, sesuai dengan jumlah data yang akan dilatihkan pada jaringan syaraf tiruan tersebut. Fungsi aktivasi yang digunakan pada penelitian ini adalah fungsi sigmoid. Pada tahap pelatihan, akan berlangsung dua langkah yaitu langkah maju(feedforward) dan langkah mundur(backward). Langkah feedforward, bertujuan untuk melakukan kalkulasi perhitungan dari matriks input dan matriks bobot, sementara backward bertujuan untuk melakukan koreksi matriks bobot. Pada proses pelatihan ini, jumlah epoch atau perulangan maksimum ditentukan sebanyak 10000 kali.
3.4.8 Proses Pengujian Modul pengujian, hanya akan menjalankan langkah feedforward dari algoritma backpropagation. Dari input yang dimasukkan, akan diperoleh nilai output yang akan dicocokkan dengan basis data sidik jari. Citra yang akan diuji, akan melewati tahap ekstraksi ciri, sehingga diperoleh input dengan jumlah 64 sel. Setelah itu, input tersebut akan dikalikan dengan matriks bobot yang telah ditentukan pada tahap pelatihan. Perkalian antara matriks input dan matriks bobot, akan menghasilkan nilai output yang telah ditentukan pada tahap
65
pelatihan. Output yang diperoleh ini akan menjadi primary key pada basis data, sehingga setiap output akan menunjuk satu identitas, yaitu pemilik dari sidik jari tersebut.
Dengan menggunakan rancangan yang telah diuraikan di atas, diharapkan dapat diciptakan sebuah program aplikasi yang dapat membantu untuk mengatasi permasalahan yang dihadapi oleh sie Identifikasi Direktorat Reserse Kriminal Umum. Selain itu, rancangan ini juga diharapkan dapat membantu penelitian serupa, atau bagi pihak lain yang ingin mengembangkan program aplikasi ini.
