6
BAB II LANDASAN TEORI
2.1
Sistem biometrik Sistem biometrik pada dasarnya merupakan sistem pengenalan pola yang mengenali seseorang dengan menentukan keaslian fisiologis khusus atau karakteristik yang dimiliki oleh orang. Persoalan utama dalam membuat sistem biometrik yang praktis ialah bagaimana menentukan seseorang untuk dikenali. Bergantung pada aplikasi yang digunakan, sistem biometrik mungkin dapat disebut sebagai Sistem verifikasi atau sistem identifikasi : 1. Sistem Verifikasi : membuktikan identitas seseorang dengan membandingkan
karakteristik biometrik yang ditangkap dengan template biometrik yang dimiliki sebelum disimpan kedalam sistem. Itu diatur satu persatu dibandingkan untuk menentukan apakah menyatakan identitas seseorang itu benar. Salah satu sistem verifikasi menerima atau menolak disampaikan menuntut identitas. 2. Sistem Identifikasi : pengenalan seseorang dengan mencari seluruh template
database untuk dicocokan. Itu diatur satu hingga banyak perbandingan menentukan identitas dari seseorang. Dalam sistem identifikasi, sistem menentukan identitas subjek (atau rusak jika subjek tidak terdaftar kedalam sistem database) tanpa subjek mempunyai hak identitas. Istilah autentifikasi juga seringkali digunakan dalam bidang biometrik, terkadang seperti sinonim dari verifikasi. Kenyataannya dalam bahasa teknologi informasi,
autentifikasi
user
membiarkan
sistem
mengetahui
tanpa
menghiraukan identitas user dari cara (verifikasi atau identifikasi).
2.2
Sistem identifikasi sidik jari Dibawah ini merupakan blok diagram dari sistem verifikasi dan sebuah sistem identifikasi yang tergambar dalam gambar 2.1 Pendaftaran user, yang umum untuk kedua tugas juga digambarkan dengan jelas. Modul pendaftaran bertanggung jawab untuk registrasi individu dalam sistem biometrik database
7
(sistem DB). Selama fase pendaftaran, karakteristik biometrik dari setiap individu di scan pertama kali dengan pembaca biometrik untuk menghasilkan gambaran digital kasar dari karakteristik. Suatu cek kualitas secara umum dilakukan untuk memastikan bahwa contoh yang diperoleh dapat dipercaya prosesnya dengan tahapan berturut-turut. Di dalam urutan fasilitas pencocokan, gambaran digital kasar biasanya diproses lebih jauh dengan ektraktor fitur untuk menghasilkan kepadatan tetapi penggambarannya sangat mahal, disebut template. Bergantung pada aplikasi, template dapat disimpan kedalam pusat database dari sistem biometrik atau direkam pada katu magnetik atau smartcard untuk diberikan individu. Tugas verification bertanggung jawab untuk memeriksa individu pada titik akses. Selama fasa operasi, sebuah nama atau PIN (Personal Identification Number) dimasukkan melalui keyboard (atau keypad). Pembaca biometrik menangkap karakteristik dari individu untuk dikenali dan dirubah kedalam format digital, lebih lanjut diproses dengan ekstraktor fitur untuk menghasilkan gambaran digital yang padat. Gambaran yang dihasilkan ialah memberikan pencocokan fitur, yang mana perbandingan ini berlawanan dengan template dari pengguna tunggal (didapatkan kembali dari sistem DB berdasarkan pada pengguna PIN). Tugas identification tidak diberikan PIN dan sistem membandingan gambaran dari masukan biometrik berlawanan dengan template dari semua pengguna dalam sistem database. Keluarannya salah satu identitas dari sebuah pendaftaran pengguna atau sinyal pesan seperti ”pengguna tidak dikenal”. Kerena identifikasi dalam database yang besar adalah perhitungan yang mahal, index, dan klasifikasi. Teknik seringkali disebar hingga batas angka dari template harus bertemu berlawanan dengan masukan.
8
Gambar 2.1 Blok diagram dari tugas pendaftaran, verifikasi, dan identifikasi
Gambar 2.2 Diagram proses secara umum dalam identifikasi sidik jari
Bergantung pada daerah aplikasi, sistem biometrik dapat dijalankan salah satunya seperti sebuah sistem on-line atau sebuah sistem off-line. Sebuah sistem On-line membutuhkan pengenalan untuk dilakukan dengan cepat dan respon dengan segera ditentukan (contoh: aplikasi logon jaringan komputer). Sebaliknya, Sistem Off-line biasanya tidak membutuhkan pengenalan untuk dilakukan dengan segera dan secara relatif penundaan respon yang lama diijinkan. Ciri khas, sistem On-line ialah sepenuhnya otomatis dan memerlukan karakteristik biometrik untuk ditangkap menggunakan scanner live-scan, proses
9
pendaftaran tidak diawasi, kontrol kualitas secara manual, pencocokan dan keputusan menjadi sepenuhnya otomatis. Sistem Off-line bagaimanapun ciri khasnya semi otomatis, dimana perolehan biometrik dapat melalui sebuah scanner off-line (contoh: scanning sebuah gambar sidik jari dari sesuatu yang tersembunyi atau tinta kartu sidk jari), pendaftaran mungkin diawasi (contoh: ketika penjahat dibukukan, forensik atau petugas polisi boleh memandu proses perolehan sidik jari), pengecekan kualitas secara manual mungkin dilaksanakan untuk memastikan perolehan kualitas yang bagus, dan pencocokan mungkin kembali ke daftar calon yang diuji secara manual oleh ahli forensik sampai akhir keputusan. Sebuah aplikasi dapat dijalankan salah satunya dalam sebuah mode pengenalan positif atau negatif : 1. Dalam sebuah aplikasi pengenalan positif, sistem menentukan apakah orang itu menyatakan implisit atau explisit . Maksud dari pengenalan positif ialah untuk mencegah kelipatan orang dari penggunaan identitas yang sama. 2. Dalam sebuah aplikasi pengenalan negatif, sistem menentukan apakah orang itu menyangkal implisit atau explisit. Maksud dari pengenalan negatif ialah untuk mencegah satu orang dari penggunaan banyak identitas. Catatan bahwa meskipun metode tradisional dari autentifikasi user seperti password, PIN, kunci, dan tanda mungkin bekerja untuk pengenalan positif, pengenalan negatif hanya dapat membuat terusan biometrik. Selanjutnya, aplikasi pengenalan positif dapat menjalankan keduanya dalam mode verifikasi atau identifikasi, tetapi aplikasi pengenalan negatif tidak dapat bekerja dalam mode verifikasi. Kenyataannya, sistem harus mencari seluruh arsip untuk membuktikan bahwa masukan yang diberikan ialah tidak saat sekarang. 2.3
Perbandingan jenis biometrik Dalam sistem biometrik yang praktis, ada sejumlah terbitan lain yang harus dianggap termasuk ialah : 1. Performance, yang mengenai untuk menjangkau ketepatan pengenalan, kecepatan, ketahanan, sumber keperluan untuk mencapai keinginan ketepatan pengenalan dan kecepatan, sebaik beroperasi atau faktor yang
10
berhubungan
dengan
lingkungan
bahwa
mempengaruhi
ketepatan
pengenalan dan kecepatan. 2. Acceptability, yang menunjukkan tingkat yang orang mau menerima identifikasi partikular biometrik dalam tempat tinggal mereka sehari-hari. 3. Circumvention, yang menggambarkan betapa mudah ke sistem yang bodoh dengan metode tipuan. Jumlah dari identifikasi biometrik digunakan diberbagai aplikasi, setiap biometrik mempunyai kelebihan dan kelemahan dan ksusus dipilih bergantung pada aplikasi. Biometrik tunggal tidak diharapkan secara efektif memenuhi syarat dari semua aplikasi. Pencocokan antara biomerik dan sebuah aplikasi ditentukan bergantung atas karakteristik dari aplikasi dan properti dari biometrik.
Gambar 2.3 Beberapa dari biomerik menunjukkan: a)telinga, b)wajah, c)thermogram wajah, d)thermogram tangan, e)urat tangan, f)geometri tangan, g)sidik jari, h)iris, i)retina, j)tanda tangan, dan k)suara.
11
Dari beberapa biometrik yang ada, maka dibawah ini merupakan gambaran mengenai
tingkatan
teknologi
yang
diusungnya
dapat
terlihat
jelas
Biometric Identifier
Universality
Distinctiveness
Permanence
Collectability
Performance
Acceptability
Circumvention
perbedaannya.
DNA
H
H
H
L
H
L
L
Ear
M
M
H
M
M
H
M
Face
H
L
M
H
L
H
H
Facial thermogram
H
H
L
H
M
H
L
Fingerprint
M
H
H
M
H
M
M
Gait
M
L
L
H
L
H
M
Hand geometry
M
M
M
H
M
M
M
Hand vein
M
M
M
M
M
M
L
Iris
H
H
H
M
H
L
L
Keystroke
L
L
L
M
L
M
M
Odor
H
H
H
L
L
M
L
Retina
H
H
M
L
H
L
L
Signature
L
L
L
H
L
H
H
Voice
M
L
L
M
L
H
H
Gambar 2.4 Perbandingan dari teknologi biometrik (H=high, M=medium, L=low)
Gambar 2.5 Laporan pasaran biometrik
2.4
Struktur biometrik sidik jari Untuk mengidentifikasi sidik jari seseorang yang harus ditemukan adalah karakteristik yang ada pada sidik jari tersebut, karakteristik ini dapat ditemukan
12
jika strukturnya dapat kita pahami. Terdapat dua karakteristik pada sidik jari yakni : 2.4.1 Ridges Ridges adalah garis-garis yang menonjol yang ada pada permukaan tangan bagian dalam atau disebut dengan daerah gelap. Garis-garis yang menonjol ini disebut juga friction ridges karena kegunaannya memang untuk memberikan friksi pada saat seseorang memegang sesuatu. Ridges pada jari-jari tangan inilah yang digunakan untuk mengidentifikasi seseorang, karena membentuk pola tertentu yang tidak sama pada setiap orang. Ada tiga macam pola dasar ridges yaitu : Loop, Arch, dan Whorl (terlihat pada gambar 2.6) dan dari tiga pola dasar ini dapat dibagi menjadi enam kelas menurut Henry yaitu : Whorl, Plain Arch, Right Loop, Left Loop, Central Pocket, Tented Arch, Twin Loop, dan Accidental (terlihat pada gambar 2.7).
Gambar 2.6 Pola sidik jari
Gambar 2.7 Pola sidik jari
13
2.4.2
Minutiae Guratan sidik jari yang dapat di identifikasi dengan cara menganalisa dari
guratan-guratan sidik jari yang dinamakan dengan minutiae. Sir Francis Galton (1822-1916) mengatakan bahwa tidak ada dua sidik jari yang sama, artinya setiap sidik jari yang dimiliki oleh seseorang adalah unik. Dia pertama kali mempelajari karakteristik ini dan menemukan bahwa minutiae dapat mengidentifikasikan sidik jari tertentu. Ada beberapa macam jenis minutiae (terlihat pada gambar 2.8) yakni :
Gambar 2.8 Feature pada guratan sidik jari
Tabel dibawah ini merupakan jenis-jenis minutiae secara umum (tabel 2.9) dan karakteristik anatomi sidik jari (tabel 2.10) :
Tabel 2.9 Jenis-jenis minutiae secara umum, termination minutia, bifurcation minutia.
14
Ridge
Mempunyai ketegasan jarak ganda dari permulaan keakhir, sebagai lebar ridges satu dengan lainya
Evading Ends
Dua ridge dengan arah berbeda berjalan sejajar satu sama lain kurang dari 3mm
Bifurcation
Dua ridge dengan arah berbeda berjalan sejajar satu sama lain kurang dari 3mm
Hook
Ridges merobek; satu ridges tidaklah lebih panjang dibanding 3mm
Fork
Dua ridges dihubungkan oleh sepertiga ridges tiddak lebih panjang dibanding 3mm
Dot
Bagian ridges adalah tidak lagi dibanding ridges yang berdekatan
Eye
Ridges merobek dan menggabungkan lagi di dalam 3mm
Island
Ridges merobek dan tidak bermenggabung lagi, kurang dari 3mm dan tidak lebih dari 6mm. Area yang terlampir adalah Ridge.
Enclosed Ridge
Ridges tidak lebih panjang dibanding 6mm antara dua ridges
Enclosed Loop
Yang tidak mempola menentukan pengulangan antar dua atau lebih ridges paralel
Specialties
Rare ridge membentuk seperti tanda tanya dan sangkutan pemotong
Tabel 2.10 Karakteristik anatomi sidik jari
Terdapat 2 tipe dasar dari minutiae yakni : ridge ending dan bifurcation. Ridge ending adalah tempat dimana ridge berakhir sedangkan bifurcation adalah tempat dimana sebuah ridge memisah atau bercabang menjadi dua ridge. Suatu sidik jari yang khas berisi sampai dengan 80 minutiae, bagaimanapun jauh lebih sedikit akan dihadirkan pada gambar yang ditangkap dari scanner yang khas digunakan di dalam sistem biometrik karena bidang penangkapan yang kecil.
15
Gambar 2.11 Minutiae sidik jari.
2.5
Gambaran sidik jari Penggambaran sidik jari yang baik harus mempunyai 2 sifat yakni : saliency and suitability. Saliency berarti bahwa penggambaran dapat lebih mudah diekstrak, disimpan kedalam mode padat, dan berguna untuk pencocokan. Sifat saliency dan suitability tidak secara umum dihubungkan. Gambaran yang menonjol tidak perlu gambaran yang cocok. Sebagai tambahan, dalam beberapa aplikasi biometrik ruang penyimpanan ialah pada premium. Sebagai contoh, dalam aplikasi smartcard khusus kira-kira 2 Kbytes dari penyimpanan yang mungkin. Pada pola sidik jari, ketika dianalisa pada skala perbedaan, menunjukkan perbedaan tipe dari feature yakni :
2.5.1
Pada tingkat global Aliran garis ridge dilukiskan sebuah pola mirip satu dari gambar. Titik
tunggal, disebut loop dan delta (ditunjukkan sebagai empat persegi dan segitiga) jenis titik kontrol sekitar garis ridge yakni ”pembungkus”. Titik tunggal dan kasar bentuk garis ridge sangat penting untuk klasifikasi dan index sidik jari, tetapi itu secara khusus tidak cukup untuk ketepatan pencocokan. Diluar dari bentuk sidik jai, orientasi gambar dan frekuensi gambar juga termasuk kumpulan dari feature yang dapat ditemukan pada tingkat global.
16
Gambar 2.12 Pola sidik jari seperti meraka tampak pada tingkat kasar: a)left loop; b)right loop; c)whorl; d)arch; dan tented arch; empat persegi menunjukkan jenis loop titik tunggal, dan segitiga jenis delta titik tunggal.
2.5.2
Pada tingkat lokal Total dari 150 perbedaan karakteristik lokal ridge disebut detail minute,
yang telah dikenali. Pada karakteristik lokal ridge tidak disebarkan rata. Lebih dari itu bergantung dengan berat pada kondisi kesan dan kualitas dari sidik jari dan jarang dilihat dalam sidik jari. Ada dua karakteristik ridge yang menonjol disebut minutiae yakni ridge termination dan ridge bifurcation. Ridge ending diartikan sebagai totok ridge dimana ridge berakhir dengan kasar. Ridge bifurcation diartikan sebagai titik ridge dimana percabangan ridge atau menyimpang kedalam cabang ridges. Minutiae dalam sidik jari secara umum stabil dan kuat ke kondisi pengaruh sidik jari. Meskipun gambaran berdasarkan pada minutiae yakni digolongkan dengan saliency tinggi, yang dapat dipercaya ekstraksi otomatis minutiae dapat menjadi masalah dalam rendahnya kualitas sidik jari.
2.5.3
Pada tingkat sangat bagus Detail intra-ridge dapat diketahui. Pada dasarnya jari pori-pori keringat,
yang mana posisi dan bentuk dianggap sangat khusus. Bagaimanapun, ekstraksi pori-pori hanya mungkin dalam gambar sidik jari resolusi tinggi dari kualitas baik dan oleh karena macam dari gambaran tidak praktis untuk aplikasi yang lebih.
17
Gambar 2.13 Minutiae (lingkaran berisi hitam) dalam bagian gambar sidik jari, pori keringat (lingkaran kosong) pada garis tunggal ridge.
2.6
Sensor sidik jari Dibawah ini merupakan struktur umum dari scanner sidik jari dimana sebuah sensor membaca permukaan jari dan merubah pembacaan analog kedalam digital melalui sebuah A/D konverter (Analog ke Digital), sebuah modul interface bertanggung jawab untuk berkomunikasi (mengirim gambar, menerima perintah, dan sebagainya) dengan alat luar (personal computer / PC). Sebagian besar sistem pengenalan diri tidak menyipan gambar sidik jari tetapi hanya menyimpan numerik dari ektrak feature.
Gambar 2.14 Diagram dari scanner sidik jari
Berikut ini merupakan scanner yang dapat digunakan dalam pembacaan gambar sidik jari diantaranya dibagi kedalam 3 jenis : 2.6.1
Sensor optik
2.6.1.1 Frustrated Total Internal Reflection (FTIR) Jari menyentuh sisi atas dari kaca prisma, tapi ridges mulai bersentuhan dengan permukaan prisma, bekas valley pada jarak pasti. Pada sisi kiri prisma menerangi melalui suatu cahaya yang menyebar. Cahaya masuk ke prisma dicerminkan pada valley, dan secara acak menyebar (menyerap) pada ridges. Pantulan yang kurang memberikan ridges menjadi berbeda-beda dari valleys. Sinar cahaya keluar dari sisi kanan prisma dan
18
fokus melaui lensa diatas CCD atau CMOS sensor gambar. Karena alat FTIR berguna untuk permkaan 3 dimensi, ini tidak dapat dengan mudah menipu pemberian foto atau cetak gambar dari sidik jari. Ketika jari sangat kering, itu tidak dapat membuat kontak yang sama dengan permukaan sensor. Memperbaiki pembentukan sidik jari dari jari yang kering yang mana ridge tidak
mengandung
partikel
keringat,
beberapa
penghasil
scanner
menggunakan lapisan silikon yang menyerupai kontak dari permukaan dengan prisma. Dengan tujuan mengurangi biaya dari alat optik, plastik pada saat sekarang sering kali digunakan dibandingkan kaca prisma, dan lensa.
Gambar 2.15 sensor sidik jari berdasarkan FTIR
2.6.1.2 FTIR with a sheet Prism Menggunakan lembaran prima membuat angka dari “primslets” berdampingan. Dibandingkan dari prisma satu yang besar, membolehkan ukuran dari kumpulan mesin untuk dikurangi beberapa tingkat. Sesungguhnya sekalipun sisa lintasan optik sama, lembaran prisma hampir datar. Bagaimanapun, kualitas dari perolehan gambar secara umum rendah dibandingkan teknik tradisional FTIR menggunakan kaca prisma.
Gambar 2.16 Menggunakan lembaran prisma dalam perolehan FTIR sidik jari.
2.6.1.3 Optical Fibers Penurunan yang penting dari ukuran bungkus dapat dicapai dengan subtitusi prisma dan lensa dengan platen fiber-optik. Jari secara langsung
19
terhubung dengan sisi bagian atas dari platen. Pada sisi sebaliknya CCD / CMOS sukar dihubungkan dengan platen, menerima cahaya sisa jari disampaikan melaui kaca fiber. Seperti alat FTIR, disini CCD / CMOS secara langsung berhubungan dengan platen (tanpa lensa tengah) dan oleh karena ukuran menutupi keseluruhan daerah sensor. Ini mungkin menghasilkan dalam biaya yang tinggi untuk menghasilkan daerah sensor yang besar.
Gambar 2.17 Sensor berdasarkan pada fiber optik, sisa sinar memancarkan sidik jari disampaikan melalui pemandu mikro optik menyusun pixel yang terdapat CCD / CMOS.
2.6.1.4 Electro-optical Alat yang mempunyai 2 lapisan utama : Lapisan pertama mengandung polimer, ketika mempolarisasi dengan tegangan yang tepat memancarkan cahaya bergantung pada potensial yang dipakai pada satu sisi. Seperti ridge menyentuh polimer dan valley tidak, potensial permukaan tidak sama persis ketika jari ditempatkan padanya dan banyak cahaya berfariasi yang dipancarkan, hingga mengijinkan gambaran bercahaya dari pola sidik jari secara umum. Lapisan kedua, keras dipasangkan dengan petama, terdiri dari susunan potodioda yang bertanggung jawab untuk menerima pancaran cahaya dengan polimer dan mengubah kedalam gambar digital. Beberapa sensor komersial menggunakan hanya lapisan pancaran cahaya pertama untuk pembentukan gambar dan standar lensa serta CMOS untuk perolehan dan digitalisasi gambar.
Gambar 2.18 Sensor sidik jari electro-optik
20
2.6.1.5 Direct Reading Alat pembaca langsung menggunakan kamera kualitas tinggi secara langsung fokus ke ujung jari. Jari tidak berhubungan dengan satu permukaan, tetapi scanner dilengkapi dengan mekanik pendukung fasilitas pengguna menyajikan jari pada jarak seragam. Seperti alat yang mengatasi beberapa masalah seperti pembersihan berkala permukaan sensor dan mungkin dirasa lebih higienis, tetapi memperoleh fokus yang baik dan kontras gambar yang tinggi sangat sulit.
2.6.2
Sensor bentuk padat Sensor bentuk padat dirancang untuk mengatasi masalah ukuran dan
biaya. Pengguna secara langsung menyentuh permukaan dari silikon : tidak ada komponen optik maupun ekternal CCD / CMOS sensor gambar yang diperlukan. 4 pengaruh utama telah diusulkan untuk mengubah informasi fisik kedalam sinyal elektrik ; capasitive, suhu, medan elektrik dan piezoelectric. 2.6.2.1 Capasitive Susunan 2 dimensi dari plat mikro kapasitor dilekatkan dalam chip. Plat yang lain dari tiap mikro kapasitor ialah permukaan jari itu sendiri. Menuntut elektrik yang kecil dibuat antara permukaan dari jari dan setiap pelat silikon ketika jari ditempatkan pada chip. Magnitude elektrik menuntut bergantung pada jarak antara permukaan sidik jari dan pelat kapasitansi. Jadi ridges dan valleys sidik jari dihasilkan dalam perbedaan kapasitansi pola lintasi plat.
Gambar 2.19 Sensor capasitive
2.6.2.2 Suhu Terbuat dari bahan pyro-electric secara umum arus berdasarkan pada perbedaan suhu, ridges sidik jari dihubungkan dengan permukaan sensor menghasilkan sebuah perbedaan suhu yang berbeda pada valley, yang jauh
21
dari permukaan sensor. Sensor secara khusus dipertahankan pada suhu tinggi dengan pemanas listrik yang meningkat, untuk meningkatkan suhu perbedaan antara permukaan sensor dan ridge jari. Diferensial suhu menghasilkan sebuah gambar ketika kontak terjadi, tetapi gambar ini segera hilang karena keseimbangan suhu dengan cepat dicapai dan pixel suhu distabilkan.
2.6.2.3 Medan Elektrik Sensor terdiri dari pengendali cincin secara umum sinyal sinusoida dan matrik dari antena aktif menerima amplitudo sangat kecil sinyal yang dikirim dengan pengendali cincin dan dimodulasi dengan stuktur derma (dibawah permukaan kulit jari). Sebuah jari harus secara serentak dihubungkan dengan kedua sensor dan pengendali cincin. Untuk gambar sidik jari, sebuah respon analog dari tiap elemen dalam sensor matrik diperkuat, diintegrasikan, dan digitized.
2.6.2.4 Piezoelectric Sensor sensitif tekanan telah dirancang menghasilkan sinyal elektrik ketika tekanan mekanik diaplikasikan padanya. Permukaan sensor terbuat dari bahan dielektrik non-conducting, pada pertemuan tekanan dari jari, secara umum sejumlah kecil arus (efek ini disebut piezoelectric effect). Daya dari arus umum bergantung tekanan yang diaplikasikan dengan jari pada permukaan sensor. Sejak ridge dan valley disajikan pada perbedaan jarak dari permukaan
sensor,
mereka
mengakibatkan
perbedaan
jumlah
arus.
Sayangnya, materialnya secara khusus tidak cukup sensitif untuk menemukan perbedaan dan selain itu pelindung lapisan menghasilkan gambar kabur, sebuah solusi alternatif menggunakan saklar mekanik mikro (penopang membuat silikon).
2.6.3
Sensor Ultrasonik Sensor ultrasonik mungkin menampilkan bermacam-macam echography.
Berdasarkan pada pengiriman sinyal akustik kearah ujung jari dan menangkap sinyal echo. Sinyal echo digunakan untuk menghitung jarak gambar dari sidik
22
jari dan kemudian struktur ridge itu sendiri. Sensor terdiri dari 2 komponen utama : Pengirim (membangkitkan pulsa akustik pendek) dan Penerima (mendeteksi respon yang dihasilkan ketika pulsa memantul permukaan sidik jari).
Gambar 2.20 Prinsip dasar dari teknik ultrasonik, karakteristik dari gelombang suara ialah kemampuan menembus material, memberikan bagian gema pada setiap pergantian impedansi.
2.7
Hal yang diperhatikan dalam pengambilan gambar Terdapat hal utama yang perlu diperhatikan dalam pengambilan gambar digital sidik jari : 2.7.1
Resolusi Sebuah indikasi jumlah titik atau pixel per inch (dpi), 500 dpi merupakan
resolusi minimum pada scanner FBI dan banyak ditemui pada alat komersial antara 250 sampai 300 dpi mungkin resolusi minimum yang boleh algoritma ektraksi untuk menempatkan minutiae dalam pola sidik jari. minutiae memainkan peran utama dalam pencocokan sidik jari, semenjak banyak dari algoritma yang bergantung pada kebetulan dari minutiae yang menerangkan apakah kesan dua sidik jari adalah sidik jari yang sama. Gambar dibawah menunjukkan contoh bagian sidik jari yang sama pada perbedaan resolusi, pengurangan hasil resolusi dalam besarnya kesulitan dalam memecahkan ridge dari valley dan pemisahan titik minutiae.
Gambar 2.21 Sidik jari yang kiri diperoleh pada 500 dpi, semakin kekanan pada resolusi rendah : 400, 300, dan 250 dpi berturut-turut.
23
2.7.2
Area Jika areanya besar, maka banyak ridges dan valeys yang tertangkap dan
khusus menjadi sidik jari. Sebuah area ≥ 1x1 inch2 mengizinkan penuh kesan daerah sidik jari yang diperoleh. Dalam banyak scanner sidik jari yang beru-baru ini ditujukan pada scanner bukan AFIS, daerahnya dikorbankan untuk mengurangi biaya dan punya ukuran alat yang kecil. Scanner daerah yang kecil tidak mengijinkan sidik jari lengkap untuk ditangkap, dan pengguna mengalami kesulitan dalam menggambarkan bagian yang sama dari jari.
2.7.3
Angka pixel Angka dari pixel dalam gambar sidik jari dapat disederhanakan didapat
dari resolusi dan daerah sidik jari: scanner bekerja pada r dpi melalui daerah tinggi(h) x lebar(w) inch2 mempunyai rh x rw pixel. Jika daerah dinyatakan dalam mm2 formula harus termasuk konversi mm-inch dan karena angka pixel: r.(h/25.4) x r.(w/25.4). Sebagai contoh, scanner bekerja pada 500 dpi melalui daerah
20.32x15.24
mm2
menghasilkan
gambar
500.(20.32/25.4)
x
500.(15.24//25.4) = 400 x 300 pixel.
2.7.4
Jarak dinamis Ini menunjukkan angka dari bits yang digunakan untuk sandi nilai
intensitas dari tiap pixel. Informasi warna tidak dipertimbangkan guna untuk pengenalan sidik jari,dan karena hampir semua scanner sidik jari yang tersedia memperoleh gambar gray-scale. Standar FBI untuk lebar bit pixel adalah 8 bits, yang menghasilkan 256 tingkat abu-abu. Kenyataannya beberapa sensor hanya menagkap 2 atau 3 bits dari kenyataan informasi sidik jari dan berturut-turut bagian jarak dinamis 8 bits dalam software. Tidak memerlukan studi yang diadakan untuk melihat bagaimana kinerja pengenalan berkurang ketika lebar bit dikurangi.
2.7.5
Ketelitian geometris Ini biasanya ditetapkan dengan distorsi geometrik maksimum dikenalkan
dengan kemahiran alat, dan terungkap sebagai persentasi dengan berkenaan
24
dengan arah x dan y. Kebanyakan dari scanner sidik jari optik memperkenalkan distorsi geometric jika tidak dikompensasi, tanda pola sidik jari bergantung pada posisi relatif dari jari pada permukaan sensor.
2.7.6 Kualitas gambar Ini tidak mudah untuk mendefinisikan dengan tepat kualitas dari gambar sidik jari, dan lebih sulit lagi untuk tidak dipasangkan dengan kualitas gambar sidik jari dari kualitas atau status jari intrinsik. Kenyataannya ketika ketinggian ridge ialah sangat rendah (khususnya untuk pekerjaan manual dan orang tua) ketika jari terlalu basah atau terlalu kering, atau ketika mereka menyajikan yang salah, kebanyakan dari scanner menghasilkan kualitas gambar yang jelek.
Gambar 2.22 Contoh dari gambar sidik jari yang diperoleh dengan scanner optik: a) sidik jari kualitas bagus, b) sidik jari dengan jari kering, c) sidik jari dengan jari basah, d) sidik jari intrinsik yang jelek
Karena setiap pengambilan gambar sidik jari selalu mempunyai noise, namun kadarnya bisa kita atur sedemikian rupa hingga nilainya tidak terlalu besar. Sehingga dalam pengolahannya dapat mempercepat pengolahan data yang diinginkan (dengan kata lain hasil yang maksimal dengan noise yang diabaikan). Berikut ini merupakan gambaran mengenai permukaan jari terhadap permukaan prisma yang mempunyai kerutan (adanya noise pada gambar 2.23)
25
Gambar 2.23 Gambar permukaan jari
2.8
Metode pencocokan sidik jari Pencocokan gambar sidik jari yang dapat dipercaya merupakan masalah yang sangat sulit, terutama karena variabilitas yang besar dari perbedaan pengaruh dari jari yang sama. Terdapat 3 kategori dari pencocokan sidik jari terdiri dari : 1. Correlation-based matching : dua gambar sidik jari dilapisi dan dikorelasi (pada tingkat intensitas) antara pixel korespoden diperhitungkan untuk perbedaan kesesuaian (berbagai pemindahan dan rotasi). 2. Minutiae-based matching : minutiae diekstrak dari dua sidik jari dan disimpan sebagai titik pada bidang 2 dimensi. Hal-hal yang perlu dalam pencocokan minutiae terdiri dari penemuan kesesuaian antara template dan masukan minutiae dikumpulan hasil kedalam angka maksimum untuk memasangkan minutiae. 3. Ridge feature-based matching : ekstraksi minutiae sulit dalam gambar sidik jari dengan kualitas yang sangat rendah, disamping mengingat feature dari pola ridge sidik jari (orientasi lokal dan frekuensi, bentuk ridge, informasi tekstur) mungkin diekstrak lebih dipercaya daripada minutiae, meskipun mereka khusus secara umum menurun. Termasuk pendekatan ke keluarga membandingkan sidik jari kedalam istilah ekstraksi feature dari pola ridge. Dibawah ini merupakan gambaran proses yang hampir sama, dimana pada sistem autentifikasi password menggunakan database. Dimana jika ada password baru yang diterima maka akan dibandingkan dengan pendaftaran, jika
26
seseorang mengakses database dari cacahan password maka password tidak ada kesepakatan. Analogi yang hampir sama juga diaplikasikan untuk pengenalan sidik jari, jika ada musuh mengakses ke database maka informasi biometrik tidak ada kesepakatan.
Gambar 2.24 Sistem autentifikasi password
Gambar 2.25 Sistem autentifikasi sidik jari
27
2.9
Langkah-langkah identifikasi sidik jari
Fingerprint Representation Preprocessing Feature Extraction
Registration Verification Gambar 2.26 Tahapan identifikasi sidik jari
Fingerprint Acquisition : Pengambilan gambar sidik jari dalam format digital, untuk biometrik digunakan scanner sidik jari elektronik. Terdapat variasi yang besar dari scanner yang tersedia di pasar dan keseluruhan arah menuju alat yang kecil, cepat dan murah. Itu diharapkan bahwa scanner akan terus meningkat bersama sebagaimana mereka terintegrasi kedalam variasi yang luas dari alat jinjing seperti PDA, telepon genggam, dan smart card. Representation : Dahulu sidik jari telah diperoleh dalam bentuk digital. Sistem identifikasi sidik jari harus memilih gambaran penyimpanan yang tepat. Memikirkan ukuran yang besar sekali dari beberapa database sidik jari, itu menjadi sangat penting untuk memilih sebuah gambaran memelihara diskriminasi informasi sidik jari. Sebuah alternatif untuk gambaran berbasis gambar untuk menyimpan hanya atribut tertentu dari cetakan feature, dan itu dapat menjurus kepada gambaran sidik jari yang efisien. Prepocessing : Tahapan sangat penting dari sistem identifikasi sidik jari adalah preprocessing dan perbaikan gambar sidik jari. Citraan sidik jari sering kali diperoleh dalam lingkungan yang takterkendalikan, mendorong ke arah jarak yang luas dalam mutu dari cetakan. Banyak dari sidik jari diskriminasi feature adalah ketidakteraturan ridge minute itu sangat sulit untuk ekstrak dari
28
gambar berkualitas rendah. Kinerja dari sebuah algoritma pencocokan sidik jari berhubungan erat dengan keandalan dari tingkat ekstraksi feature. Sebagai konsekuansinya telah ada banyak penelitian dalam masalah preprocessing sidik jari dan perbaikan feature. Feature Extraction : Pada tingkat ekstraksi feature terkait dengan menemukan dan mengukur properti penting dari sidik jari yang akan digunakan untuk mencocokkan dengan yang lain. Disana terdapat dua kategori dari feature sidik jari yang berbasis pada minutiae dan itu berbasis pada properti sidik jari yang lain. Registration : Gol terakhir dari sistem identifikasi sidik jari adalah memenukan atau mengkonfirmasikan identitas dari sidik jari orang siapa yang telah mengajukan ke sistem. Melibatkan perbandingan ekstrak feature dari dua cetakan dan menentukan kemungkinan mereka telah menangkap jari yang sama. Untuk membandingkan ekstrak feature, sidik jari pertama diluruskan dengan tiap urutan, proses dari penjajaran disebut registrasi. Verification : Tahap akhir dari pencocokan sidik jari adalah verifikasi. yang mana melibatkan perhitungan skor bahwa mengukur derajat dari koresponden antara dua cetakan dan menentukan apakah skor ini cukup tinggi untuk mempertimbangkan pasangan yang cocok. Dibawah ini merupakan flowchart dari sistem autentifikasi sidik jari.
29
Scanner Gambar Preprocessing
Gabor Filter
Database
Matching
Monitor Selesai Gambar 2.27 Flowchat diagram sistem pengenalan sidik jari
2.10
Tahapan preprosessing Preprosessing diaplikasikan untuk gambar sidik jari dalam urutan enhencement
feature sidik jari, tahapan proses ini mengacu berdasarkan penelitian dari Hong, Wan, dan Jain. Tahapan yang termasuk dalam sistem ini ialah : gambar ternormalisasi, orientation estimation, filtering, binerisasi, dan thinning, dimana masukkan proses berupa gambar asli yang discan menggunakan scanner (epson type 660). Dan hasil akhirnya berupa penggambaran ridge skeleton yang siap disimpan sebagai template dalam database yang dimiliki.
Gambar 2.28 Sidik jari asli
30
2.10.1 Normalisasi Tahap selanjutnya dalam proses perbaikan sidik jari adalah normalisasi gambar. Normalisasi digunakan untuk standarisasi nilai intensitas dalam gambar dengan mengatur jarak dari nilai tingkat grey sehingga ini berada dalam menginginkan jarak. Memisalkan I (i,j) menggambarkan nilai tingkat grey pada pixel (i,j) dan N (i,j) menggambarkan nilai tingkat grey dinormalisasi pada pixel (i,j). Gambar dinormalisasi diartikan sebagai : 2 ⎧ Vo (I (i, j ) − M ) ⎪M o + Jika I (i, j ) > M , V ⎪ N (i, j ) = ⎨ 2 ⎪ Vo (I (i, j ) − M ) M − sebaliknya ⎪ 0 V ⎩
Dimana M dan V adalah berturut-turut perkiraan maksud dan variasi dari I (i,j), dan berturut-turut Mo dan Vo adalah menginginkan maksud dan veriasi nilai. Normalisasi tidak dapat memilih struktur ridge dalam sidik jari, dilakukan untuk standarisasi tingkat dinamik dari variasi nilai tingkat grey yang memudahkan proses dari tingkatan perbaikan gambar kemudian
Gambar 2.29 Ternormalisasi
2.10.2 Segmentasi Segmentasi adalah proses pemisahan bagian wilayah dalam gambar dari wilayah latar belakang. Bagian wilayah yang cocok untuk sidik jari yang jelas mengandung ridges dan valleys yang menjadi daerah perhatian. Latar belakang yang cocok untuk wilayah diluar perbatasan daerah sidik jari, yang tidak mengandung sedikit informasi sidik jari yang sah. Ketika algoritma ekstraksi minutiae diaplikasikan ke wilayah latar belakang dari sebuah gambar, hasilnya dalam ekstraksi dari nois dan kesalahan minutiae. Sehingga segmentasi
31
dikerjakan untuk membuang wilayah latar belakang, yang memudahkan ekstraksi dapat dipercaya pada minutiae. Dalam gambar sidik jari, secara umum wilayah latar belakang memperlihatkan sangat rendah nilai varisasi grey-scale, mengingat bagian wilayah menpunyai variasi sangat tinggi. Karena itu, metode berdasarkan pada permulaan variasi yang dapa digunakan untuk melakukan segmentasi. Pertamatama gambar dipisahkan kedalam blok dan variasi grey-scale dihitung untuk setiap blok dalam gambar. Jika variasi kurang dari permulaan global lalu blok ditempatkan menjadi daerah latar belakang, sebaliknya itu ditempatkan menjadi bagian dari bagian terdepan. Variasi tingkat grey untuk blok dari ukuran W x W diartikan sebagai :
V (k ) =
1 W −1 W −1 (I (i, j ) − M (k ))2 2 ∑∑ W i =0 j =0
Dimana V (k) adalah variasi dari blok k, I (i,j) adalah nilai tingkat grey pada pixel (i,j), dan M (k) adalah nilai tengah tingkat grey untuk blok k. 2.10.3 Orientation estimation
Gambar 2.30 Orientasi dari pixel ridge dalam sidik jari
Orientation
estimation
mengandung
informasi
mengenai
lokal
orientation dari kandungan ridge pada sidik jari, seperti terlihat pada gambar 2.31. Orientation estimation ialah tahapan dasar dalam proses enhencement sebagai lanjutan Gabor filter tahap nyata pada local orientation dalam urutan efektivitas enhencement gambar sidik jari. Beberapa teknik dapat digunakan untuk menghitung orientation filed. Pendekatan yang lebih akurat berdasarkan pada penemuan rata-rata gradient gambar dalam wilayah lokal.
32
Gambar 2.31 Orientation filed
2.10.4 Ridge frekuensi estimation Sebagai tambahan untuk orientasi gambar, parameter penting lain yang digunakan dalam konstruksi dari Gabor filter adalah frekuensi lokal ridge. Frekuensi gambar diwakili frekuensi lokal dari ridge dalam sidik jari. Tahap pertama dalam tahap estimasi frekuensi ialah membagi gambar kedalam blok ukuran W x W. Tahap selanjutnya proyeksikan nilai grey-level dari semua pixel ditempatkan kedalam setiap blok terus arah orthogonal untuk lokal orientation ridge. Bentuk proyeksi ini mendekati bentuk gelombang sinusoidal dengan lokal titik minimum yang sesuai untuk ridge dalam sidik jari.
Dimana S(i,j) ialah jarak ridge dan F(i,j) ialah frekuensi ridge.
2.10.5 Penyaringan Sidik jari mempunyai paralel lokal ridges dan valleys, dirumuskan dengan baik orientasi dan frekuensi lokal. Secara tepat filter gabor disetel dapat menghapus noise, memelihara struktur ridges dan valleys dengan benar dan memberikan informasi yang berisi orientasi khusus dalam gambar. Titik minutia dapat dilihat sebagai sebuah kelainan lokal paralel ridge dan informasi itu berusaha untuk menangkap penggunaan penyaring gabor.
33
Gambar 2.32 Titik referensi (x), daerah perhatian, dan 80 sektor (B = 5, k = 16) menunjukkan ukuran komparatif pada sidik jari
Sebelum menyaring gambar sidik jari, gambar dinormalisasi intensitas grey-level pada daerah perhatian dalam setiap sektor yang terpisah menunjukkan tetap dan berbeda. Normalisasi dilakukan untuk menghapus dampak dari noise sensor dan latar belakang grey-level dalam kaitan dengan perbedaan penekanan sidik jari. Misal I (x,y) menunjukkan nilai keabuan pada pixel (x,y), Mi dan Vi, memperkirakan maksud dan perbedaan dari grey-level pada masing-masing sektor Si dan Ni (x,y), nilai grey-level dinormalisasi pada pixel (x,y). Untuk semua pixel dalam sektor Si, gambar di normalisasi didefinisikan sebagai :
)
⎧ V x ( I ( x, y ) − M i ) 2 , if I ( x, y ) > M i ⎪M o + o Vi ⎪ Ni (x,y) = ⎨ Vo x (I ( x, y ) − M i ) 2 ⎪ M − , sebaliknya ⎪ o V i ⎩
)
Dimana Mo dan Vo menginginkan maksud dan perbedaan nilai masingmasing. Normalisasi adalah operasi cara pixel dimana tidak dapat dipilih kejelasan struktur ridge dan valley. Jika normalisasi dilakukan pada seluruh gambar, kemudian tidak dapat mengimbangi variasi intensitas dalam perbedaan bagian dari gambar dalam kaitan dengan perbedaan penekanan sidik jari. Normalisasi terpisah dari tiap-tiap sektor individu mengurangi masalah. Gambar 15 sebagai contoh dari skema normalisasi, dan diatur nilai keduanya Mo dan Vo ke 100. Bahkan simetrik filter gabor secara umum digambarkan :
34
⎧⎪ 1 ⎡ x ' 2 y ' 2 ⎤ ⎫⎪ G ( x, y; f ,θ ) = exp ⎨ ⎢ 2 + 2 ⎥ ⎬ cos 2πfx ' δ y ⎥⎦ ⎪⎭ ⎪⎩ 2 ⎣⎢ δ x
(
)
x ' = x sin θ + y cos θ , y ' = x cos θ − y sin θ , Dimana f adalah frekuensi gelombang datar sinusoidal sepanjang arah θ dari x-axis, δ x dan δ y adalah jarak tetap dari sampul Gaussian berturut-turut sepanjang axis x dan y. Karakteristik ruang dari penyaring Gabor dapat dilihat pada gambar dibawah ini.
Gambar 2.33 Filter gabor (ukuran penyamaran = 33 x 33, f = 0.1, δ x = 4.0, δ y = 4.0 ). Hanya diarahkan 00 dan 900 pada gambar
Penyaring gabor dan ektraksi feature secara umum dalam bentuk penyaring gabor 2D dinyatakan dalam bentuk :
⎡ 1 ⎛ xθ2 yθ2k ⎞⎤ k ⎜ + 2 ⎟⎥ × exp i 2πfxθ k h (x, y,θ k , f ,σ x ,σ y ) = exp ⎢− 2 ⎜ ⎟ 2 σ ⎢⎣ ⎝ x σ y ⎠⎥⎦
(
)
35
Dimana
xθ k = x cos θ k + y sin θ k
dan
yθ k = − x sin θ k + y cos θ k ,
f adalah
frekuensi dari gelombang datar sinusoidal, θ k adalah orientasi dari penyaring gabor, σ k dan σ y standar deviasi dari sampul gaussian sepanjang akses x dan y berturut-turut. Untuk meneliti penyaring gabor dalam istilah simetrik genap dan simetrik ganjil. Kami menjelaskan persamaan di atas ke dalam bentuk komplek h = heven + ihodd dimana ⎡ 1 ⎛ xθ2 yθ2k ⎞⎤ k ⎜ heven (x, y,θ k , f ,σ x ,σ y )= exp ⎢− + 2 ⎟⎥ × cos 2πfxθ k 2 ⎜ ⎟ 2 ⎢⎣ ⎝ σ x σ y ⎠⎥⎦ ⎡ 1 ⎛ xθ2 yθ2 ⎞⎤ hodd (x, y,θ k , f ,σ x ,σ y )= exp ⎢− ⎜ 2k + 2k ⎟⎥ × sin 2πfxθ k ⎢⎣ 2 ⎜⎝ σ x σ y ⎟⎠⎥⎦
(
(
)
)
Sebagian besar struktur ridge lokal dari sidik jari datang dengan rumus frekuensi lokal dan orientasinya. Kami menetapkan f sebagai timbal balik dari rata-rata jarak inter-ridge dan m sebagai angka orientasi untuk perhitungan
θ k = π (k − 1) m , k = 1, ..., m. Juga sebuah bentuk kosinus/sinus dan bentuk sinusiodal dari gabor filter sesuai untuk memodelkan struktur ridge/valley dan melicinkan noise berturut-turut. Setelah menentukan parameter dari gabor filter, jarak feature gabor dan ganjil satu pada contoh titik (X, Y) dapat didefinisikan sebagai berikut : g mag
( X , Y ,θ , f , σ
g even
( X , Y ,θ , f , σ
k
k
x
x
w 2 −1
w 2 −1
,σ y
)= ∑ ∑ I ( X + x,Y + y )h(x, y,θ , f ,σ
,σ y
)= ∑ ∑ I ( X + x,Y + y )h (x, y,θ , f ,σ
k
x=−w 2 y=−w 2
g odd (X , Y ,θ k , f ,σ x ,σ y )=
w 2 −1
,σ y )
w 2 −1
x=−w 2 y=−w 2 w 2 −1
x
even
k
w 2 −1
∑ ∑ I ( X + x,Y + y )h (x, y,θ
x=−w 2 y=−w 2
odd
k
x
,σ y )
, f , σ x ,σ y )
2.10.6 Binerisasi
Gambar binerisasi adalah proses yang terjadi dari gambar gray-scale menjadi gambar hitam dan putih. Sebagian besar algoritma ekstraksi minutiae dijalankan pada gambar biner dimana hanya dua tingkat yang diperhatikan : pixel hitam menggambarkan ridges, dan pixel putih manggambarkan valley.
36
Dalam gambar gray-scale, pixel dapat diambil pada 256 nilai intensitas perbedaan yang mana setiap pixel diberikan menjadi tiap hitam atau putih dalam gambar hitam dan putih. Konversi dari gray-scale menjadi hitam dan putih ialah peran dari aplikasi permulaan nilai menjadi gambar. Dalam matlab, nilai mengandung pixel putih, mengingat nilai dari nol menunjukkan pixel hitam. Untuk gambar gray-scale, pixel ialah nilai decimal antara nol dan satu. Ketika permulaan di aplikasikan ke sebuah gambar, semua nilai pixel dibandingkan ke permulaan masukan. Pemulaan banyak nilai pixel di set nol, dan banyak nilai yang lebih baik daripada permulaan diset satu. Dan diakhir proses, semua nilai pixel dalam gambar setiap nol atau satu, dan gambar telah dirubah menjadi bentuk biner. Komponen yang sangat penting dalam proses binerisasi ialah memilih nilai yang baik untuk permulaan. Jika permulaan di set terlalu rendah, dibandingkan hasil gambar biner akan utama terdiri dari pixel putih. Sebaliknya jika permulaan di set terlalu tinggi, hasil gambar akan besar bilangan feature dari pixel hitam yang tak diinginkan. Jadi permulaan harus dipilih dengan hati-hati untuk memastikan informasi data dilindungi setelah binerisasi. Ini memperbaiki kontras antara ridge dan valley dalam gambar sidik jari, dan sebagai akibatnya memudahkan ekstraksi minutiae. Satu memiliki fungsi dari penyaringan gabor ialah mempunyai komponen DC dari nol, dengan maksud hasilkan gambar yang disaring mempunyai maksud nilai pixel dari nol. Karena itu, binerisasi sederhana dari gambar dapat dilakukan menggunakan permulaan dari nol. Proses binerisasi meliputi pemeriksaan nilai gray-level dari tiap pixel dalam meningkatkan gambar, dan jika nilai lebih besar dari permulaan global, lalu nilai pixel mulai satu nilai biner meskipun mulai dari nol. Hasilnya gambar biner berisi dua tingkat informasi, bagian depan ridge dan latar belakang valley.
37
Gambar 2.34 Perbandingan gambar asli (kiri) dan gambar binerisasi (kanan)
2.10.7 Thinning
Thinning ialah operasi morfologi berturut-turut mengikis jauh pixel bagian depan hingga menjadi lebar satu pixel. Algoritma standar thinning ialah pekerjaan yang melakukan operasi thinning menggunakan subiterasi. Algoritma ini dapat diperoleh dalam matlab melalui operasi ‘thin’ dibawah fungsi bwmorph. Setiap subiterasi dimulai dengan menganalisa sekitar setiap pixel dalam gambar biner, dan berdasar pada satuan keterangan kriteria penghapusan pixel, cek apakah pixel dapat dihapus atau tidak. Melanjutkan subiterasi hingga tidak ada lagi pixel yang dapat dihapus. Aplikasi dari algoritma thinning untuk memelihara gambar sidik jari menghubungkan dari struktur ridge saat membentuk versi sekleton dari gambar biner. Gambar sekleton kemudian digunakan dalam ekstraksi kemudian dari minutiae.
Gambar 2.35 Thinning
2.10.8 Vektor feature
Sulit mempercayakan feature diektrak berdasarkan pada deteksi jelas dari struktur feature sidik jari, khususnya pada gambar berkualias rendah. Feature
38
berdasarkan pada properti statistik dari gambar mungkin menurun halus dengan kualitas gambar yang buruk. Disini menggunakan feature yang berdasarkan pada perbedaan grayscale, rata-rata mutlak deviasi tingkat keabu-abuan dari nilai tengah dalam sebuah sektor gambar menunjukkan secara keseluruhan aktivitas ridge didalam sektor yang mana menuntut penggunaan dari klasifikasi dan verifikasi. Feature serupa dengan sukses digunakan lebih awal oleh Jain dan Farrokhnia untuk klasifikasi tekstur dan segmentasi. Hasil empiris pada aplikasi klasifikasi dan verifikasi sidik jari terlihat pada feature statistik sederhana Fiθ (x, y ) dimana θ
dilakukan dengan sangat baik. Memisalkan penyaringan
gambar
untuk
sektor
Si.
Sekarang
arah
∀i ∈{0,1,...,79}dan
θ ∈{0 0 ,22.5 0 ,45 0 ,67.5 0 ,90 0 ,112.5 0 ,135 0 ,157.5 0 }, nilai feature Viθ adalah ratarata mutlak deviasi dari definisi : Vi θ =
1 ni
⎛ ⎜ ∑ Fiθ (x, y ) − Piθ ⎜ n ⎝ i
⎞ ⎟ ⎟ ⎠
Dimana ni adalah angka dari pixel Si dan Piθ adalah rata-rata nilai pixel dari Fiθ (x, y ) pada sektor Si. Rata-rata mutlak deviasi tiap sektor dari tiap 8 penyaringan gambar menetapkan komponen dari 640 dimensi vektor feature. Vektor feature dari beberapa contoh gambar database MSU_DBI terlihat pada gambar dibawah ini.
39
Gambar 2.36 contoh dari 640 dimensi vektor feature. (a) cetakan pertama dari jari 1, (b) cetakan kedua dari jari 1, (c) dan (d) koresponden Finger-code, (e) cetakan pertama dari jari 2, (f) cetakan kedua dari jari 2, (g) dan (h) koresponden Finger-code.
Pada aplikasi verifikasi sidik jari menggunakan 8 orientasi penyaringan dihasilkan dengan dayaguna lebih baik daripada yang hanya menggunakan 4 orientasi penyaringan. Selanjutnya perbaikan angka dari penyaringan tidak dapat memberikan banyak perbaikan dalam dayaguna verfikasi. Sama halnya menggunakan 8 penyaringan pengganti dari 4 penyaringan tidak dapat memperbaiki dayaguna dari algoritma klasifikasi sidik jari. 640 dimensi feature vektor (Fingercode) untuk gambar sidik jari dari 2 perbedaan jari database MSU_DBI terlihat sebagai gambar tingkat keabu-abuan dengan 8 piringan, koresponden dari tiap-tiap piringan ke satu gambar penyaringan terdapat dalam gambar 2.36. Tingkat keabu-abuan dalam sektor perwakilan piringan nilai feature untuk sektor dalam koresponden penyaringan gambar. Catatan untuk gambar 2.36 (c) dan (d) terlihar persamaan visual seperti gambar 2.36 (g) dan (h) tetapi koresponden piringan untuk 2 perbedaan jari terlihat sangat berbeda. Translasi ditangani dengan satu lokasi titik referensi selama tahapan feature extraction. Skema gambaran mungkin mentoleransi ketidaktepatan dalam estimasi titik referensi sampai 10 pixel (kira-kira jarak 1 ridge unit) jauh dari lokasi yang benar. Sektor keliling dipilih karena ukuran sektor menigkat lebih jauh dari pusat dan menangani kesalahan dalam lebih dari pusat lokasi. Implementasi sekarang dari ekstraksi feature diasumsikan bahwa sidi jari tegak lurus ketimur (ujung jari menunjuk lurus keatas). Kenyataannya sidik jari dalam database tidak tepat tegak lurus ketimur ; sidik jari mungkin orientasi hingga sejauh ± 45 0 dari asumsi orientasi vertikal. Keliling sektor bantuan memperoleh gambaran koresponden rotasi dari gambar sidik jari dengan perputaran rotasi nilai vektor feature. Perputaran rotasi dari vektor feature secara parsial menangani rotasi dalam tingkatan pencocokan.
2.10.9 Ektraksi feature
Algoritma klasifikasi sidik jari diusulkan seperti pada gambar 2.37 berdasarkan pada filterbank sidik jari skema digambarkan yang mana secara
40
langsung di dapatkan dari stuktur lokal ridge. Penggambaran tidak dapar digunakan untuk core, delta, dan orientasi medan, dengan tegas. Itu lebih mampu untuk mentoleransi kualitas gambar yang buruk, yang mana kesulitan utama dalam klasifikasi sidik jari. tahapan utama dari algoritma klasifikasi mengikuti : (i) lokasi titik referensi dalam masukan gambar dan menetapkan ruang untuk sektor dari wilayah sekitar titik referensi; (ii) menguraikan gambar masukan kedalam komponen gambar, masing-masing pasti memelihara informasi yang berorientasi ridge; memperhitungkan standar deviasi dari komponen gambar dalam setiap sektor menghasilkan vektor feature (disebut Fingercode); (iii) pemberian vektor feature kedalam klasifikasi multi tingkatan; algoritma dua tingkatan klasifikasi digunakan. Dua tingkatan klasifikasi ini menggunakan sebuah klasifikasi lingkungan terdekat K dalam tingkatan pertama dan klasifikasi dari jaringan saraf dalam tingkatan kedua untuk menggolongkan vektor kedalam lima klas sidik jari.
Gambar 2.37 Diagram alir dari algoritma klasifikasi sidik jari
Kelompok dari sidik jari ditentukan dengan ridge global dan struktur alur. Feature yang sah dari klasifikasi sidik jari harus dapat menagkap informasi global secara efektif. Gambar sidik jari digulung dengan 4 filter gabor
(θ = 0 ,45 ,90 , dan 135 ) untuk menghasilkan 4 komponen gambar. Jadi feature 0
0
0
0
vektornya 192 dimenasi (48 x 4). Rekonstruksi gambar serupa dengan gambar
41
aslinya tanpa kerugian informasi yang berarti. Menggunakan tambahan penyaring tidak perlu memperbaiki informasi yang mengarah dalam rekonstruksi gambar (terlihat pada gambar 19, perbandingan rekonstruksi menggunakan 4 penyaring dengan rekonstruksi menggunakan 8 penyaring). Sejak terbelit dengan filter gabor operasi menjadi sangat mahal, menggunakan tambahan penyaring akan meningkatkan klasifikasi waktu tanpa perlu memperbaiki ketelitian klasifikasi. Pada setiap komponen gambar yang disaring, lingkungan lokal dengan ridge dan alur secara paralel untuk koresponden penyaringan kearah variasi yang tinggi, mengingat lingkungan lokal dengan ridge dan alur tidak paralel untuk koresponden penyaringan cenderung untuk mengurangi hasil dalam variasi yang rendah. Mengenai ruang penyaluran dari variasi kedalam lingkungan lokal dari komponen gambar menjadi peraturan karakter dari struktur ridge global yang mana penangkapan dengan rata-rata mutlak deviasi nilai grayscale dari nilai tengah (feature AAD).
Gambar 2.38 Dinormalkan, disaring, dan merekonstruksi gambar sidik jari
Gambar 2.39 Merekonstruksi gambar sidik jari menggunakan (a) 4 penyaringan, dan (b) 8 penyaringan. Kebanyakan informasi mengarah pada penangkapan dengan 4 penyaring.
42
Gambar 2.40 Penggambaran sidik jari menggunakan 192 dimensi vektor feature.
2.11
Perangkat lunak Matlab v7.1
Matlab merupakan bahasa pemrograman dengan kemampuan tinggi dalam bidang komputasi. Saat ini, bahasa pemrograman tidak hanya dituntut memiliki kemampuan dari segi komputasi, tetapi juga kemampuan visualisasi yang baik. Matlab memiliki kemampuan mengintegrasikan komputasi, visualisasi, dan pemrograman. Dalam memvisualisasikan sebuah objek, Matlab memiliki kemampuan merotasi objek tanpa merubah programnya. Agar dapat mulai menggunakan Matlab, terlebih dahulu di dalam komputer sudah terinstal Matlab. Gambar 2.36 memperlihatkan jendela utama Matlab.
43
Gambar 2.41 Jendela utama Matlab
2.12
GUIDE
GUIDE atau GUI builDEr merupakan sebuah graphical user interface (GUI) yang dibangun dengan obyek grafis seperti tombol (button), kotak teks, slider, sumbu (axes), maupun menu. Sebagai contoh, ketika menggerakkan slider, maka pengguna dapat melihat perubahan sebuah nilai. Kemudian, ketika pengguna menekan tombol OK, maka aplikasi pengguna akan dijalankan. GUIDE Matlab memiliki banyak keunggulan tersendiri, antara lain : 1. GUIDE Matlab banyak digunakan dan cocok untuk aplikasi-aplikasi berorientasi sains, sehingga banyak peneliti atau mahasiswa baik S1, S2, maupun S3 menggunakan GUIDE Matlab untuk menyelesaikan riset atau Tugas Akhir-nya, 2. Matlab memiliki banyak fungsi built in yang siap digunakan dan pemakai tidak perlu bersusah payah membuatnya sendiri, 3. Ukuran file, baik FIG-file maupun m-file yang dihasilkan relatif keci, 4. Kemampuan grafisnya cukup andal dan tidak kalah dibandingkan bahasa pemrograman lainnya.
44
2.13
Membuat GUI dengan matlab
Matlab mengimplementasikan GUI sebagai sebuah figure yang berisi berbagai style objek kontrol user interface (uicontrol). Selanjutnya, pengguna harus memprogram masing-masing objek agar dapat bekerja ketika diaktifkan oleh pemakai GUI. Ada dua hal mendasar yang harus dikerjakan untuk membuat aplikasi GUI yaitu : 1. Mengatur layout komponen GUI dengan uicontrol 2. Memprogram komponen GUI agar dapat bekerja seperti yang diharapkan. GUIDE merupakan himpunan tool layout. GUIDE menghasilkan pula suatu m-file yang berisi kode program untuk menangani inisialisasi dan menjalankan GUI. Kemudian, m-file menyediakan suatu kerangka untuk implementasi callback, yaitu fungsi yang bekerja ketika para pemakai mengaktifkan suatu komponen di dalam GUI.
2.14
Mengatur layout komponen GUI
Setelah pengguna membuka GUIDE Matlab dan menentukan apakah menggunakan blank GUI atau template GUI, langkah selanjutnya adalah mendesain figure (form dalam Visual Basic) dengan menggunakan komponen pallete seperti pushbutton, slider, static text, frame, radio button, dan sebagainya. Selanjutnya pengguna dapat mengatur layout masing-masing komponen, baik string (caption), tag (name), font, maupun color, dengan menggunakan property. Jika pengguna telah selesai mendesain, maka langkah berikutnya adalah menyimpan figure ke dalam Matlab yang secara default akan menyimpan figure ke dalam Matlab, yang secara default akan menyimpan dengan file berekstensi *.fig. Dari sini, Matlab secara otomatis pula akan membuatkan sebuah m-file dengan nama sama. 2.15
Memprogram komponen GUI
M-file yang telah dibuat pada langkah di atas, akan otomatis terbuka dan pengguna harus memprogramnya agar komponen dapat bekerja secara simultan. Jika pengguna tidak dalam posisi pertama kali menyimpan *.fig, maka harus
45
membuka sendiri m-file. Untuk membuat program pada m-file, pengguna cukup memperhatikan fungsi-fungsi Matlab bertanda callback di mana perintah disisipkan. Jadi, secara sederhana sebenarnya sebuah GUI Matlab dapat dibentuk oleh dua buah file, yaitu fig-file dan m-file yang dapat digambarkan sebagai berikut :
Fig-File
+
m-file
GUI
Gambar 2.42 GUI Secara Sederhana
Walaupun pengguna dapat menulis suatu m-file yang berisi semua perintah layout suatu GUI dengan menggunakan script, akan tetapi lebih mudah jika pengguna menggunakan GUIDE untuk mengatur komponen GUI secara interaktif, Hasilnya adalah dua file GUI, yaitu : 1. File berekstensi FIG (*.FIG) merupakan file figure yang berisi deskripsi figure sebuah GUI dan semua komponen turunannya (uicontrol dan axes), seperti nilai-nilai objek yang dapat ditentukan melalui sebuah properti. 2. File berekstensi M (*.M) merupakan file kode yang berisi fungsi kode layout uicontrol karena informasi tentang kode disimpan dalam sebuah file figure. Pengimplementasian sebuah GUI dimulai dengan membuat sebuah figure yang terdiri atas beberapa uicontrol, misalnya axes, pushbutton, static text, dan edit text yang semuanya dapat diatur melalui property. Kemudian, pengguna
menyimpannya, sehingga menghasilkan dua buah file, yaitu file
figure (*.fig) dan file Matlab (*.M). sebelum menjalankan figure, pengguna dapat menambahkan beberapa kode program Matlab pada m-filenya melalui callback yang secara otomatis akan ditambahkan setiap kali pengguna menambahkan dan mengatur uicontrol beserta property-nya.
2.16
Fitur-fitur GUI
Dalam membuat aplikasi GUI, GUIDE akan membuat kerangka kerja mfile secara otomatis langsung dari layout pengguna. Selanjutnya, pengguna
46
dapat menggunakannya untuk membuat kode aplikasi m-file. Metode ini memberikan beberapa keuntungan, antara lain : 1. m-file berisi kode yang mengimplementasikan sejumlah fitur. 2. m-file mengadopsi suatu pendekatan efektif yang menangani objek handle dan menjalankan rutin callback. 3. m-file menyediakan suatu manajemen data global. 4. Prototype sebuah subfungsi secara otomatis akan disisipkan pada rutin callback. Pengguna dapat menentukan supaya GUIDE hanya membuat file *.fig kemudian, pengguna menulis aplikasi m-file secara tersendiri, sehingga tidak terdapat perintah kreasi uicontrol di dalam aplikasi m-file. Perintah GUIDE dari command Matlab akan menampilkan layout editor berupa figure kosong. Sebelum menambahkan komponen ke dalam layout editor, pengguna seharusnya mengatur GUI menggunakan GUI Options dengan memilih GUI Options dari menu tools pada layout editor. Dialog GUI Option memungkinkan pengguna mengatur konfigurasi aplikasi m-file seperti yang pengguna inginkan GUIDE dapat membuat hanya file *.fig atau keduanya, file *.fig maupun *.m.
Gambar 2.43 GUI Options
