DETEKSI SIDIK JARI SESEORANG DENGAN MENGGUNAKAN MATHEMATICAL MORPHOLOGY DAN EDGE DETECTION

DETEKSI SIDIK JARI SESEORANG DENGAN MENGGUNAKAN MATHEMATICAL MORPHOLOGY DAN EDGE DETECTION

Wiji Lestari1), Pipin Widyaningsih2) 1

Sistem Informasi, STMIK Duta Bangsa Surakarta email : [email protected] 2 Sistem Informasi, STMIK Duta Bangsa Surakarta email : [email protected] Abstrak

Penelitian ini bertujuan menghasilkan sistem deteksi sidik jari seseorang dengan mengunakan pengolahan citra mathematical morphology dan edge detection. Sidik jari akan diidentifikasi polapolanya sesuai dengan citra sidik jari acuan. Dengan mengetahui pola-pola sidik jari seseorang dapat digunakan sebagai acuan untuk analisis lanjut untuk karakteristik biologis maupun psikologis. Data masukan digunakan citra sidik jari yang sudah diproses awal dengan digitalisasi citra. Proses selanjutnya citra diubah ke dalam skala keabuan dengan ukuran pixel tertentu. Proses mathematical morphology yang digunakan terdiri dari dilasi dan erosi. Dilasi dan erosi digunakan untuk mengolah citra sidik jari agar mudah dideteksi. Deteksi sidik jari menggunakan metode edge detection yaitu Prewitt.Hasil penelitian berupa deteksi sidik jari seseorang yang berguna untuk identifikasi diri dan analisis lanjut atau penelitian lanjut yang menggunakan data pola-pola sidik jari. Dari hasil penelitian dapat dibuktikan bahwa penggunaan mathematical morphology memudahkan deteksi sidik jari. Tujuan jangka pendek penelitian ini adalah tersedianya alat deteksi pola-pola sidik jari seseorang. Alat ini berguna bagi sekolah, perguruan tinggi maupun instansi-instansi terkait. Tujuan jangka panjangnya adalah adanya software gratis untuk identifikasi pola-pola s sidik jari seseorang. Kata kunci :Sidik Jari, Mathematical Morphology, Dilasi, Erosi, Edge Detection

1. PENDAHULUAN Ilmu tentang sidik jari (Dermatoglyphic) sudah berkembang sejak ratusan tahun yang lalu. Penerapan dari disiplin ilmu cukup luas seperti pada militer (peperangan), kepolisian (kriminalitas, detektif dan inteligen), perusahaan/instansi (rekrutmen), serta diterapkan juga pada pemasaran, olahraga, kesenian dan bidang-bidang yang lain. Sistem keamanan biometric memegang peranan penting dalam sistem keamanan (Chiang & Chia, 2008).Para peneliti menemukan bahwa sidik jari memiliki kode genetik yang secara alamiah dapat dihubungkan dengan sel otak dan kecerdasan atau kepribadian seseorang. Tes sidik jari adalah teknik analisis mengidentifikasi pada pola-pola garis sidik jari seseorang yang secara genetik permanen melekat pada seseorang. Setiap pola merupakan penanda akan adanya potensi dan karakteristik diri seseorang yang bersifat bawaan (Abdilah, 2010). Morphology berkaitan dengan bentuk dan struktur suatu objek. Morphology dalam gambar digital dapat diartikan sebuah cara untuk untuk mendeskripsikan atau menganalisa bentuk dari objek digital. Untuk keperluan deskripsi dan analisis objek digital diperlukan suatu alat, yang disebut mathematical morphology (Prasetyo, 2011).

SEMINAR NASIONAL DAN CALL FOR PAPERS UNIBA 2014

51

Pada penelitian ini, penulis ingin meneliti lebih lanjut tentang software aplikasi untuk identifikasi pola-pola sidik jari seseorang dengan pengolahan citra mathematical morphology yaitu dilasi dan erosi.Untuk deteksi kecocokkan pola sidik jari seseorang digunakan edge detection atau edeteksi tepi. Diharapkan penelitian ini menghasilkan sistem aplikasi identifikasi sidik jari yang murah, efektif dan mudah dalam pemakain. Database pola-pola sidik jari seseorang akan diproses dengan pengolahan citra dilanjutkan dengan metode mathematical morphology. Selanjutnya pola sidik jari akan diidentifikasi dengan metode edge detection. Tujuan penelitian ini adalah membangun sistem deteksi sidik jari seseorang dengan menggunakan metode mathematical morphology dan edge detection.

2. TINJAUAN PUSTAKA Penelitian yang Terkait Penelitian-penelitian yang terkait dengan identifikasi sidik jari cukup banyak. Nikam dan Agarwal (2008) melakukan penelitian tentang Fingerprint Anti-Spoofing Using Ridgelet Transform. Pada penelitian ini citra sidik jari diproses dalam bentuk real dan spoof . Pengukuran tekstur cutra sidik jarinya menggunakan ridgelet energy signature dan ridgelet coocurence signature. Hasil deteksi dan analisis sidik jari diklasifikasikan menggunakan: jaringan syaraf tiruan, support vector machine dan k-nearest neighbor. Ahmed, et al (2012) melakukan penelitian tentang The Use of Two Transform Methods in Fingerprint Recognition. Pada penelitian identifikasi sidik jari menggunakan dua metode yaitu DCT (Discrete Cosine transform) dan FDCvT (Fast Digital Curvelet Transforms). Mula-mula citra sidik jari sampel di deteksi dan dijadikan acuan untuk testing selanjutnya. Pola sidik jari baru akan diidentifikasi mengacu ke pola sidik jari yang sudah diidentifikasi. Hasil penelitian menunjukkan bahwa identifikasi sidik jari dengan DCT dan FDCvT menghasilkan identifikasi lebih baik 84%. Sagiroglu dan Ozkaya (2009) melakukan penelitian tentang An Intelligent Face Feature Generation System from Fingerprints. Pada penelitian ini mencari hubungan antara deteksi wajah dan sidik jari. Pada penelitian ini digunakan jaringan syaraf tiruan. Hasil yang dicapai dengan mengidentifikasi sidik jari maka wajah seseorang yang diuji dapat ditunjukkan. Ching dan Chia (2008) melakukan penelitian dengan judul A Fingerprints Identification System Based on Fuzzy Encoder and Neural Network. Pada penelitian ini digunakan fuzzy encoder dan algoritma back propagation jaringan syaraf tiruan. Citra sidik jari asli dipraproses dengan normalisasi, kemudian diubah ke skala biner, selanjutnya difilter dengan

52

Good Governance Menuju Kesejahteraan dan Kemandirian

gabor filter. Setelah praprosesing citra sidik jari kemudian diidentifikasi dengan Fuzzy Encoder dan algoritma Back Propagation.

Mathematical Morphology Mathematical morphology adalah tool untuk untuk pengekstrakan komponen citra yang berguna dalam representasi dan deskripsi bentuk daerah, seperti boundaries, skeletons dan convex hull (Prasetyo, 2011). Mathematical morphology dapat diterapkan sebagai langkah awal ataupun akhir dari proses analisis gambar digital untuk jenis gambar biner dan dapat diperluas ke gambar grayscale. Namun, umumnya mathematical morphology biasanya diterapkan pada gambar biner. Suatu gambar digital dapat dipandang sebagai fungsi amplitudo 2D dengan koordinat diskrit. Pada mathematical morphology, suatu gambar digital dinyatakan sebagai himpunan koordinat diskrit (Belaroussi dan Milgram, 2012). Dalam hal ini, himpunan tersebut berhubungan dengan point atau piksel objek pada gambar digital. Karena objek dianggap sebagai suatu himpunan, maka mathematical-mathematical himpunan seperti union, intersection, complement, dan sebagainya dapat digunakan.

Edge Detection Edge detection atau deteksi tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nyata sebuah citra. Sebuah operator edge detection merupakan operasi bertetangga, yaitu sebuah operasi yang memodifikasi nilai keabuan sebuah titik berdasarkan nilai-nilai keabuan titik-titik desekitarnya yang masing-masing mempunyai bobot sendirisendiri.Bobot-bobot tersebut tergantung metodenya dan banyaknya titik tetangga biasanya adalah 2x2, 3x3, 3x4, 7x7 , dan sebagainya (Sutoyo, dkk, 2009).

Pola Sidik Jari Sidik jari merupakan sesuatu yang unik dan tidak akan berubah seumur hidup kecuali jika luka parah pada jari (Maltoni et all, 2003). Sidik jari merupakan identitas pribadi yang tak mungkin ada yang menyamainya.Jika di dunia ini hidup 6 miliar orang, maka ada 6 miliar sidik jari, belum ditemukan seseorang yang memiliki sidik jari yang sama dengan lainnya.Karena

keunikannya

tersebut,

sidik

jari

dipakai

oleh

kepolisian

dalam

penyidikansebuah kasus kejahatan (forensik). Makanya pada saat terjadi sebuah kejahatan, TKP akan diclear up dan dilarang bagi siapa saja untuk masuk karena dikhawatirkanakan merusak sidik jari penjahat yang mungkin tertinggal di barang bukti yang ada di TKP. SEMINAR NASIONAL DAN CALL FOR PAPERS UNIBA 2014

53

Pola sidik jari dapat dibagi menjadi dua tipe garis yaitu ridge dan valley. Ridge adalah garis yang berwarna gelap, sedangkan valley adalah daerah antara ridge yang terang. Ada tiga jenis sidik jari yaitu Whorl (lingkaran), Loop (sangkutan) dan Arch (busur) Sifat-sifat atau karakteristik yang dimiliki oleh sidik jari adalah parennial nature yaitu guratan-guratan pada sidik jari yang melekat pada manusia seumur hidup, immutability yang berarti bahwa sidik jari seseorang tak akanpernah berubah kecuali sebuah kondisi yaituterjadi kecelakaan yang serius sehinggamengubah pola sidik jari yang ada danindividuality yang berarti keunikan sidik jarimerupakan originalitas pemiliknya yang takmungkin sama dengan siapapun di muka bumi inisekali pun pada seorang yang kembar identik.

3. METODE PENELITIAN Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan penelitian sebagai berikut : Input Sidik Jari

Mathematical Morphology (Dilasi dan Erosi)

Citra Sidik Jari Baru transformasi

Deteksi dan Identifikasi

Edge Detection

Hasil Deteksi Sidik jari Gambar 1. Diagram Alur Penelitian

54


Kebutuhan-kebutuhan pada system ini meliputi kebutuhan perangkat keras dan lunak, kebutuhan database sidik jari berupa citra digital, kebutuhan fungsional dan performa dari system. Pada tahap selanjutnya dilakukan perancangan sistem yang berupa struktur navigasi dan perancangan antar muka pemakai (Graphical User interface). Tabel 1: Kebutuhan Minimum Sistem. Kebutuhan

Keterangan

Sistem Opersai

MS Windows XP atau sesudahnya

Prosesor

Intel Pentium IV 1, 5 GHz atau selebihnya

Memori

512 MB

Ruang Harddisk

20 GB

Software untuk desain

MS Visio

Software Pengolah Citra

Photoshop

Software untuk aplikasi

Matlab 7.0.1

Database pada system ini merupakan sekumpulan citra sijik jari baik hasil unduhan dari internet maupun hasil scanning dari sidik jari sampel. Semua database ini dijadikan dalam bentuk citra digital. Format database citra dapat berupa jpg yang bisa diproses dengan Matlab. Citra sidik jari sebelum diidentifikasi akan diproses dengan Mathematical Morphology. Citra sidik jari yang telah diproses awal selanjutkan akan diubah ke skala keabuan (gray scale). Proses selanjutnya citra sidik jari diproses dengan erosi dan dilasi.

4. HASIL PENELITIAN Data citra sidik jari berupa cap s sidik jari yang dihasilkan secara manual. Citra sidik jari ini kemudian digitalisasi menjadi citra sidik jari digital.Citra kemudian disimpan sebgai basis data untuk masukan sistem. Hasil pengolahan citra sidik jari dengan mathematical morphology seperti tabel berikut :


55

Tabel 2: Hasil Pengolahan Sidik jari dengan Mathematical Morrphology No

Citra Asli Sidik jari

Citra Hasil Mathematical Morphology

1

2

3

4

56


5

6

7

8

9


57

10

Dari hasil deteksi sidik jari dari data input diperoleh hasil sebagai berikut : No

Citra Sidik jari

Persentasi MatchingRata-rata (Kesesuaian pola) Tanpa

Dengan Mathematical

Mathematical

morphology

Morphology 1

Data_01

67,3 %

88,5 %

2

Data_02

68,6 %

73,6 %

3

Data_03

45,3 %

62,4 %

4

Data_04

57,5 %

67,3 %

5

Data_05

74,8 %

82,1 %

6

Data_06

77,6 %

80,2 %

7

Data_07

70,7 %

87,5 %

8

Data_08

68,7 %

80,2 %

9

Data_09

66,7 %

75,2 %

10

Data_10

80,6 %

84,7 %

11

Data_11

43,7%

64.2%

12

Data_12

5,8%

8,6%

13

Data_13

57,4%

63,1%

14

Data_14

12,6%

16,3%

15

Data_15

60,6%

80,5%

16

Data_16

68,5%

72,8%

17

Data_17

50,8%

65,7%

18

Data_18

46,3%

60,4%

19

Data_19

78,3%

82,6%

20

Data_20

74,6%

75.2%

58


Dari tabel di atas menunjukkan bahwa metode mathematical morphology dapat meningkatlkan kualitas citra sehingga memudahkan dalam deteksi pola sidik jari. Persentasi matching atau kesesuaian pola untuk yang menggunakan mathematical morphology sebesar 81,85 %, sedangkan yang tidak menggunakan persentasinya sebesar 70,95 %. Dari hasil pengukuran sistem dengan 10 data input maka menghasilkan hasil akurasi pendeteksian 90% (batas matching > 60%).

5. KESIMPULAN Kesimpulan yang dapat diambil dari penelitian adalah bahwa metode pengolahan citra dengan mathematical morphology dilasi dan erosi dapat memudahkan deteksi pola-pola sidik jari seseorang. Untuk penelitian lanjutan dapat digunakan jaringan syaraf tiruan untuk identifikasi pola-pola sidik jari. 6. REFERENSI Abdillah, Fikri, 2010, Menyingkap Rahasia Sidik Jari. Ziyad Books, Surakarta. Ahmed, I.T., Al-Rawi,S.S., Ali, K.M. and Hammad, B.T., 2012, The Use of Two Transform Methods in Fingerprints Recognition. Journal of University of Anbar for Pure Science : Vol.6 : N0.2: 2012. Belaroussi, R. and Milgram, M., 2012, A comparative study on face detection and tracking algorithms, Expert Systems with Applications, vol. 39, no. 8, pp. 7158–7164, Jun. 2012. Chatterjay, A., Mandal, S., Rahaman, G.M.A. and Arif A.S.M , 2010, Fingerprint Identification and Verification System by Minutiae Extraction Using Artificial Neural Network. JCIT ISSN 2078-5828 (Print), ISSN 2218-5224 (Online), Volume 01, Issue 01, Manuscript Code : 100703. Ching –Tang Hsieh and Chia-Shing Hu, 2008, A Fingerprint Identifiction System Based on Fuzzy Encoder and Neural network, Tamkang Journal of Science and Engineering, Vol 11, No 4, pp.347-355. Fu L., 1994, Neural Network in Computer Intelligence. Singapore : Mc Graw-Hill Gonzales, RC, Richard E. Wood, Digital Image Processing Third Edition, [DIP3rdEd], Pearson Prentice Hall, 2008. Khetri, G., P., Padme, S.L., Ch Jain, D. and Pawar V.P., 2012, Fingerprint Pattern Recognition Using Back propagation Algorithms. International Journal of Electronics and Computer Science Engineering, ISSN -2277-1956/V2N1-pp -225-232. Maltoni et al, 2003, Handbook of Fingerprint Recognition. New York : Springer


59

Nikam, S. B. and Agarwal, S, 2008. Fingerprint Anti-Spoofing Using Ridgelet Transform. Jurnal IEEE, 978-1-4244-2730-7-08. www.utopia.csispace.edu, diunduh tanggal 6 September 2013. Park, C.H and Park, H, 2005, Fingerprint Clasification using Fast Fourier Transform and Non linear Discriminant Analysis. University of Minnesota, Minneapolis, USA. www. Users.cs.umn.edu/hpark/papers/finger_jrl.pdf, diakses tanggal 10 September 2013. Prasetyo, Eko, 2011, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab, Penerbit Andi, Yogyakarta. Sagiroglu, S. and Ozkaya, N., 2009. AnIntelligent Face Feature Generation System from fingerprints. Turk Journal Elec Eng & Comp Sci, Vol.17, No.2, 2009. Sutoyo, T, Mulyono, E., Suhartono, V., Nurhayati, O. D., Wijanarto, 2009, Teori Pengolahan Citra Digital, penerbit Andi Yogyakarta dan Udinus Semarang.

60


DETEKSI SIDIK JARI SESEORANG DENGAN MENGGUNAKAN MATHEMATICAL MORPHOLOGY DAN EDGE DETECTION

Recommend Documents