Pengujian Kualitas Citra Sidik Jari Kotor Menggunakan......Muhammad Nasir dan Muhammad Syahroni
PENGUJIAN KUALITAS CITRA SIDIK JARI KOTOR MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Muhammad Nasir1 dan Muhammad Syahroni1 1
Dosen Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,24312 E-mail :
[email protected],
[email protected] ABSTRAK
Makalah ini menjelaskan sebuah prosedur untuk menguji kualitas citra sidik jari kotor dengan metode Learning Vector Quantization (LVQ). Sebelum pengujian citra sidik jari ditingkatkan kualitasnya menggunakan metode gabor filter dengan ukuran citra 208x154 piksel grayscale dalam format bitmap. Data diambil dari ibu jari 20 orang dengan 10 sampel per jari (200 citra sidik jari). Pengujian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasnya. Adapun jumlah kelas pada pengujian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Pada pengujian 200 data citra sidik jari kotor dihasilkan peningkatan kualitas citra sidik jari sebesar 87%. Kata-kata kunci : Learning Vector Quantization, Sidik Jari Kotor, Gabor Filter, Peningkatan Kualitas Citra ABSTRACT This paper describes a novel procedure for testing the quality of fingerprint image soiled by the method of Learning Vector Quantization (LVQ). Before testing the fingerprint image enhanced by using the Gabor filter with a size of 208x154 pixel grayscale image in bitmap format. Data taken from the thumb 20 people with 10 samples per finger (200 fingerprint image). Testing was conducted using four images as training in every class. The number of classes in this test all 20 classes with each class consisting of 10 images. In the testing of 200 gross fingerprint image data generated fingerprint image quality improvement by 87%. Keywords: Learning Vector Quantization, Dirty Fingerprint, Gabor filters, Image Quality Enhancement I.
PENDAHULUAN
Sistem biometrik adalah sistem untuk melakukan identifikasi menggunakan ciri-ciri fisik atau anggota tubuh manusia, seperti sidik jari (fingerprint), wajah, iris dan retina mata, suara. Teknologi biometrik memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu dengan yang lain [1]. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik dengan kehandalan sangat tinggi adalah sidik jari. Kendala utama dalam pengenalan sidik jari dengan metode berbasis minutiae, pada umumnya citra sidik jari memiliki kualitas yang rendah, disebabkan oleh jenis kulit (berminyak, kering, cacat). Oleh karena itu, perbaikan kualitas citra sidik jari seharusnya menjadi salah satu prioritas utama sebelum mengidentifikasi parameter-parameter yang berupa ciri (feature) dari objek didalam citra, untuk selanjutnya parameter tersebut digunakan dalam mengiterpretasi citra untuk dapat diektraksi ciri dari citra tersebut. Untuk mencegah terjadinya pengulangan data dibuat sistem informasi yang dapat mengidentifikasi kerusakan sidik jari. Dapat ditentukan empat jenis kerusakan citra sidik jari, diantaranya : sidik jari normal,sidik jari kotor,sidik jari berminyak, dan sidik jari kering. Sidik jari
sebagai salah satu masalah kompleks yang tidak memiliki model matematis yang jelas akan dijadikan sebagai bahan masukan Jaringan Saraf tiruan (JST). Salah satu metode yang dapat melakukan proses pengenalan pola sidik jari dalam JST adalah metode Learning Vector Quantization(LVQ). Penelitian ini bertujuan untuk menguji kualitas citra sidik jari kotor setelah proses gabor filter dengan menggunakan metode LVQ. II.
Sidik jari merupakan tanda identitas biometrik tertua. Bagian dalam permukaan tangan dari ujung jari ke pergelangan tangan berisi pola garis pada kulit, dengan alur/kerutan antara masing-masing pola garis. Pola garis di sepanjang pori-pori yang mengeluarkan keringat [4]. Sebuah citra sidik jari terdiri dari ridge (punggung) dan valley (lembah) sebagaimana pada Gambar 1. Kualitas Citra Sidik Jari Kualitas citra sidik jari bergantung pada kondisi kulit [1][2]. Kulit kering cenderung menyebabkan kontak ridge tak konsisten dengan scanner dari permukaan roll scanner sehingga banyak struktur ridge mengisi piksel-piksel putih. Sebaliknya, lembah pada kulit berminyak cenderung
65
TINJAUAN PUSTAKA
Jurnal Litek (ISSN: 16938097) Volume 9 Nomor 1, Maret 2012: hal. 6569 terisi dengan uap air, sehingga lembah tersebut tampak hitam pada citra yang telihat mirip dengan struktur ridge. Gambar 2, menunjukkan citra sidik jari berminyak, netral, kering dan kotor.
Gambar 1. Ridge dan Valley pada Sidik Jari III.
output yang mewakili dari kelas tertentu. Arsitektur jaringan saraf LVQ pada dasarnya sama dengan Kohenen Self Organizing Map(tanpa suatu struktur topologis yang diasumsikan untuk output) [6]. Arsitekturnya terdiri dari lapisan input, lapisan kompetitif (lapisan tersembunyi /hidden Layer),dan lapisan output seperti pada gambar 3. Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki jarak yang sangat berdekatan, maka vektor input tersebut akan dikelompokkan dalam kelas yang sama. Gambar 3, Menunjukkan jaringan LVQ dengan 6 unit pada lapisan input, dan 2 unit (neuron) pada lapisan output[6]. x1
IV. x2 x -w 1
V. VI. VII. a. Oily
y _ in 1
F1
y1
x3
x4
b. Neutral
c. Dry
d. Dirty
Gambar 2.. Jenis-jenis Citra Sidik Jari
x -w 2 x5
x6
Skor Kejelasan Ridge-Valley Citra Sidik Jari Skor kejelasan ridge-valley menunjukkan kemampuan untuk membedakan ridge dan valley disepanjang arah ridge. Sebuah metode yang menganalisis distribusi ridge dan valley yang telah disegmentasi diperkenalkan untuk menggambarkan kejelasan pola sidik jari yang dihasilkan [3]. Untuk melakukan analisis kejelasan lokal, citra sidik jari dikuantisasi ke dalam blok berukuran 32 x 32 piksel. Dalam setiap blok, dihitung sebuah orientasi garis yang tegak lurus terhadap arah ridge. Pada bagian tengah dari blok sepanjang arah ridge, sebuah vektor dua dimensi V1 (bentuk persegi dalam Gambar 3) dengan ukuran 32 x 13 piksel yang dapat diekstraksi dan ditransformasi ke sebuah vektor vertikal dua dimensi V2 yang diratakan [5]. Dengan menggunakan Persamaan (1), sebuah vektor satu dimensi V3, yaitu profil rata-rata dari V2 dapat dihitung.
.............(1) Dimana m adalah tinggi blok (13 piksel) dan i adalah indeks horisontal. Learning Vector Quantization (LVQ) LVQ adalah klasifikasi(pengelompokkan)
metode pola dan
untuk memiliki
y _ in 2
F2
y2
Gambar 3. Contoh arsitektur jaringan LVQ
Gambar 4. Layer-layer pada LVQ, Fungsi masingmasing layer.(Matlab) Dimana : R = nomor dari input vector
S 1 = nomor dari competitive neuron S 2 = nomor dari neuron linear Pada gambar 4, dapat dijelaskan sebagi berikut, Arsitekturnya terdiri dari lapisan input,lapisan kompetitif(lapisan tersembunyi /hidden Layer). Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Pada lapisan linear layer berfungsi untuk meng-aktivasi hasil dari lapisan kompetitif. Perbaikan bobot pada metode Learning Vector Quantization (LVQ) adalah:
66
Pengujian Kualitas Citra Sidik Jari Kotor Menggunakan......Muhammad Nasir dan Muhammad Syahroni Jika T = C j maka:
w j (baru ) = w j (lama ) + α ( x − w j (lama)) ..(2) Jika
T = C j maka :
w j (baru ) = w j (lama) − α ( x − w j (lama)) ..(3) III.
METODE PENELITIAN
Secara umum, penelitian enhancement citra sidik jari kotor ini melalui beberapa tahapan proses, antara lain normalisasi bertujuan untuk menstandarisasi atau penyeragaman nilai intensitas citra sidik jari kotor, proses binerisasi untuk merubah nilai grayscale citra ke dalam suatu konversi citra digital, Gabor filter untuk proses peningkatan kualitas citra, thining dan minutiae. Proses akhir dalam penelitian ini adalah pengujian kualitas citra dengan LPQ. Pada penelitian ini, subyek penelitian adalah mahasiswa. Data sidik jari akan diambil dengan merujuk pada pedoman pengambilan data Fingerprint Verification Competition (FVC) Database-2 (DB2), yakni menggunakan optical sensor fingerprint “U.are.U 4000” yang diproduksi oleh digital persona dengan mendapatkan ukuran citra 208x154 piksel grayscale dalam format bitmap. Data diambil dari ibu jari 20 orang dengan 10 sampel per jari (200 citra sidik jari). Pengambilan sidik jari kotor, terlebih dahulu melalui tahapan dengan memberikan tinta atau debu yang disesuikan dengan seberapa kepekaan scan dapat membaca data sidik jari. Bila sidik jari terlalu kotor,maka data sidik jari tidak dapat dibaca oleh scan fingerprint. Gambar 5, merupakan contoh citra sidik jari kotor yang diambil dengan scan fingerprint U are U 4000.
Gambar 5. Contoh Data Sidik Jari Kotor IV.
HASIL DAN PEMBAHASAN
4.1. Pengujian Normalisasi Proses normalisasi dilakukan untuk menstandartisasi atau menyeragamkan nilai intensitas citra sidik jari kotor dengan menyesuaikan cakupan derajat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 6, merupakan hasil dari normalisasi suatu citra sidik jari yang mempunyai nilai mean nol dan variance satu. Histogram citra asli yang ditunjukkan pada Gambar 7 (c) menggambarkan bahwa semua nilai piksel tidak merata pada intensitas
citra 0-255. Setelah melalui proses normalisasi maka nilai jumlah piksel di rata-ratakan sepanjang nilai intensitas seperti yang di tunjukkan pada Gambar 7 (d). Pada histogram di perlihatkan adanya penyeragaman nilai piksel gelap dan terang. Oleh karena itu normalisasi citra diperlukan untuk meningkatkan kontras antara ridge dan valley pada citra sidik jari.
Gambar 6. Hasil Normalisasi Citra; (a) Citra Asli; (b) Citra Ternormalisasi 4.2. Pengujian Binerisasi Binarisasi adalah proses dimana citra grayscale ditingkatkan ke dalam suatu konversi citra biner. Sebuah citra grayscale adalah mempunyai jumlah tingkat satu grayscale yang spesifik. Untuk 8 bit citra grayscale bisa merepresentasikan 28 - 1 = 255 intensitas atau tingkat abu-abu. Pada penelitian ini dilakukan dengan memakai beberapa nilai threshold dengan tujuan untuk melihat mana yang terbaik dalam proses binarisasi. Adapun nilai threshold yang di pilih antara lain 130, 150 dan 160.
Gambar 7. Hasil Binarisasi dengan Nilai Threshold Berbeda (a) Citra Asli; (b) Threshold 130; (c) Threshold 150; (d) Threshold 160 4.3. Pengujian Thinning Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binarisasi maka selanjutnya citra sidik di thinning. Penerapan algoritma thinning pada citra sidik jari yang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra biner. Skeleton citra ini kemudian
67
Jurnal Litek (ISSN: 16938097) Volume 9 Nomor 1, Maret 2012: hal. 6569 digunakan dalam ekstraksi minutiae selanjutnya. Gambar 8, memperlihatkan hasil proses thinning.
Gambar 8. Hasil Proses Thinning Dalam pengujian pada penelitian ini proses thinning menggunakan algoritma berdasarkan evaluasi nilai piksel dan 8 piksel tetangga atau dikenal dengan the 8-neighborhood pixel, dengan piksel acuan P1 pada matrik 3 x 3. Algoritma ini terdiri dari dua sub iterasi, dan untuk masing-masing iterasi dikenakan aturan yang berbeda dalam penentuan penghapusan piksel. Algoritma tersebut diterapkan dengan ketentuan variabel B dari piksel P1 adalah banyaknya bit 1, dimana B(i,j) = SUM(P2 … P9). Dan variabel A dari piksel P1 adalah jumlah transisi dari 0 ke 1 searah jarum jam dari citra dengan ‘0’ merepresentasikan piksel gelap (black) dari citra dan ‘1’ merepresentasikan citra terang (white) atau lebih dikenal dengan region point bernilai 1 dan background point bernilai 0. 1 0⎤ ⎡0 ⎢1 P1(i, j ) 0⎥ ⎥ ⎢ ⎢⎣1 1 0⎥⎦
Pada penelitian ini proses enhancement di lakukan dengan menggunakan gabor filter, dimana citra sidik jari yang telah ternormalisasikan di konvolusi dengan 8 buah Filter Gabor dengan arah orientasi yang berbeda (0o, 22.5o, 45o, 67.5o, 90o, 112.5o, 135o, 157.5o). Sehingga pada akhirnya terbentuk 8 buah citra baru terfilterisasi. Hasil dari proses orientasi Gabor filter untuk enhancement seperti yang ditunjukkan pada Gambar 9. Pada penelitian nilai deviasi ditetapkan sebesar 32 dan k = 10, dimana k adalah nilai perioda. Hasil dari proses Gabor filter ditunjukkan pada Gambar 9. Untuk tampilan Gabor Filter simetris genap untuk θ = 22.5o seprti diperlihatkan pada Gambar 10.
a b) Gambar 10. Hasil Gabor Filter Simetris Genap (a) Tampilan Posisi 0o ; (b) Tampilan Posisi 22.5o 4.5 Minutiae
4.4 Enhancement dengan Gabor Filter
(a) Citra Asli
(b) 0o
(c) 22.5o
(c) 45o
Gambar 11. Hasil Proses Minutiae (e) 67.5o
(e) 90o
(g) 135o
(h) 157.5o
(f) 112.5o
(i)Citra Enhancemnet
Gambar 9. Hasil Proses 8 Orientasi Gabor Filter
Minutiae untuk menentukan vektor ridge ending dan bifurcation pada sebuah citra sidik jari. Pada penelitian ini minutia dilakukan terhadap citra asli dan citra hasil enhancement. Minutiae mempunyai 2 jenis yaitu ridge ending dan ridge bifurcation. Vektor ridge ending adalah lokasi koordinat x, y dan sudut Ө dari ujung garis jari. Sedangkan Vektor ridge bifurcation adalah koordinat x, y dan sudut Ө dari garis jari yang berbentuk
68
Pengujian Kualitas Citra Sidik Jari Kotor Menggunakan......Muhammad Nasir dan Muhammad Syahroni cabang. Pada penelitian ini setelah melakukan proses enhancement maka minutia diperlukan untuk mengetahui jumlah minutia cita asli sebelum di enhancement dengan jumlah minutia citra setelah enhancement. Hasil dari minutia di tunjukkan seperti pada Gambar 11. Pada panelitian ini, minutiae dilakukan 2 tahap yaitu minutiae untuk citra asli dan minutiae untuk citra hasil enhancement. Hasil dari proses minutiae menghasilkan terminasi dan bifurcation seperti yang ditunjukkan pada Gambar 12.
V.
KESIMPULAN
Berdasarkan uji coba dan analisis hasil pengujian terhadap citra sidik jari kotor dengan menggunakan learning vektor quantization dan gabor filter untuk mendapatkan peningkatan kualitas citra, dapat disimpulkan hasil penelitian dilakukan untuk 8 orientasi, yaitu 0o, 22.5o, 45o, 67.5o, 90o, 112.5o, 135o, 157.5o. Untuk mengukur tingkat keberhasilan enhancement citra sidik jari kotor pada penelitian ini, digunakan metode Learning Vector Quantization (LVQ). Dari hasil diperoleh tingkat keberhasilan pengenalan adalah 87%. DAFTAR PUSTAKA [1] Arun, R. Jain, A. dan Resimen, J., 2002, A Hybrid Fingerprint Matcher, Proceedings Of International Conference on Pattern Recognition (ICPR), Quebec City, hal. 11-15.
Gambar 12. Grafik Terminasi pada Citra Original
[2] Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 2003, Handbook of Fingerprint Recognition, Springer, New York. [3] Peng Yang et.al. 2002, Face Recognition Using Ada-Boosted Gabor Feature. Institute of Computing Technology of Chinese Academy Science and Microsoft Research Asia, China. [4] H.C. Lee, R.E. Gaensslen, Advances in Fingerprint Technology, CRC Press, Boca Raton, FL, 2001, p.274.
Gambar 13. Grafik bifurcation pada Citra Original 4.6 Learning Vector Quantization (LVQ) Untuk mengukur tingkat keberhasilan enhancement citra sidik jari kotor pada penelitian ini, digunakan metode Learning Vector Quantization (LVQ). Pengujian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasnya. Adapun jumlah kelas pada pengujian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Adapun hasil dari LVQ ditunjukkan pada Gambar 14.
[5] T.P. Chen, X. Jiang, X, W.Y. Yau, Proceedings of Conference on Image Process, Singapore, 2 (2004) 1253. [6] Kusumadewi. Sri, 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link, Graha Ilmu, Jogyakarta.
Gambar 14. Grafik Pengujian LVQ
69
