IDENTIFIKASI SIDIK JARI DENGAN DATA BERSKALA BESAR MENGGUNAKAN METODE HYBRID MINUTIAE DAN FILTER GABOR
Oleh : Siswo Santoso
Pendahuluan Latar Belakang Angka kelahiran lebih besar dari angka kematian sehingga penambahan data kependudukan relatif cukup tinggi Meningkatkan kinerja pengelolaan data berskala besar terutama lembaga pemerintahan (Dinas Kependudukan dan Catatan Sipil Pemerintah Kota Surabaya) Menghilangkan data ganda seorang penduduk
Rumusan Masalah Identifikasi Sidik Jari dengan Data Berskala Besar Menggunakan metode hybrid minutiae dan filter gabor Mampukah untuk menghasilkan data data yang akurat dan cepat sehingga meningkatkan efisiensi diberbagai bidang ?
Menggmbarkan Menggmbarkan Proses Proses Transaksi Transaksi Data Data Menentukan Menentukan Indikator Indikator pengelolaan data pengelolaan data berskala berskala besar besar Menentukan Menentukan keterkaitan keterkaitan Antara Antara indikator indikator dan dan peningkatan peningkatan kinerja kinerja
Penelitian
Menentukan -hal Menentukan hal hal-hal yang yang dilakukan dilakukan untuk untuk meningkatkan meningkatkan pengelolaan pengelolaan data data berskala berskala besar besar Mendapatkan Mendapatkan gambaran gambaran soft methodology soft systems systems methodology penyelesaian penyelesaian masalah masalah peningkatan a peningkatan kinerj kinerja pengelolaan pengelolaan database database
Dinas Kependudukan Dan Catatan Sipil Kota Surabaya
Kajian Pustaka dan Dasar Teori
Dermatoglifi adalah ilmu tentang bentuk atau pola sidik jari. Penelitian tentang sidik jari telah dilakukan sejak 200 tahun lalu. Sidik jari mempunyai bentuk yang tetap, tidak akan mengalami perubahan dan berbeda antara individu yang satu dengan yang lain (NurIchaq, 2008).
Sidik Jari adalah gurat -gurat yang terdapat di gurat-gurat kulit ujung jari jari.. Fungsinya adalah untuk memberi gaya gesek lebih besar agar jari dapat memegang benda -benda lebih erat benda-benda erat..
Sebuah pola sidik jari terdiri dari RIDGES, VALLEYS dan MINUTIAE. Suatu pola sidik jari normal dibentuk dari garis-garis (lines) dan spasi (spaces). Garis-garis ini dinamakan RIDGES sedangkan spasi antara garis-garis ini dinamakan VALLEY. Pengklasifikasian sidik jari manusia berdasarkan pola garis atau pola titik disebut MINUTIAE. Minutiae juga didefinisikan sebagai titik-titik terminasi (ending) dan titik-titik awal percabangan (bifurcation) dari garis-garis alur yang memberikan informasi yang unik dari suatu sidik
Klasifikasi sidik jari melibatkan enam kategori (a) Busur (b) arch tenda (a)
(b)
(c)
(c) loop kanan (d) loop kiri (e) Lingkaran
(d)
(e)
(f)
(f) loop kembar
Teknik sidik jari dapat ditempatkan ke dalam dua kategori: 1. MINUTIAE-BASED Teknik minutiae-based yang pertama temukan poin-poin rincian yang tidak penting dan kemudian memetakan penempatan yang sejenis pada jari. Pendekatan MINUTIAE-BASED ini ada beberapa kesulitan, yaitu : – sukar untuk menyadap poin-poin rincian yang tidak penting dengan teliti sehingga sidik jari mutunya menjadi rendah – tidak mempertimbangkan pola ridge kerut dan hubungan yang global 2. TEKNIK CORRELATION-BASED : memerlukan penempatan yang tepat untuk suatu pola. Hal ini terdapat pada filter Gabor yang berfungsi sebagai filter bandpass untuk sinyal unidimensional.
Data yang ada pada dispenduk
Contoh Data Penduduk beserta data sidik jari (blob)
Gambar Encoding Image Sidik Jari
Hasil Pengambilan Sidik Jari dalam Format JPG
Jumlah Data Keseluruhan = 281.249
Gambar di samping adalah hasil dari file BLOP diubah ke JPG menggunakan aplikasi delphi
Metode Penelitian Studi Literatur Studi ini diperlukan untuk mempelajari dasar teori yang berhubungan dengan algoritma minutiae dan filter gabor, dimana kedua metode ini akan menghasilkan identifikasi sidik jari pada database dengan keakuratan dan kecepatan yang tinggi yang diimpelentasikan pada database yang besar
Database Penelitian Pengumpulan Pengumpulan Data Data dari dari Dispendukcapil Dispendukcapil Kota Kota Surabaya Surabaya Data Data dari dari Dispendukcapil Dispendukcapil berupa berupa database oracle yaitu yaitu file file gambar gambar database oracle yang yang dirubah dirubah menjadi menjadi file file biner biner (Blob) (Blob) Database Database tersebut tersebut dirubah dirubah kembali kembali dari biner menjadi menjadi file file gambar gambar dari file file biner menggunakan menggunakan aplikasi aplikasi kecil kecil (Delphi) (Delphi) Membuat Membuat simulasi simulasi aplikasi aplikasi dengan dengan flowchart flowchart
Diagram Alir Perencanaan dan Simulasi Algoritma Minutiae dan Filter Gabor Scanning Scanning Image Image
Image Image Processing Processing
Thinning Thinning (Penjarangan) (Penjarangan) Minutiae Minutiae identification identification ((Identifikasi Identifikasi hal -hal kecil ) hal-hal kecil) Ekstrasi Ekstrasi Global Global menggunakan Filter Gabor Gabor menggunakan Filter Thinning Thinning Minutiae Minutiae Alignment Alignment (Penyelarasan -hal kecil) (Penyelarasan hal hal-hal kecil) Perbandingan Perbandingan Database Database
Contoh hasil peningkatan daerah yang diperbaiki (a),(c) adalah gambar input (b),(d) menunjukkan peningkatan sesuai gambar masukan
(a)
(c)
(b)
(d)
Gambar 2. Peningkatan Hasil Fingerprint
(a) sidik jari berkualitas (b) minutiae diekstraksi tanpa peningkatan citra (c) minutiae diambil setelah perbaikan citra
Contoh dari minutiae Termination Bifurcation Lake Independent ridge Dot or island Spur crossover
(a) Berbagai tipe minutiae
(b) Ridge ending & Bifurcation
Konfigurasi akhir relatif punggungan dan percabangan antara dua tayangan jari yang sama
Minutiae di ekstrak
Pencocokan Sidik Jari
(a)Mencocokkan dua tayangan jari yang sama (b) pencocokan sidik jari dari dua jari yang berbeda
Diagram Alir Proses Perbandingan Data Sidik Jari Query Query data data template template berdasarkan berdasarkan data data grouping grouping
Jumlah Jumlah Record Record
Basis Basis data data template template
ya ya
Ada Ada Data? Data?
Menuju Menuju Record Record Berikutnya Berikutnya
tidak tidak
tidak tidak Record Record Pencocokan Pencocokan Terakhir Terakhir tidak tidak ya ya Pencarian Pencarian Ditemukan Ditemukan Selesai Selesai
ya ya
Pencarian Pencarian tidak tidak ditemukan ditemukan
Hasil dan Pembahasan Pada bab ini ditekankan pada pengujian keakuratan sistem yang dirancang dalam mengenali sidik jari. Penentuan Titik-titik Minutiae dan proses filter gabor pada sidik jari menggunakan Matlab 7.7.0.471 (R2008b)
1. Tahapan Proses Minutiae a. Tahap Binarisasi Image b. Tahap Thinning Image c. Tahap Node d. Tahap Node Setelah Thinning
a. Tahap Binarisasi Image Gambar sidik jari dikonversi menjadi pixel 1 dan 0, dimana ridge berwarna hitam (1) dan valley berwarna putih (0). Hal ini memudahkan pada tahap selanjutnya karena featur yang dimiliki sudah dipisah-pisahkan.
Gambar Proses Binarisasi Image
b. Tahap Thinning Image Proses ini digunakan untuk mengurangi threshold pada sampel sidik jari menjadi garis dengan ukuran ketebalan 1 pixel Algoritma: - Semua pixel pada batas daerah foreground hanya memiliki satu background neighbour - Dengan menghapus semua titik- yang memiliki foreground neighbour lebih dari Gambar satu, maka akan didapatkan garis-garis Thinning Image sampel sidik jari dengan ukran ketebalan 1 pixel
c. Tahap Node Pada tahap ini sampel image sidik jari akan menampilkan semua titik minutiae yang dimiliki.
Gambar Proses Node
d. Tahap Node Setelah Thinning Tahap ini menyempurnakan tahap sebelumnya. Titik-titik yang tidak diinginkan akan dihapus sehingga hanya tersisa titik-titik minutiae yang sebenarnya (titik bifurcations dan titik terminations)
Titik Terminations
Titik Bifurcations
Gambar Proses Node Setelah Thinnning
Gambar Tahapan Proses Minutiae
2. Tahapan Proses Filter Gabor Filter gabor digunakan untuk membersihkan noise pada sebuah sampel sidik jari yang rusak atau tidak jelas. Setelah sampel data sidik jari menjadi jelas, maka proses perbandingan data yang ada pada database dapat dilakukan
Gambar Proses Filter Gabor Pada proses filter gabor gambar sidik jari diolah sehingga menghasilkan besaran gabor (magnitude gabor)
Nilai Angka Titik-titik Bifurcations (Awal Percabangan) Data titik bifurcations 100 data sampel sidik jari
Data1
Data2
Data3
dan seterusnya sampai dengan 100 data sidik jari
Menunjukkan 100 data sidik jari
Titik-titik Bifurcations
Menunjukkan Titik-titik Bifurcation Data 1
Gambar di atas menunjukkan Titik-titik bifurcations data1 sebanyak 100 baris atau pasangan titik (x,y).
Tabel Nilai Angka Titik-titik Bifurcations Data1 No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
X 21 29 29 32 37 41 41 42 43 44 45 45 44 48 53 54 54 56 59 58 62 62 64 65 64 67 67 67 70 71
Y 319 42 57 108 238 31 117 40 325 213 65 107 261 306 17 52 233 259 223 309 266 103 251 10 299 18 257 196 155 115
No. 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
X 76 76 80 81 86 85 86 87 93 100 101 102 105 107 106 109 108 109 113 116 116 119 118 121 124 127 130 133 138 138
Y 279 215 22 182 57 212 162 254 166 311 59 249 280 67 152 21 241 164 174 249 62 220 52 142 86 25 80 306 140 204
No. 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
X 138 139 147 147 148 150 152 151 154 154 156 160 163 166 167 166 169 168 173 175 179 185 185 187 188 190 190 192 193 200
Y 110 306 173 39 296 275 49 181 202 145 185 122 190 179 16 125 72 167 152 135 212 43 214 129 160 25 281 243 64 173
No. 91 92 93 94 95 96 97 98 99 100
X 200 201 204 205 205 204 218 221 223 244
Y 215 125 56 43 187 225 328 149 261 185
Nilai Angka Titik-titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Bifurcation Data 1 350
X Y
300 250 200 150 100 50 0 1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
Titik-titik Terminations (Ending)
Menunjukkan Titik-titik Termination Data 1
Pada gambar diatas menunjukkan titik-titik termination data1 sebanyak 122 baris atau pasangan titik (x,y).
Tabel Nilai Angka Titik-titik Terminations Data1 No.
X 1 2 3 4 5 6 7 8 9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
1 2 2 2 4 5 9 9 9 12 13 14 19 23 28 28 30 32 33 33 37 39 42 48 50 51 52 55 56 58
Y 223 202 313 322 331 169 54 122 220 72 325 190 229 235 149 313 209 253 228 244 336 109 332 25 57 336 311 297 100 197
No. 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
X 60 60 63 71 74 77 91 93 94 95 97 97 100 99 107 107 107 107 109 110 118 118 120 121 123 125 128 129 133 134
Y 94 137 334 67 133 264 85 304 253 336 70 269 180 329 296 200 319 326 131 332 6 103 68 13 243 7 142 118 253 259
No. 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
X 134 136 142 143 144 146 149 150 150 151 153 154 158 159 168 172 175 178 181 182 182 186 187 187 192 192 193 193 198 198
Y 289 64 94 1 10 73 58 2 222 191 122 114 3 98 110 176 99 300 182 95 133 154 71 186 137 233 155 325 60 208
No. 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122
X 202 204 205 208 211 211 214 215 215 218 219 220 221 222 222 222 223 224 226 227 228 231 233 238 239 249 250 256 257 258 258 258
Y 20 72 66 336 9 182 165 336 175 13 116 220 101 122 173 270 94 189 81 317 25 107 89 277 99 217 171 269 130 336 120 229
Nilai Angka Titik-titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Terminations Data 1 400
X Y
350 300 250 200 150 100 50 0 1
6
11
16
21
26
31
36
41
46
51
56
61
66
71
76
81
86
91
96
101 106 111 116 121
3. Perbandingan Database Metode yang digunakan Minutiae-BasedMatching (MBM) dengan pendekatan point matching (PM), dua kelompok kode minutiae (berdasar lokasinya) diperbandingkan dan jumlah kesamaan titik dari minutiae dihitung. Jadi titik-titik bifurcations dan titik-titik terminations diperbandingkan
Tampilan Awal Aplikasi Pencarian dan Pencocokan Data Sidik Jari
Tampilan Awal Jendela Buka File Sidik Jari
Tampilan Hasil Aplikasi Pencarian dan Pencocokan Data Sidik Jari
Kesimpulan dan Saran Kesimpulan yang diperoleh dari penelitian identifikasi sidik jari dengan data berskala besar menggunakan metode hybrid minutiae dan filter gabor adalah : Sidik jari dapat digunakan sebagai identifikasi dalam pencarian data penduduk sehingga menghindari adanya data ganda (kembar). Dengan penggabungan metode minutiae dan filter gabor dapat digunakan sebagai identifikasi sidik jari sehingga menghasilkan data yang cukup kuat untuk keakuratan data. Kecepatan pencarian dan pencocokan data pada proses perbandingan database menggunakan Minutiae-based-matching (MBM) dengan pendekatan point matching (PM) untuk 10 data memakan waktu 10 detik, 100 data 30 detik, 100 data 320 detik dan 3000 data 720 detik. Dengan demikian kecepatan pencarian dan pencocokan data sidik jari bergantung kepada jumlah data yang akan diperbandingkan, semakin banyak data yang ada maka waktunya yang dibutuhkan semakin lama.
Saran Dalam penelitian ini didapatkan keakuratan dan kecepatan data dalam mengidentifikasi sidik jari menggunakan metode hybrid minutiae dan filter gabor, akan tetapi dari hasil diketahui bahwa data yang digunakan jika semakin banyak maka kecepatannya semakin lama. Oleh karena itu untuk penelitian selanjutnya perlu ditambahkan metode clustering untuk mempercepat dalam proses pencarian data
Terima Kasih
