IMPLEMENTASI EKSTRAKSI BAG OF VISUAL WORD UNTUK PROSES KLASIFIKASI FINGERPRINT MENGGUNAKAN ALGORITMA KLASIFIKASI K NEAREST NEIGHBOUR

IMPLEMENTASI EKSTRAKSI BAG OF VISUAL WORD UNTUK PROSES KLASIFIKASI FINGERPRINT MENGGUNAKAN ALGORITMA KLASIFIKASI K – NEAREST NEIGHBOUR 1,2

Galuh Wilujeng Saraswati1, Heru Agus Santosos2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Jalan Imam Bonjol, 50131, telepon E-mail : [email protected], [email protected]

Abstrak Teknologi pengolahan citra memungkinkan manusia untuk membuat suatu sistem yang dapat mengenali suatu citra digital secara otomatis. Sistem, pengenalan sidik jari harus mampu mengindentifikasi sidik jari seseorang dari sekumpulan besar data sidik jari. Proses klasifikasi dapat mengurangi ukuran dari ruang pencarian yaitu dengan membatasi pencarian berdasarkan kelas. Metode Bag of Visual Word merupakan sebuah teknik pengolahan citra untuk menghasilkan sebuah histogram visual word yang sering digunakan untuk mempresentasikan klasifikasi data citra. Tugas akhir ini bertujuan untuk membuat sistem klasifikasi sidik jari berdasarkan kelas pola karakteristik pola sidik jari leftloop, rightloop, twinloop, dan whorl menggunakan ektraksi SURF 64 dimensi. Berdasarkan hasil eksperimen, kinerja metode Bag of Visual Word menunjukan performa yang baik dengan pengujian perubahan koefisien nilai K 1, 3, 5, 7, 9 menghasilkan akurasi untuk masing masing nilai K berturut turut 100%, 91,5%, 75%, 71%, 64,5%. Kata Kunci: Biometrik, sidik jari, BoVW, SURF, K-NN. Abstract Image processing technology allows humans to create a system that can recognize a digital image automatically. System, fingerprint recognition should be able to identify a person's fingerprint from a large collection of fingerprint data. The classification process can reduce the size of the search space by limiting the search by class. Bag of Visual Word method is an image processing techniques to produce a visual histogram word that is often used to present the image data classification. This final project aims to create a system of fingerprint classification based on the class pattern characteristic fingerprint patterns leftloop, rightloop, twinloop, and whorl using extraction SURF 64 dimensions. Based on the experimental results, performance methods Bag of Visual Word shows excellent performance with testing the changes coefficient values K 1, 3, 5, 7, 9 produces accuracy for each value of K respectively 100%, 91.5%, 75%, 71 %, 64.5%. Keywords: font, paper, format [keywords written in small characters except abbreviation, in 3-5 words, separated by commas, Times New Roman 11 italic]

1. PENDAHULUAN Dalam kehidupan sehari-hari, penggunaan sidik jari sebagai sistem pengenalan dan kemamanan telah banyak digunakan, hal ini dikarenakan memiliki

beberapa keunggulan yaitu, bersifat unik untuk setiap orang, bersifat permanen, tidak pernah berubah sepajang orang tersebut hidup, dan sidik jari relatif lebih mudah diklasifikasikan karena bentuknya yang berpola unik [1][2][3][4] Sejak 1

dahulu sistem pengenalan sidik jari biasanya menggunakan minutiae sebagai fitur pembeda [4][5][6], saat ini kemajuan teknologi membuat kemudahan dalam pengenalan fitur sidik jari melalui pencocokan sidik jari dengan menghitung nilai diantara dua sidikjari dan klasifikasi yang meneentukan sidikjari dalam suatu kelas yang sudah didefinisikan [6]. Banyak peneliti yang telah mencoba untuk melakukan penelitian pengenalan sidik jari menggunakan berbagai teknik berdasarkan fitur minutiae dan pola alur [3][4][5]. Dari berbagai cara tersebut, sebagaian teknik mempunyai kesulitan untuk mengenali dan mengklasifikasikan sidikjari dikarenakan kaulitas penggambilan image dan biometrik sidik jari hal ini terkait dengan perubahan seperti (pengambilan gambar dilokasi berbeda, rotasi gambar, fingerprint reader, distorsi dan noise)[4][7]. Contohnya proses pencocokan dua gambar sidik jari yang diambil menggunakan dua alat scanner berbeda yang mungkin mempunyai ukuran yang berbeda. Selain itu dua gambar dengan orentasi yang berbeda tidak dapat di lakukan pencocokan dengan menggunakan firur minutiae karena perubahan lokasi fitur minutiae. Bag of visual word (BOVW) adalah kumpulan keypoint yang di ektraksi debagai fitur gambar menonjol dan sering digunakan dalam klasifikasi data [8]. Dalam proses BOVW ada bbeberapa tahap yaitu: 1) Extraction keypoint, 2) Clustering keypoint 3) Visual word vovabulary. Teknik ektraksi fitur speeded up roubust feture (SURF) bertujuan untuk mendeteksi dan mendiskripsikan local fitur dalam suatu keypoint [9]. Pada Bay H [10] dikatakan bahwa metode ini dapat memperoleh fitur yang kuat terhadap perubahan skala objek, translasi, rotasi serta memiliki performa yang tinggi oleh

karena itu SURF digunakan untuk klasifikasi dan pencarian kembali gambar [5][10][11].Metode Bag of Visual Word (BoVW) didasarkan pada ektraksi fitur SURF menjadi metode yang efektif dan effisien untuk pengelompokan kata visual[12][13]. Visual vocabulary di bentuk dengan proses pengestraksian gambar untuk mendapatkan fitur local yang selanjutnya dilakukan proses pengelompokan untuk menghasilkan vocabulary [12][13]. Akan tetapi ketika menggunakan SURF dan model BoVW dapat menghasilkan fitur dalam dimensi yang sangat besar [5][12]. Oleh karena itu penelitian ini bertujuaun untuk mengklasifikasikan fitur yang dihasilkan oleh gambar sidik jari kedalam 4 kelas yaitu leftloop, rightloop, twinloop dan whorl menggunakan algoritma K-Nearest Neighbour yang mempunyai akurasi tinggi yang untuk dataset dalam jumlah dan dimensi besar. Klassifikasi ini menghasilkan suatu prekdiksi yang di dapatkan berdasarkan perhitungan jarak tetangga terdekat[14]. 2. METODE 2.1 Metode Pengumpulan Data Data yang digunakan dalam penelitian diperoleh dari gambar sidik jari mahasiswa Universistas Dian Nuswantoro sebanyak 1000 gambar, 400 gambar sebagai image set cluster, 400 gambar image set traning, dan 200 gambar sebagai image set testing yang diambil menggunakan fingerprint reader R305 dengan format *.jpg dan ukuran piksel yang bervariasi. Pola sidik jari yang digunakan leftloop, rightloop, twinloop dan whorl. 2.2 Instrument Penelitian Perangkat yang digunakan untuk melakukan eksperimen ini sebagai berikut 2

: a. Sistem Operasi yang digunakan adalah microsoft windows 7 Ultimate 64 bit. b. Aplikasi code editor Matlab untuk menulis code program c. Menggunakan fingerprint reader UART R305 untuk mengambil gamar pola sidik jari. 2.3 Pengukuran Kinerja Model Conffusion Matrix digunakan untuk mengetahui efektifitas pemodelan klasifikasi, terdiri dari baris dan kolom yang membentuk sebuah tabel berisi label dari data uji yang diprediksi Table 1 :Confusion Matrix [6]

Kelas Aktual

Kelas Negatif Positf

Kelas Prediksi Negatif Positif TP FN FP TN

perhitungan akurasi, recall, presisi dan FMeasure dengan menggunakan tabel confusion matrix adalah sebagai berikut: x100%

Recall = TN/(FP+TN) 2.4 Teknik Analisi Data Setelah data dikumpulkan, ada beberapa tahapan yang dilakukan terhadap data tersebut yaitu : a. Mempersiapkan citra masukan kedalam format Greyscale-32 bit. b. Melakukan ekstrasi fitur menggunakan algoritma SURF 64 dimensi pada hasil perubahan citra greyscale. c. Hasil ekstraksi fitur berupa keypoint yang selanjutnya dilakukan proses clustering menggunakan algoritma Kmeans d. Untuk hasil dari klustering pada proses image set cluster berupa Centroid atau

Vocabulary yang nanatinya akan di jadikan acuan pada saat traning dan testing. e. Pada proses traning dan testing untuk menentukan index keypoint menggunakan metode approximate nearest neighbour ke vocabulary untuk mendapatkan histogram index bag of visual word dengan sumbu x sebagai visual word dan sumbu y sebagai word count. 3. LANDASAN TEORI 3.1 Biometrika Menurut [15][16] biometrik adalah pengukur karakter pembeda pada anggota badan manusia (wajah, geometri tangan,sidik jari, selaput pelangi, selaput jala, bibir, gigi dan DNA) atau prilaku seseorang yang digunakan untuk mengenali identitas seseorang secara otomatis dengan menggunkan teknologi komputer. 3.2 Biometrika Sidik jari Menurut Francing Galton dalam bukunya [1] mengemukakan bahwa sidik jari merupakan gambar kulit telapak tangan yang sengaja diambil mayupun dicapkan dengan tinta. Daerah telapak tangan mempunyai garis halis yang dipisahkan oleh celah yang akan membentuk suatu struktur yang disebut biometric sidik jari. Sifat yang dimiliki sidik jari diantaranya [1][15][16]: a. Perennial nature, adalah sekumpulan garis sidik jari pada kulit. b. Immutability, adalah sidik jari yang bersifat konstan selama manusia itu hidup selama tidak terjadi kecelakan yang serius. c. Individuality, adalah kenunikan pola sidik jari pada setiap orang. 3.3 Klasifikasi Sidik jari Berdasarkan klasifikasi, pola sidik jari 3

dapat dinyatakan secara umum [3] :

Gambar 1:Kelas fingerprint manusia (1)Wwhorl (2)leftloop (3)Rightloop(4)Twinloop

Minutiae merupakan sebuah pola alur yang bersifat unik terdapat pada ujung tangan setiap orang. Pola alur dari minutiae dikonversikan kedalam bentuk biner menggunakan komputer, sehingga komputer dapat mengolah data biner tersebut untuk pencocokan pola [4][5][16]. Masing-masing pola yang dihasilkan disebut dengan pattern area [1][2]. Pusat gambar atau pola area jari di kenal sebagai titik ini yang nantinya akan menghasilkan pola unik yang dapat di klasifikasikan kedalam beberapa kelas seperti pada gambar 2.1. 3.4 Bag Of Visual Word Bag of Visual Words (BOVW) merupakan bidang komputer vision yang sering digunakan dalam pengenelana dan penyaringan pada citra [4][12][17]. Metode BOVW mempunyai tiga tahapan [4][8] : 1. local image discriptor diektraksi dan ditranslasikan ke future descriptions sehingga menghasilkan visual dictionary yang di peroleh melalui clustering fitur vektor local image descriptor. 2. fitur encoding yaitu mengaktifkan visual word dengan memetakan fitur deskriptor ke visual dictionary. 3. Gambar di representasikan dan diklasifikasikan kedalam informasi yang berhubungan.

Gambar 2 : Prosed dari Bag Of Visual Word

3.5 Speeded Up Robust Fetures (SURF) Algoritma SURF merupakan bagian dari algoritma SIFT (Scale Invariant Feature Transform) [10][11][18]. Algoritma SURF dimaksutkan agar fitur local suatu citra dapat di deteksi dengan handal dan cepat [9]. Perhitungan dalam SURF menggunakan algoritma citra integral (integral image) yang digabungkan dengan blob detection berdasarkan determinan dari matriks hessian. Berikut ini tahapan dalam pengimplementasian algoritma SURF [5] [9] [10][18]: 1. Interest Point Detection Interest point merupakan suatu titik yang mempunyai informasi penting dari citra. Algoritma SURF memilih blob detection untuk mendeteksi suatu titik karena memiliki sifat invariant terhadap sekala. Blob merupakan area pada citra digital yang mempunyai sifat konstan dalam kisaran waktu tertentu [8][11][21]. Untuk melakukan komputasi blob detection digunakan determinan dari matriks Hessian (DoH) dari citra [8]. Jika di berikan titik x=(x,y) pada citra I, matrik Hessian H(x,σ) pada x dengan skala σ didefinisikan: H(x, ) = Di mana L_xx (x,σ) adalah konvolusi dari turunan kedua fungsi Gaussian

g( ) 4

dengan citra I pada titik x. definisi ini berlaku juga untuk L_xy (x,σ) dan L_yy (x,σ). Fungsi Gaussian didefinisikan :

Determinan dari matriks Hessian digunakan sebagai dasar algoritma SURF karena sifat invariant terhadap skala, kestabilan dan berulang dengan mudah [10]

awal dari algoritma deteksi objek. Tujuan dari proses ini adalah untuk mendapatkan hasil diskripsi dari fitur –fitur citra yang diamati. Dalam algoritma SURF feature description menggunakan perhitungan gradient histogram yang dibagi kedalam empat kelompok untuk mempercepat perhitungan yaitu: v= dengan adalah respon wavlet Haar pada arah horizontal dan dalam arah vertical, dari proses ini dapat ditentukan tingkat kemiripan suatu fitur yang diamati .

Gambar 3:Turunan parsial kedua dari fungsi gausian [8]. 2. Scale Space Representation Scale space merupakan sebuah metodde yang digunakan untuk menangani masalah perbedaan ukuran dikarenakan banyaknya ukuran citra yang bervariasi, akan mempersulit kita untuk melakukan perbandingan fitur yang terdapat pada citra tersebut[5] [10]. Citra akan diperhalus(smoothing) dengan fungsi Gauissian dan untuk mencapai tingkat tertinggi pada pyramida menggunakan sub-samplin. Integral image digunakan untuk mempermudah kita dalam melakukan perhitungan recursive dengan menggunakan filter ukuran bebas yang di masukan kedalam citra yang berbeda.

Gambar 4 : Implementation SURF pada scale space representation.

3.Feature Description Fitur didefinisikan sebagai bagian yang mengandung banyak informasi suatu citra, dan bagian ini digunakan sebagai

3.5 K- Nearest Neighbour K-Nearsest Neighbour merupakan sebuah metode klasifikasi yang digunakan untuk mengelompokan objek berdasarkan data latih yang memiliki jarak terdekat dengan objek tersebut [6][14]. Algoritma ini secara umum bekerja berdasarkan data latih yang di proyeksikan terhadap ruang dimensi, dimana masing-masing dimensi menjelaskan fitur dari data. Ruang ini dibagi berdasarkan klasifikasi data latih. Jarak antar tetangga dapat di hitung menggunakan rumus Euclidean distance [14]

Keterangan: d :Jarak antara bobot citra uji dan latih. : Bobot citra data uji :Bobot citra data latih :Dimensi data :Variabel data 4. HASIL DAN PEMBAHASAN 4.1 Implementasi Metode Langkah pre-processing citra sidik jari sebagai data uji. Berikut ini merupakan langkah-langkah pre-processing: 5

a. Menyiapkan image set cluster, training dan tasting Siapkan1000 citra akan disimpan menjadi 3 folder yaitu cluster, training dan testing berekstensi *.jpg. Dengan pembagian 400 citra cluster, 400 citra tensting dan 100 citra testing. b. Konversi Citra RGB ke Greyscale Tahap awal Algotitma SURF akan mengubah image fingerprint masukan yang terdiri dari 3 layer Red, Green dan Blue (RGB) menjadi bentuk greyscale atau image keabuan, sehingga hanya satu layer yang menyusun image tersebut. Perhitungan yang digunakan pada algortima SURF berupa citra integral atau sering disebut dengan Summed Area Table. Perumusan Citra integral adalah sebagai berikut: I (x,y)= c. Ektraksi fitur menggunakan Speeded Up Robust Feature. Ektraksi fitur dilakukan untuk menghasilkan keypoint yang merupakan suatu titik mempunyai ketahanan terhadap transformasi rotasi, translansi, skala, dan perubahan pencahayaan. Hasil semua ektraksi fitur dari 4 kelompok pola fingerprint disimpan dalam suatu temporary keypoint berukuran 64 dimensi. 3 merupakan jumlah keypoint yang dihasilkan satu jari:

Gambar 5. Keypoint SURF yang dihasilkan dari fingerprint

Data image berjumlah 1000 akan dilakukan ektraksi fitur untuk

menghasilkan keypoint masing masing kelompok pola. Setiap kelompok pola memiliki keypoint yang disimpan dalam temporary.

Gambar 6. Jumlah Keypoint Sebelum Dicluster.

Berdasarkan Jumlah keypoint yang dihasilkan oleh masing masing kelompok pola fingerprint memiliki perbedaan untuk setiap kelas pola. Kelompok pola leftloop memiliki jumlah keypoint terendah dibandingkan dengan kelompok lain dengan jumlah keypoint 28883 dan kelompok pola whorl memiliki jumlah keypoint tertinggi yaitu 31450 keypoint. Jumlah semua keypoint yang dihasilkan oleh ke-4 kelas adalah 120362. d. Proses clustering image set cluster.

K-Means

pada

Algoritma K-Means digunakan untuk menghitung jarak antara vocabulary dengan keypoint dihitung menggunakan persamaan jarak 2.3, Keypoint dikelompokan kedalam cluster baru sampai cluster optimal tercapai. Setelah menghasilkan keypoint selanjutnya akan di klustering menggunakan algoritma KMeans. Hasil dari klustering pada proses image set cluster berupa Centroid atau Vocabulary yang nantinya akan di jadikan acuan pada saat traning dan testing Pada proses traning dan testing untuk menentukan index keypoint menggunakan metode approximate nearest neighbour ke vocabulary untuk mendapatkan histogram index.

6

1. Menentukan nilai k atau jarak tetangga terdekat k yang di gunakan dalam proses klasifikasi. Peneliti menggunakan nilai k = 1, 3, 5, 7, 9 yang artinya jarak tetangga terdekat dari setiap masing masing nilai k. 2. Menghitung jarak euclidean antara image set yang akan di evaluasi dengan semua image set traning. Gambar 7. Skema untuk menggambarkan konstruksi kosa kata visual dan word assignment.

Gambar 4.6 menjelaskan skema kontruksi kata visual dan word assignment pada proses cluster. (a) perwakilan korpus data image fingerprint, elipis hijau menunjukan daerah titik fitur local dan titik titik hitam menunjukan point dibeberapa ruang fitur SURF. (b) selanjutnya sampel fitur dikelompokan menjadi beberapa cluster untuk quantize ruang menjadi visual diskrit. Titik hijau besar merupakan pusat cluster atau centroid, garis hijau putus putus merupakan sel voronoi (pembatas) sesuai dengan visual word pusat. (c) Image baru diindentifikasi masing-masing fiturnya, selanjutnya dimasukan kedalam diskriptor yang susuai dengan clusternya.(d) sebuah histogram bag of visual word dihasilkan untuk mewakili visual word dari seluruh gambar. e. Proses Klasifikasi sidik jari. Berdasarkan pada jumlah tetangga terdekat atau nilai k yang dipilih sebelumnya. Setelah jarak terpendek data training diketahui selanjutnya jarak terpendek dari data testing diproses dengan cara yang sama dengan data training. Setelah data histogram counting fitur image testing didapatkan, dilakukan proses klasifikasi berdasarkan pemodelan KNN image set training untuk menentukan label dari image testing. Berikut ini Proses klasifikasi:

3. Setelah jarak euclidean diketahui untuk masing masing nilai k, maka pilih jarak yang terpendek. 4. Tentukan kelas berdasarkan jarak euclidean minimum. Hasil klasifikasi K-NN berupa prediksi dan label image testing nantinya sebagai inputan confusionmatrix untuk evaluasi. 4.2 Analisa Hasil dari pengklasifikasian menggunakan algoritma k-Nearest Neighbour dengan data traning berjumlah 400 dan data uji berjumlah 200 sebagai berikut: Untuk klasifikasi fingerprint menggunakan algoritma K-NN berdasarkan nilai k =1 dengan image set testing berjumlah 200 terdiri dari 4 kelas yaitu : leftloop 50 image, rightloop 50 image, twinloop 50 image, dan whorl 50 image menghasilkan tingkat akurasi 100%.

Gambar 8. Hasil Recall presisi dan F- measure untuk klasifikasi fingerprint dengan nilai k = 3.

7

dapat dilihat bahwa klasifikasi fingerpint mahasiswa Universitas Dian Nuswantoro berjumlah 200 image menghasilkan tingkat akurasi sebasar 91,5%. Recall untuk masing-masing kelas recall true positif kelas leftloop sebesar 92% dan 8% untuk recall false negative. Kelas rightloop memiliki nilai recall true positif sebesar 98% dan 2% untuk recall false negative. Kelas twinloop memiliki nilai recall true positif sebesar 78% dan 22% recall false negative. Kelas whorl memiliki recall true positif sebesar 98% dan 2% untuk recall false negative. Perhitungan presisi setiap masing-masing kelas menghasilkan presision rate sebesar 95,8% kelas leftloop, 83,05% kelas rightloop, 97,5% kelas twinloop dan 92,4% kelas whorl. Hasil F-measure tertinggi adalah kelas leftloop 0,938 selanjutnya kelas whorl 0,915 rightloop 0.899 dan terkecil adalah kelas twinloop.

Gambar 9. Hasil Recall presisi dan F- measure untuk klasifikasi fingerprint dengan nilai k = 5.

dapat dilihat bahwa klasifikasi fingerpint mahasiswa Universitas Dian Nuswantoro berjumlah 200 image menghasilkan tingkat akurasi sebasar 75,5%. Recall untuk masing-masing kelas dihitung menggunakan persamaan 2.6 dan 2.7, recall true positif kelas leftloop sebesar 64% dan 36% untuk recall false negative. Kelas rightloop memiliki nilai recall true positif sebesar 84% dan 16% untuk recall false negative. Kelas twinloop memiliki nilai recall true positif sebesar 66% dan 34% recall false negative. Kelas whorl memiliki recall true positif sebesar 88%

dan 12% untuk recall false negative. Perhitungan presisi setiap masing-masing kelas menghasilkan presision rate sebesar 80% kelas leftloop, 65,62% kelas rightloop, 84,16% kelas twinloop dan 77,19% kelas whorl. Hasil F-measure tertinggi adalah kelas whorl 0,822 selanjutnya kelas twinloop 0,742 rightloop 0.737 dan terkecil adalah kelas leftloop.

Gambar 10.Hasil Recall presisi dan F- measure untuk klasifikasi fingerprint dengan nilai k = 7

dapat dilihat bahwa klasifikasi fingerpint mahasiswa Universitas Dian Nuswantoro berjumlah 200 image menghasilkan tingkat akurasi sebasar 75,5%. Recall untuk masing-masing kelas kelas leftloop menghasilkan nilai recall true positif yang sama pada saat klasifikasi fingerprint dengan nilai k = 5 yaitu sebesar 64% dan 36% untuk recall false negative. Kelas rightloop memiliki nilai recall true positif menurun dari klasifikasi sebelumnya yaitu sebesar 74% mengalami penurunan 10% dan 26% untuk recall false negative. Kelas twinloop memiliki nilai recall true positif menurun dibandingkan dengan dengan klasifikasi fingerprint dengan nilai k = 5 sebesar 66% turun 8% dan 42% recall false negative. Kelas whorl memiliki recall true positif terbesar dibandingkan dengan kelas-kelas sebelumnya sebesar 88% dan 12% untuk recall false negative. Perhitungan presisi setiap masing-masing menghasilkan presision rate sebesar 84,21% kelas leftloop, 61,67% kelas rightloop, 74,36% 8

kelas twinloop dan 69,84% kelas whorl. Hasil F-measure tertinggi adalah kelas whorl 0,779 selanjutnya kelas leftloop 0,727 rightloop 0.673 dan terkecil adalah kelas leftloop 0,652.

Berdasarkan uji coba yang telah dilakukan menggunakan jumlah data training dan testing menghasilkan tingkat akurasi tertinggi pada saat nilai k=1 yaitu 100%, selanjutnya nilai k = 3 sebesar 91,5% nilai k = 5 sebesar 75,5%, nilai k =7 sebsar 71% dan k =9 sebsar 64,5%. 2. Saran

Gambar 11. Hasil Recall presisi dan F- measure untuk klasifikasi fingerprint dengan nilai k = 9.

Pada tabel 10 klasifikasi fingerpint mahasiswa Universitas Dian Nuswantoro berjumlah 200 image terdiri dari menghasilkan tingkat akurasi sebasar 75,5%.Recall untuk masing-masing kelas dihitung kelas leftloop mengalami penurunan nilai recall true positif yaitu sebesar 58% dan 42% untuk recall false negative. Kelas rightloop memiliki nilai recall true positif tetap seperti klasifikasi fingerprint sebelumnya yaitu sebesar 74% dan 26% untuk recall false negative. Kelas twinloop memiliki penurunan nilai recall true positif dibandingkan dengan dengan klasifikasi fingerprint dengan nilai k = 7 sebesar 54% turun 4% dan 46% recall false negative. Kelas whorl memiliki recall true positif terbesar dibandingkan dengan kelas-kelas sebelumnya sebesar 80% dan 20% untuk recall false negative.

Penelitian ini dapat dilanjutkan dengan menggunakan metode ektraksi fitur SURF 128 dimensi serta dapat menggunakan metode klasifikasi yang sama atau bisa dengan metode klasifikasi yang berbeda sehingga dapat dibandingkan hasil yang diperoleh bias lebih baik atau buruk. Penelitian selanjutnya diharapkan dapat mengklasifikasikan fingerprint berdasarkan ciri individual yang di miliki perseorangan yang lebih beragram. DAFTAR PUSTAKA [1] [2]

F. Galton, Finger Prints. 1892. Henry, Classification and Uses of Finger Prints. 2004.

[3]

F. Classification, “Fingerprint Classification,” pp. 439–446, 2009. T.-N. Do, P. Lenca, S. Lallich, T.N. Do, P. Lenca, and S. Lallich, “Classifying many-class highdimensional fingerprint datasets using random forest of oblique decision trees,” Vietnam J Comput Sci, vol. 2, pp. 3–12, 2015. R. Mishra, “Fingerprint Recognition using Robust Local Features,” Int. J. Adv. Res. Comput. Sci. Softw. Eng., vol. 2, no. 6, pp. 2277–128, 2012. E. Lansing, “A multichannel approach to ngerprint classi cation 1 Introduction,” East, pp. 1–28. A. I. Awad, “Fingerprint Local Invariant Feature Extraction on GPU with CUDA Preliminaries,”

[4]

[5]

5. KESIMPULAN DAN SARAN 1. Kesimpulan Ektraksi fitur SURF 64 dimensi pada 1000 image fingerprint mahasiswa Universitas Dian Nuswantoro yang diambil menggunakan UART fingerprint reader R305 menghasilkan keypoint yang cukup banyak.

[6]

[7]

9

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15] [16]

[17]

vol. 37, pp. 279–284, 2013. I. Apriyanto, “MEANS UNTUK PENGELOMPOKAN KEYPOINT DESCRIPTOR.” R. Purba, I. A. Pardosi, F. L. Pandia, and Y. P. Hasibuan, “Moving Object Tracking using CAMSHIFT and SURF Algorithm,” vol. 16, no. 1, pp. 103–111, 2015. H. Bay, A. Ess, T. Tuytelaars, L. Van Gool, L. Van Gool, H. Baya, A. Essa, T. Tuytelaarsb, and L. Van Goola, “Speeded-up robust features (SURF),” Comput. Vis. image Underst., vol. 110, no. 3, pp. 346–359, 2008. J. T. Pedersen, “Study group SURF : Feature detection & description,” pp. 1–12, 2011. T. Li, T. Mei, I. S. Kweon, and X. S. Hua, “Contextual bag-of-words for visual categorization,” IEEE Trans. Circuits Syst. Video Technol., vol. 21, no. 4, pp. 381– 392, 2011. J. Yang, Y.-G. Jiang, A. G. Hauptmann, and C.-W. Ngo, “Evaluating bag-of-visual-words representations in scene classification,” Proc. Int. Work. Work. Multimed. Inf. Retr. MIR 07, vol. 63, p. 197, 2007. Dhriti and M. Kaur, “K-Nearest Neighbor Classification Approach for Face and Fingerprint at Feature Level Fusion,” Int. J. Comput. Appl., vol. 60, no. 14, pp. 13–17, 2012. “Biometric Authentication Systems,” no. November, 2000. L. A. Hutchins, “CHAPTER SYSTEMS OF FRICTION,” pp. 1–26. J. Liu, “Image Retrieval based on Bag-of-Words model,” pp. 1–10.

[18] S. He, C. Zhang, and P. Hao, “Clustering-based descriptors for fingerprint indexing and fast retrieval,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 5994 LNCS, no. PART 1, pp. 354–363, 2010.

10