KINERJA METODA KOMPRESI SPIHT (Set Partitioning in Hierarchical Trees) PADA OTENTIFIKASI PALM VEIN MENGGUNAKAN JARINGAN SARAF TIRUAN Olivica Priyono, Andriyan B. Suksmono Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung (
[email protected],
[email protected]) Abstract- Proteksi terhadap informasi menjadi begitu penting seiring dengan perkembangan informasi yang menjadi komoditas yang sangat bernilai dalam jaringan dan komunikasi komputer sehingga banyak teknik-teknik otentifikasi yang digunakan. salah satunya adalah teknik otentifikasi biometrik menggunakan pembuluh darah telapak tangan (palm vein). Akan tetapi, suatu alat otentifikasi biometrik yang pada umumnya berupa gambar memerlukan pengolahan terlebih dahulu sebelum dilakukan proses pengambilan keputusan atas kebenaran identitas pemilik alat otentifikasi tersebut . Dalam penelitian ini, akan didesain sistem pengolahan gambar palm vein untuk menghasilkan gambar berukuran kecil yang dapat memberikan hasil pengenalan yang baik pada sistem otentifikasi seorang subjek utama menggunakan Jaringan Saraf Tiruan (JST) algoritma backpropagation. Hasil pengujian dari 260 gambar dengan perincian 60 gambar untuk nilai ”benar” dan 200 gambar untuk nilai ”salah”, diperoleh bahwa kompresi gambar dapat dilakukan hingga ukuran ±300byte dan rasio kompresi total sistem 1:3000 dengan hasil unjuk kerja terbaik pada tangan kanan adalah FRR 22% dan FAR 1% sedangkan untuk tangan kiri nilai FRR adalah 22% dan FAR 4.5 %. Kata kunci : otentifikasi palm vein, ekstraksi fitur, kompresi, jaringan saraf tiruan. 1. PENDAHULUAN Pada era global ini, informasi sudah menjadi komoditas yang sangat bernilai dalam jaringan dan komunikasi komputer sehingga proteksi terhadap informasi menjadi begitu penting. Konsekuensi dari kondisi ini, pengembangan teknik otentifikasi pengguna elektronik yang efektif perlu dipertimbangkan dengan tidak hanya handal saja tetapi juga praktis. Teknik-teknik otentifikasi identitas sudah banyak yang dikembangkan. Penggunaan kartu atau kunci, nomer PIN atau password, pengenalan pola dari sifat pengguna (seperti tanda-tangan atau suara) dan teknik-teknik biometrik (seperti pembuluh darah telapak
tangan atau palm vein, pencocokan pola retina dan analisa pola suara) telah digunakan diberbagai sistem. Akan tetapi setiap teknik otentifikasi tersebut memiliki kelebihan dan kekurangannya masing-masing. Seperti pada nomer PIN atau password, teknik otentifikasi tersebut memiliki kelebihan yaitu keakurasian yang tinggi akan tetapi memiliki kekurangan dalam hal kepraktisan dan keamanannya. Sedangkan pada teknik-teknik biometrik, kelebihan yang dimiliki adalah merupakan alat otentifikasi yang sulit untuk dipalsukan sehingga meningkatkan aspek keamanan akan tetapi dengan kekurangan dalam hal pengolahan alat otentifikasi tersebut. Suatu alat otentifikasi biometrik yang pada umumnya berupa gambar memerlukan pengolahan terlebih dahulu sebelum dilakukan proses pengambilan keputusan atas identitas pemilik alat otentifikasi tersebut. Pengolahan tersebut memberikan peran yang cukup besar dalam hal otentifikasi disamping teknik otentifikasi yang digunakan untuk memberikan akurasi yang baik. Pengolahan tersebut diantaranya adalah teknik ekstraksi dan teknik kompresi. Teknik ekstraksi dibutuhkan untuk memperoleh informasi yang dibutuhkan pada gambar sebagai parameter pengambilan keputusan. Teknik kompresi dibutuhkan untuk memperkecil ukuran gambar mengingat bahwa pengolahan dan penyimpanan gambar yang berukuran besar membutuhkan resource yang besar pula. Saat ini teknik biometrik banyak dikembangkan untuk menggantikan alat otentifikasi password. Diantaranya adalah fingerprint, fingervein, palm vein dan palmprint. Alat otentifikasi dengan menggunakan palm vein memiliki keutamaan dalam proses pengambilan gambar yaitu tanpa menyentuh permukaan sensor seperti pada fingerprint sehingga memberi nilai tambah pada aspek kehigienisan dan peneriman masyarakat atas alat otentifikasi tersebut menjadi meningkat.[12] Akan tetapi, sama dengan teknik otentifikasi biometrik lainnya, teknik ini membutuhkan resource yang besar untuk pengolahan dan penyimpanan. Oleh
1
karena itu, dalam pengimplementasiannya sebagai alat otentifikasi, pengolahan gambar palm vein perlu dilakukan sebelum proses otentifikasi dilakukan. 2. DASAR TEORI 2.1 Sistem Biometrik Sistem biometrik adalah sistem yang dapat melakukan verifikasi atau pengenalan identitas seseorang berdasarkan karakteristik fisiologis maupun tingkah laku. Karakteristik fisiologis yang dapat dijadikan ID biometrik meliputi pola dan termogram wajah, telinga, sidik jari, telapak tangan, pembuluh darah pada tangan, iris/retina, odor, dan DNA, sedangkan karakteristik tingkah laku meliputi tanda tangan, suara, cara seseorang berjalan, maupun keystroke (cara mengetik pada keyboard). Namun pada aplikasinya, sistem biometrik merupakan gabungan dari kedua karakteristik ini. Contohnya, penggunaan karakteristik fisiologis palm vein tetap melibatkan tingkah laku orang yang bersangkutan dalam penempatan posisi tangan dalam pengambilan gambar oleh sensor.
secara umum dengan memperhatikan ketidakseragaman dan pengukuran bentuk menggunakan pencarian yang mendalam untuk mengevaluasi kriteria yang memaksimumkan jarak varian antar kelas. 2.2 Pemampatan Gambar (image Compression) Pemampatan (kompresi) gambar merupakan operasi pengolahan gambar yang bertujuan untuk merepresentasikan gambar dalam bentuk yang lebih kompak dan memerlukan memori yang lebih sedikit. Tahap-tahapnya adalah dengan melakukan transfomasi wavelet Haar, kuantisasi skalar, pengkodean SPIHT. 3. PERANCANGAN DAN IMPLEMENTASI SISTEM 3.1 Perancangan Sistem
Penerapan ID biometrik dalam sistem pengenalan dapat dimanfaatkan baik untuk verifikasi maupun identifikasi. Dalam verifikasi, sistem akan memberikan keputusan apakah seseorang yang memberikan masukan ID biometrik adalah benar seseorang yang dia nyatakan, dengan cara melakukan pencocokkan antara masukan dengan template yang telah ditunjuk sebagai milik orang tersebut. Sedangkan dalam identifikasi, keluaran sistem adalah pengenalan terhadap identitas yang bersangkutan.
Secara garis besar, sistem ini mempunyai tahap-tahap proses sebagai berikut: 1. Akuisisi data 2. Prepocessing 1 3. Prepocessing 2 4. Proses klasifikasi 5. Pengambilan keputusan
2.1 Aksentuasi Gambar (Image Enhancement) Aksentuasi dan penajaman fitur gambar merupakan operasi pada pengolahan gambar yang bertujuan agar gambar dapat ditampilkan lebih baik maupun dianalis secara lebih teliti. Dengan operasi ini, ciri-ciri khusus yang dimiliki oleh gambar menjadi lebih menonjol. Operasi-operasi yang digunakan untuk aksentuasi gambar adalah matched filter, otsu thresholding. Matched filter adalah suatu filter optimal dalam arti filter memaksimalkan signal to noise ratio keluaran filter. Matched filter berguna untuk mendeteksi sinyal yang sudah diketahuai karakteristiknya, sehingga filter ini akan mencocokkan parameter yang sudah diketahui dengan sinyal masukan dan keputusan dibuat berdasarkan apakah sinyal tersebut cocok dengan parameter filter. metode Otsu merupakan salah satu dari metode pemilihan threshold yang baik untuk gambar
3.2 Implementasi Sistem 3.2.1 Akuisisi data Proses manual dilakukan pada pengambilan gambar pembuluh darah telapak tangan. Pengambilan gambar dilakukan pada suatu wadah yang mengondisikan pengambilan gambar dalam kondisi yang baik yaitu posisi tangan yang memperlihatkan pembuluh darah lebih jelas dan ruang gelap yang memastian hanya cahaya infra merah yang menyinari telapak tangan dan ditangkap oleh kamera. 3.2.2 Prepocessing 1 Prepocessing 1 merupakan prepocessing gambar untuk menghasilkan training set pada pembelajaran JST. Pada tahap ini dilakukan ekstraksi fitur palm vein pada gambar yang dilanjutkan dengan kompresi gambar hasil ekstraksi. Kompresi gambar dilakukan agar gambar yang akan disimpan sebagai arsip pembelajaran JST ini memberikan penghematan pada kapasitas penyimpanan
2
sistem. Hasil rekonstruksi gambar kompresi dengan tingkat PSNR tertentu kemudian digunakan sebagai data latih untuk sistem otentifikasi dengan menggunakan JST. 3.2.3 Prepocessing 2 Prepocessing 2 merupakan prepocessing gambar untuk menghasilkan testing set pada JST. Pada tahap ini hanya dilakukan proses ekstraksi fitur gambar yang sama dengan tahap prepocessing 1 tanpa dilakuan proses kompresi dengan transformasi wavelet. 3.2.4 Proses klasifikasi Sistem simulator ini menggunakan konfigurasi jaringan MLP dengan pembelajaran algoritma backpropagation. Dalam proses klasifikasi ini, penelitian dilakukan dengan menggunakan kriteria pola pembelajaran Jumlah hidden layer 1, Jumlah neuron pada hidden layer 10, Tingkat pembelajaran 0,1, Konstata momentum 0,9, dan SSE 0.0. 3.4.5Pengambilan keputusan Pengambilan keputusan dalam simulator ini menggunakan konfigurasi MLP yang sama sesuai dengan variasi parameter pada saat pembelajaran. Berlainan dengan pada saat pembelajaran, sistem ini hanya menggunakan feedforward dengan bobot sinapsis hasil proses pembelajaran. Rentang pengambilan keputusan dibuat lebar dengan mendefenisikan area sebagai berikut: • Keputusan ‘true’ jika keluaran ≥ 0,5 , atau • Keputusan ‘false’ jika keluaran < 0,5 . 4. PENGUJIAN DAN ANALISA SISTEM 4.1 Pengujian Sistem Pengujian sistem otentifikasi dengan palm vein ini dilakukan pada subjek utama atau subjek Li yang terdiri atas pembuluh darah telapak tangan kanan dan kiri. Pembuluh darah pada telapak tangan kanan tidaklah sama dengan pembuluh darah telapak tangan kiri sehingga pada sistem ini dibuat dua user atau account yang berbeda untuk satu orang yaitu tangan kanan dan kiri. Pada subjek utama ini, dilakukan perlakuan yang berbeda antara tangan kanan dan tangan kiri. Pada tangan kanan, dilakukan penempatan posisi dan pose yang tetap. Sedangkan untuk tangan kiri, dilakukan penempatan posisi dan pose yang berbedabeda.
Table 4-1. Perbandingan hasil kompresi dan estimasi unjuk kerja tangan kanan subjek utama Loading factor Tanpa kompresi 1 2 3 4 5 6
Ratarata PSNR (dB)
Total Rasio kompresi sistem
Transmit (byte)
TAR (%)
FRR (%)
TRR (%)
FAR (%)
-
1:1152
800
81,67
18,33
97,50
2,50
16,83 16,42 13,78 13,17 13,01 11,78
1:1194 1:1880 1:3315 1:4287 1:5081 1:6895
776 493 279 216 182 134
80,00 80,00 78,33 75,00 73,33 78,33
20,00 20,00 21,67 25,00 26,67 21,67
99,50 99,50 99,00 98,00 99,00 99,00
0,50 0,50 1,00 2,00 1,00 1,00
Table 4-2. Perbandingan hasil kompresi dan estimasi unjuk kerja tangan kiri subjek utama Loading factor Tanpa kompresi 1 2 3 4 5 6
Ratarata PSNR (dB)
Total Rasio kompresi sistem
Transmit (byte)
TAR (%)
FRR (%)
TRR (%)
FAR (%)
-
1:1152
800
65,00
35,00
96,50
3,50
15,56 15,39 13,14 12,42 11,51 10,92
1:1089 1:1676 1:2904 1:4245 1:5393 1:6949
847 552 318 219 176 133
75,00 71,67 78,33 75,00 63,33 71,67
25,00 28,33 21,67 25,00 36,67 28,33
97,00 96,00 95,50 94,00 94,00 91,50
3,00 4,00 4,50 6,00 6,00 8,50
4.2 Analisa Sistem Dalam melakukan pengolahan gambar palm vein, hasil binarisasi tidak menunjukkan gambar pembuluh darah secara keseluruhan. Pada gambar 4-5 diperoleh garis-garis tambahan yang berasal dari garis tangan dan lekukan tangan. Hal tersebut disebabkan sifat matched filter yang mendeteksi semua fitur gambar yang berupa garis dengan lebar yang mendekati lebar kernel. Masuknya gambar garis tangan dan lekukan tangan dikarenakan karakteristik dari kamera yang digunakan untuk mengambil gambar. Kamera yang digunakan pada penelitian ini adalah kamera infra red yang biasa digunakan sebagai kamera pengaman untuk mengambil gambar di malam hari atau area-area yang gelap sehingga sifatnya adalah menangkap semua sinar infra red maupun sinar tampak. Jika ingin menghasilkan gambar yang optimal, terdapat kamera infra red dengan spesifikasi penanganan sinar infra red pada rentang tertentu yang dapat memberikan penggambaran pembuluh darah yang lebih baik dengan harga yang lebih tinggi pula sehingga tidak digunakan pada penelitian ini. Akan tetapi secara teori penambahan informasi garis tangan dan lekukan tangan pada gambar menambah fitur pada objek sehingga dapat meningkatkan kemampuan pengenalan. Masalah akan timbul jika terjadi perubahan pada fitur tambahan tersebut misalnya jika tangan terluka sehingga memberikan gambaran garis yang berbeda dari yang dimiliki oleh sistem sehingga meningkatkan FRR dari sistem.
3
Gambar 4-1 Gambar hasil deteksi matched filter. Penentuan nilai bobot-bobot sinapsis pada JST dilakukan secara acak sehingga hasil pengenalan yang diberikan tidaklah sama untuk tiap kali pelatihan. Perlu dilakukan pelatihan berulang kali untuk memperoleh bobot-bobot sinapsis yang dapat memberikan hasil pengenalan dengan akurasi yang paling baik. Lama waktu yang dibutuhkan untuk pelatihan JST dengan jumlah data input 76 gambar berukuran 80 x 80 piksel adalah ±55 detik. Sedangkan lama waktu pengujian untuk pengujian JST dengan jumlah data input 260 gambar berukuran 80 x 80 piksel adalah ±5 detik. Perkiraan waktu yang dibutuhkan oleh prepocessing 1 adalah 41,231 detik untuk satu buah input gambar dan 36,732 detik untuk processing 2. Akan tetapi hal tersebut akan berbeda jika sistem diimplementasikan pada hardware atau dengan menggunakan bahasa pemrograman lainnya. Pada penelitian ini, hanya dilakukan simulasi pengetesan algoritma untuk menentukan pengolahan gambar terbaik untuk sistem pengenalan JST sehingga waktu perhitungan sistem bukan termasuk dalam batasan masalah. Berdasarkan tabel 4-1 dan 4-2, diperoleh bahwa besar nilai FAR pada tangan kanan lebih kecil dibandingkan dengan tangan kiri. Hal tersebut dikarenakan gambar yang dihasilkan pada pengambilan gambar tangan kiri lebih bervariasi dibandingkan dengan tangan kanan. Pembelajaran JST menjadi tidak optimum yang ditunjukkan dengan perolehan FAR dan FRR untuk tangan kiri lebih besar dibandingkan dengan tangan kanan. Kesimpulan yang dapat diperoleh dari hal tersebut adalah sistem biometrik merupakan gabungan dari karakteristik fisiologis dan tingkah laku dari individu. Berdasarkan tabel 4-1 dan 4-2, diperoleh bahwa nilai rata-rata FAR terendah untuk account tangan kanan adalah pada loading factor 3 dengan nilai FAR 1,1 % dan FRR adalah 24%. Sedangkan untuk account tangan kiri nilai rata-rata FAR terendah adalah pada loading factor 2 dengan nilai FAR 3.1 % dan FRR adalah 34.33%. Disamping itu, hasil pengujian terbaik yang
ditunjukkan pada tabel 4-3 dan 4-4, loading factor 3 memberikan nilai FRR 22% dan FAR 1% untuk tangan kanan sedangkan untuk tangan kiri nilai FRR adalah 22% dan FAR 4.5 %. Dari hal tersebut diperoleh bahwa dalam penelitian ini, untuk sistem otentifikasi palm vein dengan batas maksimum FAR 5%, dapat dilakukan pengkompresian gambar hingga mencapai ukuran ±300 byte dengan loading factor 3. Nilai FAR 5 % ini dipilih berdasarkan nilai FAR yang diperoleh pada percobaan Wilkinson dan Goodman berjudul ”backpropagation and its application to handwritten signature”.[8] 5. PENUTUP 5.1 Kesimpulan • Terdapat individu yang memiliki pembuluh darah telapak tangan yang kurang tampak dikarenakan letaknya yang jauh dari permukaan kulit. Oleh karena itu, dibutuhkan fitur tambahan pada sistem otentifikasi palm vein sebagai fitur pembeda dari objek lain untuk meningkatkan unjuk kerja sistem. Salah satunya adalah dengan penambahan fitur garis tangan dan lekukan tangan. Secara tidak langsung, mathed filter melakukan tugas itu dengan mendeteksi garis baik pembuluh darah maupun garis dan lekukan tangan yang memiliki lebar yang mendekati lebar kernel matched filter. • Dalam penelitian ini, agar sistem sistem otentifikasi dengan palm vein memiliki FAR dibawah 5%, dapat dilakukan pengkompresian gambar hingga mencapai ukuran ±300 byte dengan loading factor 3 dan hasil unjuk kerja pada tangan kanan FAR 1% dan FRR 22%. Sedangkan untuk tangan kiri, FAR 4,5% dan FRR 22%. • Hasil dari sistem yang dirancang ini masih dalam bentuk pengembangan algoritma untuk menghasilkan sistem otentifikasi palm vein dengan account dalam jumlah terbatas. 5.2 Tindak Lanjut • Pendekatan space-domain yang dipilih dalam penelitian ini sangat sederhana dalam konsep tetapi sangat kompleks dalam pendesainannya dan proses pembelajaran yang cukup lama. Dalam aplikasi komersil yang syarat dengan tuntutan kelayakan yang lebih baik, sistem otentifikasi ini perlu dicarikan pendekatan lain yang lebih cepat dan akurat terutama dalam menghadapi kejahatan-kejahatan pemalsuan yang semakin canggih dan cerdik. • Desain sistem dalam penelitian ini mendukung pengembangan sistem peng-update-an data training. Sistem peng-update-an data training merupakan sistem untuk memilih data training
4
untuk setiap pemasukan input pengujian yang diberikan oleh user sehingga untuk tahap pembelajaran JST berikutnya user tidak perlu memasukkan data yang banyak dalam satu rentang waktu yang pendek. Selain itu, sistem ini memberikan keuntungan pemilihan data yang lebih baik dari sejumlah data yang bervariatif. Oleh karena itu, sistem ini membutuhkan penyimpanan gambar palm vein sebanyak data yang ingin dilatihkan kepada JST. Desain sistem dalam penelitian ini mendukung sistem peng-update-an dalam hal kompresi gambar dan menghasilkan deretan bit yang dapat disimpan dengan space yang lebih kecil. Saat data-data tersebut dibutuhkan untuk training, sistem akan merekonstruksi gambar dari deretan bit tersebut dan menjadikannya data latih untuk pembangunan konfigurasi JST yang baru. Gambaran dari sistem ini ditunjukkan oleh gambar berikut :
DAFTAR PUSTAKA [1] Abdurrachim, Desiree. 2006. Laporan tugas akhir : “Perancangan dan Realisasi Sistem Registrasi dan Identifikasi Data Pasien Berbasiskan Citra Sidik jari: Kasus untuk Puskesmas Garuda”. ITB : Bandung. [2] Bradley, Jonathan N dan Brislawn, Christopher M, “The Wavelet/Scalar Quantization Compression Standard for Digital Fingerprint Images”, IEEE paper. [3] Cristopoulos, Charilaos. “The JPEG2000 Still Image Coding System : an Overview”. IEEE Transaction on Consumer Electronics, Vol.46, No.4, November 2000. [4] Hermawan, Andi. 2002. Laporan Thesis : “Kinerja Metoda Kompresi EZW (Embedded Zerotree Wavelet) dan SPIHT (Set Partitioning in Hierarchical Trees) Berbasis Wavelet pada Transmisi Citra Secara Progresif”. ITB : Bandung. [5] Izzudin, Mohammad. 2001. Laporan Thesis : “Otentifikasi Tanda-tangan Off-line Menggunakan Jaringan Saraf Tiruan Algoritma Backpropagation”. ITB : Bandung. [6] Lawson, S dan Zhu, J. “Image Compression Using Wavelets and JPEG2000: a
tutorial”. Electronics & Communication Engineering Journal June 2002. [7] Liao, Ping-Sung; Chen, Tse-Sheng; Chung, Pau-Choo. 2001. “A Fast Algorithm for Multilevel Thresholding”. Journal of Information Science and Engineering 17, 713-727. [8] Rao, M, Raghuveer dan Biopardikar, S, Ajit. 1998. “Wavelet Transform Introduction to Theory and Aplication”. Addison Wesley Longman, inc : Massachusetts. [9] Suyanto. 2007. Artificial Intelligence. Penerbit Informatika : ITB. [10] Talukder, Kamrul Hasan dan Harada, Koichi. 2007. “Haar Wavelet Based Approach for Image Compression and Quality Assessment of Compressed Image”. IAENG International Journal of Applied Mathematics, 36:1, IJAM_36_1_9. [11] Walker, S, James. “Wavelet-based Image Compression”. Sub-chapter of CRC Press book : Transforms and Data Compression. [12] Watanabe, Masaki dkk.2005. “Palm vein authentication technology and its applications”. Fujitsu Laboratories : Japan. [13] Yaphary, Marshall. 2007. “Autofluorescence Angiography Sebagai Sistem Bantu Diagnosis Kebocoran Pembuluh Darah Tahap Awal pada Citra Retina Menggunakan Algoritma Matched Filter dan Jaringan Saraf Tiruan”. ITB : Bandung. [14] __________. October, 2005. “Aplication in Financial Institution for Finger Vein Authentication”. Finger Vein Global Business Center Smart Identification Solution Division Information & Telecomunication Systems Hitachi. [15] _________. Matlab 7.0 Toolbox [16] Http://www.dalsa.com [17] Http://www.wikipedia.org/biometric
5