Muhammad Nasir. Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh Medan Km Lhokseumawe

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8 KLASIFIKASI DAN PENGENALAN SIDIK JARI TERTUMPUK BERBASIS METODE LEARNING VECTOR QUANTIZATION Muhammad Nasir Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jl. Banda Aceh – Medan Km. 280.3 Lhokseumawe 24351 Email : [email protected]

Abstrak

Sistem biometrik adalah sistem untuk melakukan identifikasi dengan cara menggunakan ciri-ciri fisik atau anggota tubuh manusia, seperti sidik jari, wajah, iris dan retina mata, suara. Teknologi biometrik ini memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu dengan yang lain. Salah satu cara yang digunakan dalam sistem biometrik dengan kehandalan sangat tinggi dan sangat sering digunakan dalam investigasi kriminal adalah pengenalan sidik jari. Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang. Metode yang biasanya digunakan adalah metode minutiae dan metode image-matching. Paper ini mengusulkan klasifikasi dan pengenalan sidik jari tertumpuk menggunakan metode image-matching dengan metode Learning Vector Quantization (LVQ) dengan pemrosesan awal filter, binerisasi dan thinning. Penelitian ini bertujuan untuk menemukan karakteristik dan hasil terbaik dalam melakukan klasifikasi dan pengenalan sidik jari tertumpuk menggunakan metode Learning Vector Quantization (LVQ) dengan pemrosesan awal filter, binerisasi dan thinning.

Kata kunci: pengenalan, sidik jari/fingerprint, Learning Vector Quantization.

1. Pendahuluan Sistem biometrik adalah sistem untuk melakukan identifikasi dengan cara menggunakan ciri-ciri fisik atau anggota badan manusia, seperti sidik jari, wajah, iris dan retina mata, suara [1]. Teknologi biometrik ini memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu dengan yang lain [2, 3, & 4]. Salah satu cara yang digunakan dalam sistem biometrik dengan kehandalan sangat tinggi dan sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal adalah pengenalan sidik jari. Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang. Metode yang digunakan adalah metode minutiae dan metode image-matching [5]. Metode minutiae unggul dari segi kecepatan dibandingkan dengan metode image matching, namun rendah dari segi hasil keakuratan identifikasi/pengenalan. Sebaliknya, metode image matching unggul dari segi keakuratan pengenalan, namun rendah dari segi kecepatan proses [6].

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8 Analisis citra bertujuan mengidentifikasi parameter-parameter yang diasosiasikan dengan ciri (feature) dari obyek di dalam citra, untuk selanjutnya parameter tersebut digunakan dalam menginterpretasi citra. Analisis citra pada dasarnya terdiri dari tiga tahapan: ekstraksi ciri (feature extraction), segmentasi, dan klasifikasi. [7] Pada penelitian sebelumnya (Nasir Muhammad, 2012) membahas mengenai pengujian kualitas citra sidik jari kotor dengan metode Learning Vector Quantization (LVQ) dengan jumlah kelas pada pengujian seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra yang menghasilkan peningkatan kualitas citra sidik jari sebesar 87%.[8]. Pada penelitian (Supriyono, Yoyok, 2009) mengenai deteksi kerusakan citra sidik jari diantaranya sidik jari , diantaranya sidik sidik jari kotor,sidik jari berminyak, sidik jari sebagian,sidik jari rotasi.Sedangkan ekstraksi ciri menggunakan pemisah luasan defect dan non defect dan deteksi menggunakan metode Learning Vector Quantization (LVQ). Hasil yang diperoleh dari penelitian tersebut citra sidik jari sebagian akurasi mencapai 100%, citra sidik jari kotor 85%, sidi jari berminyak 96,6%, sidik jari rotasi 85 % [9]. Faktor kunci dalam mengekstraksi ciri adalah kemampuan mendeteksi keberadaan tepi (edge) dari obyek di dalam citra [8]. Faktor utama yang sangat menentukan hasil pengenalan sidik jari adalah kualitas citra input yang digunakan. Saat ini jaringan syaraf tiruan berkembang dengan pesat dan telah diupayakan untuk berbagai aplikasi, salah satu aplikasinya adalah pengenalan pola sidikjari. Learning Vector Quantizations (LVQ) merupakan suatu metode klasifikasi pola yang masing-masing unit mewakili kategori atau kelas tertentu [10]. Dalam makalah ini dilakukan pengembangan Jaringan LVQ dalam mengklasifikasi sidik jari dengan pemrosesan awal filter, binerisasi dan thinning. 2. Metodelogi

PREPROCESSING

FEATURE EXTRACTION

IMAGE

CLASSIFICATION

SEGMENTATION

Gambar 1. Alur Penelitian Secara Umum Eksperimen ini dilakukan dengan mengambil citra sidik jari standar FVC2000 DB1_B (berukuran 300x300 piksel) sebagai data input. Jumlah citra sidik jari pada FVC2000 DB1_B ini sebanyak 80 citra, dari 10 orang dimana masing-masing orang sebanyak 8 posisi pengambilan yang berbeda. Citra sidik jari tertumpuk diperoleh dengan melakukan proses substraksi antara dua buah citra sidik jari tunggal/normal.

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8 C it r a In p u t S id ik J a r i M P R E P R O C E S S I N G

F E A T U R E E X T R A C T I O N

e d ia n F ilt e r

B in e r is a s i

T h in n in g

L e a r n in g V e c t o r Q u a n t iz a t io n

K la s if ik a s i/ P e n g e n a la n P o la S id ik J a r i

Gambar 2. Pengenalan Sidik Jari menggunakan Pemrosesan Awal Filter dengan Ektraksi Fitur menggunakan Wavelet Jumlah sidik jari yang diambil sebagai sampel adalah sebanyak 7, 8, 9, dan 10 kelas masing-masing 8 posisi. Masing-masing kelas dilakukan 3 kali pengujian dengan citra posisi ke 2 sebagai bobot awal pelatihan. Data testing tidak termasuk ke dalam data training (bila data citra termasuk ke dalam data training, maka data tersebut tidak dilakukan testing, demikian pula sebaliknya) dengan jumlah data training dan data testing per kelas yang berbeda (lihat tabel hasil eksperimen). Masing-masing kelompok sampel di atas diterapkan pada pengenalan sidik jari tertumpuk dengan pemrosesan awal filter, binerisasi, dan thinning. Transformasi wavelet digunakan untuk mengekstraksi ciri dengan dekomposisi sebanyak tiga kali sehingga citra menjadi berukuran 37x37 piksel. Preprocessing dilakukan dengan menerapkan median filter sebagaimana terlihat pada Gambar 2. 3. Hasil Eksperimen dan Pembahasan Tabel 1. Hasil Eksperimen dari 80 Citra Sidik Jari dengan 10 Kelas Jumlah Data Per Presentase Hasil Kelas Pengenalan Training Testing Tunggal Tumpuk 3 5 78 78 4 4 77,5 77,5 5 3 76,67 73,33 77,39 76,28 Rata-rata Tabel 2. Hasil Eksperimen dari 72 Citra Sidik Jari dengan 9 Kelas Jumlah Data Per Presentase Hasil Kelas Pengenalan Training Testing Tunggal Tumpuk 3 5 77,78 77,78 4 4 75 77,78 5 3 74,07 70,37 74,92 75,31 Rata-rata

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8 Tabel 3. Hasil Eksperimen dari 64 Citra Sidik Jari dengan 8 Kelas Jumlah Data Per Presentase Hasil Kelas Pengenalan Training Testing Tunggal Tumpuk 3 5 75 80 4 4 71,88 68,75 5 3 70,83 70,83 72,57 73,19 Rata-rata Tabel 4. Hasil Eksperimen dari 56 Citra Sidik Jari dengan 7 Kelas Jumlah Data Per Presentase Hasil Kelas Pengenalan Training Testing Tunggal Tumpuk 3 5 77,14 80 4 4 71,43 71,43 5 3 76,19 76,19 74,92 75,87 Rata-rata Tabel 5. Rekapitulasi Rata-rata Hasil Eksperimen Jumlah Data Per Presentase Hasil Kelas Pengenalan Training Testing Tunggal Tumpuk 80 10 77,39 76,28 72 9 74,92 75,31 64 8 72,57 73,19 56 7 74,92 75,87 75,12 75,16 Rata-rata Pada hasil eksperimen di atas menggambarkan bahwa dalam melakukan klasifikasi dan pengenalan sidik jari tertumpuk menggunakan metode image-matching dengan metode Learning Vector Quantization (LVQ) dengan pemrosesan awal filter, binerisasi dan thinning, karakteristik terbaik akan diperoleh apabila semakin banyak jumlah kelas dan jumlah citra yang digunakan. Hasil terbaik dalam melakukan klasifikasi dan pengenalan sidik jari tertumpuk menggunakan metode imagematching dengan metode Learning Vector Quantization (LVQ) dengan pemrosesan awal filter, binerisasi dan thinning ini adalah berada pada jumlah kelas dan jumlah citra tertinggi. Rata-rata tingkat pengenalan sidik jari yang ditumpuk lebih tinggi 0,04% dibandingkan dengan sidik jari tunggal/normal. Dengan demikian ujicoba jaringan syaraf tiruan tersebut menunjukkan bahwa jaringan LVQ yang dibangun dengan ekstraksi ciri berbasis Transformasi Wavelet dengan pemrosesan awal menggunakan median filter, binerisasi dan thinning dapat berfungsi baik.

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8

Gambar 3. Grafik Hasil Eksperimen dari 80 Citra Sidik Jari dengan 10 Kelas

Gambar 4. Grafik Hasil Eksperimen dari 72 Citra Sidik Jari dengan 9 Kelas

Gambar 5. Grafik Hasil Eksperimen dari 64 Citra Sidik Jari dengan 8 Kelas

Seminar Nasional Yusuf Benseh (SNYuBe) 2012 ISBN : 978-602-17282-0-8

Gambar 6. Grafik Hasil Eksperimen dari 56 Citra Sidik Jari dengan 7 Kelas

4. Kesimpulan Dari hasil eksperimen di atas, dapat disimpulkan bahwa semakin banyak jumlah kelas dan jumlah citra yang digunakan dalam jaringan LVQ yang dibangun dengan ekstraksi ciri berbasis Transformasi Wavelet dengan pemrosesan awal menggunakan median filter, binerisasi dan thinning pada citra sidik jari tertumpuk, maka semakin tinggi tingkat pengenalannya. Rata-rata tingkat pengenalan sidik jari yang tertumpuk lebih tinggi 0,04% dibandingkan dengan sidik jari tunggal/normal. 5. Referensi [1]

Gonzalez, R. C. and Wintz, P, Digital Image Processing, Addison Wesley., 1993 Reading, MA.

[2]

Jain, Anil and Pankanti, Sharath, Fingerprint Classification and Matching,

[3]

Arun Ross, Anil Jain dan James Resimen, A Hybrid Fingerprint Matcher, Appeared in Proc. Of International Conference on Pattern Recognition (ICPR), Quebec City, 2002, 11-15.

[4]

Virginia Espinosa, Minutiae Detection Algorithm for Fingerprint Recognition, ICCST, 2001.

[5]

Karthik Nandakumar, Anil K. Jain, Local Correlation-based Fingerprint Matching, Proceedings of ICVGIP, 2004, Kolkata.

[6]

Dunham, Margaret H., Data Mining Introductory and Advanced Topics, Pearson Education Inc, Upper Saddle River, New Jersey 07458, 2003, pp 125-163.

[7]

Kim, James, H.H., Face Detection and Face Recognition, 2003, Survey Papaer,.

[8]

Nasir, Muhammad, Pengujian Kualitas Citra Sidik Jari Kotor Menggunakan Learning Vector Quantization, Jurnal Litek, pp 65-69, 2004.

[9]

Supriyono, Yoyok, Deteksi Kerusakan Citra Sidik Jari Menggunakan Learning Vector Quantization, Seminar Nasional Teknologi Informatika dan Automasi, Surabaya, pp 72-75, 2009.

[10]

Fauzett, Laurene, Fundamentals of Neural Networks, Arcihitectures, Algorithms, and Applications, Prentice Hall-Inc., Canada, 1994.