PENGENALAN POTENSI ANAK MELALUI SIDIK JARI MENGGUNAKAN ALGORITMA VOTING FEATURE INTERVALS 5 (VFI5)

Journal of Research in Computer Science and Applications – Vol. I, No. I, Juli 2012

PENGENALAN POTENSI ANAK MELALUI SIDIK JARI MENGGUNAKAN ALGORITMA VOTING FEATURE INTERVALS 5 (VFI5) 1

Saparudin1), Errissya Rasywir2) [email protected], [email protected]

ABSTRACT Biometric System is the introduction of the system to identify, recognize and classify pattern with the determining the authenticity of a specific psychological and/or behavioural characteristics possessed by the person. Fingerprint is one of the physiological that can not be falsified. For additional, fingerprint can be used to determine the intelligence of human as the ridge in fingerprint is connected with brain nerve system.These knowledge known as Dermatoglyphics. For knowing the intelligence information, this system get it from classify the type of fingerprint. The classification process of fingerprint need the feature that can be calculated from using Minutiae Feature Extraction Algorithm. This feature exctraction methode results the feature of fingerprint easily and fast. For the classification of the feature we use Voting Feature Intervals 5 Algorithm. VFI5 algorithm is an algorithm that represents the description of a concept by a set of interval values of the features or attributes. Phases of the training VFI5 algorithm produce the intervals, and each features a manner resulting image data represented by pixels on each element of data. Fingerprint image used in this research is measuring 512 × 512 pixels.. Keywords: Image Processing, Fingerprint classification, Dermatoglyphics, Minutiae feature exctraction, VFI5 algorithm.

I. PENDAHULUAN Setiap anak memiliki bakat dan potensi masing-masing sejak lahir. Kebanyakan orang tua tentu ingin mengetahui potensi bawaan dan bakat terpendam anaknya agar bisa menentukan metode pendidikan dan bidang apa yang sesuai bagi anaknya. Umumnya orang tua memerhatikan aktivitas belajar ataupun meminta bantuan psikolog melalui serangkaian tes psikologi (psikotes) dan wawancara. Namun metode tersebut hanya memiliki akurasi sekitar 65% saja (Indrianie, 2010). Saat ini sudah ditemukan metode terbaru yakni dengan cara menganalisis sepuluh sidik jari manusia. Metode tersebut dikenal sebagai teknologi dermatoglyphics. Dalam penelitian yang dikembangkan di Harvard University, Cambridge, Massachusetts, Amerika Serikat (AS) menyatakan bahwa ada hubungan erat antara karakter sidik jari dengan fungsi sistem hormon pertumbuhan sel otak manusia (nerve growth factor) yang terkait dengan potensi intelegensia manusia. Penentuan potensi anak menggunakan metode tersebut mampu memberi akurasi lebih tinggi yakni 95% (Jason, 2010) .

Untuk menentukan potensi anak melalui sidik jari, identifikasi pola sidik jari dilakukan berdasarkan informasi masukan sidik jari dalam bentuk gambar statis yang dihitung sebagai fitur dari gambar sidik jari. Metode ektraksi fitur gambar sidik jari yang di gunakan adalah Minutiae Extraction Algorithm. Metode ini merupakan sebuah solusi otomatisasi ekstraksi fitur dengan cara manual . Metode ini berpedoman pada penelitian terdahulu yang berjudul “Fingerprint Image Enhancement and Minutiae Extraction” oleh Raymond Thai (2003) dan juga penelitian lainnya yang berjudul “Adaptive Flow Orientation Based Feature Extraction in Fingerprint Images” oleh Ratha, Chenshao dan Jain (2003). Kedua penelitian tersebut mendukung pembahasan mengenai Minutiae Extraction Algorithm yang akan digunakan untuk proses ektraksi fitur gambar sidik jari pada penelitian tugas akhir ini. Sedangkan, untuk proses klasifikasi fitur gambar sidik jari, penelitian yang dijadikan pedoman berjudul “Classification by Voting Feature Interval” oleh Demiröz dan Güvenir (1998). Penelitian tersebut membahas algoritma untuk proses klasifikasi citra yakni Voting Feature Interval Algorithm (VFI5) yang akan ISSN: 2301-8488 / Copyright 2012 – JRSCA

25


digunakan untuk proses klasifikasi citra sidik jari pada penelitian ini. Sebelumnya algoritma tersebut biasa digunakan untuk klasifikasi kasus berbasis teks. Karena hasil akurasi yang cukup tinggi algoritma tersebut dapat digunakan untuk kasus citra. Penelitian yang menggunakan algoritma tersebut untuk klasifikasi kasus citra di implementasikan oleh Fathoni Arief Musyaffa (2009) kedalam kasus citra tanda tangan dengan judul penelitian ”Pengenalan Tanda Tangan Menggunakan Algoritme VFI5”. Karena keberhasilan beberapa penelitian tersebut diatas, penulis mencoba mengimplementasikan Voting Feature Interval Algorithm (VFI5) ke dalam kasus citra sidik jari. Mengembangkan perangkat lunak computer untuk mengenal potensi, menentukan bakat dan minat serta potensi bawaan anak melalui jenis sidik jarinya berdasarkan keilmuan dermatoglyphics dengan menggunakan Minutiae Extraction Algorithm untuk proses ekstraksi ciri gambar sidik jari dan Voting Feature Intervals 5 (VFI5) untuk proses klasifikasinya. II. PUSTAKA Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan tingkat kecemerlangan citra pada titik tersebut. Citra digital adalah citra f(x,y) dimana dilakukan diskritisasi koordinat spasial (sampling) dan diskritisasi tingkat kecemerlangannya / keabuan (kuantisasi). Citra digital merupakan suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut. Fungsi f(x,y) direpresentasikan dalam suatu fungsi koordinat berukuran M×N. Variabel M adalah baris dan variabel N adalah kolom, sebagaimana ditunjukkan pada Gambar berikut. Citra dengan skala keabuan berformat 8-bit memiliki 256 intensitas warna yang berkisar pada nilai 0 sampai 255. Nilai 0 menunjukan tingkat paling gelap (hitam) dan 255 menunjukkan nilai paling cerah (putih) (Pramitasari, 2009).

Gambar 1. Fungsi koordinat representasi (Pramitasari, 2009) Biometrik merupakan pengembangan dari metode dasar klasifikasi ataupun identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya. Biometrik mencakup karakteristik fisiologis (physical traits) dan karakteristik perilaku (behavioral traits). Contoh ciri-ciri fisik antara lain sidik jari, iris, wajah dan bentuk geometris tangan, sedangkan contoh ciri tingkah laku misalnya tanda tangan, pola penekanan keyboard dan gaya berjalan (Ross et al, 2006). Sidik jari merupakan salah satu bentuk biometrik fisikal yang berbeda-beda . Hal ini dapat dilihat pada sifat yang dimiliki oleh sidik jari, antara lain: a. Perennial nature, yaitu guratan-guratan pada sidik jari yang melekat pada kulit manusia seumur hidup. b. Immutability/permanence, yaitu sidik jari seseorang tidak pernah berubah ,kecuali mendapatkan kecelakaan yang serius. c. Individuality/ distinctiveness, pola sidik jari adalah unik dan berbeda untuk setiap orang (Elvayandari, 2002). Selain dari sifat sidik jari diatas, beberapa penelitian lain mengenai sidik jari manusia menunjukan bahwa sidik jari manusia dapat dirumuskan dan diklasifikasikan secara matematis. Adapun tahapan proses klasifikasi biometrik sidik jari secara umum adalah sebagai berikut : 1. Akuisisi, yaitu pengambilan karakteristik biometrik. 2. Pengolahan citra, antara lain dengan ekstraksi ciri, segmentasi citra, smoothing, dan thinning. 3. Pengenalan pola atau klasifikasi nilai vektor ciri. Untuk mengetahui pola suatu sidik jari , analisis polanya berdasarkan bentuk-bentuk pokok sidik jari, antara lain terdiri dari:

ISSN: 2301-8488 / Copyright 2012 – JRSCA

26


a) Arch (busur) Merupakan bentuk pokok sidik jari yang semua garis-garisnya datang dari satu sisi lukisan dengan bergelombang naik ditengah-tengah dan tidak memiliki delta, terbagi 2: Plain arch (busur rata) Dengan sedikit bergelombang naik ditengah. Tented arch (tiang busur) Terdapat garis tegak (upthrust) atau sudut (angle) atau dua atau tiga ketentuan loop. b) Loop (sangkutan) Merupakan bentuk sidik jari dimana satu garis atau lebih datang dari satu sisi lukisan yang mempunyai sebuah delta, sebuah core, Terdapat 2 jenis loop: Ulnar loop Terdapat garis memasuki pokok lukisan dari sisi yang searah dengan kelingking Radial loop Terdapat garis memasuki pokok lukisan dari sisi yang searah dengan jempol. c) Whorl (lingkaran) Merupakan bentuk pokok sidik jari yang mempunyai 2 delta dan sedikitnya satu garis melingkar di dalam pattern area, berjalan didepan kedua delta. terbagi 4: 1) Plain whorl: kurva ridge menyentuh garis yang dibentuk dengan menghubungkan 2 delta. 2) Central pocket loop whorl: kurva ridge tidak menyentuh garis yang dibentuk dengan menghubungkan 2 delta. whorl Double loop whorl: tipe loop yang dibentuk dari dari dua loop dalam satu pola. Accidental whorl: tipe loop yang mengandung dua atau lebih pola sidik jari (tidak termasuk plain arch).

akan memiliki jenis-jenis pola diatas, tapi tidak semua sidik jari akan memiliki komponen tersebut. (Francis Galton, 1822-1916). Karakteristik garis yang paling umum sidik jari adalah ujung garis, lampiran (atau pengelompokan), noktah dan bifurkasi (garis bercabang dua seperti sungai yang bercabang menjadi dua anak sungai) Untuk penentuan letak core tidak selalu dapat ditentukan dengan aturanaturan yang telah disebutkan diatas. Ada dua kasus yang pada umumnya dapat mengaburkan dalam menentukan letak core ini. Kasus yang pertama adanya garis tambahan (appendage). munculnya appendage ini dapat merusak garis sidik jari bila appendage tersebut muncul disuatu garis sidik jari yang letaknya berada pada daerah melengkung antara bahu garis sangkutan. Apabila appendage ini akan dianggap sebagai garis berhenti bagi sangkutan yang tepat berada diluarnya. Kasus yang kedua adalah adanya garis loop yang terdalam (garis sangkutan) yang saling memotong satu sama lain (inter locking loop). Pada kasus ini kedua garis sangkutan yang saling memotong tersebut dianggap sebagai salah satu sangkutan dimana garis di dalamnya seakan-akan merupakan garis yang naik sampai setinggi bahu loop (Ratha,Chensao,Jain, 1995). Dapat dikatakan core adalah titik tengah atau pusat yang terdapat pada garis sidik jari loop yang terdalam dan terjauh dari delta.

Gambar 3. Menentukan core pada loop

Gambar 2. Komponen- komponen sidik jari Dalam suatu lukisan sidik jari terdapat keberadaan titik fokus (Focus Point) yakni core (inner terminus) dan delta (outer terminus) serta ridge counting yang menetukan sebuah sidik jari

Delta dalam pengertian sehari-hari adalah gugusan yang terdapat pada muara sungai air yang mengalir ke laut atau danau selalu membawa Lumpur dan batu sehingga lama kelamaan terbentuk suatu gugusan pulau yang disebut “delta”. Delta yang sebenarnya pada sidik jari adalah titik/garis yang terdapat pada pusat perpisaan garis type lines. Delta merupakan titik fokus yang terletak didepan pusat berpisahnya garis pokok (type lines).


27


Gambar 4. Delta sidik jari Minutiae Fitur sidik jari yang digunakan pada tugas akhir ini adalah guratan sidik jari yang dapat diidentifikasikan dengan cara menganalisa “fine details” dari guratan-guratan sidik jari yang dinamakan dengan “minutiae”. Berikut beberapa gambar fitur guratan sidik jari (Francois Galton, 1822-1916).

Gambar 5. Feature pada guratan sidik jari Dermatoglyphic mempunyai dasar ilmu pengetahuan yang kuat karena didukung penelitian sejak 300 tahun lalu. Penelitian dimulai oleh Govard Bidloo pada tahun 1685. Lalu, berturut-turut dilakukan oleh Marcello Malpighi (1686), J.C.A. Mayer (1788), John E. Purkinje (1823), Dr. Henry Faulds (1880), Francis Galton (1892), Harris Hawthorne Wilder (1897), Noel Jaquin (1958) dan Beverly C. Jaegers (1974). Hasil penelitian menunjukan : 1. Ibu jari: memiliki jalinan ke otak depan menunjukkan karakter seseorang, cara berpikir dan membuat keputusan. 2. Jari telunjuk: memiliki hubungan dengan otak depan yang posisinya lebih atas menunjukkan pemikiran logis dan kreativitas seseorang. 3. Jari tengah: memiliki keterkaitan dengan otak bagian atas. Motif jari tengah itu dapat menunjukkan kontrol pergerakan minor dan mayor seseorang, sentuhan, keseimbangan dan koordinasi tangan dan kaki. 4. Jari manis: memiliki jalinan dengan otak yang berada di belakang telinga terkait kontrol pendengaran.

5. Jari kelingking :memiliki hubungan dengan otak belakang menunjukkan tingkat konsentrasi maupun penglihatan seseorang. Jari-jari tangan kanan mewakili fungsi otak kiri (fungsi perbedaan angka, urutan, tulisan, bahasa, hitungan dan logika). Sedangkan jari-jari tangan kiri seseorang mewakili fungsi otak kanan. III. METODOLOGI PENELITIAN III.1. MINUTIAE EXTRACTION ALGORITHM Penghitungan wilayah blok ( block/ window) pada penelitian ini menggunakan hitungan sebagai berikut: a) Ukuran gambar sidik jari adalah 512 x 512 piksel. b) Ukuran sebuah blok adalah 16 x 16 piksel. c) Block Size = W x W , dengan nilai W=16. d) ∑ sebuah gambar sidik jari adalah 512 / 16 = 32 blok setiap arah (direction). e) Dengan demikian , terdapat 32 blok pada arah sumbu x ( x-direction) dan 32 pada arah sumbu y ( y-direction) gambar sidik jari, dengan total keseluruhan 32 x 32 =1024 blok pada sebuah gambar sidik jari . Secara rinci berbagai tahapan dalam algoritma ekstraksi fitur akan diuraikan dalam bagian ini.

Gambar 6. Bagan algoritma ekstraksi minutiae A. Invert/Negasi Tahap invert ini mebalikkan derajat keabuaabuan gambar setiap pikselnya. Negatif dari sebuah gambar dengan abu-abu tingkat dalam rentang [0, 255] diperoleh dengan transformasi negatif yang ditunjukkan pada gambar yang ditunjukkan pada gambar ke kanan yang diberikan oleh notasi: Gambar negasi = 255 – Gambar awal


28


B. Normalisasi Tahap normalisasi ini merupakan sebuah proses enhancement image. Proses normalisasi ini digunakan untuk menstandarisasi nilai intensitas sebuah gambar dengan cara menyesuaikan range dari skala keabuan (greyscale value) pada sebuah piksel i,j . Nilai normal image didefenisikan sebagai berikut: √ (

( (

)

)

(

)

) √

{

( (

)

)

Dimana, M : nilai mean ; V : varians dari image (i,j) ; Mo : nilai mean yang diinginkan; Vo : nilai varians yang diinginkan. Namun, pada penelitian ini digunakan nilai Mo dan Vo bernilai 100 (Chama, 2003). C. Smoothing Untuk pengolahan citra digital, zero mean Gaussian dua variabel dinyatakan oleh persamaan berikut: (

)

dimana x dan y adalah posisi kordinat pada sumbu x dan y. Persamaan inilah yang dipakai sebagai dasar untuk menentukan nilai-nilai setiap elemen dalam filter Gaussian yang akan dibuat. Untuk memudahkan perhitunga komputer, nilai nilai pembobotan harus dibuat bulat sebab intensitas piksel dalam citra digital bernilai bulat. Filter Gaussian bekerja dengan cara konvolusi atau korelasi. C. Binerisasi Binarisasi adalah proses mengkonversi sebuah gambar greyscale menjadi sebuah gambar biner. Proses ini memperbaiki kontras antara ridge dan valley gambar sidik jari ,serta tentu saja memudahkan proses ekstraksi minutiae. Salah satu propertis yang berguna dari Gabor filter adalah DC komponen dari 0, yang berarti hasil image yang difilter mempunyai sebuah nilai mean

piksel sama dengan 0. Proses binarisasi image dapat menggunakan sebuah Global Threshold bernilai 0. D. Thinning Thinning atau penipisan adalah sebuah Morphological Operation yang cara kerjanya mengikis /menipiskan piksel foreground menjadi selebar 1 piksel saja. Algoritma thinning yang digunakan dalam penelitian ini adalah Zhang – Suen Thinning Algorithm. Metode yang digunakan dalam ekstraksi minutiae ini adalah konsep Crossing Number (CN). Metode ini menggunakan gambar skeleton sidik jari dengan pola yang digunakan adalah 8 piksel yang bertetanggaan. Minutiae diekstrak dengan pemrosesan daerah lokal piksel ridge yang bertetanggaan (neighbourhood) menggunakan ukuran blok 3 x 3. Kemudian nilai CN dihitung , nilai CN tersebut didefenisikan sebagai setengah jumlah dari selisih antara pasangan piksel yang sedang dihitung dari ke 8 piksel yang bertetanggaan tersebut. Propertis nilai CN dapat berarti sebuah ridge ending atau bifurcation III.2. ALGORITMA VOTING FEATURE INTERVALS 5 (VF15) VFI5 merupakan algoritma klasifikasi yang memberikan deskripsi melalui sekumpulan interval fitur. Algoritma VFI5 ini terdiri dari dua langkah yakni tahap pelatihan (Training) dan tahap Klasifikasi (Classification). Klasifikasi dari sebuah instance baru didasarkan pada vote di antara klasifikasi yang dibuat oleh nilai dari tiap fitur secara terpisah. VFI5 merupakan algoritma supervised learning yang bersifat nonincremental, sehingga, seluruh contoh dalam data training diproses sekali dalam satu waktu. Tiaptiap contoh training direpresentasikan sebagai nilai-nilai fitur vektor nominal (diskrit) atau linear (continue), disertai dengan label yang menunjukkan kelas contoh. Dari data training, algoritma VFI5 membentuk interval untuk tiap fitur. Suatu interval bisa berupa interval titik atau selang (range). Interval selang didefinisikan sebagai sekumpulan nilai yang berurutan dari fitur yang diberikan, sedangkan interval titik didefinisikan sebagai fitur bernilai tunggal. Untuk


29


interval titik, hanya sebuah nilai yang digunakan untuk mendefinisikan sebuah interval. Untuk tiap interval, diambil sebuah nilai tunggal yang merupakan vote dari tiap-tiap kelas dalam interval tersebut. Oleh karena itu, sebuah interval dapat merepresentasikan beberapa kelas dengan menyimpan vote dari tiap-tiap kelas (Güvenir, 1998). Kelebihan algoritma VFI5 adalah prediksi yang akurat, pelatihan dan waktu yang dibutuhkan untuk melakukan klasifikasi cukup singkat, bersifat robust terhadap training dengan data yang memiliki noise dan nilai fitur yang hilang, dapat menggunakan bobot fitur, serta dapat memberikan model yang mudah dipahami manusia (Güvenir, 1998). Penghitungan tingkat akurasi diperoleh berdasarkan data pengujian. Tingkat akurasi diperoleh dengan rumus tingkat_akurasi: ∑ ∑ Tingkat akurasi menunjukan tingkat kebenaran pengklasifikasian data terhadap kelas yang sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%.Tingkat akurasi dihitung, baik bagi data hasil klasifikasi VFI5 murni dan data hasil klasifikasi VFI5 yang telah mengalami penyesuaian metode. Tingkat akurasi inilah yang menjadi perbandingan tingkat kinerja antara data klasifikasi VFI5 murni dan data klasifikasi VFI5 dengan penyesuaian metode (Fathoni Arief Musyaffa, 2009).

DAFTAR PUSTAKA [1] Thai, Raymond., 2003, Fingerprint Image Enhancement and Minutiae Extraction, Honours Programme of the School of Computer Science and Software Engineering, Western Australia University. [2] Chama, Nimitha., 2003, Fingerprint Image Enhancement And Minutiae Extraction, Departement of Electrical and Computer Engineering, Clemson University.

[3] Demiroz, G., and Guvenir, H.,A., 1998, Classification by Voting Feature Intervals, Department of Computer Engineering and Information Science, Bilkent University. [4] Elvayandari, 2002, Sistem Keamanan Akses Menggunakan Pola Sidik Jari Berbasis Jaringan Saraf Tiruan, Intitut Teknologi Bandung. [5] Indrianie, Efnie.,M. Psi., http://www.frisianflag.com/en/ruangmedia/media-coverage/3910-lihat-potensianak-lewat-tes-sidik-jari?format=pdf ( Didownload pada jumat, 23 Maret 2011). [6] Kizler, Nazli., 2002, Benefit Maximazing Classification Using Feature Intervals, Departement of Computer Engineering and Science, Bilkent University. [7] Musyaffa, F., A., 2009, Pengenalan Tanda Tangan dengan Algoritme VFI5 Melalui Praproses Wavelet, Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. [8] Niki, Ng., Dermatoglyphics Multiple Intelligence Test, http://ngniki.blogspot.com/ ,2009. [9] Ratha, K., Chen, S., dan Jain, K., A., 1995, Adaptive Flow Orientation Based Feature Extraction in Fingerprint Images, Department of Computer Science, Michigan State University. [10] Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, O., K., dan Wijanarto, 2009, Teori Pengolahan Citra Digital, Andi Publishing. [11] Bahera, Seta., 2009, Eksplorasi Metode Penentuan Nilai End Point Pada Algoritma Voting Feature Intervals 5, Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. [12] Zhang,T.,Y dan Suen,C.,Y., 1984, A fast Parallel Algorithm for Thinning Digital Patterns, Communication of the ACM.


30

PENGENALAN POTENSI ANAK MELALUI SIDIK JARI MENGGUNAKAN ALGORITMA VOTING FEATURE INTERVALS 5 (VFI5)

Recommend Documents