Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
PERBANDINGAN PERFORMA SEGMENTASI CITRA SIDIK JARI MENGGUNAKAN DETEKSI TEPI METODE SOBEL DENGAN METODE CANNY Sila abdullah syakry1, Muhammad Syahronir2, Mulyadi3 Program Studi Teknik Informatika, Jurusan Teknologi Informasi dan Komputer, Politeknik Negeri Lhokseumawe, Jalan Banda Aceh-Medan Km. 280,3 Buketrata, Lhokseumawe, 24301 PO.BOX 90 Telp. (0645) 42670, 42785 Fax 42785, Indonesia E-mail :
[email protected] ,
[email protected],
[email protected]
ABSTRAK Teknologi Identifikasi citra sidik jari banyak digunakan diberbagai bidang kehidupan manusia.. Pada proses identifikasinya banyak kendala yang dihadapi, diantaranya proses pembacaan luas daerah citra sidik jari yang akan di pisahkan antara foreground (ridge) dan background (valley) dari daerah yang ditangkap oleh mesin fingerprint secara keseluruhan. Disini permasalahan yang timbul yakni memisahkan antara citra sidik jari dengan yang bukan bagian dari citra sidik jari ketika proses pengambilan citra sidik jari. Banyak cara untuk proses pemisahan (segmentasi), diantaranya menggunakan metode deteksi tepi canny dan metode tepi sobel untuk membatasi daerah yang akan di segmentasi dengan metode morphologi pada pixel citra. Proses pemisahan yang dilakukan pada penelitian ini adalah pembacaan citra (objek citra yang sama), memberikan nilai ambang, deteksi tepi, operasi morphologi, struktur elemen, erosi dan dilasi. Hasil proses segmentasi yang dilakukan pada citra sidik jari terlihat ada perbedaan luas daerah pada citra yang sama dengan pemberian nilai ambang 170, struktur elemen yang digunakan 00 da 900 diperoleh luas daerah citra sidik dengan tepi canny sebesar 21817.43 dan luas daerah dengan tepi sobel adalah 21648.93 dan selisih jarak
9799.41 Kata Kunci : Canny,sobel, deteksi tepi, morphologi, dilasi, erosi.
1. PENDAHULUAN kering yang nantinya dapat menggangu pembacaan jumlah ridge dan terminationnya[3]. Untuk mengetahui jenis gangguan tersebut perlu diklasifikasi kemudian diperbaiki sehingga menjadi normal dengan cara difiltering. Seperti yang dilkakukan untuk proses identifikasi sidik jari sebagai salah satu teknologi biometrik yang paling populer, digunakan dalam penyelidikan kriminal, aplikasi komersial, dan sebagainya, Kinerja sebuah algoritma pencocokan citra (gambar) sidik jari sangat tergantung pada kualitas citra sidik jari masukan. Sangatlah penting untuk mendapatkan citra berkualitas tetapi dalam prakteknya suatu persentase yang signifikan diperoleh bahwa citra berkualitas rendah dihasilkan karena beberapa faktor lingkungan atau kondisi tubuh pengguna [4]. Kualitas citra disebabkan oleh dua hal : (1) banyak minutiae palsu yang mungkin dihasilkan dan (2) banyak minutiae asli yang mungkin diabaikan[5]. Namun untuk pembacaan citra sidik jari perlu ada proses segmentasi antara citra sidik jari dengan yang bukan ketika direkam oleh mesin fingerprint. Masalah yang dihadapi biasanya adalah proses penentuan mana wilayah yang bagian citra sidik jari (region of interest(ROI)) mana yang bukan. Banyak cara untuk proses segmentasi untuk mendapatkan ROI , pada
Salah satu teknologi identifikasi sidik jari yang paling populer adalah biometrik, banyak diterapkan dalam penyelidikan kriminal, aplikasi komersial, dan sebagainya. Sistem keamanan konvensional yang digunakan baik berbasis pengetahuan dengan metode (password atau PIN), dan berbasis-token metode (paspor, SIM, KTP) sangat rentan penipuan karena nomor PIN bisa dilupakan atau di hack dan token bisa hilang, digandakan atau dicuri. Untuk mengatasi kebutuhan yang kuat, dapat diandalkan, dan sangat mudah teridentifikasi, system otentikasi akan selalu memerlukan komponen biometrik[1]. Sidik jari telah digunakan sebagai salah satu pada otentikasi biometrik dan verifikasi yang paling populer karena keakuratan dan keunikan[2]. Semua sisi teknologi kehidupan sudah terus berkembang, teknologi biometrik juga semakin menunjukan eksistensinya dalam mengenali ragam karakterisasi Proses verifikasi dan identifikasi sidik jari tergantung bagaimana kondisi citra sidik jari tersebut dibaca oleh mesin citra sidik jari. Banyak jenis gangguan yang melekat pada sidik jari seseorang diantaranya minyak, kotor,
35
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
penelitian ini menggunakan metode deteksi tepi canny dan metode deteksi tepi sobel dengan morphologi sebagai analisis bentuk dalam citra atau suatu proses dalam pengolahan citra, yang dimaksudkan untuk memberikan pendekatan morfologi secara matematis, kemudian diimplementasikan pada sebuah citra, dan digunakan untuk mengekstraksi komponen citra.
Metode canny yang dikemukakan oleh John Canny pada tahun 1986, terkenal sebagai operator deteksi tepi yang optimal. Algoritma ini memberikan tingkat kesalahan yang rendah, melokalisasi titik-titik tepi (jarak piksel-piksel tepi yang ditemukan deteksi dan tepi yang sesungguhnya sangat pendek), dan hanya memberikan satu tanggapan untuk satu tepi. Canny adalah algoritma deteksi tepi yang banyak digunakan dalam berbagai penelitian karena dinilai sebagai algoritma deteksi tepi yang paling optimal. Langkah awal pada algoritma Canny adalah penerapan tapis Gaussian pada citra untuk menghilangkan derau
Permasalahan dalam menentukan region of interestnya dengan membandingkan 2 metode deteksi tepi ini adalah sebagai berikut : a. Menentukan tepi yang termasuk wilayah citra sidik jari . b. Membaca luas daerah citra sidik jari
2.
Metode Sobel merupakan pengembangan metode robert dengan menggunakan filter HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan deteksi tepi. Kernel filter yang digunakan dalam metode Sobel ini adalah:
TINJAUAN PUSTAKA
Sidik jari merupakan tanda identitas biometrik tertua. Bagian dalam permukaan tangan dari ujung jari ke pergelangan tangan berisi pola garis pada kulit, dengan alur/kerutan antara masing-masing pola garis. Sebuah citra ridge biner adalah citra di mana semua piksel ridge dengan nilai satu dan lembah piksel dengan nilai nol. Namun, setelah menerapkan algoritma ekstraksi ridge pada gambar gray-level asli, informasi tentang struktur ridge benar sering hilang tergantung pada kinerja algoritma ekstraksi ridge. Karena itu, peningkatan gambar ridge biner memiliki keterbatasan inheren. Dalam gambar sidik jari gray-level, pegunungan dan lembah di lingkungan lokal membentuk gelombang pesawat sinusoidal berbentuk yang memiliki frekuensi yang terdefinisi dengan baik dan orientasi[7].
Operasi Morfologi : Secara umum, pemrosesan citra secara morfologi dilakukan dengan cara mempassing sebuah structuring element terhadap sebuah citra dengan cara yang hampir sama dengan konvolusi. Structuring element dapat diibaratkan dengan mask pada pemrosesan citra biasa (bukan secara morfologi)
Sebuah citra sidik jari terdiri dari ridge (punggung) dan valley (lembah) sebagaimana pada Gambar 2. Ridge didefinisikan sebagai satu bagian lengkung dan valley adalah wilayah antara dua ridge yang berdekatan. Secara umum, garis-garis hitam berarti ridge dan garisgaris putih berarti valley. Dimana nantinya pada penelitian ini akan dipisahkan antara ridge(foreground) dan valley(background) , citra yang digunakan sudah dalam format grayscale.
Gambar 3. Matrix 3x3 Structuring Element Structuring element dapat berukuran sembarang Structuring element juga memiliki titik poros (disebut juga titik origin/ titik asal/titik acuan) Contoh structuring element seperti objek S dengan titik poros di (0,0) -> warna merah
Gambar 2. Ridge dan Valley pada Sidik Jari
36
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
Operasi morfologi yang dapat dilakukan diantaranya : Dilasi, Erosi Opening, Closing Thinning, shrinking, pruning, thickening, skeletonizing dll
Algoritma mencari luas sebagai berikut[12] Masukan: f (m,n): Citra masukan berukuran M baris dan N kolom Keluaran: luas luas 0 FOR p = 1 to m FOR j = 1 to n IF piksel(p, q) dalam objek luas luas + 1 END-IF END-FOR END-FOR
Dilasi Dilasi merupakan proses penggabungan titik-titiklatar (0) menjadi bagian dari objek (1), berdasarkan structuring element S yang digunakan. Cara dilasi adalah: – Untuk setiap titik pada A, lakukan hal berikut: – letakkan titik poros S pada titik A tersebut – beri angka 1 untuk semua titik (x,y) yang terkena / tertimpa oleh struktur S pada posisi tersebut
Pada penelitian ini akan di cari luas total citra sidik jari, luas ridge(hitam), luas valley(putih) dengan persamaan berikut: L_Pix_Putih = LTot_Sdk - L_Pix_Hitam
Erosi :
3. METODE YANG DILAKUKAN N Flowchat ini menjelaskan bagaimana proses klasifikasi pada citra yang pertama dilakukan adalah mengumpulkan citra sidik jari 1088 .Gambar 1 berikut ini.
Erosi merupakan proses penghapusan titik-titik objek (1) menjadi bagian dari latar (0), berdasarkan structuring element S yang digunakan. Cara erosi adalah: – Untuk setiap titik pada A, lakukan hal berikut: letakkan titik poros S pada titik A tersebut jika ada bagian dari S yang berada di luar A, maka titik poros dihapus / dijadikan latar. Opening :
Opening adalah proses erosi yang diikuti dengan dilasi. Efek yang dihasilkan adalah menghilangnya objek-objek kecil dan kurus, memecah objek pada titik-titik yang kurus, dan secara umum men-smooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan
Gambar 4. Flowchat keseluruhan sistem
4.
HASIL DAN PEMBAHASAN
4.1 BINERISASI
Closing : Closing adalah proses dilasi yang diikuti dengan erosi. Efek yang dihasilkan adalah mengisi lubang kecil pada objek, menggabungkan objek-objek yang berdekatan, dan secara umum mensmooth-kan batas dari objek besar tanpa mengubah area objek secara signifikan
4.1 Input Citra Citra digital yang digunakan citra sidik jari dengan format ‘bmp’ dengan model warna graycale. Jumlah citra yang digunakan sebanyak 1088 pose citra sidik jari dengan properties 108 x 154 uint8 . Contoh citra yang digunakan seperti yang ditunjukan oleh gambar 6 berikut:
Luasan Pixel Luasan pixel adalah seberapa besar nilai pixel dalam sebuah region yang akan di gunakan dalam pembacaan citra .
37
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
meningkatkan penampakan pada garis batas yang ada pada objek ini ditunjukan pada gambar 9.
...
Citra test1
Citra Test1087
Citra Test1088
Gambar 5. Citra sidik jari yang di teliti
Gambar 8. Citra sidik jari dengan deteksi tepi canny dan sobel 4.4 Operasi dilasi dengan Struktur Element
Gambar 6. Citra sidik jari dengan data pixel
3.2 Binerisasi dengan Thresholding Sebelum proses segmentasi dengan morphologi disini diberikan nilai threshold 170 yang menjadi nilai ambang binernya. Hasil binerisasi seperti gambar 8 berikut:
Gambar 9. Citra sidik jari dengan dilasi menggunakan se900 dan Se00 Pada operasi ini terlihat bahwa citra sidk jari masih terdapat pixel-pixel noise yang dianggap sebagai ganguan sehingga nanti mempengaruhi proses pembacaan pixel foreground dan background..
4.5. Imfill dengan Dilasi operasi Holes
Gambar 7. Citra sidik jari dengan data pixel (Biner dengan nilai threshold 170)
4.3 Deteki Tepi Canny Dan deteksi Tepi Sobel a b Gambar 9. Citra sidik jari dengan dilasi menggunakan operasi holes a)canny b) sobel
Proses deteksi tepi memlih citra biner dengan nilai T=170 dengan operator canny/ sobel bertujuan untuk
38
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
Dari gambar 10 terlihat kondisi citra yang berada di dalam pada gambar 9 sudah tidak terlihat atau sudah terhapus ini akibat dari operasi dilasi Proses menambahkan piksel pada batasan objek dalam citra sidik jari sehingga apabila dilakukan operasi maka citra hasilnya akan lebih besar ukurannya dibandingkan dengan citra aslinya yang diikuti dengan operasi holes kemudian di imfillkan 4.6 Erode dengan strel diamond c Dengan menggunakan operasi erode dan strel diamond makan gambar citra tepinya dihaluskan mengikuti bentuk kontur piksel disekitarnya. Proses ini akan membuat ukuran sebuah citra menjadi lebih kecil. Erotion akan memindahkan piksel pada batasanbatasan objek yang akan di erotion. Pada dilation ataupun erotion, jumlah piksel yang ditambah atau dihilangkan bergantung pada ukuran dan bentuk structuring element Diamond yang digunakan untuk memproses citra sidik jari.
4.7 Region Yang terpilih (ROI)
d
Setelah bebrapa proses yang dilewati maka terpisahlah antara citra sidik jari dengan yang bukan citra sidik jari. Dari gambar 12 terlihat lingkup wilayah yang akan dibaca untuk mengetahui berapa besar luas piksel citra sidik jari telah terdefenisi ini bisa dilihat dengan tanda garis biru sebagai batas citra sidik jari. Untuk Gambar 10.c dan d wilayah citra asli dengan format grayscale juga bisa ditandai dengan garis pembantas yang menyatakan wilayah citra sidik jari yang akan diproses untuk mengetahui besar luasan hitam dan luasan putih.
Gambar 10. Region of Interest untuk pembaca citra sidik jari a dan c canny, b dan d sobel 4.7 Luas citra sidik Jari Setelah dilakukan segmentasi diperoleh nilai rata luas citra sidik jari untuk sebanyak 1400 pose dengan ukuran citra 208x154 pixel, pemberian nilai ambang 170, struktur elemen yang digunakan 00 da 900 diperoleh rata-rata luas citra sidik jari 26734.99 pixel. Seperti yang ditunjukan Tabel 1 Berikut
Tabel 1. Test citra sidik jari sebanyak 1400 pose metode sobel
a
-----------------------------------------------------------File LTot_Sdk L_Pix_Hitam L_Pix_Putih -----------------------------------------------------------test(1) 24601 13149 11452 test(2) 28770 16175 12595 test(3) 25917 13548 12369 test(4) 26431 13532 12899 test(5) 27423 13911 13512 ... ... ... ... ... ... ... ... ... ... ... ...
b
39
Jurnal Infomedia Vol.1 No.2 Desember 2016 | ISSN: 2527-9858
test(1396) test(1397) test(1398) test(1399) test(1400) rata-rata
18938 26147 26517 17891 20613 21648.93
11016 15812 14698 9862 11350
7922 10335 11819 8029 9263
mampu memisahkan antara foreground (hitam/ridge) dan Background (putih/valley) .
DAFTAR ACUAN [1] Mary Lourde R, Dushyant Khosla: Fingerprint Identification in Biometric Security Systems. International Journal of Computer and Electrical Engineering, Vol. 2, No. 5, ( 2010) [2] Bhuyan M H , D K Bhattacharyya.: An Effective Fingerprint Classification and Search Method. IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.11,( 2009) [3] L.C. Jain, U. Halici, I. Hayashi, S.B. Lee, S. Tsutsui : Intelligent Biometric Techniques in Fingerprint and Face Recognition, CRC Press, USA, (1999). [4] Syam Rahmat, Hariadi Mochamad, Purnomo Mauridhi Hery : Penentuan Nilai Standar Distorsi Berminyak Pada Akuisisi Citra Sidik Jari. Makara, Teknologi, Vol. 15, No. 1, (2011) [5] Kumaseh Max R, Latumakulita Lr,Nainggolan N : Segmentasi Citra Digital Ikan Menggunakan Metode Thresholding. Jurnal Ilmiah Sains Vol. 13 No. 1, (2013) [6] Purba, D.. Pengolahan Citra Digital. Andi, Yogyakarta. (2010) [7] Naja M I, Rajesh R : Fingerprint Image Enhancement Algorithm and Performance Evaluation. International Journal of Innovative Research in Computer and Communication Engineering. Vol. 3, Issue 1, (2015). [8] Destyningtias B., Heranurweni S. T. Nurhayati.: Segmentasi Citra Dengan Metode Pengambangan. Jurnal Elektrika. Vol.2, No.1,( 2010) [9] Munir, R. : Pengolahan Citra Digital. Informatika. Bandung. (2004) [10] Prasetyo, E.: Pengolahan Citra Digital Dan Aplikasinya Menggunakan Matlab. Andi, Yogyakarta.(2011) [11] Gonzalez, R.C.; Woods, R.E.. Digital Image Processing. Prentice Hall. (2002) [12] Kadir, Abdul, Sushanto adhi : Teori dan Aplikasi Pengolahan Citra, Andi Publisher (2013)
9967.904 11681.03
Tabel 2. Test citra sidik jari sebanyak 1400 pose metode Canny
-----------------------------------------------------------File LTot_Sdk L_Pix_Hitam L_Pix_Putih -----------------------------------------------------------test(1) 24680 13149 11531 test(2) 28899 16175 12724 test(3) 25961 13548 12413 test(4) 26454 13532 12922 test(5) 27550 13911 13639 ... ... ...
... ... ...
... ... ...
test(1396) test(1397) test(1398) test(1399) test(1400)
18969 26147 26552 17899 20644
Rata-rata
21817.43
Keterangan : LTot_Sdk L_Pix_Hitam L_Pix_Putih
5.
11016 15812 14698 9862 11350 9967.904
... ... ... 7953 10335 11854 8037 9294 11849.52
= Luas Total Sidik Jari = Luas Pixel Hitam(ridge) = Luas Pixel Putih (valley)
SIMPULAN
Hasil proses segmentasi yang dilakukan pada citra sidik jari (data Primer) sebanyak 1088 pose citra sidik jari dengan ukuran citra 208x154 pixel, pemberian nilai ambang 170, struktur elemen yang digunakan 00 da 900 diperoleh rata-rata luas citra sidik jari dengan sobel 21648.93 pixel, rata-rata luas pixel hitam 9967.904 dan rata-rata luas pixel putih adalah 11681.03. sedangkan rata-rata luas citra sidik jari dengan canny 21817.43 pixel, rata-rata luas pixel hitam 9967.904 dan rata-rata luas pixel putih adalah 11849.52. Penggunaan metode deteksi sobel jika dibandingkan dengan canny terdapat selisih pembacaan luas daerah yakni sebesar 9799.41 dan operasi morphologi
40
