ISBN : 978-602-73865-4-9
SISTEM DETEKSI POLA SEPULUH SIDIK JARI SESEORANG DENGAN MENGGUNAKAN PENGOLAHAN CITRA DAN JARINGAN SYARAF TIRUAN Wiji Lestari Program Studi Sistem Informasi, STMIK Duta Bangsa Surakarta
[email protected].
ABSTRACT
This research has aim to produce for detection system of human ten fringerprints patterns that according to Dermatoglypic. The fringerprints patterns able to use for advanced analysis to biological and psychological characteristics. This research use back propagation algorithm of neural network to identify of fringerprint patterns. Initial processing is used mathematical morphology method before it is detected. The image is changed to digital image and then it is processed by dilation and erotion for enhancement image. The image that as neuron input of back propagation is changed to gray scale and 8 x 8 of size. Training process use 2000 epochs and patterns [200 2 1]. The output result are identification of human ten fringerprints patterns. This research produce identification are whorl, arch, right loop and left loop patterns of fringerprints. The result of research are whorl patterns 51.67%, right loop patterns 23.33% and left loop 18.33%. The accuration of detection system is 93.33%. Keywords :fringerprints, Mathematical Morphology, Dilasion, Erosion, Back Propagation Algorithm, Neural Network PENDAHULUAN Ilmu tentang sidik jari (Dermatoglyphic) sudah berkembang sejak ratusan tahun yang lalu. Penerapan dari disiplin ilmu cukup luas seperti pada militer (peperangan), kepolisian (kriminalitas, detektif dan inteligen), perusahaan/instansi (rekrutmen), serta diterapkan juga pada pemasaran, olahraga, kesenian dan bidang-bidang yang lain. Sistem keamanan biometric memegang peranan penting dalam sistem keamanan (Chiang & Chia, 2008).Para peneliti menemukan bahwa sidik jari memiliki kode genetik yang secara alamiah dapat dihubungkan dengan sel otak dan kecerdasan atau kepribadian seseorang.Tes sidik jari adalah teknik analisis mengidentifikasi pada pola-pola garis sidik jari seseorang yang secara genetik permanen melekat pada seseorang. Setiap pola merupakan penanda akan adanya potensi dan karakteristik diri seseorang yang bersifat bawaan (Abdilah, 2010). Morphology berkaitan dengan bentuk dan struktur suatu objek. Morphology dalam gambar digital dapat diartikan sebuah cara untuk untuk mendeskripsikan atau menganalisa bentuk dari objek digital. Untuk keperluan deskripsi dan analisis objek digital diperlukan suatu alat, yang disebut mathematical morphology (Prasetyo, 2011). Pada penelitian ini, penulis ingin meneliti lebih lanjut tentang software aplikasi untuk identifikasi pola-pola sidik jari seseorang dengan pengolahan citra mathematical morphology yaitu dilasi dan erosi.Untuk deteksi kecocokkan pola sidik jari seseorang digunakan edge detection atau edeteksi tepi.Diharapkan penelitian ini menghasilkan sistem aplikasi identifikasi sidik jari yang murah, efektif dan mudah dalam pemakain.Database pola-pola sidik jari seseorang akan diproses dengan pengolahan citra dilanjutkan dengan metode mathematical morphology. Selanjutnya pola sidik jari akan diidentifikasi dengan metode edge detection. Tujuan penelitian ini adalah membangun sistem deteksi sidik jari seseorang dengan menggunakan metode mathematical morphology dan edge detection.
Prosiding Nasional APIKES-AKBID Citra Medika Surakarta
105
ISBN : 978-602-73865-4-9
KAJIAN LITERATUR Penelitian yang Terkait Penelitian-penelitian yang terkait dengan identifikasi sidik jari cukup banyak.Nikam dan Agarwal (2008) melakukan penelitian tentang Fingerprint Anti-Spoofing Using Ridgelet Transform. Pada penelitian ini citra sidik jari diproses dalam bentuk real dan spoof .Pengukuran tekstur cutra sidik jarinya menggunakan ridgelet energy signature dan ridgelet coocurence signature. Hasil deteksi dan analisis sidik jari diklasifikasikan menggunakan: jaringan syaraf tiruan, support vector machine dan knearest neighbor. Ahmed, et al (2012) melakukan penelitian tentang The Use of Two Transform Methods in Fingerprint Recognition.Pada penelitian identifikasi sidik jari menggunakan dua metode yaitu DCT (Discrete Cosine transform) dan FDCvT (Fast Digital Curvelet Transforms).Mula-mula citra sidik jari sampel di deteksi dan dijadikan acuan untuk testing selanjutnya. Pola sidik jari baru akan diidentifikasi mengacu ke pola sidik jari yang sudah diidentifikasi. Hasil penelitian menunjukkan bahwa identifikasi sidik jari dengan DCT dan FDCvT menghasilkan identifikasi lebih baik 84%. Sagiroglu dan Ozkaya (2009) melakukan penelitian tentang An Intelligent Face Feature Generation System from Fingerprints.Pada penelitian ini mencari hubungan antara deteksi wajah dan sidik jari.Pada penelitian ini digunakan jaringan syaraf tiruan.Hasil yang dicapai dengan mengidentifikasi sidik jari maka wajah seseorang yang diuji dapat ditunjukkan. Ching dan Chia (2008) melakukan penelitian dengan judul A Fingerprints Identification System Based on Fuzzy Encoder and Neural Network. Pada penelitian ini digunakan fuzzy encoder dan algoritma back propagation jaringan syaraf tiruan. Citra sidik jari asli dipraproses dengan normalisasi, kemudian diubah ke skala biner, selanjutnya difilter dengan gabor filter. Setelah praprosesing citra sidik jari kemudian diidentifikasi dengan Fuzzy Encoder dan algoritma Back Propagation. Mathematical Morphology Mathematical morphology adalah tool untuk untuk pengekstrakan komponen citra yang berguna dalam representasi dan deskripsi bentuk daerah, seperti boundaries, skeletons dan convex hull (Prasetyo, 2011).Mathematical morphology dapat diterapkan sebagai langkah awal ataupun akhir dari proses analisis gambar digital untuk jenis gambar biner dan dapat diperluas ke gambar grayscale. Namun, umumnya mathematical morphology biasanya diterapkan pada gambar biner. Suatu gambar digital dapat dipandang sebagai fungsi amplitudo 2D dengan koordinat diskrit.Pada mathematical morphology, suatu gambar digital dinyatakan sebagai himpunan koordinat diskrit (Belaroussi dan Milgram, 2012).Dalam hal ini, himpunan tersebut berhubungan dengan point atau piksel objek pada gambar digital.Karena objek dianggap sebagai suatu himpunan, maka mathematicalmathematical himpunan seperti union, intersection, complement, dan sebagainya dapat digunakan. Algoritma Back Propagation Algoritma Back Propagation atau yang dalam bahasa Indonesia ada yang menerjemahkan dengan propagasi balik, dirumuskan pertama kali oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland. Algoritma ini menggunakan metode pembelajaran Supervised Learning (Kumar, 2003). Algoritma ini dikatakakan Propagasi Balik/Back Propagation karena ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan keluaran.Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Pola Sidik Jari Sidik jari merupakan sesuatu yang unik dan tidak akan berubah seumur hidup kecuali jika luka parah pada jari (Maltoni et all, 2003). Sidik jari merupakan identitas pribadi yang tak mungkin ada yang menyamainya. Jika di dunia ini hidup 6 miliar orang, maka ada 6 miliar sidik jari, belum ditemukan seseorang yang memiliki sidik jari yang sama dengan lainnya. Karena keunikannya tersebut, sidik jari dipakai oleh kepolisian dalam penyidikan sebuah kasus kejahatan (forensik). Makanya pada saat terjadi sebuah kejahatan, TKP akan diclear up dan dilarang bagi siapa saja untuk masuk karena dikhawatirkan akan merusak sidik jari penjahat yang mungkin tertinggal di barang bukti yang ada di TKP. Pola sidik jari dapat dibagi menjadi dua tipe garis yaitu ridge dan valley.Ridge adalah garis yang berwarna gelap, sedangkan valley adalah daerah antara ridge yang terang. Ada tiga jenis sidik jari yaitu Whorl (lingkaran), Loop (sangkutan) dan Arch (busur)
Prosiding Nasional APIKES-AKBID Citra Medika Surakarta
106
ISBN : 978-602-73865-4-9
METODE PENELITIAN Metode penelitian yang dilakukan adalah metode penelitian eksperimen, dengan tahapan penelitian sebagai berikut :
Mulai
Studi Pustaka, Analisis Masalah dan Algoritma
Pengambilan Data Citra
Digitalisasi Data Citra Sidik jari
Pra Prosesing Citra
Analisis dan perancangan sistem
Pemrograman/Coding
Pengujian /Testing Sistem
Implementasi Sistem Deteksi
Selesai
Gambar 1. Diagram Alur Penelitian
HASIL DAN PEMBAHASAN Proses pengolahan citra yang dilakukan adalah mathematical morphologyyaitu dengan menggabungkan kedua metode (dilasi dan erosi). Mula – mula citra sidik jari diolah dengan dilasi dan hasilnya diolah dengan metode erosi. Algoritma Back Propagation sebagai Deteksi Pola Sidik Jari
Prosiding Nasional APIKES-AKBID Citra Medika Surakarta
107
ISBN : 978-602-73865-4-9
Pada proses deteksi pola sepuluh sidik jari citra sidik jari masih diubah dulu ukuran. Mula-mula citra diubah ke matrik 160 x 160 dengan cropping.Selanjutnya diubah dengan ukuran matriknya 8 x 8. Proses ini bertujuan agar citra masukan dapat dijadikan neuron input pada algoritma Back propagation. Citra sidik jari yang telah diubah ukuranya, seperti pada gambar : Citra sidik jari yang telah diubah ke ukuran 8 x 8 dijadikan neuron input untuk algoritma Back Propagation. Pada proses ini citra sidik jari ukuran 8 x 8 di ubah ke gray scale, kemudian nilai-nilai elemen matriknya dijadikan neuron input. Proses awal yang dilakukan adalah proses training jaringan. Disini dipakai 12 input yaitu 3 citra berpola Whorl, 3 citra berpola Arch, 3 citra berpola Right Loop dan 3 citra berpola Left Loop. Target pada training ini adalah vektor : [1 1 1 2 2 2 3 3 3 4 4 4]. Epochs atau iterasi dipilih 2000 karena jaringan telah konvergen.
Gambar 2 Grafik Konvergensi Epochs Hasil Deteksi Pola sidik jari Hasil deteksi pola sepuluh sidik jari ini merupakan lanjutan dari proses testing untuk mengidentifikasi pola citra sidik jari. Tampilan hasil pola sepuluh sidik jari seperti berikut :
Gambar 3. Hasil deteksi Pola Sepuluh Sidik Jari Hasil deteksi pola sepuluh sidik jari berdasarkan proses testing dari algoritma Back Propagation. Hasil deteksi dari 60 sidik jari adalah sebagai berikut : Tabel 2 Distribusi Pola Sidik Jari No
Pola Sidik Jari
Jumlah
Persentasi
Keterangan
1 2 3 4 5
Whorl Right Loop Left Loop Arch Tidak terdeteksi Jumlah
31 14 11 0 4 60
51,67% 23,33% 18,33% 0 6,67% 100%
Pola paling banyak ditemui pada sampel
Tidak ada sampel berpola arch
Dari tabel di atas kelihatan dari 60 sampel pola sidik jari yang dapat diidentifikasi polanya adalah 56 (93,33%) dan yang tidak dapat diidentifikasi 4 sampel (6,67%). Jadi akurasi sistem deteksi pola sidik jari ini bernilai 93,33% dan ralatnya 6,67% atau 0,0667.
Prosiding Nasional APIKES-AKBID Citra Medika Surakarta
108
ISBN : 978-602-73865-4-9
KESIMPULAN 1. Perbaikan citra sidik jari dengan Erosi dan Dilasi yang merupakan Mathematical Morphology dapat memudahkan identifikasi lanjut citra sidik jari. Identifikasi pola-pola sidik jari dapat dilakukan dengan algoritma jaringan Syaraf Tiruan.dengan epochs 2000 serta pola jaringan [200 2 1] 3. Hasil identifikasi pola sidik jari 51,67% berpola Whorl, 23,33% berpola Right Loop, 18,33% berpola Left Loop dan tidak ditemukan pola Arch pada sampel . 4. Akurasi sistem deteksi pola sepuluh sidik jari adalah 93,33% untuk pendeteksian 60 pola sidik jari. 2.
REFERENSI Abdillah, Fikri, 2010, Menyingkap Rahasia Sidik Jari. Ziyad Books, Surakarta. Ahmed, I.T., Al-Rawi,S.S., Ali, K.M. and Hammad, B.T., 2012, The Use of Two Transform Methods in Fingerprints Recognition. Journal of University of Anbar for Pure Science : Vol.6 : N0.2: 2012. Belaroussi, R. and Milgram, M., 2012, A comparative study on face detection and tracking algorithms, Expert Systems with Applications, vol. 39, no. 8, pp. 7158–7164, Jun. 2012. Chatterjay, A., Mandal, S., Rahaman, G.M.A. and Arif A.S.M , 2010, Fingerprint Identification and Verification System by Minutiae Extraction Using Artificial Neural Network. JCIT ISSN 2078-5828 (Print), ISSN 2218-5224 (Online), Volume 01, Issue 01, Manuscript Code : 100703. Ching –Tang Hsieh and Chia-Shing Hu, 2008, A Fingerprint Identifiction System Based on Fuzzy Encoder and Neural network, Tamkang Journal of Science and Engineering, Vol 11, No 4, pp.347355. Fu L., 1994, Neural Network in Computer Intelligence.Singapore : Mc Graw-Hill Gonzales, RC, Richard E. Wood, Digital Image Processing Third Edition, [DIP3rdEd], Pearson Prentice Hall, 2008. Jong, J.S., 2005, Jaringan Syaraf Tiruan Menggunakan Pemrograman Matlab. Yogyakarta: Penerbit Andi Khetri, G., P., Padme, S.L., Ch Jain, D. and Pawar V.P., 2012, Fingerprint Pattern Recognition Using Back propagation Algorithms. International Journal of Electronics and Computer Science Engineering, ISSN -2277-1956/V2N1-pp -225-232. Kumar, Satish, 2005, Neural network : A Classroom Approach. McGraw-Hill Education (Asia). Kusumadewi, S. , 2003, Artificial Intellegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. Maltoni et al, 2003, Handbook of Fingerprint Recognition. New York : Springer Nikam, S. B. and Agarwal, S, 2008. Fingerprint Anti-Spoofing Using Ridgelet Transform. Jurnal IEEE, 978-1-4244-2730-7-08. www.utopia.csispace.edu, diunduh tanggal 6 September 2013. Park, C.H and Park, H, 2005, Fingerprint Clasification using Fast Fourier Transform and Non linear Discriminant Analysis. University of Minnesota, Minneapolis, USA.www. Users.cs.umn.edu/hpark/papers/finger_jrl.pdf, diakses tanggal 10 September 2013. Prasetyo, Eko, 2011, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab, Penerbit Andi, Yogyakarta. Sagiroglu, S. and Ozkaya, N., 2009. An Intelligent Face Feature Generation System from fingerprints. Turk Journal Elec Eng & Comp Sci, Vol.17, No.2, 2009. Sediyono, E., Nataliani, Y., Rorimpandey, C. M., 2009, Klasifikasi Sidik Jari dengan Menggunakan Metode Wavelet Symlet. Jurnal Informatika, Volume 5, Nomor 2, November 2009. Zhang, W.Q. and Schniederjans,M.J., 2004, Neural Network Earning Per Share Forecasting Models: Acomparative Analysis of Alternative Methods. New York: Decision Science.
Prosiding Nasional APIKES-AKBID Citra Medika Surakarta
109
