SISTEM IDENTIFIKASI BERDASARKAN CIRI GARIS-GARIS UTAMA TELAPAK TANGAN MENGGUNAKAN METODE OVERLAPPING BLOCK Ilham Mughni ), Maman Somantri ) , Rizal Isnanto ) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro Jl. Prof. Sudharto, Tembalang, Semarang, Indonesia Email :
[email protected]
ABSTRACT Conventional identification techniques for identifying a person's identity using a password or cards, are not reliable enough, because the security system is impenetrable when the password and the card is used by unauthorized users.Therefore, many systems are developed for identifying the unique characteristics of human body. The systems are called biometrics systems. Based on that reason, in this research an identification system had done based on the characteristics of human nature, which called the palmprint. The palmprint identification system is the process of palms matching were tested with the entire palmprints that have been registered on the database. The result is an identity from palmprint. This system consists of software with a webcam as input to generate the input image. In this system, feature extraction uses detection of the principal-line features and then the image is devided into blocks and form a feature vector of palmprint. The process of feature extraction starts with the hand lines acquisition which plays an important role towards the success of identification. The system created was tested using 90 images from 30 individuals’s hand, for which from individual person, three samples of palmprint were acquired. Two of three palmprint samples were used as test images and the rest is used as the reference image. From the test results, it can be concluded that the system of identification based on palm lines has a high performance, with the successful recognition of the palms of the tested beam was 100% either by using test images palms which have been trained and the test images outside. System is only capable provide 30% success rate if the room is changed its light intensity and the recognition rate of 40% when the distance between camera and palm is changed. Whereas, optimal palm recognition is achieved when the distance between camera and palm is 20 cm, with the minimum of energy light is 20 watt from tubular lamp in the room. Keywords: conventional, identification, biometric, line detection, Euclidean distance
informasi. Salah satu bidang yang menggunakan pengolahan citra yang saat ini banyak dikembangkan adalah biometrik, yaitu bidang yang mempelajari bagaimana dapat mengidentifikasi ciri unik yang ada pada tubuh manusia. Teknik identifikasi konvensional untuk mengenali identitas seseorang dengan menggunakan kartu identitas seperti pada sistem keamanan penitipan barang, dinilai tidak cukup dapat diandalkan. Hal ini karena terdapat kemungkinan kartu identitas tersebut hilang dan digunakan oleh pengguna yang tidak berwenang. Penggunaan teknik identifikasi konvensional semakin tergantikan oleh teknik identifikasi biometrik. Teknik identifikasi biometrik didasarkan pada karakteristik alami manusia, yaitu karakteristik fisiologis dan karakteristik perilaku seperti wajah, sidik jari, suara, telapak
I. PENDAHULUAN 1.1 Latar Belakang Pengolahan citra merupakan suatu proses yang dilakukan dengan masukan berupa citra dan hasilnya juga berupa citra. Pengolahan citra pada awalnya dilakukan untuk memperbaiki kualitas citra, tetapi dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra, maka pengolahan citra tidak dapat dilepaskan dengan bidang computer vision Pengolahan citra dan computer vision dalam perkembangan lebih lanjut digunakan sebagai pengganti mata manusia, dengan perangkat penangkap citra seperti kamera dan penindai (scanner) dijadikan sebagai mata dan mesin komputer dijadikan sebagai otak yang mengolah 1 1
Mahasiswa Teknik Elektro UNDIP 2 Dosen Teknik Elektro UNDIP
2 tangan, iris dan retina mata, DNA, dan tanda tangan. Berdasarkan hal tersebut diatas, penulis ingin membuat suatu sistem identifikasi yang didasarkan pada karakteristik alami manusia, yaitu telapak tangan. Sistem ini terdiri atas perangkat lunak dengan sebuah webcam sebagai masukan untuk menghasilkan citra masukan. 1.2 Tujuan Tujuan dari tugas akhir ini adalah merancang dan merealisasikan sistem identifikasi berdasarkan ciri garis-garis utama telapak tangan menggunakan kamera-web sebagai penangkap citra dengan komputer sebagai perangkat pemproses data dan menampilkan hasil. 1.3 Batasan Masalah Supaya penelitian ini mencapai sasaran dan tujuannya, maka permasalahan yang ada dibatasi sebagai berikut: 1. Sistem yang dibuat adalah sebuah sistem identifikasi dengan sebuah pasak (pegs) dan kamera-web sebagai masukan untuk menghasilkan citra masukan. 2. Metode yang dipakai untuk proses ekstraksi ciri telapak tangan menggunakan operasi blok secara overlapping. 3. Kamera-web yang digunakan adalah kameraweb dengan antarmuka USB. 4. Desain aplikasi antarmuka menggunakan Borland Delphi 7 dengan tambahan komponen DSPack. II. DASAR TEORI 2.1 Telapak Tangan Berbeda dengan sidik jari dan wajah yang sudah lama diteliti dan digunakan untuk sistem pengenalan diri, telapak tangan (palmprint) merupakan biometrika yang masih relatif baru. Telapak tangan menjadi sangat menarik untuk dikembangkan sebagai biometrika karena memiliki ciri yang lebih banyak dibanding dengan sidik jari dan geometri tangan. Permukaan area telapak tangan yang lebih luas dibandingkan sidik jari diharapkan dapat menghasilkan ciri yang memiliki kemampuan membedakan yang lebih dapat diandalkan. 2.2 Pra Pengolahan 1. Operasi pemotongan Pemotongan (cropping) adalah operasi untuk memotong satu bagian dari citra sehingga diperoleh citra yang berukuran lebih kecil. Rumus yang digunakan untuk operasi ini adalah: x’ = x - xL
untuk x = xL sampai xR
(1)
y’ = y - yT untuk y = yT sampai yB
(2)
(xL, yT) dan (xR, yB) masing-masing adalah koordinat titik pojok kiri atas dan pojok kanan bawah bagian citra yang akan dipotong seperti ditunjukkan pada Gambar 1.
Gambar 2.1 Koordinat titik pojok bagian bawah citra yang akan dipotong
Akibat pemotongan, menjadi:
ukuran
citra
h’ = yB - yT
berubah
(3)
Transformasi baliknya adalah x = x’ + xL untuk x’=0 sampai w’-1 y = y’+yT untuk y=0 sampai h’-1
(4) (5)
2. Aras Keabuan Aras keabuan adalah proses perubahan nilai piksel dari warna (RGB) menjadi gray-level atau grayscale. Proses grayscaling dilakukan dengan meratakan nilai piksel dari 3 nilai RGB menjadi 1 nilai. Untuk memperoleh hasil yang lebih baik, nilai piksel tidak langsung dibagi menjadi 3 melainkan terdapat persentasi dari masing-masing nilai. Salah satu persentasi yang sering digunakan adalah 29,9% dari warna merah (Red), 58,7% dari warna hijau (Green), dan 11,4% dari warna biru (Blue). Nilai piksel didapat dari jumlah persentasi 3 nilai tersebut. 3. Normalisasi intensitas Normalisasi intensitas digunakan untuk mengurangi ketidaksempurnaan gambar akibat adanya derau (noice) maupun ketidakseragaman pencahayaan. Proses normalisasi dilakukan terhadap setiap piksel pada citra (pixel wise operation). Metode operasi piksel yang digunakan adalah sebagai berikut :
′( , ) =
dengan
+ , − ,
( , )>
(6)
3
=
{ ( , )
}
(7)
dengan I’ adalah citra hasil, I adalah citra asal, ϕ dan ρ adalah rata-rata dan varian citra asli, serta ϕd dan ρd merupakan rata-rata dan varian citra hasil yang diinginkan.
blok dengan blok lain yang saling berdampingan terdapat sejumlah piksel yang saling tumpang tindih. Sedangkan pada pembagian blok yang tidak saling tumpang tindih (non-overlapping), piksel suatu blok dengan blok yang lain tidak saling tumpang tindih. Gambar 3 menunjukkan pembagian blok secara tumpang tindih dan tidak saling tumpang tindih. Daerah abu-abu pada gambar menunjukkan bagian yang saling tumpang tindih.
2.3 Ekstraksi Ciri 1. Deteksi Garis Deteksi garis (line detection) digunakan untuk mendeteksi garis-garis dalam sebuah citra, dalam hal ini garis telapak tangan. Untuk mendeteksi garis digunakan 4 mask, seperti ditunjukkan pada Gambar 2. (a)
(b)
Gambar 2.3 (a) Pembagian blok yang saling tumpang tindih. (b) pembagian blok tidak saling tumpang tindih
Horisontal 0(mask1)
45(mask2)
Sistem yang dibuat dapat memilih apakah akan menggunakan blok tumpang tindih (overlapping) atau tidak tumpang tindih (nonoverlapping). Vektor ciri dari blok yang dibentuk dengan menghitung nilai standar deviasi setiap blok. Nilai standar deviasi dapat dihitung dengan persamaan berikut : ∑
= Vertikal 90 (mask3)
(
− )
(8)
135(mask4)
Gambar 2.2 Masking dengan arah 0, 45, 90, 135
Jika mask pertama digerakkan mengelilingi citra maka akan menghasilkan lebih dekat garisgaris (ketebalan satu piksel) dengan arah horisontal. Dengan latar belakang yang konstan, respon maksimum akan dihasilkan ketika garis dilewati baris tengah dari mask. Dengan cara yang sama, mask yang kedua pada gambar akan memberikan respon terbaik untuk garis yang diarahkan 45, mask yang ketiga untuk garis-garis vertikal dan mask yang keempat untuk garis-garis dengan arah -45. Arah ini dapat juga ditentukan dengan mencatat arah yang ditawarkan oleh mask, diberi bobot dengan koefisien yang lebih besar dari kemungkinan arah lain. 2. Operasi blok (block processing) Terdapat 2 jenis pembagian blok yaitu pembagian blok yang saling tumpang tindih (overlapping) dan pembagian blok yang tidak saling tumpang tindih (non-overlapping). Pada pembagian blok yang saling tumpang tindih, suatu
Dengan menyatakan nilai rata-rata yang dapat dihitung dengan rumus =
∑
(9)
Dengan M menyatakan jumlah seluruh piksel pada setiap blok dan x adalah nilai dari piksel. Vektor ciri yang didapat dari persamaan diatas dapat dibentuk dengan cara sebagai berikut : = ( 1, 2, 3, … …
)
(10)
Dengan menyatakan nilai standar deviasi blok ke i, dan N menyatakan jumlah seluruh blok. 2.4 Pencocokan dengan Jarak Euclidean ternormalisasi Hasil dari operasi blok akan menghasilkan vektor ciri. Untuk membandingkan tingkat kemiripan vektor ciri antara citra uji dan citra pelatihan digunakan perhitungan jarak terdekat (jarak Euclidean ternormalisasi) vektor ciri citra.
4 Persamaan jarak Euclidean ternormalisasi adalah sebagai berikut: ̅( , ) =
∑(
− ̅ )
(11)
Dengan =
‖ ‖
, ̅=
(12)
‖ ‖
‖ ‖ disebut norm dari v yang dinyatakan sebagai : ‖ ‖=
∑
(13)
Dengan u, dan v adalah vektor ciri citra pelatihan dan vektor ciri citra uji. ̅( , ), maka Semakin kecil skor semakin mirip kedua vektor fitur yang dicocokkan. Sebaliknya, semakin besar skor ̅ ( , ) maka semakin berbeda kedua vektor fitur tersebut. Sifat dari jarak Euclidean ternormalisasi adalah hasilnya berada pada rentang 0 ≤ ̅ ( , ) ≤ 2.
III. PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Rancangan perangkat keras sistem identifikasi telapak tangan mengikuti rancangan pada Gambar 4.
data dan menampilkan hasil identifikasi. Basis data yang digunakan adalah Ms.Acces 2007. Pada sistem identifikasi ini masukan yang diperlukan adalah berupa citra telapak tangan dari pengguna dan keluaranya adalah identitas dari pengguna tersebut. Sistem identifikasi telapak tangan terdiri dari dua bagian, yaitu bagian untuk pelatihan dan bagian untuk identifikasi. Bagian pelatihan berguna untuk mendaftarkan pengguna pada sistem basis data beserta ciri (karakteristik) biometrika telapak tangan pengguna. Sedangkan bagian identifikasi berguna untuk membandingkan ciri telapak tangan pengguna dengan ciri yang telah disimpan pada basis data. 1. Algorima proses pelatihan Proses pelatihan merupakan proses pendaftaran (enrollment) ciri telapak tangan pengguna ke sistem untuk membangun basis data acuan (referensi). ciri yang diperoleh merupakan hasil proses ekstraksi ciri citra telapak tangan. Diagram alir proses ekstraksi ciri dapat dilihat pada Gambar 5. Mulai
Capture (Input citra tangan)
Pemotongan citra
20 cm
B
30 cm
C
Konversi ke citra beraras keabuan (grayscale)
Normalisasi
(a)
(b)
Gambar 3.1 Desain sistem identifikasi telapak tangan (a) tampak samping, (b) tampak atas
Rancangan perangkat keras dari sistem identifikasi telapak tangan terdiri dari (A) kameraweb, (B) Papan hitam dan (C) Pasak (Pegs). Jarak kamera-web dengan papan hitam 20 cm dengan pegs dikondisikan agar tangan tidak berubah posisi. Ukuran papan hitam adalah 30 x 20 cm. 3.2 Perancangan Perangkat Lunak Aplikasi antarmuka sistem dibuat dengan menggunakan Delphi 7. Aplikasi antarmuka berfungsi menangkap gambar dari kamera-web, memproses gambar, menyimpan data ke basis
Deteksi Garis
Operasi Blok
Keluaran ciri ke file
Selesai
Gambar 3.2 Diagram alir ekstraksi ciri proses pelatihan
5
Proses ekstraksi ciri diawali dengan proses capture citra dari kamera web, kemudian citra dipotong untuk mengambil daerah garis-garis utama telapak tangan. Selanjutnya citra akan diubah menjadi citra keabuan (grayscale). Citra telapak tangan akan dinormalisasi terlebih dahulu sebelum dilakukan proses deteksi garis dan operasi blok. Proses normalisasi bertujuan untuk mengurangi derau dan perbedaan intensitas cahaya pada saat proses pengambilan citra. Hasil dari proses operasi blok berupa matriks berukuran 15 x 15 yang disimpan dalam basis data sebagai matrik fitur telapak tangan acuan. 2. Algoritma proses identifikasi Proses identifikasi merupakan proses utama dari sistem identifikasi telapak tangan. Algoritma proses identifikasi akan menunjukkan bagaimana sistem melakukan proses identifikasi, sehingga dapat menentukan identitas dari telapak tangan yang dijadikan sebagai citra masukkan. Diagram alir dari proses identifikasi dapat dilihat pada Gambar 6.
Gambar 3.3 Diagram alir proses identifikasi
IV. PENGUJIAN SISTEM 4.1 Pengujian dengan citra uji Pengujian sistem dilakukan dengan menggunakan 90 citra milik 30 orang. Setiap orang diwakili 3 sempel citra telapak tangan yang 2 diantaranya digunakan sebagai citra acuan (citra pelatihan), dan 1 sisanya digunakan sebagai citra uji. Parameter yang dihitung dari pengujian ini adalah tingkat keberhasilan sistem dalam mengidentifikasi suatu telapak tangan. Persamaan untuk tingkat keberhasilan adalah. %Keberhasilan =
∑ ∑
x100%
(14)
Berikut adalah hasil pengujian menggunakan 30 citra uji. Tabel 4.1 Hasil Pengujian sistem dengan 30 citra uji Nilai Berkas Dikenali jarak Hasil Citra Sebagai Euclidean Identifikasi
Tangan_1 Tangan_2 Tangan_3 Tangan_4 Tangan_5 Tangan_6 Tangan_7 Tangan_8 Tangan_9 Tangan_10 Tangan_11 Tangan_12 Tangan_13 Tangan_14 Tangan_15 Tangan_16 Tangan_17 Tangan_18 Tangan_19 Tangan_20 Tangan_21 Tangan_22 Tangan_23 Tangan_24 Tangan_25 Tangan_26 Tangan_27 Tangan_28 Tangan_29 Tangan_30
001 003 006 007 009 011 014 016 018 019 021 023 025 028 030 031 034 036 037 039 042 044 045 048 049 052 054 055 057 060
0,2041 0,1634 0,1972 0,2381 0,1979 0,2377 0,2444 0,1898 0,2116 0,2423 0,2406 0,3668 0,2075 0,2303 0,2453 0,211 0,1916 0,1982 0,2354 0,2529 0,2028 0,2323 0,2401 0,2025 0,2282 0,1847 0,1955 0,2117 0,1706 0,1945
Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar
Tabel 4.1 menunjukkan sistem mampu mengenali semua citra telapak tangan dalam keadaan pencahayaan normal. Berdasarkan
6 pengujian diatas diperoleh bahwa sistem ini memiliki kinerja keberhasilan sebesar 100%. 4.2 Pengujian dengan citra luar Untuk dapat melakukan pengujian citra uji luar yang tidak termasuk dalam basis data, digunakan nilai ambang. Tanpa menggunakan nilai ambang, citra luar akan tetap dikenali sebagai salah satu citra dalam basisdata karena proses pengenalannya menggunakan jarak Euclidean yang terdekat atau yang paling kecil. Dalam penentuan nilai ambang dalam tugas akhir ini, digunakan penjumlahan dua parameter statistik, yaitu rerata dan simpangan baku dari hasil pengujian sebelumnya menggunakan citra uji. Nilai ambang dicari dengan penjumlahan antara rerata dan simpangan baku, nilainya adalah 0.219 + 0.0366 = 0.2556. Nilai ambang ini kemudian digunakan untuk citra uji luar, diharapkan nilainnya lebih kecil dari jarak pengujian nilai jarak pengujian tersebut. Pengujian dengan citra uji luar dilakukan dengan 10 citra telapak tangan yang belum pernah terdaftar pada basis data. Hasil pengujian ditunjukkan pada Tabel 4.2. Tabel 4.2 Hasil pengujian dengan citra uji luar. Berkas Citra
Dikenali sebagai
Jarak Euclidean
Hasil
Luar_01 Luar_02 Luar_03 Luar_04 Luar_05 Luar_06 Luar_07 Luar_08 Luar_09 Luar_10
Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali Tidak dikenali
0,3841 0,3518 0,3885 0,3807 0,3573 0,3402 0,4132 0, 3937 0,3560 0,3764
Benar Benar Benar Benar Benar Benar Benar Benar Benar Benar
4.3 Penyebab kegagalan identifikasi. Untuk mengetahui hal-hal apa saja yang mempengaruhi hasil identifikasi telapak tangan, sistem diuji kembali dengan mengubah intensitas cahaya serta jarak antara telapak tangan dengan kamera. 1. Pengaruh Intensitas cahaya terhadap proses identifikasi Untuk melihat bagaimana pengaruh perubahan intensitas cahaya terhadap tingkat keberhasilan identifikasi, sistem diuji kembali menggunakan 10 citra uji dengan kondisi gelap tanpa penerangan lampu. Tabel 4.3 menunjukkan hasil percobaan menggunakan 10 citra tangan dalam kondisi gelap.
Tabel 4.3 Hasil pengujian citra dengan kondisi tanpa penerangan lampu.
Berkas Citra Angga Benardi Cipto U Dinu Y Erward O Ewo T Moh H.A Teguh P Riswan A Putmadiat
Dikenali sebagai 010 012 010 009 053 024 009 039 049 044
Jarak Euclidean 0,3402 0,4261 0,4162 0,353 0,3975 0,3175 0,3743 0,3493 0,4214 0,4131
Hasil Salah Benar Salah Salah Salah Benar Salah Benar salah salah
Berdasarkan Tabel 4.3 diperoleh prosentase keberhasilan sebagai berikut. %Keberhasilan =
∑ ∑
x100%
= x 100% = 30 % Tingkat keberhasilan yang sangat kecil yaitu sebesar 30 % disebabkan intensitas cahaya yang sangat berbeda saat pendaftaran dan pengujian. Perbedaan intensitas cahaya akan mengakibatkan perbedaan saat deteksi garis. Hal ini tentu saja akan mempengaruhi perhitungan blok citra saat ekstraksi ciri sehingga citra uji tersebut akan cenderung mengacu pada citra latih yang memiliki garis yang lebih mirip. 2.
Pengaruh jarak kamera dengan tangan terhadap proses identifikasi Sistem diuji kembali dengan mengubah jarak tangan dengan kamera sebesar 2 cm untuk mengetahui pengaruhnya terdahap hasil identifikasi. Sistem diuji menggunakan 10 citra telapak tangan uji. Tabel 4.4 Hasil pengujian dengan mengubah jarak telapak tangan dengan kamera.
Berkas Citra Cipto I Benardi Damar S Dinu Y Erward O Ewo T Moh H.S Riswan A Putmadiat Teguh P
Dikenali sebagai 044 034 054 042 035 035 005 008 054 010
Nilai Jarak Euclidean 0,3666 0,3812 0,4162 0,3635 0,4201 0,4091 0,3743 0,4304 0,4131 0,3998
Hasil Salah Salah Benar Salah Benar Salah Benar Benar salah Salah
7
Berdasarkan Tabel 4.4 diperoleh prosentase keberhasilan sebagai berikut. %Keberhasilan =
∑ ∑
x100%
= x 100% = 40 % Sistem hanya mampu memberikan tingkat keberhasilan sebesar 40 % apabila jarak telapak tangan dengan kamera diubah. Hal ini disebabkan saat posisi tangan diangkat, pergeseran citra dapat saja terjadi. Posisi telapak tangan yang bergeser akan mengakibatkan pergeseran blok pada saat ekstraksi ciri. Dari beberapa pengujian di atas dapat disimpulkan bahwa penerangan atau intensitas dari lampu harus selalu mirip yaitu dengan penerangan lampu minimal 20 watt di dalam ruangan. Sedangkan jarak optimal pengenalan telapak tangan adalah 20 cm dari kamera. Untuk variasi jarak yang kurang dari itu akan cenderung menghasilkan pengenalan yang salah. V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan penelitian yang telah dilakukan, dapat diambil beberapa kesimpulan, antara lain: 1. Sistem identifikasi garis-garis telapak tangan memiliki unjuk kerja yang tinggi, dengan tingkat keberhasilan pengenalan berkas telapak tangan yang diujikan adalah 100 % untuk kondisi pencahayaan normal dan jarak antara kamera dengan telapak tangan dibuat tetap yaitu 20 cm. 2. Pada pengujian menggunakan 10 citra uji dengan intensitas cahaya yang berbeda, sistem hanya mampu memberikan tingkat keberhasilan 30%. Perbedaan intensitas cahaya akan mengakibatkan perbedaan saat deteksi garis. Hal ini tentu saja akan mempengaruhi perhitungan blok citra saat ekstraksi ciri sehingga citra uji tersebut akan cenderung mengacu pada citra latih yang memiliki garis yang lebih mirip. 3. Sistem hanya mampu memberikan tingkat keberhasilan sebesar 40 % apabila jarak telapak tangan dengan kamera diubah. Hal ini disebabkan saat posisi tangan diangkat, pergeseran citra dapat saja terjadi. Posisi telapak tangan yang bergeser akan mengakibatkan pergeseran blok pada saat ekstraksi ciri. 4. Penerangan atau intensitas cahaya dari lampu harus cukup yaitu dengan penerangan lampu
minimal 20 watt lampu pendar di dalam ruangan. 5. Jarak optimal pengenalan telapak tangan adalah 20 cm dari kamera. Untuk variasi jarak yang kurang dari itu akan cenderung menghasilkan pengenalan yang salah. 5.2 Saran Beberapa saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut. 1. Untuk meningkatkan tingkat akurasi identifikasi sebaiknya menggunakan kamera dengan resolusi lebih tinggi dan memiliki kemampuan autofocus. 2. Perlu penelitian lebih lanjut untuk pengembangan sistem identifikasi telapak tangan dengan berbagai variasi skala, pergeseran, dan perputaran (rotasi) dari objek yang diteliti untuk menghasilkan sistem pengenalan yang dapat diandalkan. 3. Sistem ini dapat dikembangkan lebih lanjut untuk aplikasi tertentu, seperti aplikasi presensi, rekam medis, aplikasi keamanan dan aplikasi lainnya dengan menggunakan telapak tangan sebagai basis biometriknya.
DAFTAR PUSTAKA [1] Ahmad, U., Pengolahan Citra Digital dan Teknik Pemrogramannya, Penerbit Graha Ilmu, Yogyakarta, 2005. [2] Anonim, Line Detection, http://www.cse.unr.edu/ bebis/CS791E/Notes/LineDetection.pdf., 2011. [3] Bong, D.B.L., R.N.Tingang., A.Joseph., Palm Print Verification System, Proceedings of the World Congress on Engineering Vol I, London, U.K., 2010. [4] Fadlisyah, dkk., Model Sistem Informasi Untuk Pengolahan Citra, Diktat Kuliah Unimal, 2005. [5] Fadlisyah, dkk., Pengolahan Citra Menggunakan Delphi., Penerbit Graha Ilmu, Yogyakarta, 2008. [6] Hidayah, N.A., Rekayasa Perangkat lunak Pengolahan Citra dan Analisi Perilaku Intensitas Pixel ROI (Region Of Interest) Citra Radiografi Sinar-x, Skripsi, Jurusan FMIPA Universitas Diponegoro, 2009. [7] Kadir, A., Dasar Aplikasi Database MySQL Delphi, Penerbit Andi, Yogyakarta, 2004. [8] Kumar, A., D.C.M.Won., H.C.Shen., A.K.Jain., Personal Verification Using Palmprint and Hand Geometry Biometric, Clear Water Bay, Hongkong.
8 [9]
Putra, D., Sistem Biometika, Penerbit Andi, Yogyakarta, 2009. [10] Adipranata, R., A, Handojo., I, Prayogo., O.Y.Yuliana., Perancangan dan Pembuatan Aplikasi Segmentasi Gambar dengan Menggunakan Metode Morphological Watershed”, Jurusan Teknik Informatika Universitas Petra, Surabaya, 2005.
BIODATA Ilham Mughni (L2F606036) Dilahirkan di Kabupaten Tegal, Jawa Tengah, pada tanggal 24 Januari 1989. Menempuh pendidikan SDN 1 Randusari, SLTP N 1 Pagerbarang, SMA N 1 Slawi, dan sekarang sedang menempuh pendidikan di Universitas Diponegoro Fakultas Teknik Jurusan Teknik Elektro, Konsentrasi Informatika dan Komputer.
Menyetujui, Pembimbing I
Maman Somantri, S.T., M.T. NIP. 197406271999031002 Tanggal …………………...
Pembimbing 2
R. Rizal Isnanto, S.T., M.M., M.T. NIP. 196907091997021001 Tanggal …………………...
9
