Setelah data sidik jari didapatkan, maka proses selanjutnya adalah membandingkan data sementara dengan data yang ada pada database. Secara spesifik, konfigurasi global didefinisikan oleh struktur ridge yang digunakan untuk mengklasifikasikan suatu kelas dari sidik jari. Pada saat pendistribusian, titik-titik minutiae digunakan untuk membandingkan atau menyepadankan (match) jarak antara titik pusat sidik jari terhadap titik-titik minutiea dengan pola yang sejenis dan membentuk kesamaan ciri atau pola diantara dua sidik jari sampel. Sistem identifikasi otomatis untuk sidik jari, yang berfungsi membandingkan sidik jari sebagai input dengan sekumpulan data sidik jari dalam suatu database, menyandarkan pada pola-pola ridge didalam suatu citra query untuk membatasi atau menspesifikasi pencarian (searching) didalam suatu database yang merupakan fingerprint indexing dan pada titik-titik minutiae untuk memastikan perbandingan sidik jari yang relevan.
Proses matching dilakukan setelah tahap feature extraction selesai. Pada tahap ini proses pengubahan koordinat relatif (0,0) dilakukan. Hal ini dikarenakan koordinat pada tahap ekstraksi Minutiae adalah koordinat Minutiae berdasarkan titik (0,0) yang berada pada ujung kiri atas. Koordinat (0,0) yang baru adalah koordinat yang didapat dari singular point citra sidik jari pada tahap
pendeteksian tipe sidik jari, dengan demikian posisi koordinat Minutiae tidak akan berubah walaupun terjadi translasi pada sidik jari. Adapun perubahan titik relatif dari Minutiae adalah sebagai berikut :
Keterangan :
Koordinat Minutiae adalah (Xm, Ym) Koordinat Singular Point adalah (Xs, Ys)
Koordinat Minutiae yang baru adalah (Xms, Yms) :
• Xms = Xm – Xs
• Yms = Ys – Ym
Setelah pengubahan titik relatif tersebut maka citra sidik jari akan diwakilkan dengan titik minutiae-nya yang berupa ridge ending dan bifurcation.
Berdasarkan koordinat Minutiae yang baru tersebut maka proses matching bisa dilaksanakan dengan lebih mudah karena otomatis 2 set Minutiae dari sidik jari orang yang sama akan memiliki minutiae dengan jarak relatif ke titik pusat yang sama pula. Dengan memetakan koordinat minutiae terhadap titik pusat sidik jari, maka pergeseran penempatan sidik jari pada waktu scanning untuk orang yang sama pada waktu yang berbeda juga dapat diantisipasi karena citra sidik jari mengalami translasi, tetapi minutiae beserta titik pusatnya akan memiliki jarak relatif yang sama meskipun mengalami pergeseran. Pseudocode untuk proses matching adalah sebagai berikut:
Keterangan :
Count1 = jumlah Set Minutiae 1 dari sidik jari 1 M1(X1i, Y1j) = koordinat minutiae dari set minutiae1 Count2 = jumlah Set Minutiae 2 dari sidik jari 2
M2(X2i, Y2j) = koordinat minutiae dari set minutiae2 D = jarak Euler antara dua titik
Match = jumlah minutiae dari set 1 yang sama dengan minutiae dari set 2
MT1(i,j) = Tipe minutiae dari set minutiae 1 MT2(i,j) = Tipe minutiae dari set minutiae 2 Pseudocodenya adalah sebagai berikut :
for j = 0 to count1
for i = 0 to count2
if (MT1(i,j) = MT2(i,j) and (MT2(i,j) belum disamakan) THEN dari sidik jari tersebut merupakan sedik jari dari orang yang sama dengan melihat jumlah minutiae yang sama. Sedangkan D adalah jarak antara 2 titik minutiae yang ingin disamakan. Nilai D digunakan untuk mengantisipasi penempatan titik pusat yang tidak mungkin 100% akurat pada titik yang sama sehingga jika
diantara 2 minutiae yang ingin disamakan berada pada radius 25 pixel, maka 2 minutiae tersebut dianggap sama. Setelah semua minutiae pada citra sidik jari telah disamakan, maka akan didapatkan jumlah minutiae yang sama pada kedua citra sidik jari tersebut. Parameter yang digunakan untuk mengetahui apakah kedua citra sidik jari berasal dari orang yang sama adalah jumlah minutiae yang sama dan perbandingan jumlah minutiae yang sama terhadap total jumlah minutiae yang ingin disamakan.
Contoh pseudocode-nya adalah sebagai berikut : if (match > T) or (match / count > Tp) THEN T = threshold jumlah minutiae
Tp = threshold perbandingan jumlah minutiae (%)
Count = jumlah minutiae pada sidik jari yang ingin disamakan
Kedua parameter ini berguna untuk mengantisipasi jika minutiae pada sidik jari yang ingin disamakan memiliki jumlah minutiae yang lebih sedikit dari jumlah threshold minutiae dikarenakan luas area citra sidik jari yang tidak lengkap, namun jika dibandingkan dengan jumlah minutiae yang diekstraknya maka akan memiliki persentase yang besar yang menandakan bahwa sebagian
besar minutiae pada citra sidik jari tersebut memiliki kesamaan yang besar dengan citra sidik jari yang tersimpan pada database.
Keseluruhan sistem verifikasi sidik jari terbagi dalam mode identifikasi dan autentifikasi, dimana mode autentifikasi berarti melakukan proses matching terhadap satu sidik jari apakah sidik jari tersebut sama dengan sidik jari yang disimpan pada mode enrollment. Sedangkan pada mode identifikasi, proses matching dilakukan pada semua sidik jari yang tersimpan pada database untuk melihat mana sidik jari yang memiliki kemiripan tertinggi proses identifikasi didasarkan atas proses autentifikasi, hanya saja prosesnya dilakukan pada banyak sidik jari. Karakteristik yang diekstrak pada citra sidik jari nantinya akan memiliki ukuran sebesar kurang lebih 300 bytes. Dengan demikian sidik jari yang tersimpan didatabase akan memiliki ukuran yang kecil jika dibandingkan dengan apabila yang disimpan adalah citra sidik jari itu sendiri. Selain itu proses matching dapat dilakukan dengan lebih cepat karena ekstraksi sidik jari hanya perlu dilakukan pada citra sidik jari yang ingin disamakan.
Gambar 3.20 Flowchart Authentifikasi Sidik jari
Proses identifikasi melibatkan proses pencarian (searching) dan pencocokkan (matching) dari satu data yang diambil dibandingkan dengan seluruh data yang ada pada database. Identifikasi merupakan pencarian 1:N karena itu harus dibuat system agar pencarian data tidak terjadi pada keseluruhan database yang bias mengakibatkan pencarian lebih lama.
Database yang disimpan menyimpan data tentang tipe sidik jari, jadi daripada mencari diseluruh tempat system akan mengolah data agar yang dicari hanyalah database yang memiliki tipe sidik jari yang sama dengan yang sedang diidentifikasi. Misalnya ada data yang ingin diidentifikasi berupa sidik jari bertipe lingkaran sedangkan dalam database tersimpan 100 data sidik jari yang tipenya putaran kiri, lalu ada 150 data yang tipe sidik jarinya putaran kiri, tipe sidik jari yang tipenya lengkungan ada 55 data, dan tipe sidik jari yang bertipe lingkaran ada 95 data. Bayangkan bila system mencarinya secara sekuensial, yang akan terjadi adalah proses pencarian akan semakin memakan waktu. Karena itu pengklasifikasian tipe sidik jari ini harus dilakukan agar pencarian lebih cepat dan mengurangi rasio error yang mungkin terjadi.
Setelah membagi pencarian menjadi lebih sedikit, hal yang selanjutnya dibandingkan adalah mencari jumlah titik minutiae dari sidik jari yang sama dengan data yang sedang diproses. Jumlah minutiae yang disamakan adalah jumlah titik ujung dan titik cabang, tetapi bila tidak ditemukan yang sama system akan memberi nilai toleransi kelebihan titik sampai 2 titik minutiae.
Setelah mencari jumlah yang sama maka akan didapatkan data yang sesuai dengan klasifikasi. Penghitungan minutiae yang berbeda sampai lebih dari 2 akan menghasilkan output “person not recognize”, sedangkan untuk perbedaan
titik yang kurang dari dua akan dimasukkan sebagai bahan pertimbangan dan dimasukkan ke daftar sidik jari dengan kemungkinan sama.
Bila terjadi ada dua atau lebih data yang memenuhi kualifikasi tersebut maka akan dilakukan kembali pengecekan secara lebih mendalam. Perhitungan yang dilakukan adalah menghitung jarak yang ada antara titik singular dengan titik minutiae yang masing-masing jarak dibandingkan oleh dasar besar kemiringan sudut yang tercipta antara kedua titik. Contohnya jika data yang ingin dibandingkan mempunyai titik minutiae A yang besar sudutnya terhadap titik singular adalah 45°, maka system akan mencari dari database yang memiliki besar sudut yang sama baru kemudian membandingkan keduanya. Demikian seterusnya hingga didapatkan berapa besar presentase kemiripan antara data yang dicari dengan database, data yang memiliki presentase kesamaan yang lebih besar akan dikenali sebagai data sebenarnya dan ditampilkan kepada layar output. Dan jika tidak ada hasil yang memenuhi kriteria kemiripan lebih dari 70% maka data dianggap tidak tercatat dalam database.
Gambar 3.21 Bagan pencarian dan pencocokkan