Verifikasi Citra Sidik Jari Berdasarkan Minutiae Dengan Metode Gabor Filter

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER

TESIS

Oleh

SAYED MUNAZZAR 107034010/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER

TESIS

Untuk Memperoleh Gelar Magister Teknik Dalam Program Studi Magister Teknik Elektro Pada Fakultas Teknik Universitas Sumatera Utara

Oleh

SAYED MUNAZZAR

107034010/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

Judul Tesis :

Nama Mahasiswa : Sayed Munazzar

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER

Nomor Induk : 107034010

Program Studi : Magister Teknik Elektro

Menyetujui Komisi Pembimbing:

(Prof. Drs. Tulus, M.Si, Ph.D) (Fahmi, ST. M.Sc Ketua Anggota

)

Sekretaris Program Studi, Dekan,

(Drs. Hasdari Helmi, MT) (Prof. Dr. Ir. Bustami Syam, MSME)

Telah diuji pada

Tanggal : 23 Oktober 2012

PANITIA PENGUJI TESIS

Ketua : Prof. Drs. Tulus, M.Si, Ph.D Anggota : 1. Fahmi, ST, M.Sc

2. Prof. Dr. Opim S. Sitompul, M.Sc 3. Soeharwinto, ST, MT

ABSTRAK

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, transformasi gambar, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang tergantung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Verifikasi citra sidik jari berdasarkan minutiae bertujuan untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehinggga citra sidik jari bisa didapatkan kecocokan paling tinggi. Hasil dari verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum digabor menghasilkan kecocokan sebesar 15,54% sedangkan verifikasi citra sidik jari normal dengan citra sidik jari berminyak setelah digabor menghasilkan kecocokan sebesar 20,46% sehingga persentase kecocokan meningkat menjadi 4,92% dengan menggunakan 56 sample sidik jari dari 7 orang yang berbeda.

ABSTRACT

Digital image processingis constiutes a discipline which studies matters in order to improve of the quality pictures, the picture transformation and the choice of optimal personal image for the analysis, the process the information and description of the object or the identification of the object which depends upon image, and to compress and to reduce data for data storage, data transmission, and processing time data. The verification of fingerprint image based minutiae was aimed to obtain minutiae value from the maximal fingerprint image so that the fingerprint image could obtain the highest comformity. The verification of normal and greasy fingerprint images prior to using gabor filters yielded the conformity of 15,54% while the verification of normal and greasy fingerprint images after using gabor filters yielded the conformity of 20.46% so that the percentage of conformity increased to 4.92%, using 56 sampel of fingerprints from seven different people.

KATA PENGANTAR

Segala puji dan syukur senantiasa penulis panjatkan kehadirat Allah SWT semoga selalu mendapat taufiq dan hidayahNya kepada kita semua sehingga penulis dapat menyelesaikan tesis ini. Penulisan tesis ini dilakukan untuk memenuhi salah satu syarat kurikulum Program Studi Magister Teknik Elektro Fakultas Teknik Universitas Sumatera Utara, Medan. Tesis ini berjudul “VERIFIKASI CITRA

SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR

FILTER

Penulis terutama mengucapkan terima kasih yang tak terhingga kepada orang tua tercinta Waled Sayed Muhammad Jafar dan Ummi Syarifah Nur, Ayahanda Sayid Umar dan Ibunda Cut Rosnah, serta istriku yang tercinta Syarifah Rahmah beserta anak-anak yang tersayang Sayid Athaillah, Syarifah Fatimah dan Syarifah Maryam atas doa dan semangat yang diberikan sehingga penulis dapat menyelesaikan tesis ini.

” dimana penulis merasa tertarik dengan masalah verifikasi citra sidik jari.

Selesainya tesis ini juga melibatkan berbagai pihak yaitu Bapak Prof. Dr. Ir. Usman Baafai selaku Ketua Program Studi Magister Teknik Elektro, serta seluruh staf pengajar dan akademik Program Studi Magister Teknik Elektro serta rekan-rekan seperjuangan atas konstribusi dan bantuannya. Untuk itu penulis mengucapkan terima kasih atas konstribusi dan bantuanya, dan terima kasih buat Bapak Drs. Hasdari Helmi, MT, Bu Nur, Pak Martin, serta kawan-kawanku seperjuangan Salahuddin, Muliyadi, Kak Eliyani, Syahrul Azmi, Evi Andriani, Sarmayanta Sembiring, Muhammad Nasir, Sila Abdullah Syakri, Atthariq dan Kak Mursyidah serta rekan-rekan lainnya yang tidak bisa disebutkan satu persatu. Semoga Allah SWT memberi balasan yang setimpal atas bantuannya.

Mudah-mudahan tesis ini dapat bermanfaat dan dapat memberikan masukan yang bermanfaat pada bidang riset biometrik sehingga dapat dipergunakan secara luas. Kritik dan saran dari pembaca yang sifatnya membangun sangat penulis harapkan.

Medan, Oktober 2012

Penulis,

DAFTAR RIWAYAT HIDUP

IDENTITAS :

Nama : Sayed Munazzar

Tempat/ Tanggal Lahir : Desa Jurong, 16 Juli 1974 Jenis Kelamin : Laki-laki

Agama : Islam

Bangsa : Indonesia

Alamat : Jl. Merdeka. Gg. Kuta Asan No. 9. Cunda - Lhokseumawe.

Aceh

HP : +6285277668333

RIWAYAT PENDIDIKAN :

 Sekolah Dasar Negeri Damai tamat tahun 1987.

 Sekolah Menengah Pertama Negeri Indrajaya tamat tahun 1990

 Sekolah Menengah Atas Negeri Beureunuen tamat tahun 1993

 Politeknik Universitas Syiah Kuala tamat tahun 1996

 Sarjana S1Universitas Brawijaya - Malang tamat tahun 2002

RIWAYATPEKERJAAN :

 Staf Pengajar Teknik Elektro Politeknik Negeri Lhokseumawe sejak 01 Maret 1998 sampai dengan sekarang

Medan, Oktober 2012 Penulis,

DAFTAR TABEL

Nomor

1.1. 2.1.

4.1.

4.2.

4.3.

Judul

Penelitian yang pernah dilakukan... Penerapan aplikasi biometrik pada forensik, sipil dan komersial forensic civilian commercial... Data citra sidik jari hasil termination dan bifurcation sebelum dan sesudah gabor... Tabel data verifikasi sidik jari normal dengan sidik jari berminyak... Tabel data verifikasi sidik jari normal dengan sidik jari hasil gabor...

Halaman

2

8

44

48

DAFTAR GAMBAR Proses enrollment sidik jari... Proses verifikasi sidik jari... Proses identification sidik jari... Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop... Garis acquisition... Klasifikasi pada sidik jari... Proses konversi binerisasi... Proses thinning pada citra... Gabor filter simetris genap dalam spatial domain... Vektor minutiae ridge ending dan ridge bifurcation... Dua citra sidik jari dengan kualitas yang berbeda... Minutiae matching dari sampel input sidik jari dan template database... Blok diagram penelitian... Gambar citra sidik jari... Hasil normalisasi citra...

3.4. Citra sidik jari berminyak... Hasil normalisasi citra... Hasil binerisasi dengan nilai threshold... Hasil thinning, (a) citra setelah binerisasi; (b) thinning... Hasil proses gabor filter... Hasil proses minutiae ... Hasil termination dan bifurcation... Grafik data hasil terminasi dan bifurkasi pada citra sidik jari sebelum dan setelah gabor...

Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor... Grafik data verifikasi sidik jari normal dengan sidik jari hasil gabor... Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor...

ABSTRAK

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, transformasi gambar, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang tergantung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Verifikasi citra sidik jari berdasarkan minutiae bertujuan untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehinggga citra sidik jari bisa didapatkan kecocokan paling tinggi. Hasil dari verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum digabor menghasilkan kecocokan sebesar 15,54% sedangkan verifikasi citra sidik jari normal dengan citra sidik jari berminyak setelah digabor menghasilkan kecocokan sebesar 20,46% sehingga persentase kecocokan meningkat menjadi 4,92% dengan menggunakan 56 sample sidik jari dari 7 orang yang berbeda.

ABSTRACT

Digital image processingis constiutes a discipline which studies matters in order to improve of the quality pictures, the picture transformation and the choice of optimal personal image for the analysis, the process the information and description of the object or the identification of the object which depends upon image, and to compress and to reduce data for data storage, data transmission, and processing time data. The verification of fingerprint image based minutiae was aimed to obtain minutiae value from the maximal fingerprint image so that the fingerprint image could obtain the highest comformity. The verification of normal and greasy fingerprint images prior to using gabor filters yielded the conformity of 15,54% while the verification of normal and greasy fingerprint images after using gabor filters yielded the conformity of 20.46% so that the percentage of conformity increased to 4.92%, using 56 sampel of fingerprints from seven different people.

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, pengenalan objek yang tergantung pada citra, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, waktu proses data dan transmisi data.

Sistem biometrik merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh seperti sidik jari (fingerprint), wajah, iris, retina mata dan suara. Teknologi biometrik memiliki beberapa kelebihan seperti sulit untuk dilakukan proses duplikasi atau pemalsuan, tidak dapat dipergunakan secara bersama-sama, juga tidak mungkin terlupakan. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik adalah citra sidik jari. Sistem pengenalan citra sidik jari ini bertujuan untuk mengidentifikasi sidik jari seseorang.

Ketiga faktor ini menyebabkan ridge ending (termination) dan ridge bifurcation menjadi tidak sempurna, saling terhubung dan putus-putus sehingga bisa mempengaruhi nilai minutiae. Untuk mendapatkan nilai minutiae yang tepat maka citra sidik jari perlu ditingkatkan kualitasnya dengan menggunakan Metode Gabor Filter.

Tabel 1.1. Penelitian yang pernah dilakukan [2,3,4,5]

No Peneliti Judul Metode Hasil yang dicapai

Tabel 1.1. (sambungan)

No Peneliti Judul Metode Metode Hasil yang dicapai

5 Kusworo Adi

Filterbank Gabor Sidik jari dapat diek straksi dengan Gabor Filter dengan sudut 0o, 45o, 90o, dan 135

6

o

V. Shiv Naga Prasad dan Justin Domke

8 Muhammad Nasir Enhancement

1.2. Perumusan Masalah

Berdasarkan latar belakang masalah, maka dapat dirumuskan permasalahan sebagai berikut:

1. Bagaimana menentukan jumlah termination dan bifurcation.

2. Bagaimana algoritma gabor filter dapat memperbaiki kualitas citra sidik jari berminyak.

1.3. Batasan Masalah

Rumusan masalah di atas dibatasi dengan beberapa hal sebagai berikut: a. Citra asli sidik jari dikondisikan dalam keadaan berminyak.

b. Saat pengambilan sampel citra sidik jari posisi sidik jari adalah sama.

c. Proses peningkatan kualitas citra sidik jari menggunakan metode Gabor Filter.

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehingga citra sidik jari bisa didapatkan kecocokan paling maksimal.

1.5. Manfaat Penelitian

BAB 2

TINJAUAN PUSTAKA

2.1. Sistem Biometrik

Sistem biometrik merupakan teknologi pengenalan diri yang menggunakan bagian tubuh atau perilaku manusia. Sidik jari dan tanda tangan merupakan contoh biometrik yang berdasarkan bagian tubuh dan tingkah laku manusia. Keduanya telah digunakan dalam teknologi biometrik dan telah diaplikasikan secara luas dewasa ini.

Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal serta dalam sistem biometrik yang digunakan untuk mengidentifikasi pada berbagai kondisi sosial termasuk kontrol akses, penyelidikan kejahatan dan tindak kriminal, serta identitas pribadi adalah citra sidik jari [11]. Citra sidik jari ini digunakan karena kehandalannya sangat tinggi serta tidak ada individu yang mempunyai bentuk fisik dan tingkah laku yang sama persis.

disebabkan oleh banyaknya masalah pada pemalsu identitas yang dapat mengakses suatu fasilitas yang bukan haknya, misalnya mengakses suatu fasilitas keuangan dalam sebuah bank.

Keuntungan lain yang didapat dengan menggunakan sistem biometrik adalah pengguna tidak perlu menghafal suatu kode tertentu (knowledge based) atau pengguna tidak perlu menggunakan suatu alat (traditional token) sebagai identitas. Selain untuk kepentingan bukti kriminalitas, body measurement digunakan juga sebagai suatu pengenal identitas. Dengan diterapkan biometrik ini dalam pengenalan identitas akan lebih efisien dikarenakan berkurangnya maintenance password komputer. Dengan menggunakan teknologi sistem biometrik jenis fingerprint merupakan perkembangan untuk security yang bisa diandalkan untuk masa yang akan datang karena tidak terdapat kesamaan pada setiap orang meskipun orang tersebut lahir kembar identik.

Biometric Sensor

Biometric Sensor

Feature Extraction

Feature Extraction

Matching

Database

ID:8039

Enrollment

Autentivication Result

Gambar 2.1. Arsitektur sistem biometrik [12]

Tabel 2.1. Penerapan aplikasi biometrik pada forensik, sipil dan komersial forensic civilian commercial [13].

Forensic Civilian Commercial

Corpse identification National ID ATM

Criminal investigation Driver’s license Access Control

Parenhood determination Welfare disbursement Cellular phone

Border Crosing Credit Card

Gambar 2.2. Proses enrollment sidik jari [14] NAME(PIN)

Quality Checker

Feature

Extractor

Template

name

System DB

User interface

Gambar 2.2 menunjukkan proses enrollment yang dimulai pada proses pengambilan data dengan dilakukan perbaikan citra selanjutnya diambil ciri khusus untuk disimpan sebagai database.

Gambar 2.3. Proses verifikasi sidik jari [14]

Gambar 2.3 merupakan proses verifikasi atau autentifikasi sidik jari dimana suatu proses yang dapat membandingkan citra sidik jari yang sudah tersimpan pada database dengan memasukkan kode pin dan citra sidik jari sebagai input data. Dengan hanya membandingkan data template pada database dan data input, hasil dari sistem verifikasi adalah data benar atau salah.

NAME(PIN)

Feature

Extractor

Matcher

(1 match)

User interface

Verification

True/False

One

template

Gambar 2.4. Proses identification sidik jari [14]

Gambar 2.4 dapat dijelaskan bahwa sistem identifikasi merupakan suatu proses yang membandingkan data input dengan semua template data biometrik pada sistem database. Hal ini dilakukan karena pada sistem identifikasi dapat membandingkan semua data, sehingga pada proses identifikasi lebih kompleks dan waktu proses yang lebih lama dari pada sistem verifikasi.

NAME ( PIN )

Feature

Extractor

Matcher

(N _matche

r )

System DB

User interface

Identification

User’s identity or

“ usernot identified”

N

Peralatan untuk mendapatkan citra sidik jari biasa disebut fingerprint. Pada setiap sensor fingerprint mempunyai tipe yang berbeda sehingga kemampuan masing-masing data yang dihasilkan juga berbeda. Dengan perbedaan spesifikasi dan kemampuan sensor fingerprint maka akan menghasilkan kualitas citra yang berbeda juga. Kemampuan ini dapat dilihat dari kepekaan pembacaan dari sebuah sensor. Sebagian sensor jika diberikan noise yang tinggi, maka citra sidik jari tidak dapat dibaca dan ada sebagian sensor jika diberikan noise yang tinggi, maka sensor tetap dapat membaca citra sidik jari. Dengan mengetahui jenis sensor yang dipakai akan dengan mudah menentukan bagaimana menerapkan pada kondisi yang akan kita ambil datanya atau dengan menentukan batas noise yang masih dapat dibaca oleh sensor, sehingga tidak akan terjadi kegagalan dalam membaca citra sidik jari dengan sensor yang sedang dipakai.

2.2. Sidik jari

( a )

( b ) ( c )

Gambar 2.5. Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop [12]

Gambar 2.5 menunjukkan bahwa setiap citra sidik jari memiliki data unik. Pengertian data unik ini dapat dijelaskan bahwa ridge ending merupakan garis terputus, bifurcation merupakan dua garis yang bertemu di salah satu ujungnya, island merupakan garis pendek terputus pada kedua ujungnya, ecrorare merupakan garis putus-putus dan dot merupakan garis yang sangat pendek seperti titik. Secara spesifik, konfigurasi global dapat didefinisikan dengan struktur ridge yang digunakan untuk mengklasifikasikan suatu kelas dari citra sidik jari. Pada saat pendistribusian titik-titik digunakan untuk membandingkan atau menyepadankan dan membentuk kesamaan ciri atau pola diantara dua sample citra sidik jari. Sistem identifikasi otomatis

Ridge Ending Ridge Bifurcation

Core

Ridge Ending

Ridge Bifurcation

Ridge Island

Ridge Ecrorare Ridge Dot

dengan menggunakan biometrik citra sidik jari, dapat berfungsi membandingkan citra sidik jari sebagai input dengan sekumpulan data citra sidik jari dalam suatu database.

Tidak selamanya citra sidik jari dapat diperoleh dalam kondisi baik, terutama pengambilan citra sidik jari yang diambil tanpa persiapan. Seperti Gambar 2.6 terlihat beberapa citra sidik jari yang diambil tidak sempurna, maka untuk dapat mengambil informasi dengan benar perlu dilakukan perlakuan khusus.

Gambar 2.6. Garis acquisition: (a) Sidik jari terkena tinta (b) Sidik jari tersembunyi didapat dari kondisi kejahatan (c,d,f) Diperoleh dari optical,

(e) Diperolehdari sensor kapasitif [15].

( a ) ( b ) _{( c )}

Sidik jari dapat diklasifikasikan menjadi tiga kelas utama, yaitu: Arch, Loop dan Whorl berdasarkan dari pola garis pola garis (ridge) dan lembah (valley) [4]. Karena citra sidik jari yang unik, maka dari data itu akan dilakukan perbaikan citra terlebih dahulu untuk memunculkan karakteristik dari masing-masing citra sidik jari pada setiap orang. Perbaikan citra sidik jari perlu dilakukan karena mengalami perubahan pada citra sidik jari yang diakibatkan oleh sidik jari terkena kotoran, berminyak maupun kering. Di bawah ini adalah contoh dari ketiga kelas yang telah disebutkan yaitu: Arch, Loop dan Whorl.

Gambar 2.7. Klasifikasi pada citra sidik jari (a) Arch, (b) Loop dan (c) Whorl [4].

Pada Gambar 2.7 menunjukkan klasifikasi pada citra sidik jari ada tiga jenis citra sidik jari yang banyak ditemukan yaitu, Gambar 2.7(a) arch, sebuah pola berbentuk lengkungan, Gambar 2.7(b) loop, sebuah pola berbentuk lingkaran dan Gambar 2.7(c) whorl, sebuah pola berbentuk alur-alur berputar. Dari klasifikasi ini dapat dibagi menjadi beberapa subklasifikasi [8], yaitu:

a. Arch dibagi menjadi arch dan tented arch, dari beberapa populasi arch mempunyai presentasi sebesar 5%.

b. Loop dibagi menjadi left loop, right loop dan double loop. Berbeda dengan arch, jumlah individu yang mempunyai klasifikasi loop sangat besar yaitu sebesar 60 %.

c. Whorls pada klasifikasi ini jumlah presentasi individu sebesar 35%.

2.2.1. Identifikasi sidik jari

Identifikasi sidik jari merupakan metode dalam mencocokkan data input citra sidik jari terhadap semua data template. Sebelum melakukan pencocokan ada beberapa langkah yang perlu dilakukan, diantaranya:

aplikasi dimana alat tersebut akan mengambil data sidik jari user secara langsung dengan cara menempelkan sidik jari ke alat tersebut.

b. Feature extraction adalah ekstraksi bit-bit data ke dalam parameter-parameter sesuai dengan metode yang akan dipakai dalam pencocokan. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae dan pada metode image matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier.

c. Decision making adalah membandingkan antara ekstraksi data input dan data template yang akan menghasilkan apakah data benar atau salah.

Banyak metode pencocokan sidik jari yang telah dikembangkan, misalnya: minutiae-based dimana metode yang mencocokkan berdasarkan pada vektor ekstraksi minutiae, vektor ridge ending dan ridge bifurcation sidik jari input dan sidik jari (query) serta image-matching yang merupakan metode yang mencocokkan dua buah citra sidik jari. Penggolongan metode tersebut berdasarkan pada bagaimana cara mencocokkan citra sidik jari.

2.3. Pengolahan Citra

Pengolahan citra merupakan pemrosesan suatu citra, khususnya menggunakan komputer menjadi citra yang lebih baik. Dalam hal melakukan pengolahan citra, maka ada proses-proses yang akan dilalui untuk mendapatkan suatu citra yang lebih baik, diantaranya sebagai berikut:

2.3.1. Binerisasi

Kebanyakan algoritma ekstraksi minutiae beroperasi pada citra biner dimana hanya ada dua tingkat dominan yaitu: piksel hitam yang mewakili ridge, dan piksel putih yang mewakili valley seperti yang terlihat pada Gambar 2.8. Binerisasi adalah proses mengubah gray level citra menjadi citra biner. Hal ini akan meningkatkan kontras antara ridge dan valley dalam citra sidik jari dan akibatnya memfasilitasi ekstraksi minutiae.

(a) (b)

Salah satu properti yang berguna dari Gabor Filter adalah ia memiliki komponen DC nol, yang berarti filtering citra menghasilkan nilai piksel rata-rata nol. Oleh karena itu, binerisasi langsung dari citra dapat dilakukan menggunakan global ambang nol. Proses binerisasi melibatkan pemeriksaan tingkat gray level nilai setiap piksel dalam citra yang disempurnakan dan jika nilai lebih besar daripada ambang global, maka nilai piksel disetel ke nilai biner satu, selain itu diatur ke nol. Hasilnya adalah citra biner berisi dua tingkat informasi, latar depan ridge dan latar belakang valley. Binerisasi diperoleh dengan persamaan (2.1).

...(2.1)

2.3.2. Thinning

Thinning atau penipisan adalah suatu proses pengurangan objek dalam citra digital hingga mendapatkan ukuran minimal yang diperlukan untuk pengenalan objek tersebut oleh komputer, hasilnya dikenal dengan skeleton (kerangka) dan proses thinning kadang dikenal juga sebagai skeletonisasi.

thinning secara berulang akan melakukan proses penghapusan pada titik-titik tepi suatu area, beberapa hal harus diperhatikan [8]:

a. Tidak menghapus atau menghilangkan titik akhir. b. Tidak memutuskan keterhubungan.

c. Dan tidak terjadi pengikisan yang terlalu berlebihan.

Suatu algoritma thinning dikatakan baik jika meliputi proses untuk menangani hal-hal sebagai berikut [17]:

a. Kepekaan terhadap noise, algoritma thinning seharusnya tidak peka terhadap noise (mengabaikan noise). Noise dapat menyebabkan algoritma thinning menghasilkan kerangka yang tidak benar.

b. Mempertahankan topologi dan geometri objek, hal ini dapat dicapai jika tidak terjadi pemutusan keterhubungan dan pengikisan yang berlebihan.

c. Isotropi, hasil kerangka tetap sama meskipun objek diputar dalam berbagai arah.

d. Dapat direkonstruksi, objek dapat dibentuk kembali berdasarkan kerangka hasil thinning.

e. Efisien, kecepatan proses menjadi hal yang utama terutama pada aplikasi real time.

Gambar 2.9. Proses thinning pada citra (a) citra ber-noise; (b) citra ideal; (c) citra ber- noise; (d) kerangka hasil thinning yang dipengaruhi noise [16]

2.3.3. Gabor filter

Saat informasi ridge orientasi dan ridge frekuensi telah ditentukan, parameter-parameter ini digunakan untuk membentuk simetrik genap Gabor Filter. Sebuah Gabor filter dua dimensi terdiri atas dua gelombang sinusoida dari orientasi dan frekuensi, dimodulasikan oleh sebuah envelope (sampul) Gaussian [13]. Gabor filter bekerja pada frekuensi dan orientasi yang selektif sesuai sifatnya. Sifat-sifat ini membuat filter di tuning agar menghasilkan respon maksimal pada ridge orientasi

(a) (b)

dan ridge frekuensi tertentu dalam pencitraan sidik jari. Untuk itu, tuning yang sempurna dari gabor filter dapat digunakan secara efektif untuk mempertahankan struktur ridge saat terjadi pengurangan noise.

Gabor filter simetrik genap adalah bagian nyata dari fungsi gabor, yang diberikan oleh gelombang cosinus yang di modulasi oleh Gaussian (Gambar 2.10). Gabor filter dalam domain spatial ditentukan oleh [4]:

Dimana θ adalah orientasi gabor filter, f adalah frekuensi gelombang cosinus,

σ

_x dan σ_y adalah deviasi standar sifat gaussian sepanjang sumbu xdan y, dan xθdan yθmendefinisikan sumbu xdan ydari koordinat filter.

Gambar 2.10. Gabor filter simetris genap dalam spatial domain [10]

f

x

Gabor Filter diterapkan pada citra sidik jari secara spasial untuk konvolusi citra dengan filter. Konvolusi piksel (i,j) pada citra memerlukan kesesuaian orientasi nilai dan nilai frekuensi ridge pada pikselnya. Oleh karena itu, penerapan gabor filter untuk memperoleh peningkatan citra

dilakukan sesuai rumus:

( )

_{∑ ∑}

(

( ) ( )

) (

)

jari yang telah dinormalkan, dan adalah lebar dan tinggi dari mask gabor filter. Bandwidth filter yang menentukan rentang respon frekuensi filter, ditentukan

oleh parameter standar deviasi

σ

x dan σy. Karena bandwidth filter diatur untuk

menyesuaikan frekuensi ridge lokal, maka dapat disimpulkan bahwa pemilihan parameter

σ

_x dan σ_yharus terkait dengan frekuensi ridge. Namun, pada algoritma originalnya [9],

σ

_x dan σ_ysecara empiris diatur pada tetapan nilai masing-masing 4.0 dan 4.0.

...(2.5)

tetap, maka dipilih nilai

σ

x dan σy menjadi fungsi parameter frekuensi ridge, yang Dimana F merupakan frekuensi ridge citra, adalah variabel konstan untuk

x

σ

, dan adalah variabel konstan untuk σ_y. Hal ini memungkinkan pendekatan

yang lebih adaptif untuk digunakan, sebagai nilai-nilai

σ

x dan σy sekarang dapat

ditentukan secara adaptif sesuai dengan frekuensi ridge lokal dari citra sidik jari. Selanjutnya, dalam algoritma asal, lebar dan tinggi dari mask filter sama-sama diatur pada nilai tetap. Ukuran filter mengontrol luas spasial dari filter, yang idealnya dapat secara umum mengakomodasi manfaat informasi sinyal Gabor. Namun, nilai filter yang tetap akan tidak optimal karena tidak dapat mengakomodasi sinyal Gabor dengan bandwidth yang berbeda. Oleh karena itu, agar memungkinkan ukuran filter bervariasi secara otomatis mengikuti bandwidth sinyal Gabor, maka ditetapkan ukuran filter menjadi fungsi yang memakai standar deviasi sebagai parameter [19]:

,

persamaan (2.9) lebar dan tinggi dari mask filter keduanya ditetapkan sebagai , karena sebagian besar informasi gelombang Gabor terkandung di rentang ini

jauh dari sumbu . Oleh karena itu, pemilihan nilai parameter ini memungkinkan masker filter untuk merekam sebagian besar informasi sinyal Gabor.

2.4. Identifikasi Sidik Jari

Identifikasi sidik jari merupakan metode dalam mencocokkan data input sidik jari terhadap semua data template. Sebelum melakukan pencocokan ada beberapa langkah yang perlu dilakukan diantaranya:

a. Data acquisition adalah penerjemahan data dari suatu sensor ke dalam bit-bit data sidik jari. Ada beberapa metode dalam data acquisition diantaranya: an inked fingerprint, a latent fingerprint dan a live scan fingerprint. An inked fingerprint adalah pengambilan data dengan cara sidik jari diberi tinta untuk ditempelkan ke suatu kertas putih, selanjutnya kertas putih tersebut di-scan dan dimasukkan ke database. A latent fingerprint adalah pengambilan data yang dilakukan pada suatu barang bukti kriminal dengan memberikan bubuk atau cairan kimia, kemudian di foto untuk mendapatkan sidik jari. Sedangkan A live scan fingerprint adalah suatu alat embedded dalam suatu aplikasi dimana alat akan mengambil data sidik jari user secara langsung dengan cara sidik jari ditempelkan ke alat tersebut.

parameter-parameter sesuai dengan metode yang akan dipakai dalam pencocokan sidik jari. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae dan metode citra matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier.

c. Decision making adalah membandingkan data sidik jari antara ekstraksi data input dengan data template, sehingga menghasilkan data yang benar atau salah.

Minutiae-based mempunyai keunggulan dalam kecepatan karena jumlah data yang dicocokkan berbentuk vektor dengan ukuran yang relatif kecil bila dibandingkan dengan metode citra-matching yang hanya unggul dari sisi keakurasian data, namun kelemahannya lambat dari sisi kecepatan.

2.4.1. Minutiae

...(2.10)

Sedangkan suatu piksel dikategorikan sebagai ridge bifurcation jika hubungan piksel dan piksel tetangganya memenuhi kondisi sebagai berikut:

...(2.11)

Gambar 2.11. Vektor minutiae ridge (x,y,θ) ending dan ridge bifurcation [14]

Gambar 2.12. Dua citra sidik jari dengan kualitas yang berbeda (a) citra kualitas baik; (b) citra kualitas rendah [11]

2.4.2. Minutiae matching

Minutiae matching merupakan proses pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae yang ada pada database. Pada Gambar 2.13 menunjukkan minutiae dari query yang digambarkan dengan warna hitam sedangkan minutiae pada database digambarkan dengan warna merah. Jika minutiae pada database mempunyai lokasi x,y dan sudut yang sama atau hampir sama dengan minutiae input dianggap teridentifikasi. Area yang berwarna biru muda menunjukkan vektor minutiae query bersesuaian dengan vektor minutiae sidik jari pada database. Korelasi vektor minutiae input dan vektor minutiae template dapat di nilai dengan:

...(2.12)

= Jumlah vektor minutiae query dan template yang bersesuaian = Jumlah vektor minutiae query

Gambar 2.13. Minutiae matching dari sampel input sidik jari dan template database; (a) citra sidik jari; (b) query database; (c) minutiae matching [17]

Beberapa faktor penyebab sehingga tidak dapat dilakukan penilaian pada vektor minutiae disebabkan oleh:

a. Faktor usia, yakni garis sidik jari terlihat tidak jelas seperti pada orang tua. b. Faktor kecelakaan yang menyebabkan hilangnya garis-garis jari pada sidik jari. c. Faktor cuaca, sehingga garis-garis jari tidak jelas pada individu yang tinggal

pada kawasan yang cuacanya terlalu kering. d. Faktor keturunan.

Hal tersebut menyebabkan kualitas citra pada data acquisition sangat jelek. Dari seratus populasi, persentase data acquisition yang jelek adalah sebesar dua sampai lima persen [8].

BAB 3

METODELOGI PENELITIAN

3.1. Metode Yang Diusulkan

Penelitian verifikasi citra sidik jari berdasarkan minutiae ini melalui beberapa tahapan proses, seperti ditunjukan dalam Gambar 3.1.

Gambar 3.1. Blok diagram penelitian [4]

pengurangan objek dalam citra digital hingga ukuran minimal yang diperlukan untuk pengenalan objek tersebut oleh komputer. Selanjutnya proses minutiae extraction yaitu proses pengekstrakkan minutiae sehingga akan mendapatkan ridge bifurcation dan ridge ending pada citra sidik jari dan dilanjutkan ke proses minutiae matching dimana pada proses ini dilakukan pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae. Setelah hal ini dilakukan semua, data sidik jari ini akan disimpan dalam database sebagai template. Pada proses peningkatan unjuk kerja verifikasi citra sidik jari, setelah citra sidik jari dilakukan proses binerisasi dan thinning yang selanjutnya dilakukan proses peningkatan kualitas citra sidik jari dengan gabor filter. Setelah dilakukan proses penyaringan dengan gabor filter dilanjutkan proses minutiae extraction dan minutiae matching. Pada proses minutiae matching ini dilakukan proses pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae yang ada pada database dengan terlebih dahulu mengecek kepemilikan citra sidik jari tersebut sehingga tidak terjadi duplikat data yang sama.

3.2. Pengambilan Data Citra Sidik Jari

BMP dan menggunakan notebook type HP ProBook 4420s dengan spesifikasi processor M430 @ 2,27GHz memori 4 GB DDR3. Data sidik jari diambil dari 7 orang dengan 8 sampel sidik jari (56 citra sidik jari). Dari 8 sampel sidik jari, 1 sampel sidik jari dijadikan sebagai template dan 7 sampel sidik jari lagi dijadikan sebagai sampel penelitian dimana kondisi sidik jari tersebut dikondisikan berminyak dengan mengolesi minyak baby oil pada jari sebelum diambil sampelnya. Sedangkan untuk 1 (satu) sampel lagi dikondisikan sebagai sidik jari normal.

3.3. Pengolahan Citra Sidik Jari

nama kepemilikan citra sidik jari tersebut harus dicek terlebih dahulu ke dalam sistem untuk mengantisipasi terjadinya duplikat data yang sama.

3.3.1. Open image

Pada tahap ini citra sidik jari masukan masih dalam bentuk Red, Green, Blue dan belum dalam format grey scale dengan nilai maksimum 255, sedangkan untuk proses perhitungan setiap piksel harus memiliki nilai intensitas tunggal. Oleh karena itu, diperlukan format citra sidik jari berupa gray scale, dimana setiap piksel pada citra sidik jari gray scale diperoleh dengan membuat rataan pada setiap piksel RGB yang bersangkutan.

Pada Gambar 3.2 menunjukkan citra sidik jari yang telah mengalami proses sehingga telah dikonversi menjadi format gray scale.

( a ) ( b )

3.3.2. Normalisasi

Proses normalisasi dilakukan untuk menstandarisasi atau menyeragamkan nilai intensitas citra sidik jari berminyak dengan menyesuaikan cakupan derajat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 3.3 merupakan hasil dari normalisasi suatu citra sidik jari yang mempunyai nilai mean 0 dan variance 1.

( a ) (b)

Gambar 3.3. Hasil normalisasi citra, (a) citra asli; (b) citra ternormalisasi [17]

3.3.3. Binerisasi

untuk meningkatkan kontras antara ridge dan valley dalam citra sidik jari sehingga dapat memfasilitasi dalam melakukan ekstraksi minutiae.

(a) Citra asli (b) Binerisasi image Gambar 3.4. Hasil binerisasi [17]

3.3.4. Thinning

Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binerisasi maka selanjutnya citra sidik jari di thinning. Penerapan algoritma thinning pada citra sidik jari yang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra

Proses thinning dapat diterapkan dalam beberapa hal, terutama untuk skeleton ization. Dalam hal ini, thinning dipakai untuk merapikan hasil dari deteksi sisi dengan menipiskan semua garis sampai lebarnya hanya satu piksel. Seperti halnya operasi morfologis lainnya, maka thinning biasanya diterapkan pada citra biner dan menghasilkan citra biner yang lain sebagai hasil.

biner. Skeleton citra ini kemudian digunakan dalam proses gabor filter sebelum masuk ke proses ekstraksi minutiae.

3.3.5. Minutiae

BAB 4

HASIL DAN PEMBAHASAN

Pembahasan hasil penelitian tesis ini secara garis besar akan dijelaskan dalam tiga bagian: bagian pertama membahas hasil analisa terhadap citra sidik jari berminyak dan bagian kedua membahas hasil termination dan bifurcation pada citra sidik jari sebelum dan sesudah gabor filter serta bagian ketiga membahas verifikasi citra sidik jari sebelum dan sesudah gabor filter.

4.1. Hasil Analisa Citra Sidik Jari Berminyak

4.1.1. Pengambilan data sidik jari

02-O-01 02-O-02 02-O-03 02-O-04

02-O-05 02-O-06 02-O-07 02-O-08

Gambar 4.1 Citra Sidik Jari Berminyak

4.1.2. Normalisasi

( a ) (b)

Gambar 4.2. Hasil normalisasi citra sidik jari, (a) Citra sidik jari asli; (b) Citra sidik jari ternormalisasi

4.1.3. Binerisasi

mana yang terbaik dalam proses binerisasi. Adapun nilai threshold yang dipilih adalah 160.

( a ) ( b )

Gambar 4.3. Hasil binerisasi dengan nilai threshold, (a) Citra asli; (b) Threshold 160

4.1.4. Thinning

( a ) ( b )

Gambar 4.4. Hasil Thinning, (a) Citra setelah binerisasi; (b) Thinning

4.1.5. Enhancement dengan Gabor Filter

(a) (b)

Gambar 4.5. Hasil proses gabor filter, (a) Sebelum gabor, (b) Sesudah gabor

4.1.6. Minutiae

(a) Citra Asli (b) Binerisasi

(e) Thinning (f) Minutiae

Gambar 4.6. Hasil proses minutiae

4.2. Hasil Termination dan Bifurcation Pada Citra Sidik Jari Sebelum dan Sesudah Gabor Filter

disebut titik inti (core point) dan titik delta (delta point). Pada tingkat global, titik singular cocok untuk mengklasifikasikan tipe sidik jari, namun tidak cukup untuk mencocokkan sidik jari.

Gambar 4.7. Hasil termination dan bifurcation

Pada tingkat lokal, citra sidik jari dipandang lebih detail. Pada tingkat ini dapat ditemukan detail minutiae atau titik minutiae. Titik minutiae merupakan titik-titik informasi yang dapat mencirikan suatu sidik jari. Beberapa bagian pada sidik jari yang dapat dijadikan sebagai titik minutiae antara lain akhir bukit (ridge termination), percabangan (bifurcation), pulau (lake), taji (spur), persilangan (crossover).

Tabel 4.1. Data hasil termination dan bifurcation pada citra sidik jari sebelum dan sesudah gabor

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

54 07-O-06.BMP 12 28 16 22

55 07-O-07.BMP 19 17 18 12

56 07-O-08.BMP 17 10 22 11

Dari Tabel 4.1 menunjukkan data hasil termination dan bifurcation pada citra sidik jari sebelum dan setelah gabor filter terjadi perubahan terhadap nilai termination dan bifurcation. Hal ini disebabkan oleh gangguan yang terjadi pada citra sidik jari dan setelah dilakukan perbaikan, maka jumlah termination dan bifurcation mengalami kenaikan dan penurunan nilainya.

4.3. Verifikasi Citra Sidik Jari Sebelum dan Sesudah Gabor Filter

Pada tahap ini dilakukan proses verifikasi citra sidik jari normal terhadap citra sidik jari berminyak dan citra sidik jari yang telah diberikan filter gabor. Proses verifikasi citra sidik jari normal terhadap citra sidik jari berminyak seperti terlihat pada Tabel 4.2.

Tabel 4.2. Tabel data verifikasi sidik jari normal dengan sidik jari berminyak No. Citra Citra Sidik Jari

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Berminyak

Similarity (%)

Matching Minutiae

48 107_1 107_7 10,15 3

49 107_1 107_8 14,28 3

Jumlah Rata-rata Persentase Kecocokan 15,54

Pada Tabel 4.2 menunjukkan data hasil verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum gabor menghasilkan rata-rata nilai kecocokan (Similarity) sebesar 15,54%. Hal ini dapat dilihat juga pada grafik di Gambar 4.11.

Gambar 4.9 menunjukkan grafik dari hasil verifikasi sidik jari normal dengan sidik jari berminyak pada kondisi sebelum gabor. Pada kondisi ini tingkat kecocokan paling rendah sebesar 0,09% dengan matching minutiae sebesar 2 buah, sedangkan persentase kecocokan yang paling tinggi sebesar 34,78%dan ratanya sebesar 15,54% dengan matching minutiae sebesar 9 buah.

Tabel 4.3. Tabel data verifikasi sidik jari normal dengan sidik jari hasil gabor No. Citra Citra Sidik Jari

Tabel 4.3. (sambungan) No. Citra Citra Sidik Jari

Tabel 4.3. (sambungan) No. Citra Citra Sidik Jari

Normal

(Similarity) sebesar 20,46% sedangkan pada tabel 4.2 yang menunjukkan hasil verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor mendapatkan nilai rata-rata kecocokan (Similarity) sebesar 15,54%. Hal ini menunjukkan bahwa setelah dilakukan verifikasi sidik jari normal dengan sidik jari berminyak setelah gabor mengalami peningkatan kecocokan sebesar 4,92% seperti yang ditunjukkan pada grafik Gambar 4.11.

Gambar 4.11. Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan analisis dari pengujian padaverifikasi citra sidik jari berdasarkan minutiae dengan metode gabor filter dapat disimpulkan bahwa:

a. Pada penelitian ini setelah melakukan proses enhancement maka minutiae diperlukan untuk mengetahui jumlah titik minutiae citra asli sidik jari sebelum dan setelah dilakukan enhancement.

b. Verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum gabor menghasilkan rata-rata nilai kecocokan (Similarity) sebesar 15,54% dan setelah gabor mendapatkan nilai rata-rata kecocokan (Similarity)sebesar 20,46%.

c. Kondisi sidik jari yang berminyak terlalu tebal menyebabkan pola perbaikan dengan menggunakan gabor filter tidak maksimal dan hanya menghasilkan peningkatan sebesar 4,92%.

5.2. Saran

DAFTAR PUSTAKA

[1] Darma Putra, 2009. Sistem Biometrika. Penerbit ANDI Yogyakarta.

[2] Josef Str¨om Bart°unˇek,; 2005. Minutiae Extraction from Fingerprint with Neural Network and Minutiae based Fingerprint Verification.

[3] Andika Budi Pratama, 2008. Verifikasi Citra Sidik Jari Poin Minutiae Dalam Visum Et Repertum (VER) Menggunakan K-Means Clustering. Jurnal Ilmu Komputer UB, Volume XX, Nomor XX, ISSN 2008-0410960006. [4] Lavanya, B N. 2009. Fingerprint Verification Based on Gabor Filter

Enhancement.

[5] Jianwei Yang, Lifeng Liu, Tianzi Jiang, Yong Fan, 2003. A Modified Gabor Filter Desig Method for Fingerprint Image Enhancement.

[6] Kusworo Adi, 2003. Perancangan dan Realisasi Sistem Ekstraksi Ciri Sidik Jari Berbasis Algoritma Filterbank Gabor

[7] V. Shiv Naga Prasad dan Justin Domke, 2005. Gabor Filter Visualization.

[8] Anil Jain, Arun Ross, Salil Prabhakar. 2001. Fingerprint Matching using Minutiae and Texture Features.

[9] Muhammad Nasir, 2010. Enhancement Citra Sidik Jari Kotor Menggunakan Hybrid Method Dan Gabor Filter.

[10] Thai Raymond. 2003. Fingerprint Image Enhancement and Minutiae Extraction. The University of Western Australia.

[11] Yiang Zhang, Yuhua Jiao, A Fingerprint Enhancement Algorithm using a Federated Filter.

[12] Sharat S. Chikkerur “Online Fingerprint Verification System”.

[13] Rafel C. Gonzalez, Richard E. Woods. 2002. Digital Image Processing (Second Edition). Prentice-Hall. New Jersey.

[15] Peng Yang et.al. 2002, Face Recognition Using Ada-Boosted Gabor Feature. Institute of Computing Technology of Chinese Academy Science and Microsoft Research Asia, China.

[16] D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 2003. Handbook of Fingerprint Recognition, Springer, New York.

[17] Sharath Pankanti & Anil Jain, 2004. “Fingerprint Classification and Matching”, Dept. of University IBM T. J. Watson Research Center, East Lansing, MI 48824 Yorktown Heights, NY10598 Computer Science & Engg. Exploratory Computer Vision Grp, Michigan State. [18] Chaohong Wu, Zhixin Shi, 2004. Fingerprint Image Enhancement Method

Using Directional Median Filter.

[19] Rahmat Syam, Mochamad Hariadi, Mauridhi Hery Purnomo. 2011. Penentuan

Lampiran 1.

Lampiran 2.

Lampiran 3.

Tabel Nilai Termination dan Bifurcation pada Sidik Jari Berminyak Sebelum dan Sesudah Gabor

No Nama File

Citra Sidik Jari Berminyak Sebelum Gabor

Citra Sidik Jari Berminyak Setelah Gabor Termination Bifurcation Termination Bifurcation

No Nama File

Citra Sidik Jari Berminyak Sebelum Gabor

Citra Sidik Jari Berminyak Setelah Gabor Termination Bifurcation Termination Bifurcation

Lampiran 4.

Tabel data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor

Sidik Jari Normal

Sidik Jari Berminyak

Sidik Jari Sebelum Gabor Sidik Jari Setelah Gabor Similarity Matching Minutiae Similarity Matching Minutiae

Sidik Jari Normal

Sidik Jari Berminyak

Sidik Jari Sebelum Gabor Sidik Jari Setelah Gabor Similarity Matching Minutiae Similarity Matching Minutiae