3. PERENCANAAN SISTEM
Software yang akan dipakai dalam pembuatan sistem pengenalan sidik jari ini, memakai basis pemrograman Borland Delphi 6.0, dikarenakan bahasa pemrogramannya yang relatif sederhana, memiliki kecepatan dan ketepatan yang cukup baik, dan juga cukup mendukung dalam pengolahan gambar. Kesulitan yang muncul dalam pemakaian bahasa Delphi ini adalah karena tidak adanya operasi-operasi atau fungsi- fungsi internal dalam pengolahan gambar (gray-scale, black-white, dan histogram) dan perhitungan matriks seperti untuk mencari rata- rata, invers, transpose, dan sebagainya sehingga untuk semua operasi-operasi tersebut harus dibuat sendiri dan tentunya hal ini memakan waktu sekaligus membuat program lebih panjang.
Perencanaan software pengenalan sidik jari ini secara garis besar terdiri dari tiga bagian, yaitu bagian recognition, setting, dan database. Pada bagian recognition berisi operasi-operasi yang berfungsi untuk input image dan proses pengenalan, sedangkan pada bagian setting berisi tentang pengaturan software antara lain setting directory, pilihan metode pengenalan, dan setting dari fuzzy.Yang terakhir adalah bagian database yang berfungsi utama dalam proses pembuatan database. Dari ketiga bagian tersebut recognition dan database merupakan bagian yang paling utama dan penting.
3.1. Perencanaan sistem Recognition
Pada sistem recognition ini akan terdiri dari beberapa proses yaitu meliputi image processing, template matching (core detection), PCA ,dan recognition itu sendiri. Sistem recognition ini diharapkan mampu melakukan pengenalan dengan baik meskipun dengan menggunakan input yang tidak terikat akan dimensi image maupun mutu image itu sendiri.
Dalam sistem recognition ini juga terdapat 2 metode pengenalan untuk perbandingan dan juga untuk mendapatkan hasil pengenalan yang maksimal.
Diagram Alir dari sistem recognition ini adalah sebagai berikut :
Gambar 3.1. Diagram Alir Sistem Recognition
3.1.1. Image Processing
Image processing disini diperlukan karena kemungkinan adanya perbedaan dimensi sidik jari dan mutu gambar pada image- image yang akan digunakan sebagai input. Pangolahan image disini meliputi histogram
Image Processing
Core Detection
Take Data Image
PCA Unknown Image
Recognition Unknown Image
Similarity
equalization, crop image, dan stretch image seperti yang terlihat pada diagram alir berikut :
Gambar 3.2. Diagram Alir Image Processing
Pada bagian histogram equalization ini bertujuan untuk memperbaiki kontras dan brightness dari image dengan menggunakan persamaan 2.4, yang kemudian dilanjutkan ke bagian crop image untuk mengambil bagian dari sidik jari dari image, dengan cara megubah format warna image menjadi black-white, sehingga mudah untuk mendapatkan batas-batas (atas-bawah, kanan-kiri) dari sidik jari yang berwarna hitam.
Pada bagian terakhir dari image processing adalah bagian stretch yang berfungsi untuk merubah ukuran tinggi dan lebar dari image menjadi 150 x n pixels dengan mengacu pada tinggi dari sidik jari. Jadi tinggi dari image yang telah di crop di ubah menjadi sebesar 150 pixels, sedangkan lebarnya berubah mengikuti perbandingan perubahan tingginya.
3.1.2. Core Detection
Tujuan dari core detection ini adalah untuk mendapatkan titik core yang terdapat pada sidik jari. Pendeteksian core dilakukan dengan metode template matching sesuai pada persamaan 2.7 dengan template core yang berupa potongan gambar sidik jari sekitar titik core dari beberapa macam sidik jari sebanyak 10
Histogram Equlization
Crop Image
Stretch Image
Enhancement Image
buah yang masing- masing berdimansi 18 x 18 pixels. Setelah dilakukan template matching, maka nilai similarity terbesar ( maksimum 1) menunjukkan posisi core yang paling benar yang akan dijadikan acuan dala m pengambilan data sidik jari yang akan dikenali.
Berikut ini contoh dari template core yang digunakan dalam metode template matching ini.
Gambar 3.3. Template Core
3.1.3. Take Data Image
Setelah posisi dari titik core diketahui, maka dilanjutkan dengan take data image yaitu pengambilan data pada unknown finger print dengan dimensi yang telah ditentukan, yang sesuai dengan database. Data image yang diambil disini berdimensi 36 x 36 pixels dari image dan diambil dengan acuan titik tengah core sebagai titik pusatnya. Maka dari proses ini didapatkan image baru dengan dimensi 36 x 36 pixels yang nantinya akan diolah kembali dengan metode PCA (Principal Component Analysis). Data image ini kemudian dimasukkan kedalam sebuah matriks I dengan dimensi 1296 x 1.
3.1.4. PCA (Principal Component Analysis) dari Unknown Image
Pada bagian ini berfungsi untuk mereduksi data yang akan di-matching dengan database. Hal ini diperlukan karena data gambar memiliki dimensi yang cukup besar yaitu 36 x 36 pixels atau 1.296 data, sedangkan semakin banyaknya data sebagai input akan mengakibatkan sangat banyaknya rule-rule dari fuzzy yamg harus dibuat. Metode PCA yang dipakai pada program ini adalah metode PCA yang lebih efisien yang dikenalkan oleh Murakami and Kumar dengan formula sesuai pada persamaan 2.13-17 pada bab teori penunjang .
Proses PCA dari data image sebagai berikut :
Gambar 3.4. Diagram Alir PCA
3.1.5. Recognition
Pada proses recognition ini data feature baik dari unknown image maupun image training untuk setiap image sidik jari diambil sebanyak 8 data secara berurutan dari terdepan. Metode recognition yang digunakan pada program pengenalan sidik jari ini ada 2 macam sistem, yaitu sistem Fuzzy Matching dan Nearest Neighbour dimana pada metode fuzzy matching yang merupakan metode utama pada Tugas Akhir ini menghasilkan nilai similarity dengan nilai maksimum satu, sedangkan pada metode nearest neighbour selaku metode pembanding memiliki output berupa distance yang nilai maksimumnya nol.
Matriks I
Kurangkan martiks I dengan matriks Rata-Rata
Transpose hasil matriksnya
Kalikan dengan matriks Vexpand
Fiture Image
3.1.5.1. Sistem Fuzzy Matching a. Crisp Input
Untuk mendapatkan crisp input pada perencanaan fuzzy logic ini, 8 data image yang diperoleh melalui PCA, diolah dengan cara menghitung selisih 8 data pada tiap image dalam image training dengan 8 data image yang akan dikenali.
Tabel 3.1. Contoh Mendapatkan Crisp Input Image Training Feature
(105)
Image Testing Feature (105)
Selisih (105)
-3.2 4.2 -7.4
-28 -14 -14
-23 -12 -11
-6.7 2.8 -9.5
-23 -12 -11
-17 -13 -4
-24 -17 -7
-3.1 -0.7 -2.4
b. Membership Function
Digunakan 3 buah membership function masing- masing dengan label Zero, Positif dan Negatif. Pada awalnya, membership function Zero dibuat berbentuk segitiga, membership function Positif dan Negatif dibuat berbentuk trapesium. Untuk lebih jelasnya perhatikan gambar di bawah ini
Gambar 3.5. Membership Function
Bentuk membership function pada Tugas Akhir ini tidak mutlak melainkan bentuk dan letaknya bisa diubah- ubah sesuai keinginan. Hal ini dilakukan supaya bisa dilakukan trial and error sehingga dapat mencapai hasil yang maksimal.
-a 0 a Negative Ze ro Positive
c. Fuzzyfication
Untuk mentransformasikan crisp input menjadi fuzzy input, maka dilakukan proses fuzzifikasi berdasarkan membership function-nya.
Karena semakin dekat Zero maka semakin mirip, dan semakin mendekati Positive atau Negative semakin tidak mirip, maka label Zero diganti namanya menjadi True (disingkat T) dan label Positive dan Negative diganti menjadi False (disingkat F).
Tabel 3.2. Contoh Mendapatkan Fuzzy Input Melalui Fuzzyfication Fuzzy Input
Crisp Input (105)
True False
-7.4 0.383 0.617
-14 0 1
-11 0.083 0.917
-9.5 0.208 0.792
-11 0.083 0.917
-4 0.667 0.333
-7 0.417 0.583
-2.4 0.800 0.200
d. Rule Evaluation
Untuk mendapatkan fuzzy output dilakukan proses rule evaluation. Tahap awal dari proses rule evaluation yaitu membuat rule.
Jumlah rule yang dibuat untuk perencanaan Fuzzy ini adalah sebanyak 28 = 256 rules.
Tabel 3.3. Rule Evaluation
No. Rule I II III IV V VI VII VIII Output 1 F F F F F F F F Tidak mirip 2 F F F F F F F T 1 / 8 mirip 3 F F F F F F T F 1 / 8 mirip 4 F F F F F F T T 2 / 8 mirip 5 F F F F F T F F 1 / 8 mirip 6 F F F F F T F T 2 / 8 mirip
Tabel 3.3. Rule Evaluation (Sambungan)
Selain fuzzy output diperoleh melalui proses rule evaluation(rule pertama) seperti pada tabel diatas, pada program ini juga di ujikan suatu rule evaluation(rule kedua) yang telah di modifikasi, berdasarkan ciri dari metode PCA sendiri yaitu bahwa data awal (urutan pertama) dari hasil proses PCA merupakan data yang paling mewakili dari data yang diolah.
Oleh karena itu pada modifikasi rule evaluation ini dilakukan dengan cara memberikan tingkatan-tingkatan nilai rule berdasarkan urutannya dari yang paling mewakili.
No. Rule I II III IV V VI VII VIII Output
7 F F F F F T T F 2 / 8 mirip 8 F F F F F T T T 3 / 8 mirip 9 F F F F T F F F 1 / 8 mirip 10 F F F F T F F T 2 / 8 mirip 11 F F F F T F T F 2 / 8 mirip 12 F F F F T F T T 3 / 8 mirip 13 F F F F T T F T 3 / 8 mirip 14 F F F F T T T F 3 / 8 mirip 15 F F F F T T T T 4 / 8 mirip 16 F F F T F F F F 1 / 8 mirip 17 F F F T F F F T 2 / 8 mirip 18 F F F T F F T F 2 / 8 mirip 19 F F F T F F T T 3 / 8 mirip 20 F F F T F T F F 2 / 8 mirip
.
.
.
251 T T T T T F T F 6 / 8 mirip 252 T T T T T F T T 7 / 8 mirip 253 T T T T T T F F 6 / 8 mirip 254 T T T T T T F T 7 / 8 mirip 255 T T T T T T T F 7 / 8 mirip
256 T T T T T T T T Sama
e. Defuzzyfication
Proses terakhir dari Fuzzy Logic yaitu mentranformasikan Fuzzy Output menjadi Crisp Output dengan menggunakan proses defuzzifikasi.
Metode defuzzifikasi yang di gunakan adalah metode Center Of Area (COA). Alasan pertama penggunaan metode ini adalah karena mendapatkan refenrensi dari paper “Perbandingan Antara Metode Defuzzifikasi Center Of Area dan Mean of Maxima dalam Fuzzy Logic Control” karya Thiang, Resmana Lim, Wahyudi yang menunjukkan bahwa metode Center Of Area cenderung lebih baik dibandingkan menggunakan metode Mean Of Maxima. Metode Mean Of Maxima hanya mengambil 1 fuzzy output yang tertinggi, sedangkan metode Center Of Area mentransformasi keseluruhan dari Fuzzy Output menjadi sebuah Crisp Output. Proses defuzzifikasi mengunakan Output Membership Function.Output Membership Function untuk sistem Fuzzy Logic ini diperlihatkan pada Gambar dibawah ini.
Keterangan :
M = Mirip M TM = Mirip
Gambar 3.6. Output Membership Function
3.1.5.2. Sistem Nearest Neighbour
Pada sistem nearest neighbour ini untuk input-nya juga didapatkan dari 8 data image yang merupakan hasil dari PCA. Selanjutnya dicari distance dari setiap image training dengan unknown image, nilai distance terkecil menunjukkan semakin miripnya image tersebut. Distance dicari dengan menggunakan persamaan 2.8 pada bab teori penunjang.
1
0
T M 1/8M 2/8M 3/8M 4/8M 5/8M 6/8M 7/8M Sama
0 1/8 1/4 3/8 1/2 5/8 3/4 7/8 1
3.2. Perencanaan Sistem DataBase
Dalam suatu metode matching, umumnya tidak pernah terlepas dari adanya database yang berfungsi sebagai data pembanding. Dalam TugasAkhir ini database yang digunakan akan di simpan dalam dua bentuk file, yaitu text (.txt) dan image (.BMP) dimana pada file text berisi data dari matriks (rata-rata, vexpand, dan feature), sedangkan pada file image digunakan untuk menyimpan core image dan finger print image. Diagram alir dari proses pembuatan database adalah sebagai berikut :
Gambar 3.7. Diagram Alir Create DataBase Process
Dari semua proses pada diagram alir diatas, terdapat 3 buah proses yang diikuti dengan panyimpanan hasil data matriks dari proses tersebut, yaitu matriks rata-
Image Processing n ImageTraining
Masukkan data pixels dari n enhance image training ke matriks
dataim(1296 x n)
Cari rata-rata n image training dan save (simpan)
Cari transpose matriks dari dataim(1296 x n)
Cari matriks M
M = dataim(n x 1296) x dataim(1296 x n)
Cari eigen vector (V) dari matriks M
Cari Vexpand dari eigen vector(V) dan save (simpan)
Cari matriks feature PCA dan save (simpan)
Matriks feature
rata, Vexpand, dan feature. Hal ini dilakukan karena matriks-matriks ini yang nantinya akan panggil kembali untuk digunakan pada proses recognition. Berikut ini adalah file- file yang digunakan untuk menyimpan data-data tersebut :
Tabel 3.4. Nama-Nama dari File (.TXT) sebagai DataBase
Nama File Data Yang Disimpan
Rata.txt Rata-rata PCA
vexpand.txt Eigen Vector dari PCA yg telah di-expand
Fiturdb.txt Feature PCA
3.3. Tampilan Program Pengenalan Sidik Jari
Berikut ini merupakan tampilan dari program pengenalan sidik jari yang meliputi tab recognition, tab setting, dan tab database beserta fungsi dari komponen-komponen yang ada didalamnya.
3.3.1. Tampilan Tab Recognition
Gambar 3.8. Tampilan Tab Recognition
.
3.3.1.1. Tombol Browse
Tombol ini berfungsi untuk mencari lokasi (directory) dari unknown finger print image yang akan dikenali, dan kemudian meletakkannya pada list (file on investigation). Fungsi dari tombol ini dapat digantikan dengan cara menuliskan secara langsung lokasi dari file kedalam list (file on investigation). Setelah proses diatas maka tombol load yang mulanya tidak aktif, akan menjadi aktif.
3.3.1.2. Tombol Load
Tombol load ini berfungsi untuk menempatkan image yang akan dikenali kedalam memory komputer, menampilkannya ke finger print viewer, dan mengaktifkan tombol start investigate yang berarti image telah siap untuk diproses.
3.3.1.3. Tombol Start Investigate
Tombol ini merupakan tombol utama dalam program pengenalan sidik jari ini yang berfungsi untuk memulai proses pengenalan, antara lain meliputi pengolahan gambar, pengambilan data gambar, pengolahan data gambar sampai dengan pada akhirnya yaitu pengenalan.
3.3.1.4. Match Finger Print Viewer
Fungsi dari komponen ini adalah untuk menampilkan gambar dan nama dari sidik jari yang telah dikenali yang diperoleh dari database setelah proses recognition telah dilakukan. Jadi tampilnya gambar dari sidik jari ini berarti juga merupakan selesainya proses pengenalan yang dilakukan.
3.3.1.5. Tombol Scan Core Result
Tombol ini berfungsi untuk menampilkan hasil pencarian core dengan template matching yang berupa form dengan gambar sisik jari yang pada bagian corenya telah ditandai dan juga menunjukkan nilai kemiripan dari core pada sidik jari tersebut dengan core yang ada di database.
Form Scan Core Result ini seperti yang terlihat pada gambar berikut :
Gambar 3.9. Form Scan Core Result
3.3.2. Tampilan Tab Setting
Gambar 3.10. Tampilan Tab Setting
Pada bagian tab setting ini memiliki fungsi utama sebagai pengatur dari keseluruhan program pengenalan sidik jari, meliputi pengaturan directory dari database, pengaturan jumlah sample training dari setiap sidik jari (default : 4),
pengaturan dari fuzzy (default : minimum 0, maksimum 6) , dan pengaturan dari pilihan metode pengenalan, yaitu fuzzy matching atau nearest neighbour (default:
fuzzy matching) . Selain sebagai pengatur pada tab setting ini juga terdapat dua display yaitu tampilan dari bentuk membership function fuzzy yang berubah sesuai dengan nilai batas-batas yang diberikan, dan tampilan tabel yang berfungsi untuk menampilkan data PCA baik dari database maupun dari image yang akan dikenali.
3.3.3. Tampilan Tab DataBase
Gambar 3.11. Tampilan Tab DataBase
Pada bagian tab database dari program ini berfungsi utama untuk pembuatan, penyimpanan dan pemanggilan dari data training. Fungsi dari komponen-komponen tombol yang terdapat pada tab database ini adalah sebagai berikut :
3.3.3.1. Tombol Load From File
Tombol ini berfungsi untuk mengambil image dari luar yang akan dijadikan database dan memasukkan data pixels kadalam matriks dan juga
menampilkan image tersebut ke database viewer. Tombol ini juga berfungsi untuk mengaktifkan tombol create.
3.3.3.2. Tombol Create
Tombol create ini berfungsi untuk memulai pembuatan sampai dengan penyimpanan database dari image yang telah di-load ke memory. Proses pembuatan database, untuk setiap sidik jari harus dilakukan sebanyak nilai yang dipilih pada “member of each finger print ” pada tab setting. Sebagai contoh jika dipilih nilai 2, maka setiap sidik jari yang akan dimasukkan database harus memiliki 2 sample untuk dijadikan database.
3.3.3.3. Tombol Load DataBase
Tombol load database ini merupakan tombol pertama yang harus jalankan pada saat akan memulai proses pengenalan sidik jari ataupun setelah kita memilih member of each finger print pada tab setting, oleh karena fungsi dari tombol ini adalah untuk memanggil database dalam bentuk text file (.txt) dan kemudian menempatkannya pada memory komputer dalam bentuk matriks.
