BAB 2 TINJAUAN PUSTAKA 2.1. Sistem Biometrik - Verifikasi Citra Sidik Jari Berdasarkan Minutiae Dengan Metode Gabor Filter

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 σ_y 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].