DENGAN MENGGUNAKAN METODE HAAR WAVELET DAN SUPPORT VECTOR MACHINE
Alandri Erizal¹, Bedy Purnama², Febriyanti Hevanie³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Keamanan merupakan salah satu masalah yang perlu diperhatikan dalam dunia teknologi akhir- akhir ini. Keamanan dengan cara tradisional masih memiliki banyak kelemahan. Pengenalan telapak tangan menjadi salah satu bagian penelitian yang banyak diminati dalam bidang biometrik, dibandingkan jenis biometrik yang lain. Telapak tangan memiliki kelebihan seperti kestabilan ciri dan kecilnya biaya yang digunakan dalam penggunaannya. Dalam tugas akhir ini ditawarkan salah satu cara pengenalan telapak tangan dalam pengenalan identitas manusia atau individu dengan menggunakan metode pengenalan ciri transformasi haar wavelet dan klasifikasi Support Vector Machine (SVM)
Keamanan merupakan salah satu masalah yang perlu diperhatikan dalam dunia teknologi akhir- akhir ini. Keamanan dengan cara tradisional masih memiliki banyak kelemahan. Pengenalan telapak tangan menjadi salah satu bagian penelitian yang banyak diminati dalam bidang biometrik, dibandingkan jenis biometrik yang lain. Telapak tangan memiliki kelebihan seperti kestabilan ciri dan kecilnya biaya yang digunakan dalam penggunaannya. Dalam tugas akhir ini ditawarkan salah satu cara pengenalan telapak tangan dalam pengenalan identitas manusia atau individu dengan menggunakan metode pengenalan ciri transformasi haar wavelet dan klasifikasi Support Vector Machine (SVM)
Data tugas akhir yang diambil berupa video, alasannya bisa diterapkan dalam bentuk realtime.
Jumlah yang diambil ada 30 video telapak tangan yang diperoleh dengan menggunakan kamera digital. Pengujian sistem dilakukan dengan penentuan pengambilan feature length (ciri citra) dan parameter fungsi kernel polynomial pada SVM. Dari hasil pengujian diperoleh hasil pengujian terbaik dengan akurasi 86% untuk data ideal anggota kelas dan 81% untuk data kelas realtime.
Kata Kunci : keamanan, haarwavelet, support vector machine, telapak tangan, biometric, video
Abstract
keamanan, haarwavelet, support vector machine, telapak tangan, biometric, video keamanan, haarwavelet, support vector machine, telapak tangan, biometric, video
Video was data that using in this research, because can implementation in realtime condition. 30 palmprint video was captured using digital camera. Testing system do with feature length and parameter kernel function on SVM. After testing, can getting best accuracy 86% for ideal data and accuracy 81% for realtime data condition.
Keywords : security, haarwavelet, support vector machine, palmprint, biometric, video
BAB I
PENDAHULUAN
1.1 Latar Belakang
Seiring terus berkembangnya penggunaan Teknologi Informasi (TI) dalam kehidupan, TI sekarang tidak hanya digunakan untuk berbagai kepentingan positif yang membantu kehidupan manusia, tetapi juga digunakan sebagai media atau sarana tindak kriminal oleh pihak-pihak tertentu yang tidak bertanggung jawab, seperti kasus-kasus pencurian identitas pribadi, data dan privacy seseorang. Jika dilihat pada saat sekarang ini di indonesia penggunaan teknologi pada pengenalan identitas pribadi masih banyak menggunakan cara tradisional, seperti penggunaan Password, PIN (Personal Identification Number) dan Id card. Pengunaan pengenalan identitas pribadi yang tradisonal ini memiliki potensi resiko yang besar terhadap ancaman-ancaman seperti kehilangan, pencurian, terlupakan, dan perampasan. Sehingga apabila jatuh kepada pihak-pihak yang tidak bertanggung jawab akan menimbulkan kerugian bagi orang lain, kerugiannya bisa dari skala kecil seperti hilangnya kartu tanda pengenal hingga kerugian skala besar seperti hilangnya uang ratusan juta. Tentu masalah ini tidak bisa dibiarkan berlarut-larut saja hingga semakin banyak korban yang bertambah. Oleh karena itu diperlukan sebuah solusi cerdas yang mampu memiliki kehandalan yang tinggi, tidak mudah dicuri, sulit dipalsukan, unik (berbeda tiap individu), tidak mudah terlupakan, dan tanpa sadar seseorang tersebut membawanya. Metode ini dikenal dengan Biometrics, yaitu teknik pengenalan identitas seseorang melalui ciri fisik dan tingkah laku seseorang seperti wajah, telapak tangan, iris mata, sidik jari, suara dan lainnya.[5]
Pada saat sekarang ini telah banyak para ahli yang meneliti dan menulis buku-buku yang berkaitan dengan penggunaan biometrik sebagai metode pengenalan identitas pribadi seseorang, seperti penelitian yang dilakukan oleh Chris Robert (2006) mengenai Biometric Technologies - Palm and Hand [7].Hal ini menunjukkan bahwa teknologi biometrik benar-benar bisa digunakan sebagai solusi untuk menghindari resiko-resiko yang mungkin muncul pada metode pengenalan identitas pribadi yang tradisional tersebut. Walaupun mungkin masih sulit untuk diterapkan dan dijadikan budaya atau kebiasaan bagi masyarakat
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
indonesia saat ini tetapi lambat laun seiring dengan meningkatnya kebutuhan akan keamanan maka penggunaan biometrik ini bisa diterima oleh masyarakat umum.
Pada tugas akhir ini akan dibangun sebuah sistem yang mampu mengenali telapak tangan melalui teknik pengolahan beberapa citra digital yang diperoleh dari sebuah video. Ektraksi ciri yang digunakan adalah Haar Wavelet dan metode klasifikasi untuk pengenalan telapak tangan adalah Support Vector Machines (SVM). Adapun alasan pemilihan pengenalan telapak tangan sebagai objek penelitian adalah karena pengenalan telapak tangan memiliki karakteristik seperti struktur yang stabil, penggunaannya membutuhkan biaya yang kecil dibandingkan ciri biometrik yang lain dan juga tidak akan berubah walaupun si empunya sudah meninggal (jasad tidak membusuk) [5]. Pada citra telapak tangan yang diperoleh dilakukan pengambilan ciri melalui metode Haar Wavelet. Hasil ekstraksi ciri ini nantinya akan diklasifikasikan dengan hasil ekstraksi ciri pada citra uji dengan menggunakan metode SVM, yang merupakan metode klasifikasi yang banyak diterapkan pada pengenalan pola (Pattern Recognition). Pada penelitian sebelumnya telah dilakukan penelitian pengenalan telapak tangan menggunakan metode jaringan syaraf tiruan, namun metode sering mengalami overfitting, atas dasar inilah dilakukan penelitian menggunakan metode SVM pada kasus pengenalan telapak tangan ini untuk menghasilkan performansi sistem yang lebih baik. Metode SVM ini pada awalnya merupakan metode yang digunakan untuk menyelesaikan permasalahan klasifikasi biner atau dua kelas, tetapi saat ini SVM telah banyak dikembangkan dan digunakan untuk meyelesaikan permasalahan banyak kelas.[8]
1.2 Rumusan Masalah
Berdasarkan latar belakang yang dikemukakan di atas, maka masalah yang akan dirumuskan adalah:
1. Bagaimana implementasi pengenalan telapak tangan seseorang menggunakan teknik pengolahan citra digital?
2. Bagaimana performansi penggunaan metode ekstraksi ciri transformasi Haar Wavelet dan metode klasifikasi Support Vector Machine (SVM), serta bagaimana pengaruh parameter-parameter pada Haar Wavelet dan SVM dalam kasus pengenalan telapak tangan seseorang tersebut?
3 1.3 Batasan Masalah
Dalam sistem identifikasi tugas akhir ini dibatasi oleh beberapa hal, sebagai berikut:
1. Pengenalan hanya dibatasi pada video telapak tangan yang berformat .avi dengan durasi 5 detik
2. Pengambilan video menggunakan alat yang dirancang khusus
3. Telapak tangan yang digunakan telapak tangan kanan, dengan jumlah data 30 orang
4. Bagian telapak tangan yang menjadi bahan penelitian adalah semua bagian dalam telapak tangan termasuk jari
5. Pengambilan video dilakukan menggunakan kamera digital
6. Kondisi tangan dalam keadaan sehat, tidak luka ataupun basah oleh zat cair tertentu
7. System yang dibangun bersifat offline, jadi data dikumpulkan terlebih dahulu baru dilakukan proses pengenalan
8. Frame yang diambil dari tiap data sebanyak 20.
1.4 Tujuan
Tujuan yang akan dicapai dalam penelitian ini adalah:
1. Mengimplementasikan metode ekstraksi Haar Wavelet dan metode klasifikasi menggunakan support vector machine yang menggunakan teknologi video
2. Menunjukkan bahwa algoritma Haar Wavelet dan Support Vector Machine dapat melakukan identifikasi manusia melalui telapak tangannya 3. Mendapatkan akurasi dari sistem dengan menggunakan automatic region 1.5 Metodologi Penyelesaian Masalah
1. Studi literatur
Merupakan tahap dalam mempelajari konsep serta teori pendukung untuk mencari solusi dari permasalahan. Studi literatur dalam tugas akhir ini meliputi pembelajaran konsep biometric, konsep stretchlim, Haar Wavelet, Suport Vector Mechine (SVM), Grayscale, serta literatur lainnya yang menunjang dalam proses pembuatan tugas akhir ini
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
2. Pengumpulan data
Yaitu tahapan melakukan pencarian serta pengumpulan data, data diperoleh dengan cara merekam video telapak tangan kanan individu.
Jumlah individu sebanyak 15 individu, dimana setiap individu diambil sebanyak 2 kali
3. Pemodelan sistem
Merupakan tahap dimana dianalisis kebutuhan serta perancangan untuk sistem pengenalan video telapak tangan yang akan dibangun.
4. Implementasi
Yaitu tahapan pembuatan sistem sesuai dengan perencanaan yang telah dilakukan.
5. Testing dan analisis hasil
Merupakan tahap pengujian yang dilakukan dari hasil klasifikasi menggunakan metode support vector machine (SVM), serta menganalisis performansi sesuai dengan parameter yang telah ditentukan.
6. Pembuatan laporan
Pada tahapan ini dilakukan penyusunan laporan berdasarkan hasil penelitian yang telah dilakukan serta menarik kesimpulan dari penelitian tersebut
39
BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
1. Dari hasil pengujian yang dilakukan, maka dapat disimpulkan bahwa peningkatan nilai kernel polynomial tidak selalu menghasilkan akurasi yang baik. Akurasi terbaik didapatkan pada saat parameter kernel bernilai 2, ini dikarenakan semua class bisa dikenali baik oleh sistem
2. Dari hasil pengujian yang dilakukan, maka dapat disimpulkan kenaikan nilai level tidak selalu menghasilkan akurasi yang baik. Karena dari perubahan yang dekomposisi yang dilakukan, level 3 merupakan parameter untuk mendapatkan akurasi terbaik. Karena pada level ini ciri citra yang dikenali semakin baik kualitasnya.
3. Pada saat disisipkan satu data uji yang berbeda dari data ideal, didapatkan akurasi yang bervariasi, namun cenderung turun saat parameter level dan kernel nilainya bertambah. Karena pada beberapa parameter didapatkan akurasi yang baik dapat disimpulkan system masih bisa mengenali data yang bersifat real time.
5.2 Saran
1. Untuk penelitian lebih lanjutnya supaya bisa mengambil data yang tidak fix, jarak antara kamera dan tangan memiliki batas minimum, namun ada beberapa pada batas di luar minimum data masih bisa dikenali. Maka kemungkinan mendapatkan 3 frame terbaik tidak pada urutan awal
2. Untuk penelitian selanjutnya dapat dilakukan diluar kotak namun dengan warna background yang sangat kontras dengan warna tangan.
3. Dapat dikembangkan metode lain dalam pendeteksian telapak tangan manusia yang berbasis video ini.
Powered by TCPDF (www.tcpdf.org)
Fakultas Teknik Informatika Program Studi S1 Teknik Informatika
DAFTAR PUSTAKA
[1] A.K. Jain, P. Flynn, A.A. Ross. 2008. Handbook Of Biometrics. Springer NY.
[2] Amayeh, Gholamreza, Bebis, George, Erol, Ali, dan Nicolescu, Mircea. 2008.
Hand-base verification and idenfication using palm-finger segmentation and fusion. Tersedia di http://www.elsevier.com/locate/cviu diunduh pada tanggal 10 Oktober 2011
[3] Cheng, H.D, dan Shi, X.J. 2004. A simple and effective histogram equalization
approach to image echancement. Tersedia di
http://www.elsevier.com/locate/dsp diunduh pada tanggal 6 Januari 2012.
[4] Darma Putra. 2010. Pengolahan Citra Digital. Yogyakarta. Andi
[5] Goh Kah Ong, Tee Connie, Andrew Beng Jin Teoh.2008. A Contactless Biometric System Using Palm Print and Palm Vein Features. Malaysia, Korea. Multimedia University, Yonsei University.
[6] Jain, Anil K, Flynn, Patrick, dan Ross, Arun A. 2008. Handbook of Biometrics. New York. Springer
[7] Lu, Guangming, Zhang, David, dan Wang, Kuanquan. 2002. Palmprint recognition using eigenpalms features. Tersedia di http://www.ai.pku.edu.cn diunduh pada tanggal 20 Maret 2011
[8] Liu, Yi dan Zheng, Yuan F. One-Against-All Multi-Class SVM Classification
Using Reliability Measure. Tersedia di
http://www.stat.umn.edu/~xshen/paper/ diunduh pada tanggal 2 Desember 2011
[9] Mariette Awad, Yuichi Motai. 2008. Dynamic Classification for Video Stream using Support Vector Machine.. USA. IBM.
[10] P.R. Rothe, and R.V. Kshirsagar, PhD. 2012. A Study on the Method of Image Preprocessing for Recognition of Crop Diseases. India.
[11] Sembiring, Krisantus. 2007. Penerapan Teknik Support Vector Machine untuk Pendeteksian Intrusi pada Jaringan. Bandung : Teknik Elektro dan Informatika, ITB.
[12] Suslianto Rizky. 2011. Ekstraksi Ciri Menggunakan Transformasi Wavelet Diskrit. Tersedia di http://www.zhuslee.wordpress.com/. Diunduh pada 7 Juli 2012
