METODE EUCLIDEAN DISTANCE
FINGERPRINT CLASSIFICATION IMAGE
BASED ON SIX PATTERN TYPE USE EUCLIDEAN DISTANCE
METHOD
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika
Disusun Oleh:
Nama
: Ifan Hari PradanaNIM
:A11.2010.05597
Program Studi
:Teknik Informatika - S1
HALAMAN JUDULFAKULTASILMUKOMPUTER
UNIVERSITASDIANNUSWANTORO
SEMARANG
2015
i
SKRIPSI
KLASIFIKASI CITRA SIDIK JARI
BERDASARKAN ENAM TIPE PATTERN MENGGUNAKAN
METODE EUCLIDEAN DISTANCE
FINGERPRINT CLASSIFICATION IMAGE
BASED ON SIX PATTERN TYPE USE EUCLIDEAN DISTANCE
METHOD
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika
Disusun Oleh:
Nama
: Ifan Hari PradanaNIM
:A11.2010.05597
Program Studi
:Teknik Informatika - S1
HALAMAN JUDULFAKULTASILMUKOMPUTER
UNIVERSITASDIANNUSWANTORO
SEMARANG
2015
ii
PERSETUJUAN SKRIPSI
Nama : Ifan Hari Pradana
NIM : A11.2010.05597
Program Studi : Teknik Informatika S-1
Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Citra Sidik Jari Berdasarkan Enam Tipe Pattern Menggunakan Metode Euclidean Distance
Tugas Akhir ini telah diperiksa dan disetujui, Semarang, 9 Maret 2015
Menyetujui: Mengetahui:
Pembimbing Dekan Fakultas Ilmu Komputer
iii
PENGESAHAN DEWAN PENGUJI
Nama Pelaksana : Ifan Hari Pradana
NIM : A11.2010.05597
Program Studi : Teknik Informatika S-1
Fakultas : Ilmu Komputer
Judul Tugas Akhir : Klasifikasi Citra Sidik Jari Berdasarkan Enam Tipe Pattern Menggunakan Metode Euclidean Distance
Tugas Akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang Tugas Akhir tanggal 9 Maret 2015. Menurut pandangan kami, tugas akhir
ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom.)
Semarang, 9 Maret 2015 Dewan Penguji
Anggota 1 Anggota 2
Hanny Haryanto,S.Kom, M.T T. Sutojo, S.Si, M.Kom
Ketua Penguji
iv
PERNYATAAN KEASLIAN SKRIPSI
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya:
Nama : Ifan Hari Pradana NIM : A11.2010.05597
Menyatakan bahwa karya ilmiah saya yang berjudul:
“Klasifikasi Citra Sidik Jari Berdasarkan Enam Tipe Pattern Menggunakan Metode Euclidean Distance”
Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila di kemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti-bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Kota Semarang Pada tanggal : 9 Maret 2015
Yang menyatakan
v
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya:
Nama : Ifan Hari Pradana NIM : A11.2010.05597
Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
“Klasifikasi Citra Sidik Jari Berdasarkan Enam Tipe Pattern Menggunakan Metode Euclidean Distance”.
Beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikannya dan menampilkan/ mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis/ pencipta.
Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.
Demikian surat pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Kota Semarang Pada Tanggal : 9 Maret 2015
Yang menyatakan
vi
UCAPAN TERIMAKASIH
Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inayah-Nya kepada penulis sehingga laporan tugas akhir dengan judul “Klasifikasi Sidik Jari Menggunakan Metode Template Matching” dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terima kasih kepada:
1. Dr. Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang.
2. Dr. Abdul Syukur, Drs, MM, selaku Dekan Fasilkom.
3. Heru Agus Santoso, Ph.D selaku Ka. Progdi Teknik Informatika.
4. Dra. Yuniarsi Rahayu, M.Kom selaku pembimbing tugas akhir yang memberikan ide penelitian, informasi referensi yang penulis butuhkan dan bimbingan yang berkaitan dengan penelitian penulis.
5. Dosen-dosen pengampu di Fakultas Ilmu Komputer yang telah memberikan ilmu dan pengetahuannya masing-masing, sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan.
6. Kedua Orang tua beserta keluarga besar penulis, waktu dan kasih sayang mereka yang tidak pernah putus dan tak lupa kepada kakak yang telah mendukung penulis dalam menyelesaikan laporan tugas akhir ini..
7. Teman-teman dan sahabat penulis, teman “Mega Jaya FC”, teman-teman seperjuangan dan seangkatan Udinus 2010, yang setia memberikan, semangat, doa, dan bantuan kepada penulis.
Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih kepada beliau-beliau, dan laporan tugas akhir ini dapat bermanfaat sebagaimana fungsinya.
vii ABSTRAK
Template matching adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk mencocokkan tiap – tiap bagian dari suatu citra dengan citra yang menjadi template (acuan). Metode template matching sering digunakan untuk mengidentifikasi citra karakter huruf, angka, sidik jari dan aplikasi – aplikasi pencocokan citra lainnya. Sistem pengenalan sidik jari mampu mengidentifikasi sidik jari seseorang dari sekumpulan besar basisdata sidik jari, dan ini merupakan masalah tersendiri bagi efisiensi sistem identifikasi, sehingga digunakan berbagai pendekatan klasifikasi berdasarkan ciri umum yang tampak pada sidik jari. Pada projek akhir ini akan dibuat aplikasi klasifikasi sidik jari yang bertujuan untuk mengelompokkan sidik jari kedalam kelas-kelas tertentu berdasarkan ciri khusus yang terdapat pada sidik jari. Metode yang digunakan dalam aplikasi ini adalah template matching dengan euclidean distance. Euclidean distance yaitu metode klasifikasi tetangga terdekatnya dengan menghitung jarak antara dua buah objek. Algoritma ini akan mancari distance value dari matrik yang diambil dari citra inputan dengan citra sampel(acuan). Hasil dari uji coba menunjukkan bahwa klasifikasi sidik jari dengan metode euclidean distance dan template matching mampu mengklasifikasi sidik jari kedalam kelas tertentu. Tingkat keberhasilan pengklasifikasian sebesar 76,6% dari data uji sebanyak 30 citra.
viii
DAFTAR ISI
SKRIPSI ... i
PERSETUJUAN SKRIPSI ... ii
PENGESAHAN DEWAN PENGUJI ... iii
PERNYATAAN KEASLIAN SKRIPSI ... iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ... v
UCAPAN TERIMAKASIH ... vi
ABSTRAK ... viii
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... viii
DAFTAR LAMPIRAN ... viii
BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 2 1.3 Batasan Masalah ... 3 1.4 Tujuan Penelitian ... 3 1.5 Manfaat Penelitian ... 3
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 5
2.1 Tinjauan Studi ... 5
2.2 Citra ... 8
2.2.1 Definisi Citra ... 10
2.3 Pengolahan Citra Digital ... 9
2.3.1 Definisi Pengolahan Citra Digital ... 9
ix
2.3.3 Jenis-jenis operasi pengolahan citra ... 11
2.4 Sidik Jari ... 13
2.4.1 Definisi sidik jari ... 13
2.4.2 Sejarah sidik jari ... 14
2.4.2.1 Masa Purba ... 14
2.4.2.2 Masa Modern ... 15
2.4.3 Sifat sidik jari ... 16
2.4.4 Karakteristik Sidik Jari ... 17
2.5 Klasifikasi Sidik Jari ... 17
2.6 Metode ... 19
2.6.1 Template matching ... 19
2.6.2 Distance (Jarak) ... 20
2.6.2.1 Euclidean Distance ... 20
2.6.2.2 Pengujian Akurasi ... 21
BAB III TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 22
3.1 Metode Penelitian ... 22
3.2 Metode Pengumpulan Data ... 22
3.3 Pengumpulan Data ... 23
3.4 Populasi dan Sampel ... 23
3.5 Instrumen Penelitian ... 23
3.5.1 Kebutuhan Perangkat Lunak ... 23
3.5.2 Kebutuhan Perangkat Keras ... 24
3.5.3 Kebutuhan Alat Pengumpulan Data ... 24
3.6 Teknik Analisi Data ... 25
x
3.6.2 Proses Distance ... 23
3.7 Contoh Kasus ... 27
BAB IV HASIL DAN PEMBAHASAN ... 32
4.1 Implementasi Sistem ... 32
4.2 Perancangan Template... 32
4.3 Tampilan Sistem ... 33
4.3.1 Tampilan Menu Utama ... 33
4.4 Implementasi Sistem Klasifikasi citra sidik jari ... 39
4.4.1 Pengambilan citra uji... 39
4.4.2 Proses Resize dan konversi ke grayscale ... 39
4.4.3 Proses cropping image ... 39
4.4.4 Proses Input Template ... 39
4.4.5 Proses Pengklasifikasian ... 39
4.5 Pengujian citra Sidik jari ... 44
4.6 Hasil Pengujian ... 45
BAB V PENUTUP ... 48
5.1 Simpulan ... 48
5.2 Saran ... 48
xi
DAFTAR TABEL
Tabel 2.1 Penelitian terkait ...7
Tabel 3.1 Data uji ...23
Tabel 3.2 Hasil pengujian klasifikasi ...31
Tabel 4.1 Proses pengujian ...40
xii
DAFTAR GAMBAR
Gambar 2.1 Proses pengolahan citra ... 10
Gambar 2.2 Gambar sidik jari ... 12
Gambar 2.3 Pola sidik jari ... 17
Gambar 2.4 Karakteristik lokal sidik jari ... 17
Gambar 2.5 Berbagai macam kelas citra sidik jari ... 17
Gambar 2.6 Ilustrasi Template Matching... 20
Gambar 3.1 Diagram Alir Menu Utama ... 26
Gambar 4.1 Image template ... 32
Gambar 4.2 Main program ... 33
Gambar 4.3 Input citra sidik jari ... 39
Gambar 4.4 Resize dan konversi ke grayscale ... 40
Gambar 4.5 Crop image ... 41
Gambar 4.6 Input template ... 42
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Teknologi pengolahan citra (image processing) memungkinan manusia untuk membuat suatu sistem yang dapat mengenali suatu citra digital. Pengolahan citra merupakan salah satu jenis teknologi untuk menyelesaikan masalah mengenai pemrosesan gambar. Dalam pengolahan citra, gambar diolah sedemikian rupa sehingga gambar tersebut dapat digunakan untuk aplikasi lebih lanjut.
Image processing adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar (peningkatan kontras, transformasi warna, restorasi citra), transformasi gambar (rotasi, translasi, skala, transformasi geometrik), melakukan pemilihan citra ciri (feature image) yang optimal untuk tujuan analis. Teknik image processing ini dapat dikembangkan untuk ilmu yang lebih luas, salah satunya yaitu untuk klasifikasi biometrik menggunakan sidik jari (Fingerprint biometrik classification)[1].
Sidik jari memiliki berbagai keunikan, bahwa tidak ada seorangpun di dunia ini yang memiliki sidik jari yang sama persis. Sehingga telah dimanfaatkan untuk pengenalan dan pelacakan identitas seseorang. Menurut Jain (2003) sidik jari menjadi pilihan terlaris dengan prosentase pengguna sebesar 52%. Hal ini karena identifikasi jenis ini terbukti paling aman dan nyaman, aman karena sidik jari tidak dapat dipalsukan, nyaman karena verifikasi mudah dilakukan.
Sistem pengenalan sidik jari harus mampu mengidentifikasi sidik jari seseorang dari sekumpulan besar basis data sidik jari. Hal ini merupakan masalah tesendiri bagi efisiensi sistem identifikasi. Sehingga digunakanlah
berbagai pendekatan klasifikasi berdasarkan ciri umum yang tampak pada sidik jari. Klasifikasi seperti ini dapat mengurangi ukuran dari ruang pencarian yaitu membatasi pencarian hanya pada sidik jari dalam kelas yang sama selama proses identifikasi.
Selama ini pengklasifikasian sidik jari menggunakan pengklasifikasian eksklusif (exclusive classification), yaitu citra dibagi menjadi beberapa kelas berdasarkan ciri makro. Penelitian ilmiah pertama dilakukan oleh F. Galton pada tahun 1892, yang membagi sidik jari pada tiga kelas besar. Kemudian E.R Henry pada tahun 1900, memperbaharui klasifikasi Galton dengan menambah jumlah kelas. Skema klasifikasi inilah yang akhirnya digunakan oleh agen-agen polisi[2].
Pada penelitian ini, penulis menggunakan metode template matching untuk mengklasifikasi dan mengelompokkan citra sidik jari kedalam kelas-kelas tertentu. Template matching adalah salah satu teknik dalam pengolahan citra digital yang befungsi untuk mencocokkan tiap-tiap bagian dari suatu citra dengan citra yang menjadi template (acuan). Untuk mengukur tingkat kecocokan, penulis menggunakan euclidean distance. Euclidean distance adalah metode klasifikasi tetangga terdekatnya dengan menghitung jarak antara dua buah objek. 2 benda dikatakan sama (cocok) jika nilai distance valuesnya sama dengan 0[3].
Diharapkan dengan metode template matching mampu mengklasifikasi citra sidik jari dan hasil yang dicapai maksimal.
1.2 Rumusan Masalah
Dari masalah yang telah dipaparkan, maka rumusan pertanyaan yang mendasari penelitian ini adalah:
1. Bagaimana mengklasifikasi citra sidik jari.
2. Bagaimana penerapan euclidean distance untuk menghitung prosentase kecocokan citra sidik jari dengan template citra sidik jari. 3. Mengklasifikasi citra sidik jari ke dalam kelas tertentu.
3
1.3 Batasan Masalah
Dalam penyusunan Tugas Akhir ini, penulis memberikan batasan-batasan masalah dengan maksud untuk memfokuskan penelitian dan agar tidak menyimpang dari tujuan semula, maka penulis membatasi pokok permasalahan pada:
1. Format gambar JPG.
2. Citra yang diuji adalah citra grayscale.
3. Citra sidik jari yang diujicobakan adalah ibu jari tangan kanan.
4. Pola sidik jari yang diidentifikasi adalah pola-pola sidik jari dalam keadaan bersih dan normal.
5. Hanya menggunakan enam kelas template sidik jari yaitu plain arch, tented arch, ulnar loop, radial loop, plain whorl, dan double loop. 6. Masukan untuk sistem pengolahan citra adalah berkas citra yang
direkam sebelumnya, dan keluaran sistem adalah prosentase kecocokan suatu pola citra sidik jari pada kelas yang ada.
7. Program yang digunakan dalam penelitian ini adalah MATLAB 7.1
1.4 Tujuan Penelitian
Adapun tujuan dari penulisan Tugas Akhir ini adalah sebagai berikut:
1. Menerapkan metode template matching untuk mengklasifikasi citra sidik jari.
2. Menerapkan euclidean distance untuk menghitung prosentase kecocokan citra sidik jari dengan template citra sidik jari.
3. Merealisasikan suatu algoritma sistem klasifikasi citra sidik jari yang mampu melakukan proses mencocokkan sidik jari dan mengklasifikasi ke dalam kelas tertentu.
1.5 Manfaat Penelitian
Manfaat yang diperoleh dalam penelitian ini adalah: 1. Mafaat bagi Akademik
Dapat menambah referensi-referensi untuk dijadikan sumber bagi mahasiswa yang sedang melakukan penyusunan tugas akhir pada masa yang akan datang.
2. Manfaat bagi Penulis
Dengan menyusun laporan Tugas Akhir ini penulis mendapat ilmu, bertambah wawasan dan pengalaman mengenai image procesing menggunakan metode template matching dengan mempraktekan ilmu pengetahuan yang diperoleh.
3. Manfaat bagi Pemakai
Membantu menentukan klasifikasi sidik jari kedalam kelas-kelas tertentu.
5 BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjauan Studi
Penelitian ini menggunakan beberapa referensi seperti jurnal. Berikut adalah jurnal yang berhubungan dengan pengolahan citra dengan metode template matching dan euclidean distance untuk pencocokan pola.
Rezki Trianto[1], Ni Nengah Dewi Merdekawati[2], Rizkie Purnama Shakti Nugraha[3], Dita Nur Yuni Astiti[4], Happy Gagas Tri Atmojo[5][3], dengan judul ”Klasifikasi Huruf Katakana dengan Metode Template Matching Correlation”. Masalah yang terjadi pada penelitian ini adalah untuk memperkenalkan bahasa jepang kepada masyarakat luas. Metode yang digunakan adalah template matching correlation. Hasil dari penelitian tersebut menunjukkan bahwa dari data latih sebanyak 20 citra, didapat bahwa 85% dari data latih yang diujikan benar. Hal ini menunjukkan bahwa pengenalan pola dengan metode template matching correlation mempunyai tingkat keberhasilan yang cukup tinggi, serta nilai korelasi yang cukup tinggi yang berkisar antara 0.5 samapai 1 yang membuktikan bahwa dengan nilai korelasi tersebut menunjukkan bahwa korelasi antara matriks pada citra uji dengan matrik pada datalatih mempunyai kemiripan yang besar, sedangkan pada nilai korelasi antara 0 hingga 0.5 memiliki hunbungan korelasi tetapi tidak terlalu kuat.
Yenniwarti Rafsyam[1], Jonifan[2][8], “Klasfifikasi Citra USG Menggunakan Metode Euclidean Distance untuk Estimasi Ukuran Kista Ovarium “.Salah satu cara untuk mendiagnosa seseorang terkena kista ovarium dapat dilakukan dengan pemeriksaan ultrasonografi (USG). Namun demikian, hasil yang diperoleh para dokter menunjukkan diagnosa yang subyektif, yaitu sangat bergantung pada ahli yang menangani kasus tersebut. Selain itu dapat pula terjadi perbedaan diagnosa antara satu dokter dengan
dokter lainnya. Di lain pihak keahlian dalam mendiagnosa juga dipengaruhi oleh pengalaman dokter tersebut dalam menangani kasus yang serupa. Untuk mengatasi subyektifitas tersebut maka dirancang suatu piranti lunak dengan menggunakan Visual Basic untuk pengolahan citra USG dengan tujuan dapat mengestimasi ukuran kista dengan tepat dan akurat. Metode yang digunakan dalam penelitian ini untuk mengestimasi ukuran kista yaitu dengan mencari jumlah pixel yang mewakili lebar, tinggi dan diagonal yang dikalikan dengan konstanta hasil kalibrasi ukuran kista. Hasil penelitian menunjukkan bahwa untuk sampel yang dinormalisasi dengan ukuran template 16x16 dan 20x20 menghasilkan kesalahan rata-rata (MSE) dikisaran 0,05 - 0,06 dan standar deviasi yang relatif rendah yaitu dikisaran 0,25 ern.
Galih Wicaksono[1], Rizal Isnanto[2], Ajub Ajulin Zahra[3][5], ”Sistem Identifikasi Garis Utama Telapak Tangan Menggunakan Metode Principal Component Analysis (PCA) dan Jarak Euclidean”. Masalah yang terjadi pada penelitian ini adalah metode pengenalan identitas seseorang yang banyak digunakan berdasarkan nomor identitas unik (kunci fisik, kartu identitas dan lainnya) atau berdasarkan ingatan terhadap sesuatu (sandi rahasia dan lainnya). Metode tersebut banyak memiliki kekurangan di antaranya kartu identitas dapat hilang dan sandi dapat lupa dari ingatan seseorang. Dalam penelitian ini dibuat program pengenalan citra telapak tangan dengan menggunakan metode Principal Components Analysis (PCA) dan jarak Euclidean. Dalam penelitian ini digunakan 150 citra latih dari 30 responden dan 60 citra uji dari 30 responden dan 10 dari responden uji di luar 30 responden. Berdasarkan hasil dari pengujian tersebut dengan variasi jumlah 50, 75 dan 100 komponen utama dihasilkan tingkat pengenalan yang sama yaitu 90%. Sedangkan pengujian menggunakan citra intensitas pencahayaan yang kurang, dihasilkan pengenalan yang sama, yaitu 90%. Namun untuk pengujian menggunakan 10 responden uji di luar 30 responden latih dan uji yang terdaftar dalam basisdata diperoleh hasil tidak dikenali 100%, hal ini sesuai dengan yang diharapkan dari aplikasi ini.
7
Dari penelitian terkait tersebut dapat dirangkumkan pada tabel dibawah ini:
Tabel 2.1 Penelitian terkait
No Nama Peneliti dan
Tahun Masalah Metode
Hasil 1. Rezki Trianto, Ni Nengah Dewi Merdekawati, Rizkie Purnama Shakti Nuraha, DitaNur Yuni Astiti, Happy Gagas Tri Atmojo, 2014 Klasifikasi huruf katakana Metode template matching correlation
Data latih sebanyak 20 citra, didapat bahwa 85% dari data latih yang diujikan benar 2. Yenniwarti Rafsyam, Jonifan. 2011 Klasfifikasi Citra USG Menggunak an Metode Euclidean Distance untuk Estimasi Ukuran Kista Ovarium Metode Euclidean Distance Hasil penelitian menunjukkan bahwa untuk sampel yang dinormalisasi dengan ukuran template 16x16 dan 20x20 menghasilkan kesalahan rata-rata (MSE) dikisaran 0,05 - 0,06 dan standar deviasi yang relatif rendah yaitu dikisaran 0,25 ern
3. Galih Wicaksono, Rizal Isnanto, and Ajub Ajulian Zahra, 2014 Identifikasi garis telapak tangan untuk mengenali Metode Principal Components Analysis (PCA) dan jarak
hasil dari pengujian tersebut dengan variasi jumlah 50, 75 dan 100
komponen utama
dihasilkan tingkat pengenalan yang sama
identitas seseorang
Euclidean yaitu 90%. Sedangkan pengujian menggunakan
citra intensitas
pencahayaan yang
kurang, dihasilkan pengenalan yang sama, yaitu 90%. Namun untuk pengujian menggunakan 10 responden uji di luar 30 responden latih dan uji yang terdaftar dalam basisdata diperoleh hasil tidak dikenali 100%,
2.2 Citra
2.2.1 Definisi
Adapun beberapa definisi citra sebagai berikut:
1. Menurut Pearson (1991), citra adalah representasi dua dimensi dari dunia visual, menyangkut berbagai macam disiplin ilmu yang mencakup seni, human vision, astronomi, teknik, dan sebagainya. Merupakan suatu kumpulan piksel-piksel atau titik-titik yang berwarna yang berbentuk dua dimensi.
2. Menurut Michael C. Fairhust (1994), suatu fungsi 2 dimensi, dimana harga-harga fungsi tersebut f (x,y) pada koordinat spasial (x,y) di bidang x dan y mendefinisikan suatu ukuran intensitas cahaya atau kecemerlangan titik tersebut.
3. Menurut Foley, James D (1996), citra adalah array dari nilai-nilai dimana sebuah nilai tersebut adalah sekumpulan angka yang mendeskripsikan atribut dari piksel di dalamnya.
9
4. Menurut Wolfram Research, inc (2002), citra adalah sinyal diskrit 2 dimensi. Secara matematis, sinyal ini dapat dipresentasikan sebagai fungsi dari variable-variable 2 dimensi. Setiap elemen dari array tersebut disebut piksel.
Citra sebagai keluaran dari suatu sistem perekaman data dapat bersifat sebagai berikut:
1. Optik berupa foto
2. Analog berupa sinyal video contohnya gambar pada monitor televisi,
3. Digital yang dapat langsung disimpan pada suatu pita magnetik. Terdapat dua macam citra, yaitu:
1. Citra diam
Merupaka citra tunggal yang tidak bergerak tetap, biasa disebut citra. 2. Citra bergerak (moving images)
Merupakan rangkaian citra diam yang ditampilkan secara beruntun (sekunsial) sehingga memberikan kesan pada mata kita sebagai gambar yang bergerak. Setiap citra didalam rangkaian tersebut disebut frame.
2.3 Pengolahan Citra Digital
2.3.1 Definisi Pengolahan Citra Digital
Pengolahan citra digital atau image procesing adalah disiplin ilmu yang melahirkan teknik-teknik untuk mengolah citra. Pengolahan citra merupakan proses yang bertujuan untuk memanipulasi dan menganalisis citra dengan bantuan komputer. Pengolahan citra digital dapat dikelompokkan dalam dua jenis yaitu[1]:
1. Memperbaiki kualitas gambar, sehingga dapat lebih mudah diinterpretasi oleh mata manusia atau mesin (komputer).
2. Mengolah informasi yang terdapat pada suatu gambar untuk keperluan pengenalan objek secara otomatis.
Inputan berupa citra asli dan outputnya adalah citra dengan kualitas lebih baik dari pada citra masukan. Misal citra warnanya kurang tajam, kabur (bluring), mengandung noise sehingga diperlukan pemprosesan perbaikan citra tersebut. Karena citra yang mengalami gangguan menjadi sulit diinterpretasikan sehingga informasi yang disampaikan menjadi tidak jelas[1].
Gambar 2.1 Proses pengolahan citra 2.3.2 Aplikasi Pengolahan Citra Digital
Dalam kehidupan sehari-hari pengolahan citra digital memegang peranan yang cukup penting. Hal ini ditunjukkan oleh beberapa aplikasi berikut[4]:
a. Pengolahan citra dalam perfilman
Pengolahan citra dimanfaatkan untuk menghaluskan gambar, menajamkan gambar, memberi efek terang dan gelap, membei kesam timbul, memberi efek morphing dan lain-lain.
b. Pengolahan citra dalam fotografi dan memberi cahaya pada bagian tertentu pada foto, menghilangkan noise.
c. Pengolahan citra dalam dunia kedokteran
Dalam dunia kedokteran, pengolahan citra biasa digunakan untuk memperjelas hasil x-ray organ tubuh manusia,pengolahan citra hasil CT scan dan lain-lain
d. Pengolahan citra dalam dunia komunikasi
Citra Asli Proses
Pengolahan Citra
11
Untuk memperjelas foto permukaan bumi yang dihasilkan dari satelit cuaca atau memperjelas foto planet-planet yang dihasilkan dari satelit penyidik. Foto-foto tersebut pada umumnya hampir tidak dapat dilihat, karena pada saat foto tersebut dikirim ke stasiun bumi melalui gelombang terjadi banyak gangguan diperjalanan. Gangguan ini disebabkan oleh gelombang lain misalnya gelombang radio, televisi, dan lain-lain yang bercampur dengan gelombang data tersebut sehingga menyebabkan terjadinya noise.
e. Pengolahan citra dalam keamanan data dan proteksi hak cipta Seringkali data yang dikirim dari suatu tempat ke tempat yang lain merupakan data rahasia, sehingga perlu dijamin keamanannya. Sebagai contoh adalah dalam aplikasi steganography atau watermarking.
f. Pengolahan citra dalam pengenalan pola
Pengolahan citra dalam pengenalan pola dapat digunakan untuk mengenali pola atau bentuk suatu citra. Contohnya seperi pada deteksi wajah, pengenalan iris mata atau sistem identifikasi sidik jari otomatis.
2.3.3 Jenis-jenis operasi pengolahan citra
Operasi-operasi yang didalam pengolahan citra dapat diklasifikasikan dalam beberapa jenis yaiu[4]:
1. Perbaikan Citra
Jenis operasi ini bertujuan untuk memparbaiki citra dengan cara memanipulasi parameter-parameter citra. Perbaikan citra diartikan sebagai proses untuk mengolah citra digital yang didapat agar lebih mendekati bentuk citra aslinya, atau sering disebut sebagai proses mendapat kembali citra asli dari suatu citra yang telah mengalami proses degrasi.
Peningkatan kualitas citra atau image enchament adalah suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan yang diinginkan melalui fungsi transformasi, operasi matematis, pemfilteran, dan lain-lain. Tujuan utama dari peningkatan kualitas citra adalah untuk memproses citra sehingga citra yang dihasilkan lebih baik dari pada citra aslinya untuk aplikasi tertentu.
Peningkatan kualitas citra dibagi menjadi dua, yaitu: metode domain spasial (ruang dan waktu) dan metode domain frekuensi. Teknik pemprosesan metode domain spasial adalah berdasarkan anipulasi langsung dari piksel didalam citra. Teknik pemprosesan metode domain frekuensi adalah berdasarkan perubahan transformasi fourier pada citra.
3. Pemugaran Citra (image restoration)
Operasi ini bertujuan menghilangkan atau meminimalkan cacat pada citra. Tujuannya hampir sama dengan operasi perbaikan citra, bedanya pada pemugaran citra penyebab degradasi gambar diketahui. Contoh operasi ini adalah :
a. Penghilangan kesamaran (deblurring) b. Penghilangan derau (noise)
4. Pemampatan Citra (image compressing)
Operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting yang harus diperhatikan dalam pemampatan citra adalah citra yang telah dimampatkan harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan citra adalah metode JPEG.
5. Segmentasi Citra (image segmentation)
Jenis operasi ini bertujuan membagi suatu citra menjadi wilayah-wilayah yang homogen berdasarkan kriteria keserupaan tertentu,
13
antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya.
6. Analisa Citra (image analysis)
Jenis operasi ini bertujuan untuk menghitung besaran kuatitatif dari citra untuk menghasilkan deskripsinya. Teknik analisa citra digunakan dalam identifikasi objek. Proses segmentasi kadangkala diperlukan untuk mengalokasi objek yang diinginkan dari sekelilingnya. Contoh-contoh analisa citra antara lain :
a. Pendeteksian tepi obyek (edge detection) b. Ekstraksi batas (boundary)
c. Representasi daerah (regional) 7. Rekontruksi Citra (image recontruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa citra hasil proyeksi. Operasi rekontruksi citra banyak digunakan dalam bidang medis. Misalnya beberapa foto roentgen dengan sinar x digunakan untuk membentuk ulang gambar organ tubuh.
2.4 Sidik Jari
2.4.1 Definisi sidik jari
Sidik jari adalah pola-pola guratan-guratan pada jari manusia. Pola-pola sidik jari manusia dibentuk sejak usia empat bulan. Ridge atau pola garis yang menonjol pada jari manusia berkembang secara acak dan unik. Kecelakaan yang cukup fatal pada usia janin 4-7 bulan dapat mengubah pola sidik jari. Menjelang usia 8 bulan dan seterusnya. Pola sidik jari yang sudah terbentuk tidak akan berubah sekalipun permukaan jari dibakar atau dipotong karena setiap ridge sudah tertanan samapai pada kulit bagian dalam [9].
Gambar 2.2 Sidik jari 2.4.2 Sejarah sidik jari
Sepanjang sejarah manusia tidak pernah ditemukan dua orang yang memiliki sidik jari yang sama. Bahkan untuk dua orang yang kembar identik . Inilah sebabnya identifikasi sidik jari merupakan cara pengenalan yang sangat akurat. Penggunaan karakteristik sidik jari sebagai pengenalan pribadi telah cukup lama digunakan sejak peradaban purba sampai peradaban modern[9].
2.4.2.1 Masa purba
Pada petroglyphs (semacam batu tulis) Nova Scotia (Suku Amerika kuno) menunjukkan gambaran sebuah tangan dengan pola-pola sidik jari yang. Pada masa kerajaan Babylonia dan China kuno. Sidik jari telah dicetakkan ke lempengan tanah kiat sebagai alat pengenalan diri. Pada abad ke-14. Cetakan sidik jari telah dibuahkan pada kertas-kertas pemerintahan Kerajaan Persia. Pada masa itu pihak pemerintah sudah menyelidiki bahwa tidak ada dua sisik jari yang sama[9].
2.4.2.2 Masa modern
Penggunaan modern sidik jari bermula pada tahun 1856 dimana Sir William Herschel menggunakan cetakan sidik jarinya disebuah kertas perjanjian. Tal lama kemudian, semua
15
jenis perjanjian kontrak resmi mulai ditandai dengan adanya bubuhan sidik jari.
Pengenalan sidik jari pertama kalinya diterapkan oleh Alphonse Bertillon, yang disebut Bertillon System. System ini menggunakan kombinasi sistematis dari pegukuran pola fisik sidik jari. Sistem pengenalan ini bertahan selama 30 tahun lebih. Sistem pengenalan berikutnya yang berkembang adalah sistem pengenalan dengan menggunakan pola bentuk yang dikembangkan oleh Sir Francis Galton. Tak lama kemudian, Sir Francis Galton mendefinisikan karakteristik unik dari setiap ridge pada sidik jari dengan sebutan minute [9].
Penggunaan pengenalan dengan sidik jari dalam bidang pengenalan pelaku kriminal sudah mulai berkembang sejak tahun 1897 oleh Sir Edward Richard Hendri di india. Di Negara yang berhasa Spanyol, pengenalan pola sidik jari menggunakan sistem Vucetich yang dikembangkan sejak tahun 1904 oleh Juan Vucatich.
Selama 25 tahun sejak tahun 1900. Banyak agen-agen kepolisian di Amerika Serikat yang sudah mulai mengirimkan cetakan-cetakan pola sidik jari mereka ke pusat pengenalan pelaku kriminal di Bureau. Ini kemudian menjadi adata-data dasar dalam database sidik jari FBI yang dibentuk pada tahun 1924. Sampai pada tahun 1971. Jumlah cetakan sidik jari yang ada sudah mencapai 200 juta cetakan.
Dengan pengenalan pada tehnogi AFIS (Automated Fingerprint Identification System), file-file ini sudah dibagi ke dalam data-data kriminal dan data-data warga sipil.
Perkembang lebih lanjut dari pengenalan pola-pola sidik jari ini telah berevolusi menjadi bidang ilmu biomtrics[9].
2.4.3 Sifat sidik jari
Sistem keamanan menggunakan sidik jari telah terbukti cukup akurat, aman, mudah dan nyaman untuk dipakai sebagai identifikasi. Hal ini dapat dilihat pada sifat yang dimiliki oleh sidik jari, antara lain sebagai berikut[2] :
1. Perennial nature, yaitu guratan-guratan pada sidik jari yang melekat pada kulit manusia seumur hidup.
2. Immutability, yaitu sidik jari seseorang tidak pernah berubah, kecuali mendapat kecelakaan yang serius.
3. Individuality, pola sidik jari adalah unik dan berbeda untuk setiap orang.
Dari ketiga sifat ini, sidik jari dapat digunakan sebagai sistem identifikasi yang dapat digunakan dalam penerapan teknologi informasi seperti :
1. Sistem akses keamanan, yaitu akses untuk masuk ke suatu area atau ruangan tertentu yang dibatasi.
2. Sistem autentikasi, yaitu untuk akses data yang sifatnya rahasia dan terbatas. Misalnya data pada perbankan, militer, dan diplomatik.
Ciri khas sidik jari yang digunakan adalah guratan sidik jari yang dapat diidentifikasi dengan cara menganalisis detail dari guratan-guratan sidik jari yang dinamakan dengan “minutiae”. Berdasarkan klasifikasi, pola sidik jari dapat dinyatakan secara umum ke dalam tiga bentuk yaitu busur (arch), sangkutan (loop), dan lingkaran (whorl).
17
Gambar 2.3 Pola sidik jari 2.4.4 Karakteristik Sidik Jari
Untuk setiap sidik jari manusia terdapat beberapa karakteristik sebagai berikut [9]:
1. Ridge: garis yang menonjol pada permukaan jari. 2. Valley: daerah lembah di permukaan jari.
3. Minutiae: titik-titik perhentian (ending) atau titik-titik percabangan (bifurcation) untuk setiap ridge.
2.5 Klasifikasi Sidik Jari
Pengklasifikasian sidik jari menggunakan klasifikasi eksklusif, citra dibagi menjadi beberapa kelas berdasarkan ciri makro. Sidik jari dibagi menjadi 8 kelas,antaralain sebagai berikut[2] :
1. Plain Arch
adalah bentuk pokok sidik jari dimana garis-garis datang dari sisi lukisan yang satu mengalir ke arah sisi yang lain, dengan sedikit bergelombang naik ditengah.
2. Tented arch (Tiang Busur)
adalah bentuk pokok sidik jari yang memiliki garis tegak atau sudut atau dua atau tiga ketentuan sangkutan.
3. Ulnar loop
adalah garisnya memasuki pokok lukisan dari sisi yang searah dengan kelingking, melengkung ditengah pokok lukisan dan kembali atau cenderung kembali ke arah sisi semula.
4. Radial loop
adalah garisnya memasuki pokok lukisan dari sisi yang searah dengan jempol, melengkung di tengah pokok lukisan dan kembali atau cenderung kembali ke arah sisi semula.
5. Plain Whorl (Lingkaran)
Bentuk pokok sidik jari, mempunyai dua delta dan sedikitnya satu garis melingkar di dalam pola area, berjalan didepan kedua delta. 6. Double loop (Sangkutan Kembar)
adalah mempunyai dua delta dan dua garis melingkar di dalam pola area, berjalan didepan kedua delta.
7. Central Pocket Loop
Terdiri dari setidaknya satu daerah punggungan melengkung atau obstruksi pada sudut kanan garis aliran dengan dua delta, ketika ditarik garis imajiner tidak ada area punggungan melengkung yang terpotong. Central pocket loop membuat satu sirkuit lengkap yang mungkin spiral, oval, melingkar atau varian dari lingkaran.
8. Accidental
Terdiri dari dua jenis pola dengan pengecualian dari plain arch yang memiliki dua atau lebih delta.
19
Ciri-ciri lokal sidik jari ditentukan oleh jumlah dan posisi garis alur dan banyaknya percabangan dari garis-garis alur yang terdiri dari:
1. Inti (core) didefinisikan sebagai titik yang didekatnya terdapat alur-alur yang membentuk susunan semi-melingkar. Inti ini digunakan sebagai titik pusat lingkaran balik garis alur yang menjadi titik acuan pembacaan dan pengklasifikasian sidik jari.
Gambar 2.5 Karakteristik lokal sidik jari
2. Delta didefinisikan sebagai didefinisikan sebagai suatu titik yang terdapat pada suatu daerah yang dibatasi oleh tiga sektor yang masing-masing memiliki bentuk hiperbolik. Titik ini merupakan pertemuan curam atau titik divergensi dari pertemuan dua garis alur. 3. Minutiaedidefinisikan sebagai titik-titik terminasi (ending) dan titik-titik awal percabangan (bifurcation) dari garis garis alur yang memberikan informasi yang unik dari suatu sidik jari.
2.6 Metode
2.6.1 Template matching
Template matching adalah sebuah teknik dalam pengolahan citra digital untuk menemukan bagian – bagian kecil dari gambar yang cocok dengan template gambar. Energi cahaya yang terpancar dari suatu bentuk mengena pada retina mata dan diubah menjadi energi neural yang kemudian dikirim ke otak. Selanjutnya terjadi pencarian diantara template-template yang ada. Jika sebuah template ditemukan sesuai (match) dengan pola tadi, maka subjek dapat mengenal bentuk tersebut. Setelah kecocokan antara objek dan template terjadi, proses lebih lanjut dan interpretasi terhadap objek bisa terjadi[3].
Pada dasarnya template matching adalah proses yang sederhana. Suatu citra masukan yang mengandung template tertentu dibandingkan dengan template pada basis data. Template ditempatkan pada pusat bagian citra yang akan dibandingkan dan dihitung seberapa banyak titik yang paling sesuai dengan template. Langkah ini diulangi terhadap keseluruhan citra masukan yang akan dibandingkan. Nilai kesesuaian titik yang paling besar antara citra masukan dan citra template menandakan bahwa template tersebut merupakan citra template yang paling sesuai dengan citra masukan.
Gambar 2.6 Ilustrasi template matching
Gambar 2.6 bagian kiri merupakan citra yang mengandung objek yang sama dengan objek pada template yang ada di sebelah kanan. Template diposisikan pada citra yang akan dibandingkan dan dihitung derajat kesesuaian pola pada citra masukan dengan pola pada citra template[3].
2.6.2 Distance (Jarak)
Jarak digunakan untuk menentukan tingkat kesamaan atau ketidaksamaan dua vektor fitur. Tingkat kesamaan berupa suatu nilai (score) dan berdasarkan skor tersebut dua vektor fitur akan dikatakan mirip atau tidak[4].
2.6.2.1 Euclidean Distance
Ruang Euclidean merupakan ruang dengan dimensi terbatas yang bernilai riil. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku.
21
Jika 𝑥 = 𝑥1+ 𝑥2+ 𝑥3 … 𝑥𝑛 dan 𝑦 = 𝑦1 + 𝑦2 + 𝑦3 … 𝑦𝑛
merupakan dua titik dalam Euclidean ruang –n, maka jarak Euclidean x ke y adalah:
𝑑𝑥𝑦 = (𝑥1− 𝑦1)2+ (𝑥
2− 𝑦2)2+ (𝑥3− 𝑦3)2+ ⋯ + (𝑥𝑛 − 𝑦𝑛)2
Euclidean distance adalah metrika yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat perbedaan 2 vektor (root of square differences between 2 vectors)[2].
Rumus dari euclidean distance:
𝒅
𝒊𝒋=
𝒏𝒌=𝟏(𝒙
𝒊𝒌− 𝒙
𝒋𝒌)
𝟐Contoh :
Terdapat 2 vektor sebagai berikut : A = [ 0 , 3 , 4 , 5]
B = [ 7 , 6 , 3 , -1]
Euclidean Distance dari vektor A ke B adalah
𝑑𝐴𝐵 = (0 − 7)2+ (3 − 6)2+ (4 − 3)2+ (5 − (−1))2
=
49 + 9 + 1 + 36 = 9,7472.6.2.2 Pengujian Akurasi
Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya.
Rumusnya :
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =
𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟
22 BAB III
METODE PENELITIAN
3.1 Metode Penelitian
Dalam penyusunan tugas akhir ini dilakukan penelitian pada sidik jari menggunakan ciri-ciri unik yang terdapat pada sidik jari. Penelitian dilaksanakan secara Eksperimental, yaitu penelitian yang pengumpulan datanya melalui pencatatan langsung dari percobaan atau perhitungan untuk membandingkan template gambar sidik jari dengan template gambar uji sidik jari.
Penelitian akan dilakukan dengan melakukan percobaan pada sebuah sampel citra sidik jari dengan citra sidik jari yang sudah terbagi menjadi 6 kelas yang berbeda sebagai acuan atau sample. Inputan citra sidik jari dibandingkan satu-persatu untuk mencari nilai jarak (disance) antara inputan sidik jari dengan sample citra sidik jari acuan. Gambar – gambar yang akan dibandingkan tadi nantinya akan diproses dengan menggunakan metode euclidean distance. Dengan euclidean distance, sistem bisa mengetahui tingkat kemiripan antara 2 gambar inputan tadi. Gambar inputan dikatakan mirip jika nilai dari euclidean distance bernilai 0, atau mendekati 0.
3.2 Metode Pengumpulan Data
Dari beberapa metode pengumpulan data, untuk mendapatkan data yang benar-benar akurat dan relevan, penulis memilih dua metode yaitu :
1. Eksperimen atau percobaan
Dalam metode eksperimen ini, pengumpulan data dilakukan melalui pencatatan langsung dari percobaan atau pengukuran berulang-ulang dengan menggunakan aplikasi klasifikasi sidik jari yang telah dikembangkan yang mampu mencocokkan gambar yang berbeda
23
(inputan dan sampel) kemudian memberikan informasi tingkat kecocokannya.
2. Studi pustaka
Studi pustaka adalah pengumpulan data-data yang penulis ambil dari berbagai macam buku-buku, literatur, referensi dan dari berbagai data-data yang bersumber dari media global seperti internet yang berkaitan dengan penulisan tugas akhir ini dan juga dapat mendukung penelitian yang penulis buat.
3.3 Pengumpulan Data
Data yang digunakan berasal dari SMA Kesatrian 1 kelas XII IPS 4 dan Bahasa, yang berlokasi di JL. Pamularsih 116 Semarang. Data yang diambil berupa data sidik jari ibu jari tangan kanan. Pengumpulan data dilakukan pada kamis 26 Februari 2015.
3.4 Populasi dan Sampel
Populasi yang digunakan dalam penelitian ini adalah populasi file gambar JPG (gambar sidik jari). Untuk sampelnya, penulis akan menggunakan 6 buah gambar sidik jari sebagai acuan yang sudah terbagi menjadi 6 kelas-kelas yang berbeda dan 30 citra masukan sidik jari dengan format JPG. Setiap sampel citra masukan akan dicocokkan satu-persatu dengan sampel gambar sidik jari (terbagi dalam 6 kelas), kemudian setiap hasil pencocokan berupa nilai jarak (distance) nya akan dibandingkan mana yang paling sesuai.
3.5 Instrumen Penelitian
Dalam penelitian ini, dibutuhkan beberapa instrumentasi peralatan, diantaranya :
3.5.1 Kebutuhan Perangkat Lunak
Kebutuhan perangkat lunak merupakan faktor penting yang harus dipenuhi dalam penelitian ini. Sehingga perangkat lunak tersebut sesuai dengan maksud dan tujuan dalam penelitian.
Adapun perangkat lunak yang dibutuhkan dalam penelitian ini adalah sebagai berikut :
1. Operating System Windows Operating system windows yang digunakan yaitu windows seven.
2. Microsoft Office Word Digunakan untuk menulis hasil penelitian yang telah dilakukan.
3. Matlab 7.1 Software ini digunakan untuk membuat aplikasi klasifikasi sidik jari. Dalam aplikasi ini, gambar yang dicocokkan berupa file JPG.
3.5.2 Kebutuhan Perangkat Keras
Selain kebutuhan perangkat lunak, diperlukan pula perangkat keras yang harus dipenuhi dalam penelitian ini. Adapun perangkat keras yang dibutuhkan adalah sebagai berikut :
1. Laptop dengan spesifikasi minimal :
a. Intel(R) Core(TM) i5-3337U CPU@ 1.80GHz b. RAM 4 GB
c. Hard Disk 500 GB
d. CD-ROM
2. Printer
3.5.3 Kebutuhan Alat Pengumpulan Data
Adapun alat ukur yang digunakan dalam penelitian ini adalah aplikasi klasifikasi sidik jari yang dikembangkan. Aplikasi ini sudah memuat fungsi untuk mengetahui tingkat kecocokan gambar yang dibandingkan, sehingga menghasilkan informasi yang rasional. Dengan alat ukur ini juga diperoleh distance value yang merupakan hasil perhitungan dari nilai vector antara gambar sampel dengan gambar inputan.
25
3.6 Teknik Analisi Data
Kegiatan analisis data merupakan bagian yang sangat penting dalam penelitian. Pemecahan masalah penelitian dan penarikan kesimpulan dari suatu penelitian sangat bergantung dari hasil analisis data ini.
Adapun teknik serta langkah-langkah analisis yang digunakan pada penelitian ini adalah sebagai berikut :
1. Pengambilan citra Sidik Jari
Pada tahap ini, akan diambil 36 citra, yang mana 6 merupakan template acuan sidik jari (plain_arch.jpg, tented_arch.jpg, unlair_loop.jpg, radial_loop.jpg, plain_whorl.jpg, double_loop.jpg) dan yang 30 merupakan template inputan yang diujikan (jari_1.jpg – jari_30.jpg), setelah itu disimpan.
2. Resize citra menjadi 200x200 piksel
Proses resize ini bertujuan untuk menyamakan citra inputan yang akan diproses.
3. Konversi citra aras RGB ke grayscale
Citra RGB akan dikonversi ke grayscale supaya citra bisa diolah dengan metode yang digunakan
4. Croping image
Proses ini bertujuan untuk mengambil bagian gambar tertentu yang sudah di rencanakan.
5. Pencocokan pola
Pada tahap ini, template sample acuan dan template inputan akan diproses. Tiap template, baik citra acuan maupun inputan yang sudah dicrop dibandingkan satu-persatu. Untuk membandingkan antara template tersebut, digunakan metode euclidean distance. Metode ini akan mencari nilai jarak dari kedua template tersebut. Template inputan dikatakan sama dan masuk dalam kelas tertentu apabila template inputan dengan template acuan nilai jaraknya sama dengan 0, atau mendekati 0.
6. Mengukur tingkat akurasi
Pada tahap ini, akan dilakukan pengukuran tingkat akurasi apakah algoritma euclidean distance cocok digunakan dalam proses template matching atau tidak.
3.6.1 Skema Kerja
Agar penelitian dapat berjalan secara sistematis, maka diperlukan rancangan penelitian/langkah-langhkah dalam penelitian. Adapun tahapan implementasi dalam penelitian sebagai berikut:
Gambar 3.1 Diagram alir menu utama
Mulai
Pengambilan citra sidik jari
Resize ke 200x200 piksel dan konversi ke grayscale
Crop citra sidik jari
Pembentukan template
Proses Klasifikasi
27
3.6.2 Proses Euclidean Distance
Citra uji yang sudah berformat graysclae kemudian diproses dan di bandingkan dengan template acuan untuk mencari nilai jarak terdekat. Output berupa nilai dari masing-masing template, Hasil dari perhitungan tersebut akan dibandingkan untuk mencari nilai terkecil yang kemudian hasilnya akan ditampilkan di field hasil klasifikasi dan masuk kedalam kelas yang sudah di rencanakan.
3.7 Contoh Kasus
Dilakukan sebuah ujicoba untuk klasifikasi sidik jari menggunakan 3 buah citra uji. Masing-masing sidik jari akan diambil template sampel acuan sebagai pembanding dengan gambar inputan. Gambar diproses menggunakan euclidean distance untuk mencari nilai jarak yang terdekat atau mencari nilai terkecil yang mendekati 0.
Tabel 3.1 Data ujicoba
NO. Nama Gambar Sample Sample Matrik 4x4 Keterangan
1. PlainWh orl.jpg Sample Acuan Ulnarloo p.jpg Sample Acuan Radiallo op.jpg Sample Acuan
2. jari_1.jp g Inputan jari_1.jp g Inputan jari_1.jp g Inputan
Perhitungan dengan Euclidean Distance:
𝒅
𝒊𝒋=
(𝒙
𝒊𝒌− 𝒙
𝒋𝒌)
𝒏 𝒌=𝟏
𝟐
Perhitungan dengan mengambil sampel matrik 4x4, gambar yang di ujikan yaitu radialloop_1.jpg, ulnarloop_1.jpg, dan plainwhorl_1.jpg.
1. Perbandingan sample (Ulnarloop, Plainwhorl, dan radialloop) dengan radialloop_1.jpg
29 = [ 230 − 213 2+ 229 − 213 2+ 229 − 213 2+ 229 − 213 2 + 230 − 213 2+ 229 − 213 2+ 229 − 213 2+ 229 − 213 2 + 230 − 213 2+ 230 − 213 2+ 230 − 213 2+ 230 − 213 2 + 230 − 213 2+ 230 − 213 2+ 230 − 213 2+ 230 − 213 2] = 4426 = 66,52
𝑑
𝑃𝑙𝑎𝑖𝑛𝑤 ℎ𝑜𝑟𝑙 .𝑗𝑝𝑔 (𝑅𝑎𝑑𝑖𝑎𝑙𝑙𝑜𝑜𝑝 _1.𝑗𝑝𝑔 )= [ 126 − 213 2+ 128 − 213 2+ 127 − 213 2+ 127 − 213 2 + 128 − 213 2+ 126 − 213 2+ 126 − 213 2+ 126 − 213 2 + 127 − 213 2+ 126 − 213 2+ 126 − 213 2+ 126 − 213 2 + 128 − 213 2+ 129 − 213 2+ 130 − 213 2+ 130 − 213 2] = 125168 = 353,79
𝑑
𝑈𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 .𝑗𝑝𝑔 (𝑅𝑎𝑑𝑖𝑎𝑙𝑙𝑙𝑜𝑝 _1.𝑗𝑝 𝑔)= [ 160 − 213 2+ 160 − 213 2+ 160 − 213 2+ 160 − 213 2 + 160 − 213 2+ 160 − 213 2+ 160 − 213 2+ 160 − 213 2 + 160 − 213 2+ 160 − 213 2+ 160 − 213 2+ 160 − 213 2 + 160 − 213 2+ 160 − 213 2+ 160 − 213 2+ 160 − 213 2] = 44944 = 212
2. Perbandingan sample (Ulnarloop, Plainwhorl, dan radialloop) dengan Ulnarlloop_1.jpg
𝑑
𝑅𝑎𝑑𝑖𝑎𝑙𝑙𝑜𝑜𝑝 .𝑗𝑝𝑔 (𝑢𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 _1.𝑗𝑝𝑔 )= [ 230 − 159 2+ 229 − 159 2+ 229 − 159 2+ 229 − 159 2 + 230 − 159 2+ 229 − 159 2+ 229 − 159 2+ 229 − 159 2 + 230 − 159 2+ 230 − 159 2+ 230 − 159 2+ 230 − 159 2 + 230 − 159 2+ 230 − 159 2+ 230 − 159 2+ 230 − 159 2] = 79810 = 282,50
𝑑
𝑃𝑙𝑎𝑖𝑛𝑤 ℎ𝑜.𝑗𝑝𝑔 (𝑢𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 _1.𝑗𝑝𝑔 )= [ 126 − 159 2+ 128 − 159 2+ 127 − 159 2+ 127 − 159 2 + 128 − 159 2+ 126 − 159 2+ 126 − 159 2+ 126 − 159 2 + 127 − 159 2+ 126 − 159 2+ 126 − 159 2+ 126 − 159 2 + 128 − 159 2+ 129 − 159 2+ 130 − 159 2+ 130 − 159 2] = 125168 = 353,79
𝑑
𝑈𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 .𝑗𝑝𝑔 (𝑢𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 _1.𝑗𝑝𝑔 )= [ 160 − 159 2+ 160 − 159 2+ 160 − 159 2+ 160 − 159 2 + 160 − 159 2+ 160 − 159 2+ 160 − 159 2+ 160 − 159 2 + 160 − 159 2+ 160 − 159 2+ 160 − 159 2+ 160 − 159 2 + 160 − 159 2+ 160 − 159 2+ 160 − 159 2+ 160 − 159 2] = 16 = 4
3. Perbandingan sample (Ulnarloop, Plainwhorl, dan radialloop) dengan plainwhorl_1.jpg
𝑑
𝑅𝑎𝑑𝑖𝑎𝑙𝑙𝑜𝑜𝑝 .𝑗𝑝𝑔 (𝑝𝑙𝑎𝑖𝑛𝑤 ℎ𝑜𝑟𝑙 _1.𝑗𝑝𝑔 )= [ 230 − 103 2+ 229 − 103 2+ 229 − 103 2+ 229 − 103 2 + 230 − 103 2+ 229 − 103 2+ 229 − 103 2+ 229 − 103 2 + 230 − 103 2+ 230 − 103 2+ 230 − 103 2+ 230 − 103 2 + 230 − 103 2+ 230 − 103 2+ 230 − 103 2+ 230 − 103 2] = 256546 = 506,50
𝑑
𝑝𝑙𝑎𝑖𝑛𝑤 ℎ𝑜𝑟𝑙 .𝑗𝑝𝑔 (𝑝𝑙𝑎𝑖𝑛𝑤 ℎ𝑜𝑟𝑙 _1.𝑗𝑝𝑔 )= [ 126 − 103 2+ 128 − 103 2+ 127 − 103 2+ 127 − 103 2 + 128 − 103 2+ 126 − 103 2+ 126 − 103 2+ 126 − 103 2 + 127 − 103 2+ 126 − 103 2+ 126 − 103 2+ 126 − 103 2 + 128 − 103 2+ 129 − 103 2+ 130 − 103 2+ 130 − 103 2] = 8911 = 94,39
31
𝑑
𝑈𝑙𝑛𝑎𝑟𝑙𝑜𝑜𝑝 .𝑗𝑝𝑔 (𝑝𝑙𝑎𝑖𝑛𝑤 ℎ𝑜𝑟𝑙 _1.𝑗𝑝𝑔 )= [ 160 − 103 2+ 160 − 103 2+ 160 − 103 2+ 160 − 103 2 + 160 − 103 2+ 160 − 103 2+ 160 − 103 2+ 160 − 103 2 + 160 − 103 2+ 160 − 103 2+ 160 − 103 2+ 160 − 103 2 + 160 − 103 2+ 160 − 103 2+ 160 − 103 2+ 160 − 103 2] = 51984 = 228
Pada pengujian yang telah dilakukan proses klasifikasi sebanyak 3 buah citra masukan, didapat hasil sebagai berikut:
Tabel 3.2 Hasil pengujian klasifikasi sidik jari
Citra masukan
Jenis-jenis template Hasil
klasifikasi Radial Loop Plain whorl Ulnar Loop
Radialloop_1.jpg 66,52 353,79 212 Radial Loop
plainwhorl_1.jpg 506,50 94,39 228 Plain Whorl
Ulnarloop_1.jpg 282,50 353,79 4 Ulnar Loop
Berdasarkan pada tabel 3.2 diatas, 3 buah citra uji mampu di klasifikasi dengan tepat. Pengklasifikasian diambil dari nilai jarak terkecil dari masing-masing nilai yang sudah dibandingkan.
Untuk pengujian akurasinya menggunakan rumus sebagai berikut:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =
𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟
𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
× 100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =
3
3
× 100%
32 BAB IV
HASIL DAN PEMBAHASAN
4.1 Implementasi Sistem
Sistem yang telah dibuat perlu dilakukan pengujian serta penerapan kegiatan yang nyata. Tahap implementasi ini adalah tahap pengujian sistem baru, dimana untuk membuat sistem komputerisasi diperlukan beberapa fasilitas atau peralatan pendukung supaya sistem dapat berjalan dengan lancar dan sesuai dengan yang diinginkan.
4.2 Perancangan Template
Akan dibuat template Citra sidik jari yang nantinya digunakan dalam proses pencocokan klasifikasi sidik jari. Template berupa image berukuran 200 x 200 pixel kemudian di crop bagian tengah menjadi 100 x 100 pixel, ini berfungsi untuk mengambil ciri khusus di setiap sidik jari.
Gambar 4.1 Image Template
Gambar 4.1 Image Template
Adapun listing program yang digunakan untuk membuat template, sebagai berikut
33 proyek1=guidata(gcbo); sample1=imread('sample.jpg'); sample12=rgb2gray(sample1); sample13 = imresize(sample12,[200 200]); sample14=imcrop(sample13,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes3); set(imshow(sample14)); imshow(sample14); set(proyek1.figure1,'userdata', sample14); set(proyek1.axes3,'userdata', sample14); 4.3 Tampilan Sistem
4.3.1 Tampilan Menu Utama
Pada halaman utama program dirancang dengan menggunakan GUI dari matlab, terdapat beberapa tombol dan field tampilan image.
Gambar 4.2 Main Program
Beberapa field dan tombol akan dijelaskan sebagai berikut : 1. Field citra asli
Merupakan field dimana untuk menampilkan image Sidik Jari yang akan diuji.
2. Field citra hasil
Merupakan field hasil dimana image Sidik jari yang sudah mengalami berbagai proses seperti resize,grayscale dan crop. Hasil pemprosesan tersebut akan dibandingkan satu persatu dengan sample acuan untuk memperoleh hasil klasifikasi. 3. Field hasil klasifikasi
Merupakan field dimana hasil dari pengklasifikasian akan ditampilkan. Data yang ditampilkan berupa nama salah satu kelas dari 6 kelas yang diujikan.
4. Field Sample acuan
Merupakan field dimana citra sample yang digunakan untuk membandingkan citra sidik jari yang akan diujikan. Terdapat 6 citra sample yaitu tented arch, plain arch, plain whorl, radial loop, unlar loop, dan double loop.
5. Tombol input citra asli
Merupakan tombol yang digunakan untuk memasukkan citra asli dari hardisk yang selanjutnya akan diproses dalam program.
6. Tombol Pilih
Merupakan tombol yang digunakan untuk memasukkan citra inputan dari hardisk yang selanjutnya akan diproses dalam program.
7. Tombol Resize
Tombol Resize berfungsi untuk menjalankan perintah resize citra sidik jari menjadi 200x200 piksel. Di dalam tombol ini juga terdapat perintah untuk mengubah citra RGB yang kemudian akan dikonversi kedalam bentuk grayscale.
8. Tombol Crop
Merupakan tombol yang digunakan untuk mengambil gambar pola-pola yang terdapat pada sidik jari.
35
Merupakan tombol yang digunakan untuk memasukkan citra sample acuan kedalam program.
10.Tombol Close
Merupakan tombol yang digunakan untuk keluar dari aplikasi.
Listing program untuk halaman utama tersebut sebagai berikut : 1. Tombol pilih dan menampilkannya di field citra asli
function pushbutton1_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); [namafile,direktori]=uigetfile('*.jpg','buka gambar'); if isequal(namafile,0) return; end I=imread(namafile); set(proyek.figure1,'currentaxes',proyek.axes1); set(imshow(I)); imshow(I); set(proyek.figure1,'userdata',I); set(proyek.axes1,'userdata',I);
2. Tombol Resize citra, konversi ke Grayscale dan menampilkannya di field citra hasil.
function pushbutton2_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); I=get(proyek.axes1,'userdata'); b=rgb2gray(I); b2 = imresize(b,[200 200]); set(proyek.figure1,'currentaxes',proyek.axes2); set(imshow(b2)); imshow(b2); set(proyek.figure1,'userdata',b2); set(proyek.axes2,'userdata',b2);
3. Tombol Crop image dan menampilkannya di field citra hasil.
function pushbutton3_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); b=get(proyek.axes2,'userdata'); B2=imcrop(b,[55 55 100 100]); set(proyek.figure1,'currentaxes',proyek.axes2); set(imshow(B2)); imshow(B2); set(proyek.figure1,'userdata',B2); set(proyek.axes2,'userdata',B2);
4. Tombol Input sample acuan dan menampilkannya di field citra sample acuan.
function pushbutton5_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton5 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) proyek1=guidata(gcbo); jr1=imread('sample1.jpg'); jr12=rgb2gray(jr1); jr121 = imresize(jr12,[200 200]); jr1211=imcrop(jr121,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes3); set(imshow(jr1211)); imshow(jr1211); set(proyek1.figure1,'userdata',jr1211); set(proyek1.axes3,'userdata',jr1211); jr2=imread('sample2.jpg'); jr21=rgb2gray(jr2); jr211 = imresize(jr21,[200 200]); jr2111=imcrop(jr211,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes4); set(imshow(jr2111)); imshow(jr2111); set(proyek1.figure1,'userdata',jr2111); set(proyek1.axes4,'userdata',jr2111); jr3=imread('sample3.jpg'); jr31=rgb2gray(jr3); jr311 = imresize(jr31,[200 200]); jr3111=imcrop(jr311,[55 55 100 100]);
37 set(proyek1.figure1,'currentaxes',proyek1.axes5); set(imshow(jr3111)); imshow(jr3111); set(proyek1.figure1,'userdata',jr3111); set(proyek1.axes5,'userdata',jr3111); proyek1=guidata(gcbo); jr4=imread('sample4.jpg'); jr41=rgb2gray(jr4); jr42 = imresize(jr41,[200 200]); jr421=imcrop(jr42,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes6); set(imshow(jr421)); imshow(jr421); set(proyek1.figure1,'userdata',jr421); set(proyek1.axes6,'userdata',jr421); proyek1=guidata(gcbo); jr5=imread('sample5.jpg'); jr51=rgb2gray(jr5); jr52 = imresize(jr51,[200 200]); jr521=imcrop(jr52,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes7); set(imshow(jr521)); imshow(jr521); set(proyek1.figure1,'userdata',jr521); set(proyek1.axes7,'userdata',jr521); proyek1=guidata(gcbo); jr6=imread('sample6.jpg'); jr61=rgb2gray(jr6); jr62 = imresize(jr61,[200 200]); jr621=imcrop(jr62,[55 55 100 100]); set(proyek1.figure1,'currentaxes',proyek1.axes8); set(imshow(jr621)); imshow(jr621); set(proyek1.figure1,'userdata',jr621); set(proyek1.axes8,'userdata',jr621);
5. Tombol proses dan menampilkannya di field hasil klasifikasi.
function pushbutton4_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton4 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) proyek=guidata(gcbo); proyek1=guidata(gcbo); BB=get(proyek.axes2,'userdata'); AA=get(proyek1.axes3,'userdata'); CC=get(proyek1.axes4,'userdata'); DD=get(proyek1.axes5,'userdata'); EE=get(proyek1.axes6,'userdata');
FF=get(proyek1.axes7,'userdata'); GG=get(proyek1.axes8,'userdata'); c=sqrt(sum((sum(abs(BB-AA)))/10000)); set(handles.txthasil,'String',c) d=sqrt(sum((sum(abs(BB-CC)))/10000)); set(handles.txthasil1,'String',d) e=sqrt(sum((sum(abs(BB-DD)))/10000)); set(handles.txthasil2,'String',e) f=sqrt(sum((sum(abs(BB-EE)))/10000)); set(handles.txthasil3,'String',f) g=sqrt(sum((sum(abs(BB-FF)))/10000)); set(handles.txthasil4,'String',g) h=sqrt(sum((sum(abs(BB-GG)))/10000)); set(handles.txthasil5,'String',h) if(c<d)&(c<e)&(c<f)&(c<g)&(c<h) c='Tented Arch'; set(handles.txthasil22,'String',c) elseif(d<c)&(d<e)&(d<f)&(d<g)&(d<h) c='Plain Arch'; set(handles.txthasil22,'String',c) elseif(e<c)&(e<d)&(e<f)&(e<g)&(e<h) c='Plain Whorl'; set(handles.txthasil22,'String',c) elseif(f<c)&(f<d)&(f<e)&(f<g)&(f<h) c='Radial Loop'; set(handles.txthasil22,'String',c) elseif(g<c)&(g<d)&(g<e)&(g<f)&(g<h) c='Unlar Loop'; set(handles.txthasil22,'String',c) else c='Double Loop'; set(handles.txthasil22,'String',c) end 6. Tombol Keluar
function pushbutton6_Callback(hObject, eventdata,
handles)
% hObject handle to pushbutton6 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA) selection=questdlg(['Apa anda yakin?'],['keluar'],'Ya','Tidak','Ya'); if strcmp(selection,'Tidak') return; end delete(handles.figure1)
39
4.4 Implementasi Sistem Klasifikasi citra sidik jari
4.4.1 Pengambilan citra uji
Gambar 4.3 Input citra sidik jari
Tombol pilih pada gambar 4.3 berfungsi untuk memilih citra uji sidik jari. Setelah tampil kotak dialog buka gambar, pilih citra sidik jari yang akan di ujikan, kemudian klik open. Setelah itu citra sidik jari akan ditampilkan di field citra asli.
4.4.2 Proses Resize dan konversi ke grayscale
Gambar 4.4 Resize dan konversi ke grayscale
Tombol resize pada gambar 4.4 berfungsi untuk merize citra menjadi 200x200 piksel, kemudian citra yang sudah di resize akan dikonversi ke grayscale untuk mempermudah proses perhitungan klasifikasi.
41
4.4.3 Proses Crop image
Gambar 4.5 Crop image
Tombol crop pada gambar 4.5 berfungsi untuk menggcrop image. Proses crop image dilakukan untuk mengambil bagian yang difokuskan dalam proses perbandingan antara citra uji dan sample acuan, yaitu guratan-guratan tengah yang terdapat pada sidik jari.
4.4.4 Proses Input template
Gambar 4.6 Input template
Tombol Input pada gambar 4.6 berfungsi untuk memasukkan citra sample sebagai pembanding dalam proses perhitungan pencocokan pola. Citra template sudah dalam bentuk tercrop, grayscale dan mempunyai size yang sama dengan citra uji. Terdapat 6 template pembanding yaiu Tented Arch, Plain Arch, Plain Whorl, Radial Loop, Unlar Loop dan Double Loop.
43
4.4.5 Proses Pengklasifikasi
Gambar 4.7 Pemprosesan klasifikasi
Tombol proses pada gambar 4.7 berfungsi untuk proses pengklasifikasian. Klik tombol proses maka sistem akan otomatis memprosesnya,citra uji akan dibandingkan satu persatu terhadap citra template, kemudian akan keluar berupa nilai dari masing masing template. Hasil dari perhitungan tersebut akan dibandingkan untuk mencari nilai terkecil yang kemudian hasilnya akan ditampilkan di field hasil klasifikasi.
4.5 Pengujian citra Sidik jari
Berikut ini merupakan salah satu proses pengujian yang nantinya akan dilakukan pengujian dengan 30 citra masukan sidik jari.
Tabel 4.1 Proses pengujian
Citra Uji Jenis-jenis template (/10000) Hasil klasifik asi Tented
Arch Plain Arch
Plain Whorl
Radial
Loop Ular Loop
Double Loop 6,09 7,53 3,44 6,35 6,20 4,13 Plain Whorl 4,80 6,25 2,67 4,70 4,74 2,98 Plain Whorl 6,70 6,50 6,70 4,69 4,63 6,77 Unlar Loop 7,25 7,01 5,27 7,28 7,31 5,12 Double Loop 4,32 4,40 2,43 4,05 0,74 2,26 Unlar Loop
Citra uji dibandingkan satu persatu dengan template sample, kemudian masing-masing nilai dibandingkan untuk mencari nilai hasil yang terkecil.
