ALGORITMA PENGENALAN SIDIK JARI DENGAN FLEKSIBILITAS -30º SAMPAI DENGAN 30º MENGGUNAKAN FILTER GABOR DAN SUPPORT VECTOR
MACHINE (SVM)
Isnur Widaryanto¹, Heroe Wijanto², Iwan Iwut Tirtoasmoro³
¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Abstrak
Teknik identifikasi berbasis sidik jari merupakan salah satu diantara teknologi biometrik yang telah dikenal. Keunikan sidik jari yang berbeda pada tiap orang memberikan suatu identitas khusus pada pemiliknya. Dalam implementasinya variasi kemiringan sidik jari dan dilatasi sering menjadi penyebab tidak dikenalinya sidik jari dalam proses identifikasi
Klasifikasi sidik jari digunakan sebagai sebuah tahapan persiapan dalam proses penyepadanan untuk mempersingkat waktu pengidentifikasian seseorang. Algoritma perbaikan kualitas sidik jari berbasiskan filter Gabor 2D digunakan untuk memperbaiki kualitas citra hasil akuisisi. Filter Gabor 2D kemudian diterapkan pula dalam proses pengambilan ciri. Untuk proses classifier digunakan sebuah binary classifier dengan menggunakan metode Support Vector Machines (SVM) yang memiliki akurasi tinggi dalam klasifikasi ciri. Sehingga diharapkan dengan algoritma berbasiskan filter Gabor 2D dan metode SVM dapat mengatasi permasalahan variasi kemiringan yang terjadi. Toleransi variasi kemiringan difokuskan pada kemiringan antara -30º sampai dengan 30º.
Dari hasil pengujian berdasarkan jumlah sidik jari yang diujikan, didapat tingkat akurasi sebesar 81.85185 % untuk citra dengan kemiringan -30° sampai 30° menggunakan metode OAO, 87.03704 % untuk citra dengan kemiringan -30° sampai 30° menggunakan metode OAA, 84.44444 % untuk citra tanpa rotasi menggunakan metode OAO, 90 % untuk citra tanpa rotasi menggunakan metode OAA, 74.44444 % untuk citra dengan kemiringan -30° menggunakan metode OAO, 84.44444 % untuk citra dengan kemiringan -30° menggunakan metode OAA, 86.66667 % untuk citra dengan kemiringan 30° menggunakan metode OAO, dan 86.66667 % untuk citra dengan kemiringan 30° menggunakan metode OAA. Dengan akurasi yang cukup baik, SVM masih dapat mengklasifikasi sidik jari dengan baik meskipun terdapat kesalahan penetuan core point, dilatasi dan rotasi.
Kata Kunci : Support Vector Machines (SVM), binary classifier, One Against One (OAO), One Against All(OAA), Gabor 2D, identifikasi.
Abstract
Identification techniques based on finger prints is one of biometric technologies that have been well known. The uniqueness of finger prints that surely different in each people gives a typical identity to the owner. During the actual implementation, varieties in slopes and dilatation on finger prints are often to be the cause of the unrecognizable in fingerprints identification processes.
Finger prints classifications are served the purpose of preparation phase in matching process to shorten the time of identification. The fingerprints quality correction algorithm is based on Gabor 2D filter that used to correct the quality of acquisition result. Next, The filter of Gabor 2D is also to be applied on the characteristic sampling techniques. The classifier process uses a binary classifier hat using Support Vector Machines (SVM) methods that has a high accuracy in characteristic classification. So it expected by using an algorithm that based on Gabor 2D filter and SVM method can solve the variety of slopes occurred problems. The variety of slope tolerance is focused on slopes between -30º until 30º.
From the simulation, based on the total finger prints tested, obtained the level accuracy are 81.85185 % for the image with slopes between -30º until 30º using OAO method, 87.03704 % for the image with slopes between -30º until 30º using OAA method, 84.44444 % for the image with no rotation using OAO method, 90 % for the image with no rotation using OAA method, 74.44444 % for the image with slopes -30º using OAO method, 84.44444 % for the image with slopes -30º using OAA method, 86.66667 % for the image with slopes 30º using OAO method, and 86.66667 % for the image with slopes 30º using OAA method. With good enough accuracy, SVM still could classify the fingerprint excellently, although the fingerprint has core point problem, dilatation problem and rotation problem.
Keywords : Support Vector Machines (SVM), binary classifier, One Against One (OAO), One Against All (OAA), Gabor 2D, identification.
BAB I Pendahuluan
Algoritma Pengenalan Sidik Jari Dengan Fleksibilitas -30oSampai Dengan 30o Menggunakan Filter Gabor dan Support Vector Machine
1
BAB I
PENDAHULUAN
1.1 Latar belakang
Secara umum terdapat tiga teknik yang bisa digunakan untuk melakukan proses authentikasi yaitu menggunakan sesuatu yang kita ketahui (password), sesuatu yang kita miliki (KTP, ATM), dan menggunakan bagian yang ada pada diri kita. Teknik pertama dan kedua merupakan teknik yang paling sering digunakan. Seiring dengan kemajuan teknologi, kedua teknik identifikasi tersebut semakin memperlihatkan kelemahan dalam penggunaannya, mudahnya penyadapan dan pemalsuan membuat sistem ini menjadi kurang layak untuk digunakan dalam suatu proses identifikasi.
Dikarenakan keunikan dan karakter fisiknya yang berbeda pada tiap individu, teknologi biometric diharapkan mampu menjawab tantangan keamanan dan pemalsuan identitas yang selama ini menjadi masalah. Beberapa ciri unik yang sering digunakan dalam teknologi ini diantaranya retina, iris, wajah, bentuk tangan, suara, dan sidik jari. Diantara semua ciri unik tersebut, metode identifikasi sidik jari yang lebih sering digunakan untuk proses identifikasi. Hal ini disebabkan oleh karakter fisiknya yang berbeda pada tiap individu, dan polanya yang tidak berubah seiring bertambahnya usia seseorang, terkecuali jika diakibatkan oleh kecelakaan atau penyakit.
Teknologi biometric berawal dari identifikasi sidik jari secara manual. Pola sidik
jari yang berbeda tiap individunya dianalisa dan diidentifikasi. Saat ini, identifikasi tersebut telah mulai dilakukan oleh komputer dengan menggunakan algoritma-algoritma tertentu yang belum bisa dikatakan sempurna. Hal inilah yang menjadikan penulis tertarik untuk meneliti dan mengembangkan bentuk algoritma berbasiskan filter Gabor dan
Support Vector Machines.
1.2 Rumusan masalah
Tugas akhir ini membahas tentang performansi sistem dalam mengenali citra sidik jari untuk mendapatkan sistem dengan performansi terbaik. Hal-hal yang akan dianalisa diantaranya:
a. Akurasi/Success Rate: rata-rata keberhasilan dalam verifikasi sidik jari dibandingkan dengan jumlah total percobaan.
b. Bagaimana mengimplementasikan filter 2D Gabor yang digunakan untuk memperbaiki kualitas dan ekstraksi ciri citra sidik jari.
c. Bagaimana mengimplementasikan Support Vector Machine (SVM) yang digunakan untuk klasifikasi sidik jari.
1.3 Tujuan
Tujuan dari penulisan Tugas Akhir ini adalah:
a. Merancang dan melakukan implementasi program aplikasi yang berfungsi untuk mengidentifikasi sidik jari dengan menggunakan filter 2D Gabor dan Support Vector Machines yang dapat dilakukan dengan kemiringan tertentu. b. Menganalisa performansi program aplikasi pengidentifikasi sidik jari dengan
parameter tingkat keakuratan identifikasi.
1.4 Batasan Masalah
Beberapa batasan masalah yang akan dijadikan sebagai acuan dalam penulisan tugas akhir ini adalah:
a. Masukan sistem berupa citra sidik jari level grayscale dengan fleksibilitas kemiringan antara -30º sampai dengan 30º diambil dengan mrnggunakan
fingerprint scanner.
b. Format citra yang digunakan bertipe .BMP dengan ukuran 208 x 154 pixel. c. Jumlah sampel diambil dari 30 orang dengan 15 citra setiap orangnya (6 citra
untuk citra latih dan 9 citra untuk citra uji), dimana 30 orang untuk pengujian dan pelatihan.
d. Program aplikasi yang dihasilkan memiliki kemampuan untuk mengidentifikasi sidik jari yang telah disediakan didatabase sebagai citra uji. Database terbatas untuk ibu jari kanan saja.
e. Citra uji yang akan digunakan berbeda dengan citra latih.
f. Penentuan titik tengah menggunakan metode automatic core detection.
g. Kegunaan sistem lebih diutamakan untuk identifikasi bukan untuk keamanan. h. Metoda peningkatan kualitas citra dan ekstraksi ciri menggunakan filter Gabor. i. Identifikasi sidik jari menggunakan Support Vector Machines sebagai
classifier.
BAB I Pendahuluan
Algoritma Pengenalan Sidik Jari Dengan Fleksibilitas -30oSampai Dengan 30o Menggunakan Filter Gabor dan Support Vector Machine
3 1.5 Metodologi Penelitian
Metodologi yang digunakan dalam penelitian Tugas Akhir ini adalah: 1. Studi literature
Mempelajari dasar teori dari berbagai literatur mengenai identifikasi sidik jari sebagai dasar untuk melakukan penelitian selanjutnya. Studi literatur tersebut meliputi:
a. Mempelajari teknik pengolahan citra digital b. Mempelajari tentang filter Gabor 2D
c. Mempelajari tentang Support Vector Machines (SVM) 2. Pengumpulan data
Mengumpulkan data base berupa citra sidik jari sebagai masukan dari sistem. 3. Studi pengembangan aplikasi
Menentukan metodologi dan arah pengembangan sistem. 4. Implementasi program
Implementasi program sesuai dengan rancangan yang telah ditentukan. 5. Analisa performansi
Melakukan analisa performansi sistem berdasarkan parameter-parameter akurasi dan persentase error.
6. Pengambilan kesimpulan
Menarik kesimpulan berdasarkan analisa percobaan dan hasil simulasi.
1.6 Sistematika Penulisan
Tugas akhir ini akan disusun dengan sistematika penulisan sebagai berikut:
BAB I Pendahuluan
Berisi latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan tugas akhir.
BAB II Dasar Teori
Pada bab ini akan dipaparkan berbagai dasar teori yang mendukung dan mendasari penulisan tugas akhir ini, diantaranya tentang teori perbaikan kualitas citra sidik jari, filter Gabor, dan Support Vector Machines.
BAB III Perancangan Sistem dan Simulasi
Pada bab ini diuraikan perancangan sistem tiap blok untuk menghasilkan keluaran yang diharapkan.
BAB IV Analisa dan Hasil Simulasi
Berisikan hasil pengujian, analisa terhadap keluaran yang dihasilkan dari simulasi tersebut.
BAB V Kesimpulan dan Saran
Berisikan kesimpulan dari hasil pengujian dan analisa, serta saran untuk penelitian yang lebih lanjut.
BAB V Kesimpulan dan Saran
Algoritma Pengenalan Sidik Jari Dengan Fleksibilitas -30oSampai Dengan 30o Menggunakan Filter Gabor dan Support Vector Machine
56
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil analisis terhadap pengujian sistem identifikasi sidik jari menggunakan filter 2D Gabor dan Support Vector Machine (SVM), dapat disimpulkan bahwa:
1. Pengenalan pola dalam identifikasi sidik jari merupakan tahapan penting untuk sistem dapat mengenali sidik jari. Oleh karena itu, untuk mendapatkan informasi mikro dan makro sidik jari, hasil dari ekstraksi ciri merupakan masukan yang utama untuk klasifikasi. Ekstraksi ciri dengan keluaran 1x512 akan lebih dapat membedakan antara satu orang dan orang lainnya.
2. Penggunaan tesalasi dalam pengambilan ciri mempermudah sistem dan meningkatkan akurasi pengujian.
3. Kesalahan dalam penentuan core point disebabkan oleh akusisi yang tidak baik, adanya dilatasi dan rotasi.
4. Nilai optimal parameter C dan P berbeda-beda untuk setiap sistem dan untuk mendapatkan nilai optimalnya dilakukan dengan percobaan. Nilai optimal tersebut didapat ketika suatu sistem telah mencapai tingkat akurasi yang tinggi dan persentase error yang kecil dalam mengklasifikasikan suatu data.
5. Dengan akurasi sebesar 87.03704 % dan persentase error sebesar 12.96296 %, metode OAA memiliki kehandalan sistem yang lebih baik dibandingkan dengan metode OAO dengan akurasi sebesar 81.85185 % dan persentase error sebesar 18.14815 %.
6. Akurasi penerimaan terhadap citra sidik jari yang terdaftar dalam database mencapai 84.44444 % untuk citra tanpa rotasi menggunakan metode OAO, 90 % untuk citra tanpa rotasi menggunakan metode OAA, 74.44444 % untuk citra dengan kemiringan -30° menggunakan metode OAO, 84.44444 % untuk citra dengan kemiringan --30° menggunakan metode OAA, 86.66667 % untuk citra dengan kemiringan 30° menggunakan metode OAO, dan 86.66667 % untuk citra dengan kemiringan 30° menggunakan metode OAA.
7. Dengan akurasi yang cukup baik dan stabil, SVM masih dapat mengklasifikasi sidik jari dengan baik meskipun terdapat kesalahan penetuan core point, dilatasi dan rotasi. 8. Metode SVM dapat menghasilkan persentase error dan akurasi sistem yang lebih baik
dibandingkan dengan JST.
5.2 Saran
1. Untuk memperoleh akurasi yang lebih baik, sebaiknya digunakan metode akuisisi lain. 2. Perbanyak jumlah sampel sidik jari yang digunakan.
3. Menggunakan metode ekstraksi ciri selain filter Gabor 2D. 4. Menggunakan metode klasifikasi selain SVM.
58
DAFTAR PUSTAKA
[1] Adiguna. 2006. “Algoritma Pengenalan Sidik Jari Menggunakan Adaptive Resonance Theory dan Filter Gabor”. STTTelkom. Bandung.
[2] Anil, Jain. K., dan Hong. L . 2000. “Filterbank-Based Fingerprint Matching”, IEEE Trans, On Image Processing, vol 9
[3] C, Alfredo., Ricardo R., Reinaldo C. 2003. “Fingerprint Recognition”. Polytechnic Um Bioinformatika
[4] Fikriyah, Laily. 2009. “Implementasi dan Analisis Algoritma Biased Regularization Support Vector Machine ( BRSVM ) pada Kasus Pengenalan Huruf Tulisan Tangan”. ITTelkom. Bandung
[5] Hong, L dan A. K. Jain. 1998. “Fingerprint Image Enhancement Algorithm and Performance Evaluation”. IEEE Trans. PAM., vol 20
[6] Iswara, Dian. 2007. “Optimasi Algoritma Pengenalan Sidik Jari dengan Fleksibilitas - 30º sampai dengan 30º Menggunakan Filter Gabor dan Jaringan [7] Munir, Rinaldi. 2004. "Pengolahan Citra dengan Pendekatan Algoritmik".
Bandung
[8] Santosa, Budi. 2007. "Data mining teori dan aplikasinya". Yogyakarta: Graha Ilmu
[9] Santosa, Budi. 2007. " Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis". Yogyakarta: Graha Ilmu
[10] Satriyo Nugroho, Anto, dkk. 2003. “Support Vector Machine : Teori Dan Aplikasinya Dalam Bioinformatika”
[11] www.cs.umd.edu/~clancy/docs/biowbma20003.pdf
Powered by TCPDF (www.tcpdf.org)