SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR

(1)

SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI

TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS

DISKRIMINATOR

SEMINAR HASIL TUGAS AKHIR

Oleh: Ahmad Sirojuddin Luthfi - 1210100052 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom

(2)

PENDAHULUAN

Latar Belakang

Biometrika _BiometrikaObyek Biometrika

Telapak Tangan

Penelitian Terdahulu

Biometrika merupakan cabang matematika terapan yang

bidang garapnya adalah untuk mengidentifikasi individu

berdasarkan fisiologis yang dimilikinya yang bersifat unik.

(3)

PENDAHULUAN

3

Latar Belakang

Biometrika _BiometrikaObyek Biometrika Telapak Tangan

Sidik jari (fingerprint)

Iris mata (iris)

Geometri tangan(hand geometry)

Wajah (face)

Suara (voice)

Tanda tangan (signature)

Telapak tangan (palmprint)

(4)

PENDAHULUAN

Latar Belakang

Biometrika _BiometrikaObyek Biometrika

Telapak Tangan

Telapak tangan menjadi sangat menarik

untuk dikembangkan sebagai biometrika

karena memiliki ciri yang lebih banyak

dibandingkan sidik jari dan geometri

tangan. Permukaan area telapak tangan

yang lebih luas dibandingkan sidik jari

diharapkan dapat menghasilkan ciri yang

(5)

PENDAHULUAN

5

Latar Belakang

Biometrika _BiometrikaObyek Biometrika Telapak Tangan

Ketut Gede Darma Putra(2009) dengan Dimensi Fraktal dan Lacunarity,

Ratih Ayuningheni(2012) dengan Multiscale Wavelet Pyramid,

Jinyu Guo(2012) dengan Block Entropy Map,

(6)

PENDAHULUAN

• Bagaimana mengaplikasikan matriks

diskriminator untuk proses identifikasi telapak

tangan.

• Bagaimana membuat sistem yang mengenali

individu melalui telapak tangan dan dengan

interface yang userfriendly.

(7)

1 • Citra telapak tangan diambil secara langsung

menggunakan webcam.

2 • Telapak tangan dalam keadaan normal dan

bersih (tidak berminyak, tidak ada coretan, dll).

3 • Sensitif terhadap pergeseran

7

PENDAHULUAN

(8)

PENDAHULUAN

• Mendapatkan aplikasi matriks

diskriminator dalam proses

identifikasi telapak tangan.

• Mendapatkan sistem yang dapat

mengenali individu melalui telapak

tangan dan sistem dengan interface

yang user friendly..

(9)

9

PENDAHULUAN

• Dapat digunakan untuk membangun sistem

pada area yang membutuhkan keamanan

tingkat tinggi.

• Dapat digunakan untuk mengembangkan sistem

pengenalan individu berbasis telapak tangan.

• Sebagai referensi dan informasi tentang

penggunaan matriks diskriminator.

(10)

TINJAUAN PUSTAKA

STUDI PENELITIAN SEBELUMNYA

Pada tahun 2012, artikel yang ditulis J. Guo dengan judul “Palmprint

Recognition Using Block Entropy Map From a Single Image Per

Person” telah berhasil mencocokkan telapak tangan dengan akurasi

77.6%.

Pada tahun 2012 juga, Tugas Akhir Jurusan Matematika ITS yang

ditulis oleh Ricky Kurniadi dengan judul “Pengembangan Sistem

Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank

Gabor” dengan hasil persentase tingkat keberhasilan sistem dalam

(11)

11

TINJAUAN PUSTAKA

UNJUK KERJA SISTEM BIOMETRIKA

Untuk menghitung unjuk kerja sistem biometrika digunakan FNMR (False Non

Match Rate). FNMR menyatakan probabilitas sampel dari pengguna tidak

cocok dengan acuan lain yang diberikan pengguna yang sama. Rasio kesalahan

ketidakcocokan dihitung dengan rumus:

𝑅𝑎𝑠𝑖𝑜 𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝐾𝑒𝑡𝑖𝑑𝑎𝑘𝑐𝑜𝑐𝑜𝑘𝑎𝑛 =

𝛽

𝑛

𝑥100%

dengan :

𝛽

: jumlah kesalahan ketidakcocokan

(12)

TINJAUAN PUSTAKA

UNJUK KERJA SISTEM BIOMETRIKA

Dengan semakin kecilnya tingkat kesalahan FNMR

maka persentase keberhasilan identifikasi sistem menjadi semakin besar.

Persentase keberhasilan sistem dapat dihitung dengan menggunakan

persamaan berikut :

(13)

Ciri geometri

Ciri garis-garis utama

Ciri garis-garis kusut

Ciri titik delta

Ciri minusi

13

TINJAUAN PUSTAKA

POLA TELAPAK TANGAN

Telapak tangan mempunyai ciri lebih banyak daripada sidik jari. Ciri yang dimiliki telapak tangan adalah sebagai berikut :

Ciri garis-garis utama dan garis-garis kusut sering disebut ciri garis saja. Ciri ini dapat diperoleh dari citra telapak tangan beresolusi rendah, ini merupakan kelebihan telapak tangan dibanding sidik jari .

(14)

TINJAUAN PUSTAKA

Proses Pra Pengolahan

(15)

15 TINJAUAN PUSTAKA SSSSS START Input M Citra (𝑥₁, 𝑥₂, … , 𝑥_𝑚) Cari rata-ratanya 𝜇 = 1 𝑀 𝑥𝑖 𝑀 𝑖=1

Cari Matriks Covariannya 𝐶 = 1

𝑀 (𝑥𝑖 − 𝜇)(𝑥𝑖 − 𝜇)𝑇

𝑀

𝑖=1

Cari Nilai Eigen Dan Vektor Eigen 𝐶𝑥 = 𝜆𝑥

Sortir Vektor Eigen Berdasarkan Nilai Eigen Terbesar

Reduksi Jumlah Vektor Eigen dari yang terbesar Nilai Eigennya

𝐸 = [𝑣₁ 𝑣₂ 𝑣₃ 𝑣_𝑛]

END

(16)

TINJAUAN PUSTAKA

MATRIKS DISKRIMINATOR

Diskriminator berasal dari kata discriminator

menurut Oxford Dictionaries artinya adalah “a

characteristic which enables people or things to

be distinguished from one another”, yang

artinya ciri khas yang memungkinkan orang

atau sesuatu bisa dibedakan satu dengan yang

lain. Matriks diskriminator adalah matriks yang

digunakan untuk membedakan telapak tangan

(17)

17

TINJAUAN PUSTAKA

PROSES PENGHITUNGAN DISKRIMINATOR

Untuk membuat diskriminator nya adalah

𝐷

_𝑖

= 𝐸

𝑇

(𝑥

_𝑖

− 𝜇)

Dengan:

𝐷

_𝑖

= diskriminator untuk citra telapak tangan ke – i

𝐸

𝑇

= matriks vektor eigen yang sudah direduksi

𝑥

_𝑖

= vektor kolom yang merepresentasikan citra ke – i

𝜇 = rata-rata dari citra telapak tangan di training set

(18)

18

TINJAUAN PUSTAKA

PROSES PENCOCOKAN TELAPAK TANGAN

Untuk proses pencocokan diskriminator telapak tangan digunakan Jarak

Euclidian Ternormalisasi dengan persamaan :

𝒅

𝒖, 𝒗 = 𝒖

_𝒊

− 𝒗

_𝒊 𝟐 𝒊 𝟏 𝟐

dengan:

𝒖

_𝒊

=

𝒖𝒊 𝒖

Dan

𝒗

=

_𝒊 𝒗𝒊 𝒗

Sedangkan untuk mendapatkan skor hasil pencocokan telapak tangan maka

digunakan metode pengukuran kesamaan (similarity measure). Rentang skor

berada antara 0 sampai 1 yang didapat dengan persamaan sebagai berikut:

(19)

19 METODE PENELITIAN METODE PENELITIAN Perancangan dan Implementasi Sistem Selesai

Uji Coba dan Evaluasi Perancangan Interface

Integrasi Program Menjadi Sebuah Sistem

Mulai

(20)

HASIL DAN PEMBAHASAN

Perangkat

Keras

Prosesor : Intel® Core™ 2 Duo CPU T6570 @

2,10 GHz

Memory : 4 GB DDR3

Perangkat

Lunak

Sistem

Operasi

: Windows 7 Ultimate

Tools

: Microsoft Visual C#

Aforge.NET (framework)

Accord.NET (framework)

(21)

21

GAMBARAN PROSES SECARA UMUM

Secara umum proses dalam sistem ini terbagi menjadi 2

bagian :

1. Proses Registrasi / Pendaftaran

Dalam tahap ini pengguna mendaftarkan identitas

dirinya beserta data telapak tangan

2. Proses Identifikasi / Pengenalan

Dalam tahap ini pengguna asing, mengidentifikasi

dirinya melalui citra telapak tangannya. Apakah dia

sudah terdaftar dalam sistem atau belum

(22)

PROSES REGISTRASI

PCA Perhitungan Diskriminator Akuisisi Data Pra-Pengolahan Ek str ak si Cir i

(23)

23 HASIL DAN PEMBAHASAN

PROSES IDENTIFIKASI

Perhitungan Diskriminator Pencocokan Akuisisi Data Pra-Pengolahan Ek str ak si Cir i

(24)

Pengujian Sistem

• Sistem akan diuji dengan panjang diskriminator 50,

100, 150, dan 200.

• Telapak tangan yang diakuisisi adalah sebelah kiri

• Jumlah Pengguna Terdaftar ada 60 orang yang

dibagi menjadi 2 sesi dengan 30 pengguna setiap

sesinya.

Setiap pengguna diakuisisi sebanyak 3 kali

• Sistem diuji dengan 2 Citra Uji + 1 Citra Referensinya

• Total Pengujian 3 x 4 (Jenis Diskriminator) x 60

(25)

25

Hasil Uji Coba

No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

86

3 Jumlah kegagalan Identifikasi

4 No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

85

3 Jumlah kegagalan Identifikasi

5

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang

Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 50 dan 100 untuk Sesi I

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 dan 200 untuk

(26)

26

Hasil Uji Coba

No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

86

3 Jumlah kegagalan Identifikasi

4 No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

85

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 untuk Sesi II

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 200

(27)

27

Hasil Uji Coba

No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

84

3 Jumlah kegagalan Identifikasi

6 No

Kriteria

Hasil

1 Jumlah pengujian Identifikasi

90

2 Jumlah keberhasilan Identifikasi

83

3 Jumlah kegagalan Identifikasi

7

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 untuk Sesi II

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 200

(28)

28

Hasil Uji Coba

No

Panjang Diskriminator

Tingkat Kesalahan FNMR

1

50 4,44%

2

100 4,44%

3

150 5,55%

4

200 5,55%

Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sesi I

No

Panjang Diskriminator

Tingkat Kesalahan FNMR

1

50 4,44%

2

100 5,55%

3

150 6,66%

(29)

29

Hasil Uji Coba

No

Panjang Diskriminator

Tingkat Kesalahan FNMR

1

50 4,44%

2

100 4,99%

3

150 6,11%

4

200 6,66%

Rata-Rata Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sistem

(30)

30

Hasil Uji Coba

No Panjang Diskriminator

Presentase Keberhasilan

1

50 95,56%

2

100 95,56%

3

150 94,45%

4

200 94,45%

Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi I

No

Panjang Diskriminator

Presentase Keberhasilan

1

50 95,56%

2

100 94,45%

3

150 93,34%

Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi II

(31)

31

Hasil Uji Coba

No

Panjang Diskriminator

Presentase Keberhasilan

1

50 95,56%

2

100 95,01%

3

150 93,90%

4

200 93.34%

Rata-Rata Presentase Keberhasilan Hasil Pengujian Pengguna yang Terdaftar pada Sistem

(32)

Berdasarkan analisis terhadap hasil pengujian sistem diambil

beberapa kesimpulan sebagai berikut:

• Dalam tugas akhir ini diskriminator yang dihasilkan dari PCA

digunakan untuk melakukan identifikasi telapak tangan.

Proses pencocokan telapak tangan dihitung dengan

menggunakan persamaan jarak Euclidean ternormalisasi

dan penghitungan skor menggunakan similarity measure.

• Diskriminator yang dihasilkan dari PCA memiliki hasil yang

bagus dalam mengekstraksi dan merepresentasikan ciri citra

telapak tangan. Hal ini dapat diketahui berdasarkan

(33)

33

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] Ayuningheni, R. (2012). Multiscale Wavelet Pyramid Untuk Sistem Autentikasi

Citra Telapak Tangan. Thesis Jurusan Teknik Informatika ITS.

[2] Guo, J. (2012). “Palmprint Recognition Using Block Entropy Map From a Single Image Per Person”. Journal of Computational Information Systems.

[3] Kurniadi, R. (2012). Pengembangan Sistem Identifikasi Telapak Tangan dengan

Menggunakan Metode Filter Bank Gabor. Tugas Akhir Jurusan Matematika ITS.

[4] Lu, G., Zhang, D., Wang, K. (2003). “Palmprint recognition using eigenpalms

features”. Pattern Recognition Letters 24, Hal 1463-1467.

[5] Putra, IKGD. (2007). “Sistem Verifikasi Menggunakan Garis-garis Telapak Tangan”.

Jurnal Teknologi Elektro Universitas Udayana Vol. 6 No.2

[6] Putra , IKGD. (2009). “Sistem Verifikasi Biometrika Telapak Tangan dengan Metode Dimensi Fraktal dan Lacunarity”. Jurnal Teknologi Elektro Universitas Udayana Vol. 8 No.2.

[7] Putra, IKGD., Bhuana, W., Erdiawan. (2011). “Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2D”. Makara Teknologi Vol. 15, No. 2. Hal 161-167.

[8] Su, CL. (2009). “Palm-print Recognition by Matrix Discriminator”. Expert Systems

with Applications 36, Hal 10259-10265.

[9] Zhang, D., Jing, X., Yang, J. (2006). “Biometric Image Discrimination Technologies”. Idea Group Publishing.

(34)