SISTEM VERIFIKASI BIOMETRIKA
TELAPAK TANGAN
1. Dandy Pramana Hostiadi (1291761009) 2. Muhammad Riza Hilmi (1291761010) 3. I Gusti Rai Agung Sugiartha (1291761017) 4. I Gede Muriarka (1291761018)
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
2013
DAFTAR ISI
KATA PENGANTAR...ii DAFTAR ISI...iii DAFTAR GAMBAR...v DAFTAR TABEL...vi BAB I PENDAHULUAN...1 1.1. Latar Belakang...1 1.2. Pengertian Biometrika...1 1.3. Tahapan Biometrika...3 1.4. Persiapan Perangkat...41.5. Gambaran Umum Sistem...6
1.6. Akuisisi Data...6
BAB II PREPOCESSING...9
2.1. Segmentasi ROI dari telapak tangan...9
2.2. Grayscale...11
2.3. Median Filter (Noise Removal)...12
2.4. Thresholding...14
BAB III FITUR EKSTRAKSI...17
3.1 Ekstraksi Ciri...17
3.1.1 Definisi Ekstraksi...17
3.1.2 Tujuan Ekstraksi...18
3.2 Metode Fitur Ekstraksi...19
3.2.1 Metode Gabor...19
3.2.2 Metode Fraktal...20
3.2.3 Penerapan Metode Fraktal...23
BAB IV PENDAFTARAN CITRA LATIH DAN VERIFIKASI...26
4.1 Simpan Data Ke Database...26
4.2 Proses Verifikasi...26
4.2.1 Perhitungan Similarity...27
4.2.2 Pengujian...28
DAFTAR GAMBAR
Gambar 1. 2 Alat Akuisisi Citra Tangan (Darma Putra :2011)...5
Gambar 1. 3 Gambaran umum sistem...6
Gambar 1. 4 Akuisisi citra , (a) Tanpa Pasak , (b) Dengan Pasak...7
Gambar 1. 5 Ekstraksi ROI Telapak Tangan...8
Gambar 2. 1 Terdapat titik pada citra yang menunjukan sebagai Interest Point (mybook.jnox.net)...9
Gambar 2. 2 Region of Interest dari citra tangan...10
Gambar 2. 6 Proses noise removal...14
Gambar 3. 1 Tahapan Pembentukan Kode Telapak Tangan dengan Tapis Gabor...20
Gambar 3. 2 Tapis Pendeteksi garis dari kiri ke kanan berturut-turut untuk arah 00, 450, 900, 1350... 23
Gambar 3. 3 Tahapan Pemisahan ciri dengan metode dimensi dan derajat kekosongan fraktal(Darma Putra, 2009)...25
Gambar 4. 1 Input biner citra ke dalam database...26
Gambar 4. 2 Langkah-langkah proses verifikasi...26
Gambar 4. 3 Akurasi pencocokan, ROI 128x128 pixel, tanpa translasi 1 pixel, tapis 9x9 dengan Hamming...30
Gambar 4. 4 Akurasi pencocokan, ROI 128x128 pixel, dengan translasi 1 pixel, tapis 9x9 dengan Hamming...30
Gambar 4. 5 Tampilan Utama...31
Gambar 4. 6 Tampilan Input Telapak Tangan ke Database...32
Gambar 4. 7 Tampilan Notifikasi Penambahan Database...32
Gambar 4. 8 Tampilan Lihat Database...33
DAFTAR TABEL
Tabel 4. 1 Perbandingan Citra Uji dengan Citra Database dengan Hamming...28 Tabel 4. 2 Tingkat Akurasi (%) ROI 128 X 128 pixel dengan Hamming...29
BAB I
PENDAHULUAN
1.1. Latar Belakang
Sistem pengenalan diri secara otomatis dengan telapak tangan merupakan teknologi biometrika yang masih relatif baru. Permasalahan utama dalam sistem pengenalan dengan telapak tangan adalah bagaimana memperoleh ciri telapak tangan tersebut (Darma Putra : 2009).
Menurut Darma Putra sebuah sistem pengenalan bertujuan memecahkan identitas seseorang. Terdapat dua tipe sistem pengenalan, yaitu sistem verifikasi dan identifikasi. Sistem verifikasi bertujuan untuk menerima atau menolak identitas yang diklaim oleh seseorang, sedangkan sistem identifikasi bertujuan untuk memecahkan identitas seseorang. Sistem verifikasi pada dasarnya menjawab pertanyaan “Apakah identitas saya sama dengan identitas yang saya sebutkan ?”, sedangkan sistem identifikasi pada dasarnya menjawab pertanyaan “identitas siapakah ini ?”. Dari sudut pandang kompleksitas, sistem verifikasi lebih sederhana karena hanya mencocokan satu masukan dengan satu data acuan (pencocokan 1 : 1), sedangkan sistem identifikasi mencocokan satu masukan dengan banyak data acuan (pencocokan 1 : M).
1.2. Pengertian Biometrika
Dalam Wikipedia , biometrik (berasal dari bahasa Yunani bios yang artinya hidup dan metron yang artinya mengukur) adalah studi tentang metode otomatis untuk mengenali manusia berdasarkan satu atau lebih bagian tubuh manusia atau kelakuan dari manusia itu sendiri yang meiliki keunikan. Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang digunakan untuk menganalisa fisik dan kelakuan manusia untuk autentifikasi. Contohnya dalam pengenalan fisik manusia yaitu dengan pengenalan sidik jari, retina, iris, pola dari wajah (facial patterns),
tanda tangan dan cara mengetik (typing patterns). Dengan suara adalah kombinasi dari dua yaitu pengenalan fisik dan kelakuannya.
Sistem Biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari dan tanda tangan, masing-masing contoh biometrika berdasarkan bagian tubuh dan tingkah laku manusia. Keduanya telah digunakan dalam teknologi bimetrika dan telah diaplikasikan luas dewasa ini. Sistem pengenalan diri adalah sistem untuk mengenali identitas seseorang secara otomatis dengan menggunakan teknologi komputer. Sistem akan mencari dan mencocokkan identitas seseorang dengan suatu basis data acuan, yang telah disiapkan sebelumnya melalui proses pendaftaran data latih. Contohnya sistem pengenalan pelaku kejahatan menggunakan sidik jari. Berdasarkan sidik jari pelaku kejahatan, sistem akan secara otomatis mencari identitas pelaku pada basis data kejahatan.
Contoh penggunaan biometrika :
1. Fingerprint Verification, adalah produk dari biomatriks yang paling dikenal. Produk scanning sidik jari adalah jenis yang paling umum. Sebagai mana yang telah diterapkan, sidik jari menawarkan potensial keakuratan yang tinggi. Namun ada beberapa permasalahan potensial yang dapat muncul, misalnya ada luka atau kotoran pada jari dan hal ini menyebabkan tidak dapat dikenalinya sidik jari tersebut. Beberapa scanner sidik jari akan men-scan denyut nadi seperti halnya jari.
2. Voice Recognition mungkin metode yang paling diinginkan pemakai karena semua orang ingin berbicara dengan computer. Dalam prakteknya, penerapan voice recognition sangat sulit. Kemajuan terbaru dalam pengenalan suara sudah sangat meningkat termasuk teknologi ini, dan ini masih subjek permasalahan. Akuistik lokal, suara latar, kualitas mikropon, pilek/ flu, dan kemarahan semua ini bisa mengubah suara manusia sehingga membuat/ mempengaruhi pengenalan suara sulit atau mustahil untuk dideteksi keabsahannya. Lebih lanjut, sistem voice
recognition cenderung memakan waktu dan prosesnya sangat sulit
dan memerlukan banyak ruang untuk penyimpanan.
3. Retinal Scanning, menyediakan keakuratan yang tinggi. Pola retinal adalah ciri khusus yang sangat tinggi. Setiap mata mempunyai pola pembuluh darah yang unik; bahkan mata yang identik kembar juga berbeda. Walaupun masing-masing pola secara normal dapat terpengaruh oleh karena suatu penyakit seperti glaukoma, kencing manis, tekanan darah tinggi, dan lain-lain 1.3. Tahapan Biometrika
Dalam pemrosesan Biometrika telapak tangan secara umum terdiri dari Beberapa tahapan antara lain :
1. Akuisisi data
Akuisisi data pada biometrika telapak tangan adalah tahap awal untuk mendapatkan citra digital telapak tangan. Tujuan akuisisi citra sendiri adalah untuk menentukan data yang diperlukan dan memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang akan diambil gambarnya yang tidak lain adalah telapak tangan, persiapan alat-alat, sampai pada akuisisi citra telapak tangan.
2. Preposessing
Preprosessing adalah proses mempersiapkan citra hasil akuisisi menjadi citra yang nantinya siap diolah.
3. Ekstraksi Ciri
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan dari masingmasing pola. Pola yang memiliki model yang sama tetapi dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan. enghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra tandatangan, dengan patokan titik berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik terlewati. Pada setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jika sama maka frekuensi pola model tersebut ditambahkan. Misalkan citra telapak tangan dilambangkan dengan f
dan terdapat p pola model maka citra telapak tangan tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p.
4. Pendaftaran ke basis data
Pendaftaran basis data adalah proses melakukan penyimpanan citra sampel ke dalam basis data yang nantinya akan digunakan dalam proses verifikasi.
5. Verifikasi
Verifikasi adalah proses pemeriksaan kesesuaian antara logika operasional model (program komputer) dengan logika diagram alur. Verifikasi dari suatu model ini memeriksa penerjemahan model matematis konseptual (diagram alur dan asumsi) ke dalam bahasa pemrograman secara benar.
1.4. Persiapan Perangkat
Sebelum memulai tahapan akuisisi data hal yang dapat dilakukan adalah mempersiapkan perangkat. Adapun perangkat yang dapat digunakan antara lain seperti pada penelitian yang dilakukan oleh Darma Putra dan Ari Sentosa tahun 2011 dengan judul penelitian Verifikasi Biometrika Geometri Tangan Dengan Metode Chain Code :
Gambar 1. 1 Alat Akuisisi Citra Tangan (Darma Putra :2011)
Seperti yang terlihat dalam Gambar 1.1, perangkat yang dibangun menggunakan kotak yang didalamnya berisi lampu. Fungsi lampu adalah menjaga intensitas cahaya dalam kotak pada saat pengambilan citra. Pada
saat pengambilan citra yang akan dilakukan nanti, pada posisi tempat telapak tangan menggunakan bantuan pasak. Pasak yang digunakan berfungsi untuk mengatur posisi telapak tangan agar tidak bergeser. Sehingga hasil pengambilan dalam akuisisi data tidak bergeser.
Adapun dalam penelitian lain yang dilakukan oleh Darma Putra ,dkk pada tahun 2011 dengan judul Pembentukan Kode Telapak Tangan (Palm
Code) Berbasis Metode Gabor 2D, persiapan perangkat dilakukan dengan
menggunakan peralatan yang berbeda dari penelitian sebelumnya. Dalam penelitian ini, Darma Putra dkk menggunakan 2 papan sebagai tempat posisi telapak tangan. Papan pertama merupakan papan yang tidak menggunakan pasak, dan papan kedua menggunakan pasak yang diatur pada posisi tertentu. Pada papan yang tidak menggunakan pasak akan lebih leluasa menempatkan tangan, sedangkan pada papan yang menggunakan pasak akan mengatur posisi telapak tangan pengguna sehingga kesalahan orientasi, translasi dan perenggangan relatif kecil. Perbedaan model papan tersebut bertujuan untuk menguji metode segmentasi ROI (Region of Interest). Seluruh citra telapak tangan diperoleh dengan menggunakan kamera digital Sony DSC P72 dengan resolusi 640 x 480 pixels.
1.5. Gambaran Umum Sistem
Gambar 1. 2 Gambaran umum sistem
Pada gambaran umum sistem (gambar 1.2) terlihat terdapat empat proses utama, yaitu akuisisi citra telapak tangan, proses preposessing citra, ekstraksi ciri serta proses pendaftaraan dan verifikasi citra. Untuk penjelasan detailnya akan dijelaskan pada bagian dan bab berikutnya.
1.6. Akuisisi Data
Proses pada tahap akuisisi data adalah hal yang paling terpenting karena untuk mendapatkan citra digital dari telapak tangan akan menentukan hasil pengolahan citra. Menurut Darma Putra dalam bukunya yang berjudul Sistem Biometrika, disebutkan bahwa ada 16 pasangan titik yang merepresentasikan jumlah variabel sebagai ciri geometri tangan seseorang. Dari pasangan-pasangan titik tersebut akan dilakukan perhitungan jarak
euclidian agar diperoleh nilai masing-masing variabel. Untuk menentukan
lokasi titik-titik tersebut dibutuhkan bantuan dari lokasi titik-titik pasak. Selain bantuan dari titik-titik pasak, metode lain yang digunakan adalah dengan memanfaatkan nilai derajat keabuan dari tiap-tiap piksel gambar. Karena dengan melihat nilai derajat keabuan setiap piksel akan dapat diketahui bagian mana yang termasuk citra geometri tangan (skala keabuan rendah) dan bagian mana yang termasuk background-nya (skala keabuan tinggi). Contoh Pengambilan akuisisi citra telapak tangan adalah seperti gambar berikut yang diambil dari penelitian Darma Putra tahun 2011 pada judul penelitian Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2D :
(a) (b)
Gambar 1. 3 Akuisisi citra , (a) Tanpa Pasak , (b) Dengan Pasak (Darma Putra, dkk : 2011)
Gambar 1.3 menunjukkan proses akuisisi citra telapak tangan. Pada akuisisi citra (a) menunjukkan posisi telapak tangan tanpa pasak. Tidak adanya pasak dapat mempengarui posisi pergeseran ROI (dalam tahap
preprocessing). Sedangkan akuisisi citra (b) menunjukkan telapak tangan
dengan pasak. Tujuan digunakannya pasak adalah untuk menjaga posisi penentuan titik ROI.
Berdasarkan penelitian yang dilakukan Darma Putra, dari proses akuisisi citra telapak tangan di atas, akan dilanjutkan ke tahapan berikutnya yaitu tahap preprocessing. Pada tahap preprocessing nanti, secara garis besarnya akan dilakukan pengambilan citra hanya pada telapak tangan seperti gambar berikut :
Gambar 1. 4 Ekstraksi ROI Telapak Tangan (Darma Putra,dkk : 2011)
BAB II
PREPOCESSING
Pada bab ini akan membahas proses preposessing dalam pengolahan citra telapak tangan. Preposessing adalah tahapan proses untuk mengolah citra sebelum proses ekstrasksi fitur. Tahapan dari proses preposessing adalah segmentasi telapak tangan menggunakan segmentasi ROI (Region of
Interest) kemudian dilanjutkan dengan menghilangkan noise pada citra
dengan mengggunakan median filter dan proses yang terakhir dari proses ini adalah proses thresholding. Berikut adalah penjabaran dari tahapan pengolahan citra tersebut :
2.1. Segmentasi ROI dari telapak tangan
ROI atau Region of Interest adalah sebuah proses untuk menentukan titik objek dari citra yang akan diolah dan kemudian akan mengambil beberapa bagian dari citra tersebut proses ini hampir sama dengan proses
croping pada citra. Langkah pertama yang harus dilakukan adalah
menentukan Interest Point pada citra. Interest Point pada citra dapat dicontohkan seperti gambar berikut :
Gambar 2. 1 Terdapat titik pada citra yang menunjukan sebagai Interest
Setelah menentukan Interest Point tahapan berikutkan adalah menentukan Region of Interest (ROI), menentukan ROI dapat dilakukan dengan membuat area disekitar Interest Point dengan ukuran yang sudah ditektukan, misalnya 80 x 80 pixel, 100 x 100 pixel yang dapat disesuaikan dengan keperluannya. Berikut ini adalah ROI yang dibuat disekitar Interest
Point :
Gambar 2. 2 Region of Interest dari citra tangan (mybook.jnox.net)
Langkah terakhir adalah melakukan pemotongan citra dalam area
Region of Interest (ROI) atau disebut dengan proses cropping. Proses ini
akan mengambil area yang terdapat didalam area ROI. Berikut ini adalah gambar citra yang sudah dilakukan proses cropping.
2.2. Grayscale
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna menjadi gray-scale. Hal ini digunakan untuk menyederhanakan model. Citra berwarna terdiri dari 3 layer matrik yaitu
R-layer, G-R-layer, dan B-layer sehingga untuk melakukan proses selanjutnya
tetap diperhatikan tiga layer tadi. Dalam citra ini tidak ada lagi warna yang ada hanya derajat keabuan.
Untuk mengubah citra berwana menjadi Gray-scale digunakan rumus sebagai berikut:
x = (r + g + b) /3 (2.1)
Keterangan
x = hasil grayscale citra r = nilai pixel warna merah g = nilai pixel warna hijau b = nilai pixel warna biru Contohnya :
Misalnya sebuah pixel diambil dari citra pada posisi (x,y) yang diambil nilai pixel Red, Green dan Blue-nya. Dan didapatkan hasil R=120, G=78 dan B=140 maka nilai dari gray-scale citra tersebut adalah :
x = (120 + 78 + 140) / 3 x = 338 / 3
x = 113
Dengan mendapatkan nilai pixel 113 dari hasil gray-scale, maka pada citra dengan posisi (x,y) akan diganti dengan angkat tersebut. Dan proses tersebut akan terus dilakukan secara berulang sampai semua pixel citra mengalami proses gray-scale.
Untuk melakukan ujicoba proses Gray-scale, kami menggunakan sebuah aplikasi yang dirancang menggunakan visual studio, berikut adalah gambaran prosesnya :
Gambar 2. 4 Proses Grayscale Citra 2.3.Median Filter (Noise Removal)
Sesuai dengan namanya, median filter merupakan suatu metode yang menitik beratkan pada nilai median atau nilai tengah dari jumlah total nilai keseluruhan pixel yang ada di sekelilingnya. Dimisalkan terdapat data A=1, B=5, C=2, D=9, dan E=7, maka median filter akan mencari nilai tengah dari semua data yang telah diurutkan terlebih dahulu dari yang paling kecil hingga pada data yang paling besar dan kemudian diambil nilai tengahnya (1, 2, 5, 7, 9). Median dari deret tersebut adalah 5. Pemrosesan median filter ini dilakukan dengan cara mencari nilai tengah dari nilai pixel tetangga yang mempengaruhi pixel tengah. Teknik ini bekerja dengan cara mengisi nilai dari setiap pixel dengan nilai median tetangganya. Proses pemilihan median
ini diawali dengan terlebih dahulu mengurutkan nilai-nilai pixel tetangga, baru kemudian dipilih nilai tengahnya
Gambar 2. 5 Block Diagram Alur Kerja Median Filter (Wiwin Sulistyo,dkk, 2009)
Pengurutan akan menghasilkan nilai dari yang terkecil sampai nilai yang terbesar sesuai dengan P(1) < P(2) < P(3) < P(n), sedangkan nilai
m sesuai dengan rumus dimana n bernilai ganjil.
Gambar 2. 6 Contoh Penerapan Median Filter (Wiwin Sulistyo,dkk, 2009)
Hasil dari pengurutan data pada contoh (Gambar 2.6) didapatkan urutan 25, 33, 38, 45, 45, 45, 54, 57, 98. Dari hasil ini akan diambil nilai median yang memiliki nilai 45.
Untuk ilustrasinya adalah sebagai berikut, hasil dari citra sebelumnya noise-nya akan dikurangi agar proses selanjutnoise-nya sudah bersih dari noise :
Gambar 2. 3 Proses noise removal
2.4. Thresholding
Thresholding adalah proses mengubah citra berderajat keabuan
menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas (Affi Nur Hidayah, 2009). Citra hasil thresholding biasanya digunakan lebih lanjut untuk proses pengenalan obyek serta ekstraksi fitur. Metode thresholding secara umum dibagi menjadi dua, yaitu :
1. Thresholding global
Thresholding dilakukan dengan mempartisi histogram dengan
menggunakan sebuah threshold (batas ambang) global T, yang berlaku untuk seluruh bagian pada citra.
2. Thresholding adaptif
Thesholding dilakukan dengan membagi citra menggunakan beberapa
sub citra. Lalu pada setiap sub citra, segmentasi dilakukan dengan menggunakan threshold yang berbeda.
Yang menjadi fokus dalam tugas akhir ini adalah metode
thresholding global. Thresholding diimpelementasikan setelah
dilakukan proses perbaikan kontras citra menggunakan fungsi
Contrast-limited adaptive histogram equalization (CLAHE).
Thresholding dikatakan global jika nilai threshold T hanya bergantung
pada f(x,y), yang melambangkan tingkat keabuan pada titik (x,y) dalam suatu citra. Berikut ini akan disajikan contoh partisi histogram untuk memperoleh threshold dalam Gambar 2.7.
Gambar 2. 7 Contoh partisi histogram untuk memperoleh nilai thresholding memperoleh nilai thresholding (Affi Nur Hidayah, 2009)
Histogram yang berada pada Gambar 2.7 mewakili citra f(x,y) yang tersusun atas obyek terang di atas background gelap. Pixel - pixel obyek dan
background dikelompokkan menjadi dua mode yang dominan. Cara untuk
mengekstraks obyek dari background adalah dengan memilih nilai threshold T yang memisahkan dua mode tersebut. Kemudian untuk sembarang titik
(x,y) yang memenuhi f(x,y) > T disebut titik obyek, selain itu disebut titik background. Kesuksesan metode ini bergantung pada seberapa bagus teknik
partisi histogram. Citra hasil thresholding dapat didefinisikan sebagaimana persamaan berikut :
BAB III
FITUR EKSTRAKSI
Suatu citra yang merupakan hasil dari proses akuisisi data akan diproses mempunyai beberapa ciri dan tekstur yang akan disimpan dalam basis data citra. Pola yang ditemukan ini dinamakan tekstur. Tekstur merupakan karakteristik instrinsik dari suatu citra yang terkait dengan tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan (regularity) susunan structural piksel. Aspek tekstural dari sebuah citra dapat dimanfaatkan sebagai dasar segmentasi, klasifikasi, maupun interetasi citra.
Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar piksel dalam domain spasial. Dua persoalan yang seringkali berkaitan dengan analisis tekstur adalah:
1. Ekstraksi Ciri
Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai.
2. Segmentasi citra
Segmentasi citra merupakan proses yang bertujuan untuk memisahkan suatu daerah pada citra dengan daerah lainnya. Berbeda dengan pada citra non-tekstural, segmentasi citra tekstural tidak dapat didasarkan pada intensitas piksel per piksel, tetapi perlu mempertimbangkan perulangan pola dalam suatu wilayah ketetanggaan lokal.
3.1 Ekstraksi Ciri 3.1.1 Definisi Ekstraksi
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan dari masing-masing pola. Pola yang memiliki model yang sama tetapi dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan. Penghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra telapak tangan, dengan patokan titik berbentuk lingkaran
penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik terlewati. Pada setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jika sama maka frekuensi pola model tersebut ditambahkan. Misalkan citra telapak tangan dilambangkan dengan f dan terdapat p pola model maka citra tandatangan tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p.(Furht Marues, 2002)
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan dari masing-masing pola. Pola yang memiliki model yang sama tetapi dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan. Penghitungannya adalah dengan menggerakkan setiap pola model di atas pola biner citra telapak tangan, dengan patokan titik berbentuk lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau vertikal, sampai semua titik terlewati. Pada setiap pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jika sama maka frekuensi pola model tersebut ditambahkan. Misalkan citra tandatangan dilambangkan dengan f dan terdapat p pola model maka citra tandatangan tersebut dapat diekspresikan sebagai vektor kolom x berdimensi p.(Edi Sugiarto, 2010)
3.1.2 Tujuan Ekstraksi
Ektraksi ciri atau fitur ekstrasi bertujuan untuk mengenali dan mengklasifikasikan citra ke dalam beberapa objek sesuai dengan fiturnya masing-masing. Pola yang ditemukan digunakan untuk mencari daerah fitur yang signifikan pada citra tergantung pada karakteristik intrinsik dan aplikasi. Wilayah tersebut dapat diwakilkan oleh bentuk, tekstur, ukuran, intensitas, sifat statistic dan sebagainya. Metode ekstraksi fitur Lokal dibagi menjadi intensitas sesuai dan struktur berbasis. Intensitas metodeberbasis analisis pola intensitas lokal untuk menemukan daerah yang memenuhikeunikan yang diinginkan atau stabilitas kriteria. Struktur berbasis metodemendeteksi struktur gambar seperti tepi, garis, sudut,
lingkaran, elips, dansebagainya. Fitur ekstraksi cenderung untuk mengidentifikasi ciri-ciri yang dapatmembentuk representasi yang baik dari objek, sehingga dapat membedakan dikategori objek dengan variasi toleransi.
3.2 Metode Fitur Ekstraksi 3.2.1 Metode Gabor
Metode Gabor merupakan filter linear yang digunakan untuk mendeteksi tepi suatu citra. Frekuensi dan orientasi filter Gabor dibuat untuk menyamai sistem penglihatan seorang manusia. Dalam daerah spasial, Gabor merupakan fungsi kernel Gaussian
Bentuk umum dari tapis Gabor adalah sebagai berikut:
G(x,y, )=
(3.1)
Dengan i= , u merupakan frekuensi dari gelombang sinusoidal,
merupakan sudut pengendalian terhadap orientasi dari fungsi gabor, adalah standar deviasi dari Gaussian envelop, dan (x,y) menyatakan koordinat tapis. Tapis gabor ternormalisasi terhadap ukuran tapis.
Gambar 3. 1 Tahapan Pembentukan Kode Telapak Tangan dengan Tapis Gabor
3.2.2 Metode Fraktal
Terdapat beberapa definisi fractal yang dicetuskan oleh beberapa orang yang berbeda, diantaranya adalah:
1. Gambar yang dibangkitkan oleh computer berdasarkan perulangan dalam fungsi matematika, dengan cara mengulang pola yang sama
dengan dirinya sendiri secara terus menerus.
(www.levity.com/mavericks/glossary.htm).
2. Fractal merupakan sebuah pola di dalam pola. (www.enchatedlearning.com/dictionarysubjects/shapes.htm).
3. Sebuah objek yang memiliki dimensi fractal, yaitu sesuatu yang mempunyai variasi yang sama dengan dirinya sendiri dalam berbagai skala, sehingga detail maksimal tidak akan pernah dapat dicapai dengan meningkatkan skala.
Terdapat banyak sekali tipe dari fractal, namun pada dasarnya fractal dapat digolongkan menjadi 6 kelompok besar :
1. Fraktal yang diturunkan dari geometri standar menggunakan tranformasi iterasi pada bentuk-bentuk standar seperti garis lurus, segitiga, atau kubus.
2. IFS (Iterated Function Sistems) merupakan fractal yang ditentukan oleh satu set dari fungsi linear yang tranformasinya terjadi berdasarkan keseragaman, translasi dan rotasi. Fungsi yang dimasukkan kke dalam sistem dipilih secara acak, tapi set terakhir adalah pasti dan memperlihatkan fractal. Teori ini dikemukakan oleh Michael Barnsley. 3. Strange Attractors merupakan representasi dari pergerakan acak, bentuk
ini sangat komplek dan dibentuk dari garis yang memiliki panjang yang tidak terbatas, digambarkan dengan perulangan terus menerus, tanpa pernah bersilangan.
4. Plasma fractals, merupakan proses pembentukan titik tengah (midpoint). Menghasilkan tekstur indah dengan struktur fractal seperti awan, api, batu, kayu dan lain-lain. Banyak digunakan pada program CAD.
*
Tapis Gabor Real (n x n) Tapis Gabor Real
(n x n)
*
Pembentukan
Kode Gabor Pembentukan
Kode Gabor 1010 1010 …. 1010 1010 ….
5. L-Sistems merupakan proses yang secara berulang-ulang melakukan aturan-aturan (rules) menjadi sebuah set. Sebagai hasilnya kada-kadang dihasilkan suatu struktur fractal.
Ada 3 pendekatan fraktal yang akandigunakan pada penelitian ini untuk memisahkan ciri-ciri suatu citra sidik jari,yaitu: kode fraktal (fractal code), dimensifraktal, dan derajat kekosongan fraktal(fractal lacunarity).
3.2.2.1 Kode Fraktal
Kode fraktal didasari pada karakteristik utama dari fraktal, yaitu memiliki kemiripan dengan diri sendiri. Jacquin (1990) memperkenalkan satu skema otomatis untuk melakukan pengkodean citra yang dikenal dengan nama Partitioned Iterated Function System (PIFS). Konsep PIFS adalah membagi (partisi) citra menjadi blok-blok jelajah (range blocks) yang tidak tumpang tindih (Wohlberg et al, 1999). Skema partisi yang digunakan adalah partisi bujur sangkar dengan ukuran tetap. Setiap blok adalah bujur sangkar. Kemiripan lokal ditentukan dengan mencari bagian-bagian (blok-blok) citra, yang mirip dengan blok-blok jelajah. Blok-blok citra ini disebut dengan blok ranah (domain block). Blok-blok ranah adalah blok-blok yang saling tumpang tindih.
Dalam pengenalan telapak tangan ini digunakan kode fractal ciri keseragaman dan arah yang dinyatakan dengan magnitude l dan sudut .
3.2.2.2 Dimensi Fraktal
Metode yang biasa digunakan untuk menghitung dimensi fraktal suatu citra, adalah metode Penghitungan Kotak (Box Counting). Adapun langkah-langkah metode penghitungan kotak adalah sebagai berikut (Liu et al, 1997):
2. Hitung banyaknya kotakk N(s) yang berisi bagian obyek pada citra. Nilai N(s) tergantung dari s.
3. Hitung D(s) dengan persamaan berikut:
D(s) = (3.2)
4. Pembuatan garis lurus menggunakan nilai D(s) untuk nilai s. persamaan garis lurus dapat ditentukan dengan metode kuadrat terkecil (least
square). Kemiringan (slope) dari garis lurus tersebut dimensi fractal
dari citra.
3.2.2.3 Derajat Kekosongan Fraktal
Dalam kaitan citra telapak tangan, derajat kekosongan dapat menjadi ciri yang sangat berharga untuk mengatasi telapak tangan yang memiliki struktur garis yang berbeda, tapi memiliki dimensi fractal yang sama. Derajat kekosongan dapat dihitung sebagai berikut: bila P(i,s) menyatakan probabilitas bahwa ada i titik-titik intensitas pada kotak yang berukuran s:
(3.3) dengan n menyatakan banyaknya piksel pada kotak yang berukuran s.
(3.4)
(3.5) Derajat kekosongan dapat didefinisikan sebagai:
(3.5) Derajat kekosongan menurun bila ukuran kotak (s) membesar, maka semakin kecil s merupakan pilihan yang baik (Putra, 2004).
3.2.3 Penerapan Metode Fraktal
Pemisahan ciri telapak tangan dilakukan dengan metode dimensi dan derajat kekosongan fraktal. Tahapan-tahapan pemisahan ciri seperti berikut:
1. Garis-garis telapak tangan dideteksi dalam arah 00, 450, 900, 1350
dengan cara berikut:
I1=I*h1 (3.6)
I2=I*h2 (3.7)
I3=I*h3 (3.8)
I4=I*h4 (3.9)
Dimana * menyatakan operasi konvolusi I1, I2, I3 dan I4 menyatakan
citra telapak tangan dalam arah rotasi 00, 450, 900, 1350. h
1, h2, h3, h4
merupakan tapis/kernel seperti gambar berikut ini
Gambar 3. 2 Tapis Pendeteksi garis dari kiri ke kanan berturut-turut untuk arah 00,
450, 900, 1350
2. Citra I1, I2, I3 dan I4 kemudian dikembangkan dengan metode Otsu
sehingga diperoleh 4 citra biner.
3. Setiap citra biner kemudian dipartisi menjadi M x M blok tanpa tumpang tindih. Dalam pengujian akan dicoba dua nilai M, yaitu 4 dan 8.
4. Selanjutnya nilai dimensi dan derajat kekosongan fraktal untuk setiap blok dihitung, sehingga diperoleh panjang vektor ciri M2 pada setiap citra biner, yang masing-masing ciri dapat dinyatakan sebagai: VD = (d1, d2, d3, …, dM2) untuk ciri dimensi fraktal
VL = (d1, d2, d3, …, dM2) untuk ciri derajat kekosongan fraktal
Dimensi fraktal dan derajat kekosongan fraktal berturut-turut dihitung dengan persamaan (3.2) dan (3.5)
Gambar 3.3 (a) merupakan citra asli, gambar (b),(c),(d),dan (e) berturut-turut adalah rajah telapak tangan dalam arah 00, 450, 900, dan 1350,
(c),(d), dan (e), gambar (j)-(m) dan (n)-(q) berturut-turut ciri dimensi dan derajat kekosongan fraktal dari gambar (f),(g),(h), dan (i) yang dibagi menjadi 4 x 4 blok. Panjang vektor ciri dimensi dan derajat kekosongan fraktal masing-masing adalah 64.
(a) (b) (c)
(d) (e) (f)
(g) (h) (i)
(m) (n) (o)
(p) (q)
Gambar 3. 3 Tahapan Pemisahan ciri dengan metode dimensi dan derajat kekosongan fraktal(Darma Putra, 2009)
BAB IV
PENDAFTARAN CITRA LATIH DAN VERIFIKASI
4.1 Simpan Data Ke Database
Menyimpan citra dalam sebuah database citra adalah dengan cara menyimpan nilai biner yang dihasilkan oleh ekstraksi fitur baik dengan metode Gabor maupun Fraktal. Langkah-langkahnya adalah sebagai berikut:
1. Ambil nilai biner dari ekstraksi fitur baik dengan metode gabor maupun fraktal.
2. Masukkan ke dalam database setiap nilai biner untuk masing-masing metode dengan setiap metode terdiri dari 4 sampel nilai biner.
4 sample nilai biner metode gabor 4 sample nilai biner metode fraktal
Gambar 4. 1 Input biner citra ke dalam database
4.2 Proses Verifikasi
Verifikasi telapak tangan merupakan proses untuk mengenali dan telapak tangan seseorang, sehingga pada sistem diketahui nama dari pemilik telapak tangan tersebut. Teknologi pengenalan pola telapak tangan termasuk di dalam kategori teknik image processing yang menggunakan karakteristik garis-garis telapak tangan.
Gambar 4. 2 Langkah-langkah proses verifikasi Preposis
i
Ekstraksi Fitur Biner
databas e citra Perhitunga n Similarity Hasil Pencocok
4.2.1 Perhitungan Similarity
Perhitungan similarity (nilai kesamaan) dilakukan dengan menggunakan metode hamming.
Tingkat kemiripan 2 kode telapak tangan dapat dihitung dengan jarak
Hamming ternormalisasi. Jarak Hamming dari dua kode telapak tangan P
dan Q dapat dinyatakan sebagai:
D0 = ∑ ∑ (PR(i,j) QR(i,j)) + (PI(i,j) QI(i,j)) (4.1)
2N2
Dengan PR(QR) dan PI(QI) berturut-turut menyatakan bagian real dan
imajiner dari P(Q). Hasil dari operator boolean ( ) adalah sama dengan nol, jika dan hanya jika bit PR(I)(i,j) = QR(I)(i,j). Ukuran dari matrik dinyatakan
oleh NxN.Nilai D0 akan berada dalam jangkauan 0 sampai 1.
Untuk proses pencocokan yang sempurna, maka skor jarak Hamming semakin mendekati nol. Karena ketidaksempurnaan dalam pra-pemrosesan gambar, maka salah satu vector fitur bisa ditranslasi dengan beberapa pixel, baik dalam arah vertikal maupun horisontal.
Skor minimun dari hasil pencocokan (D0) untuk vector fitur
tertranslasi tersebut merupakan skor akhir. Untuk menentukan apakah citra uji adalah sah (genuine) atau tidak (impostor), maka digunakan suatu nilai ambang (threshold value). Bila skor lebih kecil atau sama dengan nilai ambang, maka pengguna dikatakan sah (genuine), bila lebih besar, maka pengguna dikatakan tidak sah (imposter). Skor pengguna sah diperoleh dari pencocokan sampel telapak tangan yang berasal dari orang yang sama, sedangkan skor pengguna tidak sah diperoleh dari pencocokan sampel telapak tangan orang yang berbeda. Tidak ada skor hasil pencocokan bernilai nol. Dengan kata lain tidak ada pencocokan yang dilakukan pada sampel telapak tangan yang sama.
Contoh pencocokan dengan metode hamming dari nilai biner yang sudah didapatkan pada ekstraksi fitur dibanding dengan biner yang ada dalam database adalah sebagai berikut ini:
Tabel 4. 1 Perbandingan Citra Uji dengan Citra Database dengan Hamming Pembanding Biner Citra Database Biner Citra Uji Distance ct_1 ct_2 ct_3 ct_4 ct_5 ct_6 ct_7 ct_8 101011110001010110 101011110101010111 101010110011010111 101010110101010110 110110101010010110 111011110010110111 111110110011000111 101011110010010110 101111110001010110 101111110001010110 101111110001010110 101111110001010110 101111110001010110 101111110001010110 101111110001010110 101111110001010110 1 3 4 3 7 6 5 3 4.2.2 Pengujian
Pengujian dilakukan dengan menggunakan 18 sampel telapak tangan milik 2 orang yang berbeda, setiap orang diwakili 9 sampel. Satu dari sembilan sampel tersebut digunakan sebagai sampel uji, sedangkan sisanya digunakan sebagai sampel acuan sehingga jumlah total sampel uji adalah 2 dan sampel latih 16 sampel. Berikut adalah nilai dari beberapa parameter pengujian:
1. Ukuran ROI 128 x 128 pixels, 2. Ukuran tapis 9 x 9,
3. Sudut orientasi -45o, 0o, 45o dan 90o
4. Saat proses pencocokan dilakukan tanpa translasi dan dengan translasi 1 pixel dengan menggunakan metode Hamming.
Tabel 4.2 menunjukkan tingkat akurasi sistem menggunakan ROI 128x128 pixel, dengan jumlah pengguna N = 2 dengan menggunakan metode Hamming. Kolom A dan B berturut-turut menyatakan tingkat akurasi sistem tanpa menggunakan translasi dan dengan menggunakan translasi 1 pixel.
Tabel 4. 2 Tingkat Akurasi (%) ROI 128 X 128 pixel dengan Hamming θ Tapis 9x9 A B -45o 70,03 96,95 0o 82,25 96,19 45o 80,08 92,99 90o 67,23 93,69
Tingkat akurasi ini diperoleh dengan mencocokkan nilai biner telapak tangan uji dengan nilai biner dalam database yaitu ct_1 mewakili -45o, ct_2
mewakili -0o, ct_3 mewakili 45o, dan ct_4 mewakili 90o user1 tanpa
menggunakan translasi (kolom A), sedangkan user2 dengan menggunakan translasi 1 pixel (kolom B).
Proses pencocokan dengan melibatkan faktor translasi 1 pixel memiliki akurasi lebih tinggi dibandingkan tanpa translasi. Faktor translasi 1 pixel dapat meningkatkan pengujian karena dengan melibatkan faktor translasi akan dapat mengurangi pengaruh pergeseran saat segmentasi ROI.
Gambar 4.3 dan gambar 4.4 menunjukkan akurasi pencocokan pada
database, dengan sudut -45o, -0o, 45o, dan 90o, ROI 128 x 128, dengan tapis
berukuran 9x9 tanpa translasi 1 pixel (gambar 4.3) dan dengan translasi 1
Gambar 4. 3 Akurasi pencocokan, ROI 128x128 pixel, tanpa translasi 1
pixel, tapis 9x9 dengan Hamming
Gambar 4. 4 Akurasi pencocokan, ROI 128x128 pixel, dengan translasi 1
pixel, tapis 9x9 dengan Hamming
Sumbu x menyatakan sudut untuk ROI 128x128 pixel sedangkan sumbu y menyatakan prosentase skor yang muncul. Semakin jauh terpisah antara grafik pengguna sah dan tidak sah maka unjuk kerja akan semakin meningkat, demikian pula sebaliknya, bila semakin berimpit maka unjuk kerja akan menurun karena semakin banyak terjadi skor yang saling tumpang tindih (overlapping).
Dengan hasil tersebut diketahui bahwa verifikasi dengan pencocokan menggunakan metode hamming akan lebih sempurna jika dilakukan dengan proses translasi.
4.3 Rancangan Aplikasi
Aplikasi verifikasi telapak tangan dirancang dengan menggunakan interface seperti gambar berikut ini:
Gambar 4. 6 Tampilan Input Telapak Tangan ke Database
Gambar 4. 8 Tampilan Lihat Database
DAFTAR PUSTAKA
Acharya, Tinku., Ray, Ajoy K., Image Processing Principles and Applications, A John Wiley and Sons Inc, Publication.
Darma Putra, Sistem Verifikasi Biometrika Telapak Tangan Dengan Metode Dimensi Fraktal Dan Lacunarity, Teknologi Elektro, 8(2), Pste Unud, 2004, Pp. 1-6.
Putra, Darma Dan Ari Sentosa, Verifikasi Biometrika Geometri Tangan Dengan Metode Chain Code, Snatika.2011. Edisi 01
Putra, Darma Dan Erdiawan, Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2d, Jurnal Teknik Elektro.2011. Edisi 2, Vol 15, Hal : 161-167
Putra, Darma, 2009, Sistem Biometrika, Penerbit Andi, Yogyakarta
Putra, I K.G.D., Susanto, A., Harjoko, A.,Widodo, T., 2004, “Identifikasi CitraTelapak Tangan Memanfaatkan Alih RagamGelombang Singkat”, Jurnal Pakar, Vol 5,No.3, Nop.2004, hal 161-172.
Edi Satriyanto, 2008, Penerapan LVQ Neural Network pada Absensi Jarak Jauh Menggunakan Geometri Tangan Secara Online. URL : http://repo.eepisits.edu/id/eprint/103
Dewi Yanti Liliana, Eries Tri Utaminingsih . The Combination Of Palm Print And Handgeometry For Biometrics Palm Recognition International Journal Of Video & Image Processing And Network Security Ijvipns-Ijens Vol: 12 No: 01
Liu, Y., Yanda Li, 1997, “Image Feature Extraction and Segmentation using Fractal Dimension”, International Conference on Information, Communication and Signal Processing.
Lu, Guojun, 1999, Multimedia Database Management Systems, Artech House Inc, Norwood
Marques O, Furht B. 2002.Content-Based Image and Video Retrieval. Florida Atlantic University Baca Raton, FL, USA : Kluwer Academic Publisher
Stehling, Renato O., Nascimanto, Mario A., Falcao Alexandre X., 2001, Techniques for Color-Based Image Retrieval, Canada
Sugiarto, Edi. 2010. Sistem Verifikasi Citra Tanda Tangan berbasis Metode PolaBusur
Terlokalisasi.http://edisugiarto.blogspot.com/2010/07/sistem-verifikasi-citra-tanda-tangan_7097.html
