SISTEM BIOMETRIK BERBASIS POLA TELAPAK TANGAN DENGAN MENGGUNAKAN METODE LOCAL BINARY PATTERN DAN PROBABILISTIC NEURAL NETWORK

SISTEM BIOMETRIK BERBASIS POLA TELAPAK TANGAN DENGAN MENGGUNAKAN METODE LOCAL BINARY PATTERN DAN PROBABILISTIC

NEURAL NETWORK

Prasetya Aria Wibawa¹, Tjokorda Agung Budi Wirayuda², Febryanti Hevanie³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Sistem biometrik merupakan sistem identifikasi yang sangat populer untuk digunakan dalam dunia penelitian, khususnya di bidang teknologi informasi. Di antara sistem biometrik yang ada , pengenalan telapak tangan merupakan biometrik yang paling reliable untuk digunakan , karena : mudah diamati , mempunyai ciri khas yang sangat unik di setiap orang serta mempunyai bentuk yang cenderung lebih stabil jika dibandingkan jenis biometrik yang lain.

Data keseluruhan yang digunakan dalam tugas akhir ini berjumlah 1100 citra telapak tangan yang diperoleh dengan menggunakan kamera digital. Pengujian sistem dilakukan dengan cara mengukur pengaruh parameter terhadap performansi sistem. Parameter – parameter yang akan diuji adalah nilai parameter smoothing, banyaknya data latih dan data uji yang digunakan, serta parameter pada metode Local Binary Pattern berupa jumlah cek poin, jumlah segmen citra, dan jenis segmentasi citra yang digunakan.

Kata Kunci : Biometrik, pengenalan telapak tangan, algoritma CHVD, ekstraksi ROI ,

Abstract

Biometric identification system is a system that is very popular for use in the research world, particularly in the field of information technology. Among the existing biometric systems, palm print recognition is one of the most reliable biometric to use, because: easily observed, has a characteristic that is unique in every person and has a shape that tends to be more stable than other types of biometrics.

This research offered a way for human palm print recognition . The system has a method for extracting Range of Interest ( ROI ) automatically form the palm image with palm valley point determination using CHVD algorithm . Another method used in this study is the Local Binary Pattern ( LBP ) and Probabilistic Neural Network ( PNN ) . Local Binary Pattern ( LBP ) is often used in the case of face recognition and other pattern recognition . LBP generate feature from the calculation of the LBP code form adjacency matrix in the form of binary numbers by ( n = number of check point matrix ) . Binary numbers are later converted into decimal and then collected as a whole-one and form a new histogram that describes the data features of the observed image. Data features from the palm image are the one what will be recognized as a feature and then the features will be further processed for feature matching process that carried out by using the Probabilistic Neural Network .

All the data used in this thesis consist of 1100 palm images which acquired using a digital camera. Testing of the system was done by measuring the influence of parameters on the system performance. Parameters that will be tested ares the smoothing parameter values, the number of training data and test data are used in the system, as well as the parameters of the Local Binary Pattern method such as :a number of check points, the number of image segments, and the types of image segmentation that were used.

Keywords : Biometrics , palm print recognition , CHVD algorithm , ROI extraction , Local

1. Pendahuluan

1.1 Latar Belakang

Sistem biometrik merupakan sistem yang sangat berguna dalam kehidupan sehari – hari khususnya dalam bidang autentikasi dan identifikasi. Jika dibandingkan sistem identifikasi tradisional lainnya seperti penggunaan PIN, id card dan password, tingkat keamanan biometrik lebih tinggi, karena biometrik memiliki keunikan yang hanya dimiliki oleh satu orang saja, meskipun orang tersebut mempunyai saudara kembar[12].

Pada sistem biometrik, ciri individu yang dipakai untuk autentikasi dan identifikasi dapat bermacam – macam, misalnya saja: wajah, sidik jari, DNA , iris mata, telapak tangan, dan pola pembuluh darah pada tangan. Di antara ciri individu yang dapat dipakai untuk sistem biometrik, telapak tangan merupakan salah satu biometrik yang paling handal (reliable) dikarenakan beberapa hal, yaitu[6]: cirinya dan strukturnya yang unik untuk setiap orang, permukaan telapak tangan lebar dan berada dipermukaan kulit luar sehingga mudah untuk dilakukan pengamatan dan pengambilan data, selain itu juga telapak tangan cenderung lebih stabil terhadap perubahan kondisi fisik yang dapat mempengaruhi proses identifikasi . Karena beberapa keunggulannya tersebut, maka biometrik telapak tangan banyak diangkat sebagai topik penelitian.

Pada penelitian sebelumnya telah dilakukan pembangunan sistem biometrik telapak tangan berbasis citra dengan menggunakan metode PCA dan SVM[3]. Dalam penelitian tersebut didapatkan kesimpulan bahwa metode ekstraksi ciri PCA menghasilkan fitur ciri yang berbeda – beda untuk setiap proses pelatihannya, hal ini tentu saja akan mempengaruhi proses klasifikasi selanjutnya. Sedangkan pada metode SVM hanya mempunyai default 2 kelas pada proses klasifikasinya, sehingga dapat membuat proses klasifikasi menjadi lama dan sulit untuk mencapai akurasi terbaik yang diinginkan[1].

Selain itu, pada penelitian sebelumnya lokasi Region Of Interest (ROI) masih ditentukan secara manual, bukan secara otomatis. Hal tersebut dianggap dapat mengurangi keakurasian karena batasan lokasi Region Of Interest ROI tidak terukur dengan jelas[2].

Atas dasar beberapa kondisi tersebut, maka pada penelitian ini akan dilakukan

pembangunan sistem biometrik berbasis pola telapak tangan dengan menggunakan

metode Local Binary Pattern (LBP) sebagai metode ekstraksi cirinya dan metode

Probabilistic Neural Network sebagai metode klasifikasinya. Untuk ekstraksi ROI

dilakukan dengan menerapkan algoritma Competitive Hand Valley Detection (CHVD), yang dapat menentukan 4 titik valley acuan yang digunakan untuk pembentukan bounding box ROI. Metode LBP merupakan metode texture descriptor yang sederhana tetapi sangat ampuh dalam melakukan ekstraksi ciri[2]. LBP bekerja dengan cara membentuk komposisi pola yang menggambarkan tata ruang lokal dari citra yang ada.

Metode Probabilistic Neural Network (PNN) merupakan metode klasifikasi berbasis jaringan syaraf tiruan. PNN dipilih sebagai metode klasifikasi karena menggunakan proses klasifikasi bayes pada pattern layer sehingga diharapkan menghasilkan akurasi yang tinggi. Selain itu proses klasifikasi PNN terhitung mudah dan cepat jika dibandingkan dengan tipe jaringan syaraf tiruan lainnya, karena tidak perlu memperbaharui bobot jaringan syarafnya[11].

1.2 Rumusan Masalah

Berdasarkan latar belakang, perumusan masalah dalam Tugas Akhir ini adalah :

1. Bagaimana implementasi dari sistem biometrik berbasis pola telapak tangan dengan menggunakan metode Local Binary Pattern dan Probabilistic Neural Network yang menggunakan teknik pengolahan citra digital ?

2. Bagaimana performansi penggunaan metode ekstraksi ciri LBP dan metode klasifikasi PNN terhadap sistem biometrik yang dibangun ?

3. Bagaimana pengaruh parameter – parameter pada metode ekstraksi ciri LBP dan metode klasifikasi PNN terhadap performansi sistem biometrik telapak tangan yang dibangun ?

1.3 Batasan Masalah

Batasan masalah yang ditentukan dalam Tugas Akhir ini adalah :

1. Citra digital diperoleh dengan menggunakan sebuah alat yang dibangun secara khusus sebagai tempat pengambilan citra telapak tangan dengan dipasangkan sebuah kamera digital di atasnya.

2. Citra telapak tangan berukuran 4000 x 3000 dengan menggunakan ruang warna RGB.

3. Diasumsikan sistem menggunakan acuan untuk identifikasi telapak tangan hanya dari telapak tangan kanan saja .

4. Jumlah data citra telapak tangan yang akan digunakan berasal dari 110 orang (100

sebanyak 15 kali yang akan digunakan sebagai data latih dan data uji sistem yang dibangun.

5. Pada tahap pre-processing , dilakukan proses ektraksi ROI (Region Of Interest) secara otomatis dengan menggunakan metode penentuan valley telapak tangan . 6. Bagian telapak tangan yang menjadi bahan penelitian hanyalah bagian yang menjadi

ROI (Region Of Interest) dari citra telapak tangan.

7. Keadaan telapak tangan tidak boleh menggunakan aksesoris apapun, misalnya : cincin. Serta harus dalam keadaan sehat atau normal, tidak terkena penyakit parah.

8. Posisi telapak tangan harus sesuai dengan posisi penyangga alat pengambilan citra telapak tangan yang digunakan.

9. Sistem yang akan dibangun melakukan proses pengenalan secara off line bukan secara online. Jadi citra telapak tangan terlebih dahulu dikumpulkan baru kemudian dilakukan proses pengenalan oleh sistem.

10. Sistem hanya bisa mengenali telapak tangan yang berwarna kulit terang (bukan ras negroid), sehingga bisa dilakukan segmentasi pada citra antara bagian telapak tangan dengan background citra.

11. Semua input citra telapak tangan memiliki orientasi yang sama sehingga rotasi pada semua citra telapak tangan dilakukan dengan nilai sebesar 180

^°

.

12. Dalam implementasi tools pemrograman yang akan digunakan adalah Matlab version 7.60.324 R2008a.

13. Tidak membahas penanganan kasus noise pada citra.

14. Tidak membahas pengaruh performansi sistem terhadap kinerja algoritma CHVD.

1.4 Tujuan

Tujuan dari penulisan Tugas Akhir ini adalah :

1. Membangun sistem biometrik berbasis pola telapak tangan dengan melakukan implementasi metode Local Binary Pattern dan Probabilistic Neural Network melalui teknik pengolahan citra digital.

2. Mengukur peformansi sistem biometrik telapak tangan yang dibangun dengan metode ekstraksi ciri LBP dan metode klasifikasi PNN.

3. Menganalisis pengaruh perubahan parameter-parameter pada metode ekstraksi ciri

LBP dan metode klasifikasi PNN untuk mencari performansi sistem yang terbaik.

1.5 Metodologi Penyelesaian Masalah

Metodologi penyelesaian masalah yang akan digunakan adalah : 1. Studi Literatur

Pada tahapan ini dilakukan pencarian referensi yang mendukung dalam pengerjaan tugas akhir yang akan dilaksanakan. Konsep mengenai biometrik khususnya biometrik telapak tangan yang dapat dibaca dalam Handbook of Biometrics [6], konsep pengolahan citra & video digital dari buku Introduction to Video and Image Processing : Building Real System and Applications [8]. Jurnal ilmiah atau penelitian sebelumnya yang berhubungan biometrik telapak tangan. Serta referensi tentang algoritma CHVD , algoritma LBP dan juga algoritma PNN yang akan digunakan dalam pengerjaan tugas akhir ini.

2. Pengumpulan data

Melakukan pengumpulan data latih dan data uji yang berupa citra input dari 50 orang yang berbeda. Pengambilan data dilakukan dengan kamera digital dan menggunakan alat khusus sebagai tempat pengambilan citra telapak tangan. Setiap orangnya , akan diambil citra telapak tangannya sebanyak 10 kali.

3. Pemodelan sistem

Pada tahapan ini dilakukan analisis kebutuhan sistem yang akan dibangun dan kemudian memodelkannya ke dalam bentuk flowchart yang berisi alur kerja sistem dimulai dari input sampai dengan output.

4. Implementasi

Dalam tahapan ini dilakukan implementasi pembangunan perangkat lunak dari sistem yang telah dirancang, dengan menggunakan tools Matlab R2008a.

5. Pengujian dan analisis.

Pengujian dilakukan untuk mengetahui sejauh mana sistem mampu memenuhi tujuan yang diharapkan.

6. Penulisan laporan

Pada tahapan ini dilakukan penulisan laporan tugas akhir.

1.6 Sistematika Penulisan

Buku Tugas Akhir ini ditulis dengan sistematika sebagai berikut :

1. Pendahuluan

Bab ini menguraikan Tugas Akhir ini secara umum yang meliputi Latar Belakang, Perumusan Masalah, Tujuan, Batasan Masalah, Metode Penyelesaian Masalah, dan Sistematika Penulisan.

2. Tinjauan Pustaka

Bab ini membahas mengenai uraian teori yang berhubungan dengan pengolahan citra digital, konsep biometrik, Local Binary Pattern, dan Probabilistic Neural Network.

3. Perancangan Sistem

Bab ini menjelaskan tentang gambaran sistem yang akan dibangun, dimulai dari tahap pre-processing , tahap ekstraksi ciri hingga ke tahap klasifikasi.

4. Implementasi dan Analisis

Bab ini membahas mengenai pengujian hasil implementasi yang telah dilakukan.

Tahap pengujian dilanjutkan dengan tahap analisis hasil pengujian.

5. Kesimpulan dan Saran.

Bab ini menguraikan kesimpulan dari penulisan Tugas Akhir dan saran – saran yang

diperlukan untuk pengembangan lebih lanjut.

5. Kesimpulan dan Saran

5.1 Kesimpulan

Kesimpulan berdasarkan hasil pengujian dan analisis yang telah dilakukan adalah sebagai berikut:

1. Nilai smoothing parameter sangat mempengaruhi akurasi pengenalan sistem, jadi untuk memperoleh akurasi maksimal harus dilakukan pencarian nilai smoothing yang paling optimal. Nilai smoothing parameter terbaik yang didapatkan dari pengujian ada 2 nilai yaitu 0.03 dan 0.04.

2. Parameter LBP yang paling mempengaruhi performansi (dari segi akurasi maupun lama waktu ekstraksi ciri) adalah jumlah cek point. Semakin banyak jumlah cek point yang dipakai maka akan semakin bagus pola yang terdeskripsi oleh LBP.

3. Jenis LBP yang paling baik berdasarkan parameter akurasi dari hasil pengujian adalah LBP 4 segmen overlap dengan 8 cek point dan LBP 5 segmen non overlap 8 cek point.

4. Berdasarkan pengujian , jumlah data latih yang paling optimal digunakan adalah 3 data latih pada jumlah data uji paling banyak ( 100 kelas). Sistem akan memiliki akurasi kurang dari 90 % jika kelas uji nya lebih banyak dari 100 kelas.

5. Berdasarkan nilai FAR dan FRR yang didapatkan dari pengujian, performansi sistem sangat baik dalam mengenali data anggota kelas dan membedakan data yang bukan anggota kelas. Ini terbukti dengan semua data bukan anggota kelas dapat dikenali oleh sistem sebagai bukan bagian dari database sistem.

5.2 Saran

Berikut ini adalah saran yang dapat dipertimbangkan untuk penelitian selanjutnya:

1. Membangun sistem biometrik telapak tangan secara real time dengan menggunakan teknik image & video processing.

2. Menambah jumlah data uji yang digunakan menjadi lebih dari 150 orang.

3. Membangun sistem yang dapat menggunakan tangan kiri atau tangan kanan sebagai

input biometriknya

Daftar Pustaka

[1] Yunanto, Prasti Eko. 2012. Pengenalan Telapak Tangan Melalui Citra Digital Dengan Menggunakan Metode Eigenpalms dan Support Vector Machine. Bandung : Teknik Informatika, IT Telkom.

[2] Michael Goh Kah Ong, Connie Tee, Andrew Teoh Beng Jin. 2008.

Touchless Palm Print Biometric System. Melaka, Malaysia : Computer Science, Multimedia University.

[3] Eko Wahyudi, Hendra Kusuma, Wirawan. 2011. Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square. Surabaya : Teknik Elektro , ITS.

[4] Kehtarnavaz, Nasser dan Gamadia Mark. 2006. Real Time Image and Video Processing: From Research to Reality. Dallas: Morgan & Claypool Publishers.

[5] Adhi, Habbi Ananto. 2013. Analisis dan Implementasi Real Time Hand- Tracking pada Citra Video Berdasarkan Geometri Telapak Tangan.

Bandung : Teknik Informatika, IT Telkom.

[6] Jain, Anil K, Flynn, Patrick dan Ross, Arun A. 2008. Handbook of Biometrics. New York : Springer.

[7] Suhartono, Muhammad Nono.2007. Pengembangan Model Identifikasi Pembicara dengan Probabilistic Neural Network. Bogor : Ilmu Komputer, IPB.

[8] Moeslund, B. Thomas. 2012. Introduction to Video and Image Processing : Building Real System and Applications. New York : Springer.

[9] Siang, Jong Jek. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB. Yogyakarta : ANDI.

[10] Fadlisyah. 2009. Computer Vision dan Pengolahan Citra. Yogyakarta : ANDI.

[11] Mailany, Masrura. 2012. Pendeteksian Kepadatan Arus Kendaraan Berbasis Sensor Visual. Bandung : Teknik Informatika, IT Telkom

[12] Erizal, Alandri. 2012. Sistem Identifikasi Pengenalan Telapak Tangan Berbasis Video dengan Menggunakan Metode Haar Wavelet dan Support Vector Machine. Bandung : Teknik Informatika, IT Telkom

[13] Risnuraini, Fanny. 2011. Ektraksi Tekstur Citra Menggunakan Gaussian dan Multi Block Local Binary Pattern untuk Identifikasi Tumbuhan Obat.

Bogor : Ilmu Komputer, IPB.

[14] Ojala, T , et al. 2002. Multi Resolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Pattern, IEEE Transaction on PAMI, Vol. 24, No. 7, pp. 2037-2041.

[15] Chang, Henry dan Robes, Ulises. 2000. Face Detection. California :

Stanford University. Tersedia di http://www-cs-

students.stanford.edu/~robles/ee368/main.html diakses pada tanggal 1

Maret 2013.

[16] Rinanti, Kristiara. 2012. Analisis dan Implementasi Pengenalan Palm Print Menggunakan Metode Competitive Hand Valley Detection (CHVD) dan Local Binary Pattern (LBP). Bandung : Teknik Informatika, IT Telkom.

[17] Wagner, Phillip. Local Binary Pattern. Tersedia di

http://bytefish.de/blog/local_binary_patterns/ diakses pada tanggal 15

Oktober 2013