49
IDENTIFIKASI SIDIKJARI DENGAN EKSTRAKSI CIRI BERBASIS TRANSFORMASI WAVELET HAAR
Minarni1
ABSTRACT
This research investigated a possible fingerprint identification system. The fingerprint images were preprocessed by wavelet transform to obtain multiresolution images from their original images.
A wavelet transform was used in the feature extraction stage and to reduce the dimension of the input images. Then in the following stage, the reduced images were processed for identification.
To recognize and classify the fingerprints, in the final stage we applied artificial neural network Learning Vector Quantizations (LVQ) scheme which classified each fingerprint into one of its main pattern (whorl, left loop, right loop, arch and tented arch). Result of this research on Haar wavelet 16x16 shows the best performance recognition 85 % in 8.13 second.
Keyword: Fingerprint idenfication, wavelet decomposition, feature extraction, neural network LVQ
INTISARI
Penelitian ini membahas sistem identifikasi sidikjari. Citra sidikjari diproses awal dengan transformasi wavelet sehingga menghasilkan multiresolusi dari citra aslinya. Transformasi Wavelet disini digunakan selain sebagai metode ekstraksi ciri juga sekaligus mereduksi dimensi citra masukan. Citra tereduksi selanjutnya diproses untuk identifikasinya.
Pengenalan dan klasifikasi dengan menerapkan jaringan syaraf tiruan Learning Vector Quantizations (LVQ) mengelompokkan sidikjari ke salah satu pola utama sidikjari (whorl, left loop, right loop, arch, dan tented arch).
Hasil penelitian pada wavelet Haar ukuran 16x16 memberikan unjukkerja pengenalan terbaik 85 % dengan waktu pengenalan 8,13 detik.
Kata Kunci: Identifikasi sidikjari, dekomposisi transformasi wavelet, ekstraksi ciri, jaringan syaraf LVQ
1 Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Padang
50
PENDAHULUANTeknik identifikasi biometrik didasarkan pada karakteristik alami manusia, yaitu karakteristik fisiologis dan karakteristik perilaku. Identifikasi biometrik memiliki keunggulan dibanding dengan metode konvensional dalam hal tidak mudah dicuri atau digunakan oleh pengguna yang tidak berwenang. Sistem pengenalan sidikjari lebih sering digunakan. Hal ini disebabkan sidikjari telah terbukti unik, akurat, aman, mudah, dan nyaman untuk dipakai sebagai identifikasi bila dibanding dengan sistem biometrik lainnya [1].
Alihragam gelombang-singkat (Wavelet Transform) telah digunakan sebagai ekstraksi ciri yang merupakan input bagi sistem klasifikasi dalam rangka identifikasi. Hal ini disebabkan gelombang-singkat mempunyai kemampuan membawa keluar ciri-ciri (feature) khusus pada suatu citra yang diteliti [2].
Saat ini jaringan syaraf tiruan berkembang dengan pesat dan telah diupayakan untuk berbagai aplikasi, salah satu aplikasinya adalah pengenalan pola sidikjari. Learning Vector Quantizations (LVQ) merupakan suatu metode klasifikasi pola yang masing-masing unit mewakili kategori atau kelas tertentu [3].
Berdasarkan hal tersebut di atas penulis bermaksud mengembangkan teknik identifikasi sidikjari menggunakan LVQ dengan ekstraksi ciri Transformasi Wavelet).
Permasalahan penelitian dirumuskan sebagai berikut: (1) berapa peluang keberhasilan proses pengenalan sidikjari menggunakan LVQ dengan ekstraksi ciri transformasi wavelet, (2) bagaimana ekstraksi ciri citra asli menjadi vektor input yang mengandung informasi yang berbeda untuk tiap-tiap kelas pola, (3)
bagaimana pengaruh besarnya dimensi vektor masukan terhadap unjukkerja pengenalan, (4) bagaimana pengaruh rotasi terhadap unjukkerja pengenalan sidikjari, dan (5) bagaimana pengaruh penambahan derau terhadap unjukkerja pengenalan sidikjari, (6) bagaimana pengaruh masukan dengan pra pengolahan citra dan tanpa pra pengolahan.
Penelitian ini dititikberatkan pada implementasi ekstraksi ciri dengan transformasi wavelet dan klasifikasi sidikjari menggunakan LVQ pada sistem identifikasi sidikjari secara off line.
Hasil penelitian diharapkan dapat memberi sumbangan bagi perbaikan kualitas pengenalan sidikjari yang telah ada, sehingga dapat dimanfaatkan bagi pengguna yang berkecimpung di bidang forensik, bisnis, industri, dan ilmu pengetahuan.
Penelitian ini bertujuan untuk mengembangkan teknik pengenalan sidikjari menggunakan LVQ dengan pemrosesan awal alihragam gelombang-singkat, menganalisis unjukkerja jaringan syaraf tiruan LVQ untuk pengenalan sidikjari dan pengaruh besarnya dimensi vektor masukan, pengaruh rotasi, dan penambahan derau.
PENDEKATAN PEMECAHAN
MASALAH
Tinjauan Pustaka
Berbag
ai teknik identifikasi sidikjari
telah dikembangkan. Pengenalan dan
klasifikasi sidikjari umumnya
dilakukan dengan cara mendeteksi
jumlah titik fokal, whorl, core, dan
parameter gradien antara dua titik
fokal tersebut. Untuk mengekstraksi
ciri, pelaksanaan kebanyakan dengan
menguraikan ciri minusi cabang
(bifurcation) [4]. Klasifikasi sidik jari
51 menggunakan jaringan syaraf tiruan [5].. Deteksi sidik jari menggunakan transformasi wavelet dan Jaringan syaraf tiruan [6].
Pra-pengolahan Citra
Pra-pengolahan citra bertujuan untuk mengubah dan mempersiapkan nilai-nilai piksel citra digital terkait agar menghasilkan bentuk yang lebih cocok untuk operasi berikutnya [7].
Pra-pengolahan yang dilakukan pada penelitian ini adalah peregangan kontras (contrast stretching), ekualisasi histogram (histogram equalization), penapisan (filtering), dan binerisasi.
Dekomposisi Transformasi Wavelet
Transformasi wavelet merupakan alat yang biasa digunakan untuk menyajikan data atau fungsi atau operator ke dalam komponen- komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya.
Transformasi Wavelet mempunyai kemampuan membawa keluar ciri-ciri (features) khusus dari citra yang diteliti [8].
Secara umum transformasi wavelet kontinu untuk sinyal f(x) berdimensi 1-D, didefinisikan pada persamaan (1).
ab f f x xdxWf , ,a,b
( )a,b( ) ...(1) Dengan
a
b x a
b x
a
) 1
, (
………....(2)
Fungsi disebut dengan induk gelombang-singkat. a, b R, a 0 (R
= bilangan nyata). Dalam hal ini, a adalah parameter penyekala (lebar) dan b adalah parameter penggeseran posisi terhadap sumbu-x. Persamaan (1) dapat dibentuk ke dalam bentuk diskret dengan memberikan a dan b nilai diskret (a=2n, bZ).
Pada transformasi wavelet terdapat istilah dekomposisi. Secara umum, dekomposisi wavelet didapatkan melalui penapisan subbidang berkanal dua dengan dua tapis, yaitu tapis pererata atau penyekala atau disebut tapis lolos- rendah dan tapis detil atau tapis lolos- tinggi
Pengembangan untuk kasus sinyal berdimensi 2-D (sinyal citra 2-D) biasanya dilakukan dengan menerapkan bank filter secara terpisah terhadap sinyal citra.
Biasanya digunakan sebuah tapis lolos-bawah (H) dan tapis lolos-atas (G). Konvolusi citra dengan tapis lolos- bawah menghasilkan sinyal yang biasa disebut dengan citra pendekatan (approximation image) dan konvolusi dengan tapis lolos-atas pada arah spesifik menghasilkan citra detil (details images) [9].
Jaringan Syaraf Tiruan
Berbagai teori, arsitektur, dan algoritma jaringan syaraf tiruan digunakan dalam klasifikasi dan pengenalan pola, salah satu diantaranya adalah jaringan Learning Vector Quantization (LVQ). LVQ adalah suatu metoda klasifikasi pola yang masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluaran seharusnya digunakan untuk masing-masing kelas). Vektor bobot untuk suatu unit keluaran sering dinyatakan sebagai sebuah vektor referens. Diasumsikan bahwa serangkaian pola pelatihan
52
dengan klasifikasi yang tersedia bersama dengan distribusi awal vektor referens. Sesudah pelatihan, jaringan LVQ mengklasifikasi vektor masukan dengan menugaskan ke kelas yang sama sebagai unit keluaran, sedangkan yang mempunyai vektor referens diklasifikasikan sebagai vektor masukan [3].Arsitektur Jaringan
LVQ merupakan jaringan syaraf dengan tipe arsitektur jaringan lapis-tunggal umpan-maju (Single Layer Feedforward) yang terdiri atas unit masukan (Xn) dan unit keluaran (Ym) .
Gambar 1 Jaringan Syaraf Learning Vector Quantization
Pemodelan Sistem Identifikasi Sidikjari
Gambar 2 Diagram Blok Sistem Identifikasi Sidikjari
Materi dan Alat Penelitian
Materi penelitian utama adalah sekumpulan berkas citra sidikjari, yaitu citra sidikjari dengan resolusi 300 dpi (dot per inch) yang diperoleh dengan pengecapan tinta pada jari yang dicapkan pada selembar kertas putih.
Alat yang digunakan dalam penelitian berupa perangkat-keras dan perangkat-lunak. Perangkat keras meliputi:
- 1 unit PC dengan prosesor Pentium III 1,1 GHz dan RAM 128 MB
- 1 unit pemayar (Scanner) CanoScan D646U
- Pencetak (Printer) BJC-2100SP
Citra Masukan (BMP)
Konversi menjadi citra aras keabuan
Pra-pengolahan Citra (peregangan kontras, ekualisasi histogram, penapisan, dan binerisasi)
Dekomposisi Wavelet
Klasifikasi Jaringan SyarafLVQ
53
Perangkat-lunak yang digunakan, yaitu:- Matlab 6.5, dengan Toolbox Image Processing dan Wavelet digunakan untuk pra-pengolahan sidikjari, ekstraksi ciri, dan membuat perangkat-lunak jaringan syaraf tiruan.
- Photo Impact 6 untuk memotong-motong basis data sidikjari pada sampel formulir isian.
CARA PENELITIAN
Pengumpulan dan Pemrosesan Data
Untuk pengambilan sampel- sampel data sidikjari dibuat kolom- kolom kosong yang akan diisi.
Pengisian dilakukan dengan meminta orang untuk mengecapkan tinta pada jempol. Sampel tersebut selanjutnya dipayar pada 300 dpi dan disimpan dalam bentuk citra berwarna dengan ekstensi BMP. Dari citra asli dilakukan proses konversi menjadi citra aras keabuan, selanjutnya ditingkatkan dengan peregangan kontras, ekualisasi histogram, penapisan, dan binerisasi untuk memperoleh citra hitam-putih. Citra inilah yang akan diuraikan cirinya dengan dekomposisi wavelet.
Perancangan Arsitektur Jaringan Jaringan yang akan dirancang dalam penelitian ini adalah jaringan Learning Vector Quantizations (LVQ) dengan komponen-komponen 256 neuron pada lapisan masukan, dan 5 neuron pada lapisan keluaran.
Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor masukan ke bobot yang bersangkutan (w1, w2, w3, w4, dan w5).
Pada penelitian ini pola-pola sidikjari diklasifikasikan berdasarkan
pola utama sidikjari seperti yang ditunjukkan pada Gambar 3.
whorl Left loop Right Loop
Arch Tented Arch
Gambar 3 Lima Pola Utama Sidikjari
Pelatihan dan Pengujian
Pada tahap ini jaringan dilatih dengan 120 pola yang berbeda.
Selanjutnya dilatih dengan pesat pembelajaran () yang berbeda-beda untuk mendapatkan unjukkerja pengenalan yang optimal.
PEMBAHASAN
Dekomposisi Pola Sidikjari
Dekomposisi pola dilakukan untuk merepresentasikan pola digit ke dalam vektor yang mengandung beberapa informasi mengenai pola tersebut. Hasil dekomposisi level kesatu citra asli 128x128 piksel dengan wavelet Haar adalah empat subbidang pada resolusi yang lebih rendah 64x64 piksel. Keempat subbidang tersebut masing-masing membawa informasi yang berbeda, yaitu informasi background, horizontal, vertikal, dan diagonal. Pada level kedua dihasilkan subbidang- subbidang berukuran 32x32 piksel,
54
dan pada level ketiga dihasilkan subbidang-subbidang dengan ukuran 16x16 piksel. Pada penelitian ini hasil dekomposisi level ketiga berupa citra aproksimasi dengan dimensi 16x16 piksel menjadi basis masukan jaringan syaraf. Hasil dekomposisi tersebut dapat dilihat pada Gambar 4.aproksimasi ke-1 detil horizontal ke-1 detil vertikal ke-1 detil diagonal ke-1
aproksimasi ke-2 detil horizontal ke-2 detil vertikal ke-2 detil diagonal ke-2
aproksimasi ke-3 detil horizontal ke-3 detil vertikal ke-3 detil diagonal ke-3 (a) level ke-1
(b) level ke-2
(c) level ke-3
Gambar 4 Hasil dekomposisi pola sidikjari dengan menggunakan
gelombang-singkat Haar.
Ujicoba Jaringan Syaraf Tiruan Hasil ujicoba dengan vektor masukan 16x16 piksel ditunjukkan oleh Tabel 1
Tabel 1. Hasil Ujicoba yang memberikan Unjukkerja Pengenalan Terbaik berdasarkan Vektor Masukan 16x16 hasil dekomposisi Wavelet Haar
Laju Pelatihan Awal (α)
Unjuk kerja Pengenalan
Wak tu (detik)
0,1
85% 8,13
85% 2,80
81,67
%
1,73
80,83
%
1,25
78,33
%
0,55
Proses pengujian dilakukan dengan laju pelatihan () dan penurunan laju pelatihan awal (dec ) yang bervariasi. Pengujian dilakukan dengan menguji pola yang digunakan pada saat pelatihan. Pada pelatihan menghasilkan bobot-bobot akhir yang akan digunakan untuk melakukan pengujian.
Dari Tabel 1 dapat dibuat grafik hubungan pengurangan laju pelatihan dengan unjukkerja pengenalan.
55
Gambar 5 Grafik Pengurangan LajuPelatihan dan Unjukkerja Pengenalan
Dari hasil pengujian terlihat bahwa pengurangan laju pelatihan awal 0,1 memberikan unjukkerja terbaik (85%).
Variasi Besarnya Dimensi Masukan Tabel 2. Hasil Ujicoba yang
memberikan Unjukkerja Pengenalan Terbaik berdasarkan Dimensi Vektor Masukan
Dimensi Vektor Masukan
Unjukkerja Pengenalan
Waktu (detik)
16x16 piksel
85% 8,13
32x32 piksel
85,83% 13
64x64 piksel
86,67% 110,09
Pada hasil pengujian terlihat bahwa masukan dengan dimensi yang lebih besar (64x64) memberikan unjukkerja (86,67%) yang lebih baik dibandingkan dengan masukan dengan dimensi yang lebih kecil, tetapi diperlukan waktu yang lebih panjang.
Besarnya dimensi masukan jaringan syaraf tiruan mempunyai pengaruh penting terhadap unjukkerja pengenalan. Dengan dimensi yang kecil dapat mengurangi jumlah komputasi pada setiap iterasinya.
Secara praktek sangat sulit untuk mencari metoda ekstraksi ciri hingga didapatkan dimensi yang sekecil- kecilnya tetapi masih dapat mewakili ciri dari citra aslinya.
Pada Tabel 2 dapat dilihat perbandingan besarnya dimensi masukan terhadap unjukkerja pengenalannya. Masukan dengan dimensi 64x64 (hasil dekomposisi level-1) telah meningkatkan unjukkerja sebesar 1% dibanding dengan masukan berdimensi 32x32 (hasil dekomposisi level-2).
Sedangkan masukan dengan dimensi 32x32 telah meningkatkan unjukkerja sebesar 1% dibandingkan dengan masukan berdimensi 16x16 (hasil dekomposisi level-3). Grafik hubungan unjukkerja dengan dimensi masukan dan waktu komputasi ditunjukkan pada Gambar 6.
Pada pengujian dengan masukan pada jaringan masih dapat menghasilkan unjukkerja pengenalan sebesar 82,5% pada masukan tanpa pra-pengolahan citra. Dapat disimpulkan bahwa dengan masukan dengan pra-pengolahan memberikan unjukkerja yang lebih baik (85%) daripada masukan tanpa pra- pengolahan citra (82,5%).
Dengan demikian dapat disimpulkan bahwa semakin kecil dimensi masukan jaringan syaraf LVQ
56
dengan metoda ekstraksi ciri yang sama akan membuat unjukkerja pengenalan menurun. Hal ini disebabkan kehilangan beberapa informasi pada saat mereduksi dimensi tersebut. Namun semakin besar dimensi masukan pada jaringan, maka untuk proses pelatihan dan pengujian pada setiap iterasinya akan membutuhkan waktu yang lebih panjang.Grafik Hubungan Unjukkerja dengan Dimensi Masukan dan
Waktu Komputasi
85%
85%
86%
86%
87%
87%
0 1 2 3 4
Dimensi Masukan
Unjukkerja
0 20 40 60 80 100 120
Waktu (detik)
Gambar 6 Grafik Hubungan Unjukkerja dengan Dimensi Masukan dan Waktu Komputasi
Variasi Derau dan Rotasi
Tabel 3 Perbandingan Unjukkerja Pengenalan Terbaik berdasarkan
Penambahan Derau dan Rotasi
U njuk
K erja
A wal(%)
Setela h
Pena mbahan
Derau (%)
Setelah dirotasi (%)
9 0
- 90
1 80
8 81,67 4 5 4
5 4,17 5 3,33
Pada Tabel 3 di atas terlihat bahwa dengan penambahan derau membuat unjukkerja pengenalan menurun. Jaringan masih dapat menghasilkan unjukkerja pengenalan sebesar 81,67 % pada penambahan derau salt-and- pepper.
Besar variasi sudut positif artinya sampel-sampel data diputar berlawanan dengan arah jarum jam, sedangkan besar variasi sudut negatif artinya sampel-sampel data diputar searah jarum jam. Sama seperti pada penambahan derau, semakin besar sudut rotasi yang diberikan akan membuat unjukkerja pengenalan menurun. Pada Tabel 3 dapat dilihat bahwa jaringan masih dapat menghasilkan unjukkerja sebesar 44,17% pada rotasi 900, 55% pada rotasi -900, dan 43,33 pada rotasi 1800.
Pada saat dirotasi 900, sampel data citra sidikjari jenis sangkutan kiri (left loop) dikenali sebagai busur (arch) dan jenis sangkutan kanan (right loop) dikenali sebagai sangkutan kiri (left loop). Pada saat dirotasi –900, sampel data citra sidikjari jenis sangkutan kiri dikenali sebagai sangkutan kanan. Pada saat dirotasi 1800, sampel data citra sidikjari jenis lingkaran dikenali sebagai sangkutan kiri begitu juga sebaliknya.
Dengan demikian ujicoba jaringan syaraf tiruan tersebut menunjukkan bahwa jaringan LVQ yang dibangun dengan ekstraksi ciri transformasi wavelet dapat berfungsi baik dengan peningkatan unjukkerja pengenalan yang cukup signifikan.
KESIMPULAN
1. Identifikasi sidikjari menggunakan LVQ dengan pemrosesan awal alihragam gelombang-singkat memberikan unjukkerja pengenalan yang cukup tinggi.
Keterangan: 1=ukuran 16x16; 2=ukuran 32x32;
3=ukuran 64x64
57
2. Unjukkerja pengenalan meningkatcukup signifikan (5%) untuk masukan dengan dimensi 64x64 (hasil dekomposisi level-1) dibanding dengan masukan berdimensi 32x32, sedangkan masukan berdimensi 32x32 (hasil
dekomposisi level-2)
meningkatkan unjukkerja sebesar 1% dibandingkan dengan masukan berdimensi 16x16 (hasil dekomposisi level -3).
3. Semakin besar tingkat derau dan adanya rotasi unjukkerja pengenalannya akan menurun.
4. Pengenalan sidikjari dengan pra- pengolahan citra memberikan unjukkerja pengenalan yang lebih baik dibandingkan tanpa pra- pengolahan citra.
DAFTAR PUSTAKA
[1] Maltoni D. Maio D. A.K. Jain, S.
Prabakhar. Handbook of Fingerprint Recognition. New York:
Springer.2003.
[2] Chui C.K., Wavelets: A Mathematical Tool for Signal Analysis. SIAM. 1997.
[3] Fausett L. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall. 1994.
[4] Kusworo A. Ekstraksi Ciri Berbasis Filter Gabor sebagai Sistem Verifikasi Sidikjari. ITB:Tesis Magister. 2002.
[5] Minarni. Implementasi Jaringan Syaraf LVQ pada Sistem Klasifikasi Sidikjari. Jurnal Momentum. 2005
[6] Bulkis K. Deteksi Sidikjari Berbasis Alihragam Gelombang-singkat (wavelet) dan jaringan Syaraf Tiruan (JST) khusus Kab.
Mataram dan sekitarnya.
Teknologi Elektro, Vol. 7 No. 1, Januari-Juni 2008
[7] Jain A.K. Fundamentals of Digital Image Processing. Prentice-Hall International. Inc. 1989.
[8] Daubechies, I. Ten Lectures on Wavelets. Vermont : Capital City Press, Montpelier. 1995.
[9] Gopinath R. A., Burrus, C. S., and Guo, H. Introduction to Wavelets and Wavelets Transform., Prentice-Hall International, Inc.
1998.
