65
PENGUJIAN KUALITAS CITRA SIDIK JARI KOTOR MENGGUNAKAN
LEARNING VECTOR
QUANTIZATION
(
LVQ)
Muhammad Nasir1 dan Muhammad Syahroni1
1Dosen Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,24312 E-mail : masnasir_poli@yahoo.com, msyahroni@yahoo.com
ABSTRAK
Makalah ini menjelaskan sebuah prosedur untuk menguji kualitas citra sidik jari kotor dengan metode Learning
Vector Quantization (LVQ). Sebelum pengujian citra sidik jari ditingkatkan kualitasnya menggunakan metode
gabor filter dengan ukuran citra 208x154 piksel grayscale dalam format bitmap. Data diambil dari ibu jari 20
orang dengan 10 sampel per jari (200 citra sidik jari). Pengujian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasnya. Adapun jumlah kelas pada pengujian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Pada pengujian 200 data citra sidik jari kotor dihasilkan peningkatan kualitas citra sidik jari sebesar 87%.
Kata-kata kunci : Learning Vector Quantization, Sidik Jari Kotor, Gabor Filter, Peningkatan Kualitas Citra
ABSTRACT
This paper describes a novel procedure for testing the quality of fingerprint image soiled by the method of Learning Vector Quantization (LVQ). Before testing the fingerprint image enhanced by using the Gabor filter with a size of 208x154 pixel grayscale image in bitmap format. Data taken from the thumb 20 people with 10 samples per finger (200 fingerprint image). Testing was conducted using four images as training in every class. The number of classes in this test all 20 classes with each class consisting of 10 images. In the testing of 200 gross fingerprint image data generated fingerprint image quality improvement by 87%.
Keywords: Learning Vector Quantization, Dirty Fingerprint, Gabor filters, Image Quality Enhancement
I. PENDAHULUAN
Sistem biometrik adalah sistem untuk melakukan identifikasi menggunakan ciri-ciri fisik atau anggota tubuh manusia, seperti sidik jari
(fingerprint), wajah, iris dan retina mata, suara.
Teknologi biometrik memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki keunikan yang berbeda antara manusia satu dengan yang lain [1]. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik dengan kehandalan sangat tinggi adalah sidik jari.
Kendala utama dalam pengenalan sidik jari dengan metode berbasis minutiae, pada umumnya
citra sidik jari memiliki kualitas yang rendah, disebabkan oleh jenis kulit (berminyak, kering, cacat). Oleh karena itu, perbaikan kualitas citra sidik jari seharusnya menjadi salah satu prioritas utama sebelum mengidentifikasi parameter-parameter yang berupa ciri (feature) dari objek didalam citra, untuk
selanjutnya parameter tersebut digunakan dalam mengiterpretasi citra untuk dapat diektraksi ciri dari citra tersebut. Untuk mencegah terjadinya pengulangan data dibuat sistem informasi yang dapat mengidentifikasi kerusakan sidik jari. Dapat ditentukan empat jenis kerusakan citra sidik jari, diantaranya : sidik jari normal,sidik jari kotor,sidik jari berminyak, dan sidik jari kering. Sidik jari
sebagai salah satu masalah kompleks yang tidak memiliki model matematis yang jelas akan dijadikan sebagai bahan masukan Jaringan Saraf tiruan (JST). Salah satu metode yang dapat melakukan proses pengenalan pola sidik jari dalam JST adalah metode
Learning Vector Quantization(LVQ).
Penelitian ini bertujuan untuk menguji kualitas citra sidik jari kotor setelah proses gabor filter dengan menggunakan metode LVQ.
II. TINJAUAN PUSTAKA
Sidik jari merupakan tanda identitas biometrik tertua. Bagian dalam permukaan tangan dari ujung jari ke pergelangan tangan berisi pola garis pada kulit, dengan alur/kerutan antara masing-masing pola garis. Pola garis di sepanjang pori-pori yang mengeluarkan keringat [4]. Sebuah citra sidik jari terdiri dari ridge (punggung) dan valley (lembah)
sebagaimana pada Gambar 1.
Kualitas Citra Sidik Jari
Kualitas citra sidik jari bergantung pada kondisi kulit [1][2]. Kulit kering cenderung menyebabkan kontak ridge tak konsisten dengan
scanner dari permukaan roll scanner sehingga
banyak struktur ridge mengisi piksel-piksel putih.
terisi dengan uap air, sehingga lembah tersebut tampak hitam pada citra yang telihat mirip dengan struktur ridge. Gambar 2, menunjukkan citra sidik
jari berminyak, netral, kering dan kotor.
Gambar 1. Ridge dan Valley pada Sidik Jari III.
IV. V. VI. VII.
a. Oily b. Neutral c. Dry d. Dirty Gambar 2.. Jenis-jenis Citra Sidik Jari
Skor Kejelasan Ridge-Valley Citra Sidik Jari
Skor kejelasan ridge-valley menunjukkan
kemampuan untuk membedakan ridge dan valley
disepanjang arah ridge. Sebuah metode yang
menganalisis distribusi ridge dan valley yang telah
disegmentasi diperkenalkan untuk menggambarkan kejelasan pola sidik jari yang dihasilkan [3]. Untuk melakukan analisis kejelasan lokal, citra sidik jari dikuantisasi ke dalam blok berukuran 32 x 32 piksel. Dalam setiap blok, dihitung sebuah orientasi garis yang tegak lurus terhadap arah ridge. Pada bagian
tengah dari blok sepanjang arah ridge, sebuah vektor
dua dimensi V1 (bentuk persegi dalam Gambar 3)
dengan ukuran 32 x 13 piksel yang dapat diekstraksi dan ditransformasi ke sebuah vektor vertikal dua dimensi V2 yang diratakan [5]. Dengan menggunakan
Persamaan (1), sebuah vektor satu dimensi V3, yaitu
profil rata-rata dari V2 dapat dihitung.
...(1) Dimana m adalah tinggi blok (13 piksel) dan i adalah
indeks horisontal.
Learning Vector Quantization (LVQ)
LVQ adalah metode untuk klasifikasi(pengelompokkan) pola dan memiliki
output yang mewakili dari kelas tertentu. Arsitektur
jaringan saraf LVQ pada dasarnya sama dengan
Kohenen Self Organizing Map(tanpa suatu struktur
topologis yang diasumsikan untuk output) [6].
Arsitekturnya terdiri dari lapisan input,
lapisan kompetitif (lapisan tersembunyi /hidden
Layer),dan lapisan output seperti pada gambar 3.
Lapisan kompetitif akan belajar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang
diberikan. Apabila beberapa vektor input memiliki
jarak yang sangat berdekatan, maka vektor input
tersebut akan dikelompokkan dalam kelas yang sama. Gambar 3, Menunjukkan jaringan LVQ dengan 6 unit pada lapisan input, dan 2 unit (neuron) pada
lapisan output[6].
Gambar 3. Contoh arsitektur jaringan LVQ
Gambar 4. Layer-layer pada LVQ, Fungsi
masing-masing layer.(Matlab)
Dimana :
R = nomor dari input vector
=
1
S
nomor dari competitive neuron 2S
= nomor dari neuron linearPada gambar 4, dapat dijelaskan sebagi berikut, Arsitekturnya terdiri dari lapisan
input,lapisan kompetitif(lapisan tersembunyi /hidden
Layer). Lapisan kompetitif akan belajar secara
otomatis untuk melakukan klasifikasi terhadap vektor
input yang diberikan. Pada lapisan linear layer
berfungsi untuk meng-aktivasi hasil dari lapisan kompetitif.
Perbaikan bobot pada metode Learning
Vector Quantization (LVQ) adalah:
x1 x 6 x 5 x 4 x 3 x 2 x -w1 x -w2 F1 F2 y _ in1 y _ in2 y1 y2
67
Jika T =C
j maka:))
(
(
)
(
)
(
baru
w
lama
x
w
lama
w
j=
j+
α
−
j ..(2) JikaT
=
C
jmaka
:))
(
(
)
(
)
(
baru
w
lama
x
w
lama
w
j=
j−
α
−
j ..(3)III. METODE PENELITIAN
Secara umum, penelitian enhancement citra
sidik jari kotor ini melalui beberapa tahapan proses, antara lain normalisasi bertujuan untuk menstandarisasi atau penyeragaman nilai intensitas citra sidik jari kotor, proses binerisasi untuk merubah nilai grayscale citra ke dalam suatu konversi citra digital, Gabor filter untuk proses peningkatan kualitas citra, thining dan minutiae. Proses akhir dalam penelitian ini adalah pengujian kualitas citra dengan LPQ.
Pada penelitian ini, subyek penelitian adalah mahasiswa. Data sidik jari akan diambil dengan merujuk pada pedoman pengambilan data Fingerprint
Verification Competition (FVC) Database-2 (DB2),
yakni menggunakan optical sensor fingerprint
“U.are.U 4000” yang diproduksi oleh digital persona dengan mendapatkan ukuran citra 208x154 piksel
grayscale dalam format bitmap. Data diambil dari ibu
jari 20 orang dengan 10 sampel per jari (200 citra sidik jari).
Pengambilan sidik jari kotor, terlebih dahulu melalui tahapan dengan memberikan tinta atau debu yang disesuikan dengan seberapa kepekaan scan
dapat membaca data sidik jari. Bila sidik jari terlalu kotor,maka data sidik jari tidak dapat dibaca oleh
scan fingerprint. Gambar 5, merupakan contoh citra
sidik jari kotor yang diambil dengan scan fingerprint U are U 4000.
Gambar 5. Contoh Data Sidik Jari Kotor
IV. HASIL DAN PEMBAHASAN
4.1. Pengujian Normalisasi
Proses normalisasi dilakukan untuk menstandartisasi atau menyeragamkan nilai intensitas citra sidik jari kotor dengan menyesuaikan cakupan derajat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 6, merupakan hasil dari normalisasi suatu citra sidik jari yang mempunyai nilai mean nol dan variance satu. Histogram citra asli
yang ditunjukkan pada Gambar 7 (c) menggambarkan bahwa semua nilai piksel tidak merata pada intensitas
citra 0-255. Setelah melalui proses normalisasi maka nilai jumlah piksel di rata-ratakan sepanjang nilai intensitas seperti yang di tunjukkan pada Gambar 7 (d). Pada histogram di perlihatkan adanya penyeragaman nilai piksel gelap dan terang. Oleh karena itu normalisasi citra diperlukan untuk meningkatkan kontras antara ridge dan valley pada
citra sidik jari.
Gambar 6. Hasil Normalisasi Citra; (a) Citra Asli; (b) Citra Ternormalisasi
4.2. Pengujian Binerisasi
Binarisasi adalah proses dimana citra
grayscale ditingkatkan ke dalam suatu konversi citra
biner. Sebuah citra grayscale adalah mempunyai jumlah tingkat satu grayscale yang spesifik. Untuk 8 bit citra grayscale bisa merepresentasikan 28 - 1 =
255 intensitas atau tingkat abu-abu. Pada penelitian ini dilakukan dengan memakai beberapa nilai
threshold dengan tujuan untuk melihat mana yang
terbaik dalam proses binarisasi. Adapun nilai
threshold yang di pilih antara lain 130, 150 dan 160.
Gambar 7. Hasil Binarisasi dengan Nilai Threshold
Berbeda (a) Citra Asli; (b) Threshold 130; (c)
Threshold 150; (d) Threshold 160
4.3. Pengujian Thinning
Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binarisasi maka selanjutnya citra sidik di thinning. Penerapan
algoritma thinning pada citra sidik jari yang
mempertahankan konektivitas sementara struktur
ridge akan membentuk bagian penulangan (skeleton)
digunakan dalam ekstraksi minutiae selanjutnya.
Gambar 8, memperlihatkan hasil proses thinning.
Gambar 8. Hasil Proses Thinning
Dalam pengujian pada penelitian ini proses
thinning menggunakan algoritma berdasarkan
evaluasi nilai piksel dan 8 piksel tetangga atau dikenal dengan the 8-neighborhood pixel, dengan
piksel acuan P1 pada matrik 3 x 3.
Algoritma ini terdiri dari dua sub iterasi, dan untuk masing-masing iterasi dikenakan aturan yang berbeda dalam penentuan penghapusan piksel. Algoritma tersebut diterapkan dengan ketentuan variabel B dari piksel P1 adalah banyaknya bit 1, dimana B(i,j) = SUM(P2 … P9). Dan variabel A dari piksel P1 adalah jumlah transisi dari 0 ke 1 searah jarum jam dari citra dengan ‘0’ merepresentasikan piksel gelap (black) dari citra dan ‘1’
merepresentasikan citra terang (white) atau lebih
dikenal dengan region point bernilai 1 dan
background point bernilai 0.
( )
⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ 0 1 1 0 , 1 1 0 1 0 j i P4.4 Enhancement dengan Gabor Filter
Gambar 9. Hasil Proses 8 Orientasi Gabor Filter
Pada penelitian ini proses enhancement di
lakukan dengan menggunakan gabor filter, dimana
citra sidik jari yang telah ternormalisasikan di konvolusi dengan 8 buah Filter Gabor dengan arah orientasi yang berbeda (0o, 22.5o, 45o, 67.5o, 90o, 112.5o, 135o, 157.5o). Sehingga pada akhirnya terbentuk 8 buah citra baru terfilterisasi. Hasil dari proses orientasi Gabor filter untuk enhancement
seperti yang ditunjukkan pada Gambar 9. Pada penelitian nilai deviasi ditetapkan sebesar 32 dan k = 10, dimana k adalah nilai perioda. Hasil dari proses
Gabor filter ditunjukkan pada Gambar 9.
Untuk tampilan Gabor Filter simetris genap
untuk θ = 22.5o seprti diperlihatkan pada Gambar 10.
Gambar 10. Hasil Gabor Filter Simetris Genap
(a) Tampilan Posisi 0o ; (b) Tampilan Posisi 22.5o
4.5 Minutiae
Gambar 11. Hasil Proses Minutiae
Minutiae untuk menentukan vektor ridge
ending dan bifurcation pada sebuah citra sidik jari.
Pada penelitian ini minutia dilakukan terhadap citra
asli dan citra hasil enhancement. Minutiae
mempunyai 2 jenis yaitu ridge ending dan ridge
bifurcation. Vektor ridge ending adalah lokasi
koordinat x, y dan sudut Ө dari ujung garis jari. Sedangkan Vektor ridge bifurcation adalah koordinat
x, y dan sudut Ө dari garis jari yang berbentuk (a) Citra Asli
(c) 22.5o (c) 45o (b) 0o (e) 90o (f) 112.5o (g) 135o (h) 157.5o (i)Citra Enhancemnet (e) 67.5o a b)
69
cabang. Pada penelitian ini setelah melakukan proses enhancement maka minutia diperlukan untuk mengetahui jumlah minutia cita asli sebelum di
enhancement dengan jumlah minutia citra setelah
enhancement. Hasil dari minutia di tunjukkan seperti
pada Gambar 11.
Pada panelitian ini, minutiae dilakukan 2
tahap yaitu minutiae untuk citra asli dan minutiae
untuk citra hasil enhancement. Hasil dari proses
minutiae menghasilkan terminasi dan bifurcation
seperti yang ditunjukkan pada Gambar 12.
Gambar 12. Grafik Terminasi pada Citra Original
Gambar 13. Grafik bifurcation pada Citra
Original
4.6 Learning Vector Quantization (LVQ)
Untuk mengukur tingkat keberhasilan
enhancement citra sidik jari kotor pada penelitian ini,
digunakan metode Learning Vector Quantization
(LVQ). Pengujian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasnya. Adapun jumlah kelas pada pengujian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Adapun hasil dari LVQ ditunjukkan pada Gambar 14.
Gambar 14. Grafik Pengujian LVQ
V. KESIMPULAN
Berdasarkan uji coba dan analisis hasil pengujian terhadap citra sidik jari kotor dengan menggunakan learning vektor quantization dan
gabor filter untuk mendapatkan peningkatan kualitas
citra, dapat disimpulkan hasil penelitian dilakukan untuk 8 orientasi, yaitu 0o, 22.5o, 45o, 67.5o, 90o, 112.5o, 135o, 157.5o. Untuk mengukur tingkat keberhasilan enhancement citra sidik jari kotor pada
penelitian ini, digunakan metode Learning Vector
Quantization (LVQ). Dari hasil diperoleh tingkat
keberhasilan pengenalan adalah 87%.
DAFTAR PUSTAKA
[1] Arun, R. Jain, A. dan Resimen, J., 2002, A Hybrid Fingerprint Matcher, Proceedings Of International Conference on Pattern
Recognition (ICPR), Quebec City, hal. 11-15.
[2] Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 2003,
Handbook of Fingerprint Recognition,
Springer, New York.
[3] Peng Yang et.al. 2002, Face Recognition Using
Ada-Boosted Gabor Feature. Institute of
Computing Technology of Chinese Academy Science and Microsoft Research Asia, China. [4] H.C. Lee, R.E. Gaensslen, Advances in
Fingerprint Technology, CRC Press, Boca
Raton, FL, 2001, p.274.
[5] T.P. Chen, X. Jiang, X, W.Y. Yau, Proceedings
of Conference on Image Process, Singapore, 2
(2004) 1253.
[6] Kusumadewi. Sri, 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan