Peningkatan Kualitas Citra Sidik Jari menggunakan FFT (Fast Fourier Transform)

PENINGKATAN KUALITAS CITRA SIDIK JARI MENGGUNAKAN FFT(FAST FOURIER TRANSFORM)

TESIS

Oleh SALAHUDDIN

107034007/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA MEDAN

PENINGKATAN KUALITAS CITRA SIDIK JARI MENGGUNAKAN FFT (FAST FOURIER TRANSFORM)

TESIS

Untuk Memperoleh Gelar Magister Teknik Dalam Program Studi Magister Teknik Elektro Pada Fakultas Teknik Universitas Sumatera Utara

Oleh SALAHUDDIN

107034007/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA MEDAN

Judul Tesis :

Nama Mahasiswa : Salahuddin

PENINGKATAN KUALITAS CITRA SIDIK JARI MENGGUNAKAN FFT (FAST FOURIER

TRANSFORM) Nomor Induk : 107034007

Program Studi : Magister Teknik Elektro

Menyetujui Komisi Pembimbing:

(Prof. Drs. Tulus, M.Si., P.hD) (Fahmi, ST, M.Sc Ketua Anggota

)

Sekretaris Program Studi Dekan,

(Drs. Hasdari Helmi,MT) (Prof.Dr.Ir. Bustami Syam, MSME)

Telah diuji pada

Tanggal : 29 Nopember 2012

PANITIA PENGUJI TESIS

Ketua :

Anggota : 1. Fahmi, ST, M.Sc

2. Prof. Dr. Opim S. Sitompul, M.Sc 3. Soeharwinto, ST, M.T

ABSTRAK

Teknologi biometrik memiliki beberapa kelebihan seperti tidak mudah hilang, tidak bisa dipalsukan, dan tidak mudah rusak. Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang sehingga dapat dikenali ciri unik dari orang tersebut. Hasil dari ekstraksi ciri sidik jari sangat bergantung pada kualitas dari citra sidik jari itu sendiri, dan kualitas citra sidik jari berhubungan dengan kejelasan ridge structure pada citra sidik jari. Citra yang baik akan memiliki kontras yang baik dan akan dengan baik menggambarkan ridges dan valleys, ada beberapa alasan yang menyebabkan citra sidik jari tidak baik, diantaranya yaitu adanya lipatan atau luka membuat ridges tidak kontinyu (putus). Jenis sidik jari dengan kondisi lingkungan didefinisikan diantaranya: sidik jari berminyak yang memiliki piksel ridges cenderung sangat tebal, sidik jari kering yang memiliki ridges yang kasar pada tingkat lokal dan terdapat piksel putih/ valley yang banyak, serta sidik jari netral atau disebut juga sidik jari normal yang cecara umum tidak memiliki sifat khusus seperti berminyak dan kering. untuk mendapatkan citra yang baik pada citra kering, ridges yang ditingkatkan dengan mengekstraksi garis tengahnya dan menghapus piksel putih/ valley. Salah satu metode yang digunakan untuk meningkatkan kualitas citra adalah image enhancement yakni proses peningkatan kualitas pada citra. Penelitian ini menggunakan metode FFT karena FFT merupakan salah satu algoritma yang dapat menghitung secara cepat, karena sistem yang diproses secara real time. Dengan metode FFT citra sidik jari dengan ridges yang terputus dianalisa dan dihitung probabilitasnya dari ridge frequency dan ridge orientation, setelah ditingkatkan kualitasnya dengan menggunakan FFT mendapatkan peningkatan piksel ridge dari 97.44 % sampai dengan 97.52 %, dengan Tingkat keberhasilan verifikasi citra sidik jari didapat bahwa 54,29% diterima (Matching) pada k=0,6

ABSTRACT

Biometric technology has several advantages, such as it cannot be easily lost, cannot be falsified, and cannot be easily broken. The system of identifying fingerprint is aimed to identify someone’s fingerprint so that his uniqueness can be identified. The result of the extraction of fingerprint entirely depends on the quality of the fingerprint image itself and on the quality of the fingerprint image related to the clarity of the ridge structure of the fingerprint. Good image will have good contrast and will describe ridges and valleys properly. There are some reasons why a fingerprint is not good; one of them is that there is a hold or a cut which causes the ridges not to continue (cut off). The type of fingerprint with environmental condition is defined as greasy fingerprint in which the pixel of ridges tends to be thick, dry fingerprint has locally rough ridges, there are many white pixels/valleys, and neutral or normal fingerprints generally do not have specific characteristics such as greasy and dry. In order to obtain good image on dry image, the ridges should be increased by extracting its diameter and wiping out the white pixels/valleys. One of the methods used to increase the quality of the image is image enhancement; namely, the process of increasing the quality of an image.The study used FFT method since it is one of the algorithms which can compute fast because the system is processed in actual time. With the FFT method, the probability of the fingerprint image with the cut off ridges was analyzed and computed from its ridge frequency and ridge orientation. After its quality was increased by using FFT, the pixel ridge increased from 97.44% to 97.52%. By the result of the verification of fingerprint, it was found that 54.29% was matching at k=0.6

KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas rahmat dan hidayahnya sehingga penulis dapat menyiapkan penelitian thesis ini dengan baik. Penelitian ini dilakukan untuk memenuhi salah satu syarat kurikulum Program Studi Magister Teknik Elektro Fakultas Teknik Universitas Sumatera Utara, Medan. Penelitian thesis ini berjudul “Peningkatan Kualitas Citra Sidik Jari menggunakan FFT (Fast Fourier Transform)” dimana penulis merasa tertarik untuk mengangkat masalah citra sidik jari untuk meningkatkan kualitas citra yang rusak.

Penulis terutama mengucapkan terima kasih yang tak terhingga kepada Orang tua tercinta Ayahanda (alm) M. Ali R dan Abu Tgk. Usman Idris serta Ibunda Rusni dan Ibunda Sitti Huzaifah, serta yang tercinta Istriku Cut Ida masnadewi beserta Anak-anak yang manis Ghazy Maulana dan Filzah Munawwarah atas doa dan semangat yang diberikan sehingga penulis dapat menyelesaikan thesis ini.

Penulis juga mengucapkan terima kasih yang tak terhingga dan penghargaan yang setinggi-tingginya kepada Bapak Prof. Tulus, M.Si dan Bapak Fahmi, ST, M.Sc. sebagai pembimbing atas segala saran, bimbingan dan nasehatnya selama penulisan thesis ini. Terima kasih juga penulis ucapakan kepada institusi Politeknik Negeri Lhokseumawe yang telah memberi kesempatan berupa bantuan dan dorongan moril untuk dapat melakukan penelitian ini.

Selesainya thesis ini juga melibatkan berbagai pihak yaitu Bapak Prof. Dr. Ir. Usman Baafai selaku Ketua Program Studi atas upaya dan usahanya menyukseskan Program Studi Megister Teknik Elektro, serta seluruh staf pengajar Program Studi Magister Teknik Elektro. Untuk itu penulis mengucapkan terima kasih atas konstribusi dan bantuanya, dan terima kasih buat Bu Nur, Pak Martin, Pak Hasdari dan kawan-kawanku Sayed Munazzar, Muliyadi, Eliyani, Syahrul Azmi, Evi Andriani, Sarmayanta, Muhammad Nasir, Sila Abdullah Sakri, Kak Mursyidah, Atthariq serta Pak Rahmat Syam dan Pak Heru.

Mudah-mudahan penelitian tesis ini nantinya dapat bermanfaat bagi Institusi Politeknik Negeri Lhokseumawe dan kepada pembaca khususnya yang tertarik mengenai Peningkatan Kualitas Citra Sidik Jari. Kritik dan saran dari pembaca yang sifatnya membangun sangat penulis harapkan.

Medan, 29 Nopember 2012 Penulis,

DAFTAR RIWAYAT HIDUP

IDENTITAS :

Nama : Salahuddin

Tempat/ Tanggal Lahir : Jeuram, 05 Oktober 1974 Jenis Kelamin : Laki-laki

Agama : Islam

Bangsa : Indonesia

Alamat : Komp. Mutiara Indah, Jl. Mutiara III No. 9F, Alue Awe – Lhokseumawe.

RIWAYAT PENDIDIKAN :

 Sekolah Dasar Negeri 1 Jeuram tamat tahun 1987.

 Sekolah Menengah Pertama Negeri 1 Jeuram tamat tahun 1990  Sekolah Menengah Atas Negeri 1 Jeuram tamat tahun 1993  Politeknik Universitas Syiah Kuala tamat tahun 1996  Institut Teknologi Bandung tamat tahun 2000

RIWAYATPEKERJAAN :

 Staf Pengajar Teknik Elektro Politeknik Negeri Lhokseumawe sejak 01 Desember 2000 sampai dengan sekarang

Medan, 29 Nopember 2012 Penulis,

DAFTAR ISI

Halaman

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR RIWAYAT HIDUP ... v

DAFTAR ISI ... vi

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

DAFTAR SINGKATAN ... xii

BAB 1 PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Perumusan Masalah ... 8

1.3. Batasan Masalah ... 8

1.4. Tujuan Penelitian ... 8

1.5. Manfaat Penelitian ... 9

BAB 2 TINJAUAN PUSTAKA ... 10

2.1. Biometrik Authentifikasi ... 10

2.2. Satuan Pengukuran Biometrik ... 18

2.3. Sidik Jari ... 21

2.3.1. Identifikasi sidik jari ... 24

2.3.2. Jenis kerusakan citra sidik jari ... 26

2.3.3. Perbaikan citra sidik jari ... 27

2.3.4. Citra sidik jari ... 28

2.4. Pengolahan Citra ... 30

2.4.1. Thresholding ... 30

2.4.2. Konversi ke citra biner ... 33

2.4.3. Segmentasi citra biner ... 34

2.5.1. Transformasi fourier diskrit ... 36

2.5.2. Fast Fourier Transform ... 37

2.5.2.1.FFT 2D ... 39

2.5.2.2.FFT Analisys ... 40

BAB 3 METODELOGI PENELITIAN ... 42

3.1. Metode yang Diusulkan ... 42

3.2. Tahapan Penelitian ... 43

3.2.1. Pengambilan data citra sidik jari ... 44

3.2.2. Preprocessing ... 45

3.2.2.1. Normalisasi ... 45

3.2.2.2. Binerisasi ... 46

3.2.3. Klasifikasi jenis citra sidik jari kering ... 47

3.2.4. Enhancement citra sidik jari kering ... 47

3.2.4.1. Diagram proses peningkatan citra dengan FFT ... 48

3.2.5. Persentase citra sebelum dan sesudah Enhancement ... 48

3.3. Diagram Alir Tahapan Penelitian ... 49

BAB 4 HASIL DAN PEMBAHASAN ... 51

4.1. Hasil Pengambilan Data Citra Sidik Jari ... 51

4.2. Analisa Preprocessing ... 52

4.2.1. Normalisasi ... 53

4.2.2. Binerisasi ... 54

4.3. Hasil Klasifikasi Jenis Citra Sidik Jari Kering ... 55

4.4. Hasil Enhancement Dengan Fast Fourier Transform ... 57

4.5. Hasil Binerisasi Citra Setelah di Enhancement dengan Fast FourierTransform ... ... 59

4.6. Hasil Klasifikasi Jenis Citra Sidik Jari Setelah di Enhancement .... 60

4.7. Hasil Persentase Citra Sebelum dan Sesudah Enhancement ... 61

4.8. Hasil dan Pembahasan Verifikasi Citra Sidik Jari Sebelum dan Sesudah Enhancement ... 62

BAB 5 Kesimpulan dan Saran ... 66

5.1. Kesimpulan ... 66

5.2. Saran ... 66

DAFTAR PUSTAKA ... 67

DAFTAR TABEL

Nomor Judul Halaman 1.1. Penelitian yang pernah dilakukan ... 3 2.1. Beberapa ukuran karakteristik anatomi sidik jari ... 12 4.1. Hasil verifikasi sidik jari normal dengan sidik jari setelah

DAFTAR GAMBAR

Nomor Judul Halaman

2.1. Beberapa contoh pola papillary ridge ... 11

2.2. Beberapa titik sambungan ridge pada sidik jari ... 13

2.3. Kesesuaian ridge pada sidik jari ... 14

2.4. Arsitektur sistem biometrik ... 15

2.5. Perbedaan FAR dan FRR dari aplikasi sidik jari ... 17

2.6. Grafik FAR dan FRR terhadap threshold ... 19

2.7. Proses enrollment sidik jari ... 19

2.8. Proses verifikasi sidik jari ... 20

2.9. Proses identifikasi sidik jari ... 20

2.10. Sidik jari ... 22

2.11. Data unik citra sidik jari ... 23

2.12. Klasifikasi pada sidik jari ... 24

2.13. Berbagai macam hasil pengambilan sidik jari ... 27

2.14. Karakteristik ciri sidik jari level 1 ... 29

2.15. Karakteristik ciri sidik jari level 2 dan 3 ... 30

2.16. Proses thresholding ... 33

2.17. Proses konversi binerisasi ... 34

2.19. Transformasi fourier ... 36

2.20. Tahap pertama FFT ... 37

2.21. FFT Butterfly ... 38

2.22. Diagram alir FFT ... 39

2.23. 2D FFT ... 40

3.1. Blok diagram tahapan penelitian ... 43

3.2. Contoh data sidik jari kering ... 44

3.3. Hasil normalisasi dengan rata-rata yang diinginkan dengan varian antara nol dan satu ... 45

3.4. Hasil binerisasi ... 46

3.5. Blok Diagram proses peningkatan citra dengan FFT ... 48

3.6. Diagram alir utama sistem ... 49

4.1. Citra sidik jari asli ... 51

4.2. Hasil normalisasi citra ... 53

4.3. Hasil binerisasi dengan nilai theshold berbeda ... 54

4.4. Grafik data nilai piksel sidik jari original ... 56

4.5. Citra enhancement dengan nilai k yang berbeda ... 57

4.6. Grafik nilai rata-rata piksel ridge setelah di enhancement ... 59

4.7. Citra binerisasi setelah di enhancement dengan nila k berbeda ... 60

4.8 Grafik nilai piksel ridge sidik jari setelah di enhancement ... 61

4.9. Grafik persentase kenaikan nilai piksel ridge pada sidik jari setelah Di enhancement ... 62

4.11. Grafik persentase kecocokan citra sidik jari standard dengan sidik jari kering ... 64 4.12. Grafik hasil verifikasi citra sidik jari setelah di enhancement ... 65

DAFTAR SINGKATAN

FFT = Fast Fourier Transform EER = Equal Error Rate

FAR = False Acceptance Rate FRR = False Rejection Rate FTE = Failure To Enrol

DFT = Discrete Fourier Transform

FFT2D= Fast Fourier Transform 2 Dimensi FFT1D= Fast Fourier Transform 1 Dimensi FVC = Fingerprint Verification Competition

ABSTRAK

Teknologi biometrik memiliki beberapa kelebihan seperti tidak mudah hilang, tidak bisa dipalsukan, dan tidak mudah rusak. Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang sehingga dapat dikenali ciri unik dari orang tersebut. Hasil dari ekstraksi ciri sidik jari sangat bergantung pada kualitas dari citra sidik jari itu sendiri, dan kualitas citra sidik jari berhubungan dengan kejelasan ridge structure pada citra sidik jari. Citra yang baik akan memiliki kontras yang baik dan akan dengan baik menggambarkan ridges dan valleys, ada beberapa alasan yang menyebabkan citra sidik jari tidak baik, diantaranya yaitu adanya lipatan atau luka membuat ridges tidak kontinyu (putus). Jenis sidik jari dengan kondisi lingkungan didefinisikan diantaranya: sidik jari berminyak yang memiliki piksel ridges cenderung sangat tebal, sidik jari kering yang memiliki ridges yang kasar pada tingkat lokal dan terdapat piksel putih/ valley yang banyak, serta sidik jari netral atau disebut juga sidik jari normal yang cecara umum tidak memiliki sifat khusus seperti berminyak dan kering. untuk mendapatkan citra yang baik pada citra kering, ridges yang ditingkatkan dengan mengekstraksi garis tengahnya dan menghapus piksel putih/ valley. Salah satu metode yang digunakan untuk meningkatkan kualitas citra adalah image enhancement yakni proses peningkatan kualitas pada citra. Penelitian ini menggunakan metode FFT karena FFT merupakan salah satu algoritma yang dapat menghitung secara cepat, karena sistem yang diproses secara real time. Dengan metode FFT citra sidik jari dengan ridges yang terputus dianalisa dan dihitung probabilitasnya dari ridge frequency dan ridge orientation, setelah ditingkatkan kualitasnya dengan menggunakan FFT mendapatkan peningkatan piksel ridge dari 97.44 % sampai dengan 97.52 %, dengan Tingkat keberhasilan verifikasi citra sidik jari didapat bahwa 54,29% diterima (Matching) pada k=0,6

ABSTRACT

Biometric technology has several advantages, such as it cannot be easily lost, cannot be falsified, and cannot be easily broken. The system of identifying fingerprint is aimed to identify someone’s fingerprint so that his uniqueness can be identified. The result of the extraction of fingerprint entirely depends on the quality of the fingerprint image itself and on the quality of the fingerprint image related to the clarity of the ridge structure of the fingerprint. Good image will have good contrast and will describe ridges and valleys properly. There are some reasons why a fingerprint is not good; one of them is that there is a hold or a cut which causes the ridges not to continue (cut off). The type of fingerprint with environmental condition is defined as greasy fingerprint in which the pixel of ridges tends to be thick, dry fingerprint has locally rough ridges, there are many white pixels/valleys, and neutral or normal fingerprints generally do not have specific characteristics such as greasy and dry. In order to obtain good image on dry image, the ridges should be increased by extracting its diameter and wiping out the white pixels/valleys. One of the methods used to increase the quality of the image is image enhancement; namely, the process of increasing the quality of an image.The study used FFT method since it is one of the algorithms which can compute fast because the system is processed in actual time. With the FFT method, the probability of the fingerprint image with the cut off ridges was analyzed and computed from its ridge frequency and ridge orientation. After its quality was increased by using FFT, the pixel ridge increased from 97.44% to 97.52%. By the result of the verification of fingerprint, it was found that 54.29% was matching at k=0.6

BAB 1 PENDAHULUAN

1.1. Latar Belakang

Sistem pengenalan diri merupakan salah satu sistem biometrika yang bertujuan untuk mengenali identitas seseorang secara otomatis dengan menggunakan teknologi komputer. Pengenalan diri dengan menggunakan sebagian tubuh atau perilaku manusia yang mempunyai ciri-ciri khusus, salah satunya seperti sidik jari. Sistem pengenalan sidik jari bertujuan untuk mengidentifikasi sidik jari seseorang [1]. Kualitas citra sidik jari yang baik jika memiliki kontras yang baik dan dapat menggambarkan struktur ridges dan valleys yang jelas, dimana Ridge-Valley Thickness Ratio (RVTR) adalah: nilai parameter sidik jari kering kurang dari 7.75E-05, nilai parameter sidik jari netral dari 7.75E-05 sampai dengan 5.94E-7.75E-05, dan nilai parameter sidik jari berminyak lebih besar dari 5.94E

Teknologi biometrik ini memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan dan memiliki keunikan yang berbeda antara satu manusia dengan yang lainnya. Kendala utama dalam pengenalan sidik jari umumnya citra sidik jari memiliki kualitas citra yang rendah, antara lain disebabkan oleh jenis kulit (berminyak, kering, kotor) ataupun karena kualitas peralatan fingerprint yang digunakan [3].

-05 [2].

Jenis sidik jari berminyak memiliki piksel ridges yang cenderung sangat tebal, untuk jenis sidik jari kering memiliki piksel ridges yang kasar pada tingkat lokal dan

terdapat piksel valley/putih yang banyak, sedangkan jenis sidik jari netral secara umum tidak memiliki sifat khusus seperti jenis sidik jari berminyak dan kering [4].

Untuk mendapatkan citra yang baik pada gambar sidik jari berminyak, maka valley yang tipis dan terputus harus ditingkatkan dengan cara dilebarkan, dan untuk mendapatkan citra yang baik pada citra kering, ridges yang ditingkatkan dengan mengekstraksi garis tengahnya dan menghapus piksel putih/valley

Oleh karena itu, perbaikan kualitas citra sidik jari seharusnya menjadi prioritas utama sebelum mengidentifikasi parameter-parameter yang berupa ciri (feature) dari objek didalam citra, untuk selanjutnya parameter tersebut digunakan dalam menginterpretasi citra [3]. Salah satu metode yang dapat melakukan proses peningkatan kualitas citra sidik jari adalah metode FFT (Fast Fourier Transform). Penggunaan FFT ini didasarkan pada sifat sidik jari yang berubah-ubah (non-stationary) artinya karakteristik-karakteristik mempunyai nilai yang berbeda-beda pada satu bagian dengan bagian yang lain dalam sebuah citra sidik jari. Alasan menggunakan metode FFT pada penelitian ini karena FFT merupakan salah satu algoritma yang dapat menghitung secara cepat, maka metode FFT lebih cocok digunakan dibandingkan dengan metode FT.

[4].

Berbagai teknik peningkatan kualitas citra sidik jari telah dikembangkan oleh beberapa peneliti seperti terlihat pada tabel 1.1.

Tabel 1.1. Penelitian yang pernah dilakukan

No Peneliti Judul Metode Hasil yang dicapai

1 Jianwei Yang,

Lifeng Liu, Tianzi Jiang, Yong Fan,

2003 (Pattern

Recognation Letter 24)[6]

A Modified Gabor Filter design method for fingerprint image enhancement

Modified Gabor Filter (MGF)

Algoritma MGF yang diusulkan dapat

mengurangi False

Rejection Rate (FRR) 2% dari kecocokan

sidik jari dan False

Acceptance Rate (FAR) sebesar 0,01%.

2 Sharat Chikkerur,

Alexander N. Cartwright, Venu Govindaraju,

2006 (Pattern

Recognation Letter 40)[7]

Fingerprint Enhancement Using STFT Analysis Short Time Fourier Transform (STFT) Peningkatan sebesar 24,6% dari 800 images

3 Lin Hong, Yifei

Wan, Anil Jain,

1998 (IEEE

Transactions on Pattern Analysis and Machine Inteligence Vol. 20, No.8 August 1998 ) [8]

Fingerprint Image Enhancement : Algorithm and

Performance Evaluation

Gabor Filter Menggabungkan Enhancement Algorithm dapat meningkatkan Goodness Index dan akurasi verifikasi

4

.

Lavanya BN, KB Raja, Venugopal KR, 2009 (International Journal of Computer Science and Information Security, vol. 6)[9] Fingerprinit

Verification Based on Gabor filter

Enhancement

Gabor Filter Sensitivity (SEN) rata-rata adalah 80.8 % dan rata-rata Specificity (SPE) adalah 87.29 %

Tabel 1.1. (sambungan)

No Peneliti Judul Metode Hasil yang dicapai

5 Muhammad

Nasir, Rahmat Syam, Mochamad Hariadi, 2010 (11th SITIA, ISSN:2087-331X)[10]

Enhancement Citra Sidik Jari Kotor Menggunakan Hybrid Method dan Gabor Filter

Hybrid Method dan Gabor Filter

Peningkatan kualitas citra sidik jari sebesar 87% pada pengujian 200 citra sidik jari kotor.

6 Kusworo Adi,

2003 (Berkala Fisika vol.6, No.2, April 2003, hal.39-46, ISSN:1410-9662)[12]

Perancangan dan Realisasi Sistem

Ekstraksi Ciri Sidik Jari Berbasis Algoritma Filterbank Gabor

Filter bank Gabor

Sidik jari dapat diek straksi dengan Gabor Filter dengan sudut 0o, 45o, 90o, dan 135o

7 Ary Noviyanto,

2009 (Program Ilmu Komputer Universitas gajah Mada) [13]

Perbaikan Citra Sidik Jari Dengan Metode STFT (Short Time Fourier Transform) Analysis Short Time Fourier Transform (STFT) Dengan menggunakan parameter Ridge Orientation Image hasil perbaikan citra sangat baik

8 Anil Jain, Arun

Ross, Salil Prabhakar, 2001 (Appeared in Proc. Of Int’l Conference on Image Processing (ICIP), pp. 282-285, thessaloniki, Greece)[15]

Fingerprint Matching Using Minutiae And Texture Features Receiver Operating Characteristic (ROC) Genuine Accept Rate of 72%.

9 Sangram Bana,

Dr. Davinder Kaur, 2011 (IJAES and Technologies, vol 5, No.1,

012-023)[16] Fingerprint Recognition using Image Segmentation Image Segmentation

FAR and FRR values were 30-35%, menjadi

FAR and FRR values were 65-70%

Tabel 1.1. (sambungan)

No Peneliti Judul Metode Hasil yang dicapai

10 Prawit

Sutthiwichaiporn, Vutipong Areekul, Suksan Jirachaweng, 2010 (International Conference on Pattern

Recognation) [17]

Iterative Fingerprint Enhancement with Matched Filtering and Quality Diffusion in Spatial-Frequency Domain Gabor and STFT Matching Performance Comparison for Enhancement Algorithm Proposed with EER value 7,32% to Db2 and 3.57% to Db3.

11 Cahyo Darujati,

Rahmat Syam, Mochamad Hariadi, 2010 (11th SITIA, ISSN:2087-331X)[3]

Deteksi Citra Sidik Jari Terotasi Menggunakan Metode Phase-Only Correlation Phase-Only Correlation (POC)

POC dapat digunakan untuk membantu menentukan besar sudut citra sidik jari terotasi antara citra masukan dengan citra sidik jari template

12 Koichi ITO,

Hiroshi N., Koji K., Takafumi AT

H, 2004 (IEICE

Trans

Fundamental, vol E87-A, No.3 March 2004)[19]

A Fingerprint Matching Algorithm Using Phase-Only Correlation A Fingerprint Matching Algorithm Using Phase-Only Correlation

Phase-Only Correlation (POC)

Teknik POC yang diusulkan sangat efektif untuk

memverifikasi gambar sidik jari kualitas rendah yang tidak dapat diidentifikasi dengan benar dengan teknik konvensional.

13 Andika Budi

Pratama, 2008 (Jurnal Ilmu Komputer UB, vol. xx, No. xx, ISSN 2008-0410960006)[21]

Verifikasi Citra Sidik Jari Poin Minutiae dalam Visum Et Repertum (VER) menggunakan K-Means Clustering K-Means Clustering Keakuratan verifikasi 40%, sehingga k-means clustering tidak dapat dilakukan.

Tabel 1.1. (sambungan)

No Peneliti Judul Metode Hasil yang dicapai

14 G. Aguilar, G.

Sanchez, A. Toscano, M.Nakano-Miyatake, H. Perez-Meana, 2008 (Cientifica, vol. 12 No. 1 pp. 9-16)[22]

Automatic Fingerprint Recognition System Using Fast Fourier Transform and Gabor Filters FFT And Gabor Filters Recognition rate 97,7% False Acceptance 0,5%, False Rejection 7,8%

15 F. A. Afsar, M.

Arif, M. Hussain, 2004 (National Conference on Emerging Technologies 2004)[1] Fingerprint Identification and Verification System using Minutiae Matching Minutiae Matching Kecocokan verifikasi sampai 92 % Accuracy

16 Abdel Wahed

Motwakel, 2009 (10th SITIA, ISSN:2087-331X)[23] Restoration Dry Fingerprint Image LVQ

Empat kali lebih baik dari citra asli

17 Rahmad Syam,

Mochamad Hariadi, Mauridhi Hery Purnomo,

2011 (IAENG

IJCS, 38:4, IJCS_38_4_04)

[24].

Determining the Dry Parameter of Fingerprint Image Using Clarity Score and Ridge-Valley Thickness Ration Clarity Score and Ridge-Valley Thickness Ration

Gambar sidik jari kering ditandai dengan LCS 0,0127-0,0149, GCS 0,0117-0,0120, dan RVTR lebih besar dari 7.75E-05.

18 Eun-Kyung Yun,

Sung-Bae Cho,

2006 (Image and

Vision Computing 24, 101-110)[5]

Adaptive fingerprint image enhancement with fingerprint image quality analysis.

Adaptive Preprocessing

Dry Images is the rodges arescratchy locally and there are many white pixels in the ridges( Score Ridge<Score Valley)

Berdasarkan pada penelitian yang telah dilakukan sebelumnya bahwa penelitian tersebut dilakukan perbaikan citra sidik jari dengan STFT dimana algoritma digunakan secara bersamaan memperkirakan semua sifat-sifat intrinsik dari sidik jari foreground region mask, local ridge orientation dan local frequency orientation. Sedangkan pengenalan citra sidik jari dengan menggunakan FFT dan gabor filter, dimana hasil dari ekstraksi ciri sidik jari jadi sangat bergantung pada kualitas dari citra siduk jari. Kualitas citra sidik jari berhubungan dengan kejelasan ridge structure pada citra sidik jari. Citra yang baik akan memiliki kontras yang baik dan akan dengan baik menggambarkan ridges dan valleys, jika citra sidik jari memiliki kualitas yang kurang baik maka akan memiliki kontras yang kurang sehingga akan kurang jelas menggambarkan batasan-batasan ridges (bukit).

Dari implementasi STFT Analisis, dengan menggunakan parameter utama Ridge Orientation Image, telah berhasil didapat hasil perbaikan citra sidik jari dengan baik. Perbaikan citra sidik jari ini akan sangat membantu untuk meningkatkan kualitas dari ekstraksi ciri sidik jari, dengan menentukan nilai konstanta untuk mendapatkan hasil yang terbaik. Penelitian yang telah dilakukan selama ini mengklasifikasikan pola dasar sidik jari menjadi beberapa macam diantaranya: Arch, Loop dan whorl. Pada semua jenis sidik jari terdapat pola tersebut, sehingga dengan pola dasar yang ada pada sidik jari dapat dilakukan enhancement terhadap citra sidik jari tersebut [25].

1.2. Perumusan Masalah

Berdasarkan latar belakang masalah maka dirumuskan permasalahan sebagai berikut:

a. Berapa besar nilai konstanta k pada metode FFT untuk mendapatkan hasil peningkatan citra yang terbaik.

b. Berapa persentase hasil peningkatan kualitas citra sidik jari dan persentase verifikasi citra sidik jari dengan perubahan nilai konstanta k.

1.3. Batasan Masalah

Batasan Masalah pada penelitian ini yaitu:

a. Pembahasan hanya berfokus pada citra sidik jari kering.

b. Metode yang digunakan dalam proses peningkatan kualitas citra adalah FFT (fast fourier transform).

1.4. Tujuan Penelitian

Tujuan yang ingin dicapai pada penelitian ini yaitu:

a. Mendapatkan nilai konstanta k pada metode FFT yang cocok untuk peningkatan citra sidik jari kering.

b. Mendapatkan persentase peningkatan kualitas citra sidik jari dan persentase verifikasi citra sidik jari.

1.5. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat:

a. Hasil penelitian ini diharapkan dapat memberikan masukan yang bermanfaat pada bidang riset biometrik sehingga dapat dipergunakan secara luas.

b. Memberikan hasil perbandingan dari beberapa nilai konstanta k pada metode FFT yang menjadi acuan dalam memilih konstanta k dalam membangun aplikasi pengenalan sidik jari.

BAB 2

TINJAUAN PUSTAKA

2.1. Biometrik Authentifikasi

Autentification dalam security adalah hal yang sangat penting untuk menjaga keamanan data, namun sudah banyak teknologi yang diterapkan untuk menjaga keautentikan tersebut, akan tetapi hal itu banyak kendala dalam penerapanya dan masih kurang memberikan perlindungan yang aman. Teknologi biometrik menawarkan autentikasi secara biologis memungkinkan sistem dapat mengenali penggunanya lebih tepat. Terdapat beberapa metode diantaranya: fingerprint scanning, retina scanning, dan DNA scanning. Dua metode terakhir masih dalam taraf penelitian, sedangkan fingerprint scanning saat ini telah digunakan secara luas [25].

Identifikasi dari sidik jari memerlukan pembedaan tentang bentuk keliling papillary ridge tak terputuskan yang diikuti oleh pemetaan tentang gangguan atau tanda anatomic ridge yang sama. Ada 7 pola papillary ridge yaitu:

 Loop

 Arch

 Whorl

 Tented Arch

 Central Pocked Loop dan

 Accidental

Dari ketujuh pola tersebut ada tiga pola papillary ridge yang paling umum digambarkan pada Gambar 2.1. (Loop mempunyai 1 delta dan antar baris pusat pada loop dan akan ditunjukkan pada delta, sebuah whorl mempunyai 2 delta dan antar baris delta harus jelas, sebuah archtidak punya delta).

Arch

Gambar 2.1. Beberapa contoh pola papillary ridge [26]

Semua pola di atas dapat dibedakan oleh mata biasa dan dapat memberi suatu binning atau indexing yang menghasilkan database. Sebuah Komputer dapat menganalisa garis tengah perubahan arah bentuk ridge, mencapai seperti mata yang terlatih yang melihat secara alami. Kesalahan dapat terjadi jika langkah ini dihilangkan oleh suatu program sidik jari komputer atau AFIS (Automatic Fingerprint Identification) [7].

Karakteristik Anatomic tidak mungkin dilihat langsung oleh mata manusia tetapi mudah di-tracked oleh komputer.

Tabel 2.1. Beberapa ukuran karakteristik anatomi sidik jari [26] Ridge Mempunyai ketegasan jarak ganda dari

permulaan ke-akhir, sebagai lebar ridges satu dengan lainya

Evading Ends dua ridge dengan arah berbeda berjalan sejajar satu sama lain kurang dari 3mm.

Bifurcation dua ridge dengan arah berbeda berjalan sejajar satu sama lain kurang dari 3mm.

Hook ridges merobek; satu ridges tidaklah lebih panjang dibanding 3mm

Fork Dua ridges dihubungkan oleh sepertiga ridges tidak lebih panjang dibanding 3mm Dot Bagian ridges adalah tidak lagi dibanding

ridges yang berdekatan

Eye ridges merobek dan menggabungkan lagi di dalam 3mm

Island Ridges merobek dan tidak ber menggabung lagi, kurang dari 3mm dan tidak lebih dari 6mm. Area yang terlampir adalah Ridge.

Enclosed Ridge Ridges tidak lebih panjang dibanding 6mm antara dua ridges

Enclosed Loop yang tidak mempola menentukan pengulangan antar dua atau lebih ridges paralel

Specialties Ridge membentuk seperti tanda tanya dan sangkutan pemotong

Area papillary ridge kadang-kadang dikenal sebagai patterm area. Masing-masing pola papillary ridge menghasilkan suatu bentuk pola area berbeda. Pusat gambar jari mencerminkan pola area, dikenal sebagai inti core point.

Teknik sidik jari dapat ditempatkan ke dalam dua kategori: minutiae-based dan berdasarkan korelasi. Teknik minutiae-based yang pertama temukan poin-poin rincian yang tidak penting dan kemudian memetakan penempatan yang sejenis pada jari. Bagaimanapun, penggunaan pendekatan ini ada beberapa kesulitan. Hal itu sukar untuk menyadap poin-poin rincian yang tidak penting itu dengan teliti sehingga sidik jari mutunya menjadi rendah. Metoda ini juga tidak mempertimbangkan pola ridge kerut dan bubungan yang global. Metoda correlation-based bisa mengalahkan sebagian dari berbagai kesulitan pendekatan yang minutiae-based. Bagaimanapun, masing-masing mempunyai kekurangan sendiri-sendiri. Teknik Correlation-based memerlukan penempatan yang tepat untuk suatu pendaftaran seperti pada Gambar 2.2.

Gambar 2.3. Kesesuaian ridge pada sidik jari [11]

Kasesuaian dasar sidik jari seperti Gambar 2.3 pada minutiae mempunyai permasalahan dalam penyesuaian perbedaan ukuran pola minutiae. Struktur ridge lokal tidak bisa dengan sepenuhnya ditandai oleh minutiae. Saat ini sedang diusahakan untuk memperbaiki suatu penyajian pengubah sidik jari yang akan menangkap informasi lokal yang lebih dan menghasilkan ketetapan panjangnya suatu kode untuk sidik jari itu. Kesesuaian menghitung jarak euclidean antara kedua kode tersebut akan menjadi tantangan diwaktu yang akan datang.

Saat ini sedang dikembangkan algoritma agar menjadi lebih sempurna untuk menampilkan gambar sidik jari dan ketelitian penyampaiannya ditingkatkan di dalam real-time. Suatu sistem pengesahan fingerprint-based komersil memerlukan suatu kehati-hatian False Reject Rate (FRR) untuk memberi False Accept Rate (FAR). Hal ini bagi orang teknik adalah sangat sukar untuk mencapainya. Pada saat ini sedang diselidiki metoda untuk menyatukan bukti dari berbagai teknik penemuan untuk meningkatkan keseluruhan ketelitian sistem itu. Di dalam suatu aplikasi riil, sensor,

didapatkan sistem dan variasi kinerja sistem dari waktu ke waktu yang sangat kritis [22].

Dengan menggunakan teknologi sistem biometrik jenis fingerprint merupakan perkembangan untuk security yang bisa diandalkan untuk masa yang akan datang, dengan banyaknya pemalsuan data yang dilakukan dengan bantuan teknologi. Berikut ini adalah contoh pengaplikasian teknologi sistem biometrik dengan menggunakan biometrik fingerprint, yang dijelaskan dalam arsitektur sistem biometrik seperti pada Gambar 2.4.

Pada Gambar 2.4 dijelaskan pada bagian Enrollment terdiri dari bagian biometric sensor yang berfungsi untuk mengambil citra sidik jari dari pengguna kemudian pada bagian Feature Extraction digunakan untuk mengekstraksi ciri dari sidik jari selanjutnya disimpan sebagai database. Untuk proses Autentivication biometric sensor untuk membaca sidik jari pengguna yang telah ada di database selanjutnya citra tersebut diekstraksi untuk mendapatkan ciri khusus yang sama dengan data yang disimpan pada database, kemudian dilakukan matching dengan database apakah cirinya sama dengan data yang ada di database.

Keterbatasan lain dari sistem biometrik adalah sangat sulit membedakan antara individu satu dengan individu yang lain. Hal ini dikarenakan ada beberapa individu yang mempunyai identitas biometrik yang hampir sama.

Pada Gambar 2.5 menjelaskan perbedaan penerapan nilai FARdan FRR pada aplikasi sipil dan forensic. Kesesuaian menghitung jarak euclidean antara kedua kode tersebut akan menjadi tantangan diwaktu yang akan datang. Suatu sistem pengesahan fingerprint-based komersil memerlukan suatu kehati-hatian False Reject Rate (FRR) untuk memberi False Accept Rate (FAR). Hal ini bagi orang teknik adalah sangat sukar untuk mencapainya. Pada saat ini sedang diselidiki metoda untuk menyatukan bukti dari berbagai teknik penemuan untuk meningkatkan keseluruhan ketelitian sistem itu.

Gambar 2.5. Perbedaan FAR dan FRR dari aplikasi sidik jari [26]

Beberapa istilah dalam teknologi sistem biometrik, diantaranya adalah enrollment, verifikasi dan identifikasi. Enrollment adalah proses pemasukan data dari parameter biometrik, misalnya proses enrollment pada sidik jari akan memasukkan parameter minutiae ke dalam database.

Equal Error Rate High Security Acces Application

Forensic Application

False Accept Rate (FAR)

F

alse R

ej

ec

t R

ate (

F

F

R

)

Civillian Application

2.2. Satuan Pengukuran Biometrik

Kualitas dari performasi identifikasi menggunakan biometrik ditentukan dari nilai: False Acceptance Rate (FAR) adalah nilai perbandingan jumlah data biometrik yang dipalsukan diterima dengan jumlah data biometrik. Jika ada beberapa sampel sidik jari yang diukur FAR nya maka FAR total dari sidik jari tersebut adalah:

FAR =

∑

= N n n FAR N 1 ) ( /

1 ... ...(2.1)

False Rejection Rate (FRR) adalah nilai perbandingan jumlah data biometrik yang benar ditolak dengan jumlah data biometrik yang benar. Jika ada beberapa sampel sidik jari yang diukur FRR nya maka FRRtotal dari sidik jari tersebut adalah:

FRR =

∑

= N n n FRR N 1 ) ( /

1 ... ...(2.2)

Failure To Enroll (FTE) adalah nilai perbandingan jumlah data biometrik yang tidak dapat di Enroll di masukkan database dengan jumlah data biometrik yang dapat di Enroll ke database. Jika ada beberapa sample sidik jari yang diukur FRR nya maka FRR total dari sidik jari tersebut adalah:

FTE =

∑

= N n n FTE N 1 ) ( /

1 ... ..(2.3)

Equal Error Rate (ERR) adalah ukuran kualitas dari sistem biometrik yang digunakan untuk membandingkan kualitas dari sistem biometrik yang lain. ERR didapat dari sistem biometrik yang lain. ERR didapat dari pertemuan titik dari graph FAR, FRR terhadap threshold.

Gambar 2.6. Grafik FAR dan FRR terhadap threshold [27]

Pada Gambar 2.6 dijelaskan Equal Error Rate (EER) adalah ukuran kualitas dari sistem biomerik yang digunakan untuk membandingkan kualitas dari sistem biometrik yang lain. EER didapat dari pertemuan titik dari dari graph FAR, FRR terhadap suatu threshold.

Gambar 2.7. Proses Enrollment sidik jari [16] NAME(PIN)

Quality Checker

Feature Extractor

Template name

System DB

User interface

Pada Gambar 2.7. adalah proses pengambilan data dengan dilakukan perbaikan citra selanjutnya diambil ciri khusus untuk disimpan sebagai database.

Gambar 2.8. Proses verifikasi sidik jari [16]

Pada Gambar 2.8 sistem verifikasi atau autentifikasi adalah suatu sistem yang dapat membandingkan citra sidik jari yang sudah tersimpan pada database, dengan memasukkan kode pin dan citra sidik jari sebagai input data.

NAME(PIN)

Feature Extractor

Matcher (N matcher)

System DB

User interface

Identification

User’s identity or “ usernot identified”

N templates

Gambar 2.9. Proses Identification sidik jari[16] NAME(PIN) Feature Extractor Matcher (1 match) System DB User interface True/False One template

Dengan hanya membandingkan data template pada database dan data input, hasil dari sistem verifikasi adalah data benar atau salah.

Pada Gambar 2.9 dijelaskan sistem identifikasi adalah suatu proses yang membandingkan data input dengan semua template data biometrik pada sistem database. Karena sistem identifikasi dapat membandingkan semua data, maka pada proses identifikasi lebih komplek dan waktu proses yang lebih lama dari pada sistem verifikasi.

Peralatan untuk mendapatkan citra sidik jari biasa disebut fingerprint, setiap tipe dari sensor fingerprint mempunyai banyak tipe yang berbeda sehingga kemampuan masing-masing data yang dihasilkan juga berbeda. Dengan perbedaan spesifikasi dan kemampuan sensor fingerprint kualitas citra yang dihasilkan juga kualitasnya berbeda. Kemampuan ini dapat dilihat dari kepekaan pembacaan dari sensor, ada yang bila diberikan noise yang besar sidik jari tidak dapat dibaca dan diberikan noise yang tinggi, sensor tetap dapat membaca sidik jari. Dengan mengetahui jenis sensor yang dipakai akan dengan mudah menentukan bagaimana menerapkan pada kondisi yang akan kita ambil datanya atau dengan menentukan batas noise yang masih dapat dibaca oleh sensor, sehingga tidak akan terjadi kegagalan dalam membaca citra sidik jari dengan sensor yang sedang dipakai [10].

2.3. Sidik jari

Pada sidik jari manusia bagian yang menonjol atau yang berupa guratan garis disebut dengan bukit (ridge), dan bagian yang tidak menonjol yang memisahkan

bagian menonjol yang satu dengan yang lain disebut dengan lembah (Valley). Gambar 2.10 memperlihatkan sidik jari, bukit (ridge), dan lembah (Valley) pada sidik jari tersebut.

Gambar 2.10. Sidik jari [2]

Keunikan sidik jari (fingerprint) ditentukan oleh permukaan topografi dari struktur ridge yang dimilikinya.

Secara spesifik, konfigurasi global dapat didefinisikan dengan struktur ridge yang digunakan untuk mengklasifikasikan suatu kelas dari citra sidik jari, pada saat pendistribusian titik-titik digunakan untuk membandingkan atau menyepadankan dan membentuk kesamaan ciri atau pola diantara dua sidik jari sample. Sistem identifikasi otomatis dengan menggunakan biometrik sidik jari, dapat berfungsi membandingkan sidik jari sebagai input dengan sekumpulan data sidik jari dalam suatu database seperti pada Gambar 2.11.

(a)

(b)

Gambar 2.11. Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop.[7]

Dengan menyederhanakan pola-pola ridge didalam suatu citra quary untuk membatasi atau menspesifikasi pencarian (searching) didalam suatu database yang merupakan fingerprint indexing dan pada titik-titik sidik jari sebagai pembanding.

Sidik jari merupakan salah satu sistem biometrik yang banyak diterapkan, hal ini dikarenakan sifat dari citra sidik jari yang uniqness dan sidik jari yang tidak pernah berubah. Berdasarkan dari pola garis pola garis (ridge) dan lembah (valley), sidik jari dapat diklasifikasikan menjadi tiga kelas utama, yaitu: Arch, Loop dan Whorl [28]. Contoh dari ketiga kelas yang telah disebutkan seperti pada Gambar 2.12.

Ridge Ending Ridge Bifurcation

Core

Ridge Ending Ridge Bifurcation

Ridge Island

Ridge Ecrorare Ridge Dot

Core Delta

Gambar 2.12. Klasifikasi pada sidik jari (a) Arch,(b) Loop dan (c) Whorl [28]

Dari klasifikasi ini dapat di bagi menjadi beberapa subklasifikasi [28] yaitu:

 Arch dibagi menjadi arch dan tented arch, dari beberapa populasi arch mempunyai presentasi sebesar 5%.

 Loop dibagi menjadi left loop, right loop dan double loop. Berbeda dengan arch, jumlah individu yang mempunyai klasifikasi loop sangat besar yaitu sebesar 60 %.

 Whorls pada klasifikasi ini jumlah presentasi individu sebesar 35%.

1.3.1. Identifikasi sidik jari

Identifikasi sidik jari merupakan metode dalam mencocokkan data input sidik jari terhadap semua data template. Sebelum melakukan pencocokan ada beberapa langkah diantaranya:

1. Data acquisition, adalah penerjemahan data dari suatu sensor kedalam bit-bit data sidik jari. Ada beberapa metode dalam data acquisition diantanya: an inked fingerprint,a latent fingerprint dan a live scan fingerprint. An inked fingerprint

adalah pengambilan data dengan cara sidik jari diberi tinta untuk ditempelkan ke suatu kertas putih, selanjutnya kertas putih tersebut akan di-scan dan dimasukkan ke database. Sedangkan a latent fingerprint adalah cara yang banyak digunakan dalam mendeteksi masalah kriminal dimana pengambilan data dilakukan pada suatu barang bukti kriminal yang diberikan bubuk atau cairan kimia, dan kemudian akan difoto untuk mendapatkan sidik jari. A live scan fingerprint adalah suatu alat yang embedded dalam suatu aplikasi dimana alat akan mengambil data sidik jari user secara langsung, dengan cara menempelkan sidik jari ke alat tersebut.

2. Feature extraction, adalah ekstraksi bit-bit data ke dalam parameter-parameter sesuai dengan metode yang akan dipakai dalam pencocokan. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae, metode image matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier.

3. Decision making, adalah membandingkan antara ekstraksi data input dan data template yang akan menghasilkan apakah data benar atau salah.

Ada banyak metode pencocokan sidik jari yang telah dikembangkan, diantaranya: minutiae-based adalah metode yang mencocokkan berdasar pada vektor ekstraksi minutiae (vektor ridge ending dan ridge bifurcation), sidik jari input dan sidik jari query dengan image-matching adalah metode yang mencocokkan berdasar

pada pencocokan 2 buah citra sidik jari. Penggolongan metode tersebut berdasarkan pada bagaimana cara mencocokkan sidik jari.

Minutiae-based mempunyai keunggulan dalam kecepatan karena jumlah data yang dicocokkan berbentuk vektor dengan ukuran yang relatif kecil dibandingkan dengan metode image-matching. Sedangkan image-matching mempunyai keunggulan dari sisi akurasi data yang lebih tinggi dibandingkan dengan metode minutiae-based. Namun kelemahannya lambat dari sisi kecepatan.

2.3.2. Jenis kerusakan citra sidik jari

Hasil dari pengambilan citra sidik jari ditentukan dari kualitas sensor dan kondisi sidik jari yang diambil. Kondisi citra sidik jari normal (neutral) dapat diperoleh bila sensor kondisinya baik dan tidak ada kerusakan pada kondisi sidik jari, baik berupa kotor maupun salah letak. Adapun kerusakan yang sering terjadi adalah sidik jari kotor, sidik jari berminyak, sidik jari kering, sidik jari sebagian dan sidik jari rotasi. Sidik jari kotor dapat terjadi bila terkena tinta, debu, abu dan tanah, sedang sidik jari berminyak dapat terjadi bila terkena oli, minyak rambut dan minyak goreng [11]. Kerusakan citra sidik jari yang disebabkan letak yang tidak benar, pada sidik jari sebagian dapat terjadi bila letak sidik jari hanya sebagian saja yang dibaca sensor (core tidak kelihatan). Untuk sidik jari rotasi dapat terjadi bila letak sidik jari tidak lurus ke tengah tetapi agak miring. Hal ini akan mengakibatkan hasil yang didapat

tidak sesuai dengan yang diharapkan. Adapun contoh untuk citra sidik jari yang mengalami kerusakan dapat digambarkan seperti pada Gambar 2.13.

Gambar 2.13. Berbagai Macam Hasil Pengambilan Sidik Jari: (a) Sidik Jari Normal, (b) Sidik Jari Kotor, (c) Sidik Jari Berminyak, (d) Sidik Jari Rotasi, (e) Sidik Jari Sebagian [26]

2.3.3. Perbaikan citra sidik jari

Kualitas dari citra sidik jari akan sangat berpengaruh pada hasil ekstraksi ciri sidik jari dan selanjutnya akan berpengaruh pada hasil pencocokan sidik jari. Citra sidik jari dapat dikatakan mempunyai kualitas baik jika citra tersebut memiliki kontras yang tinggi dan perbedaan antara lembah dan bukit terlihat jelas, sebaliknya citra sidik jari yang tidak baik memiliki ciri kontras yang rendah dan bukit dan lembah tidak dapat dibedakan dengan jelas [7]. Gambar 2.13 memperlihatkan contoh citra sidik jari dengan kualitas yang berbeda, mulai dari citra yang berkualitas baik sampai yang berkualitas buruk.

Berikut adalah alasan-alasan yang membuat kualitas citra sidik jari menjadi buruk [7]:

1. Adanya area yang luka ataupun lipatan-lipatan yang menyebabkan bukit-bukit pada citra sidik jari menjadi terputus.

2. Jari yang terlalu kering akan membuat citra menjadi pecah-pecah dan membuat kontras citra menjadi buruk.

3. Jari yang lembab memicu adanya noda dan membuat bukit-bukit yang paralel pada citra sidik jari terhubung.

Kualitas buruk dari citra sidik jari dapat menyebabkan ciri yang ditangkap salah, ataupun sebaliknya, menyebabkan ciri sidik jari yang asli hilang. Tentu saja hal ini akan mengakibatkan penurunan akurasi dari pengenalan sidik jari. Perbaikan citra sebagai proses yang mendahului proses pengambilan ciri pada sistem pengenalan sidik jari akan dapat meningkatkan kehandalan sistem pengenalan sidik jari tersebut.

1.3.4. Ciri Sidik Jari

Ciri sidik jari terdiri dari tiga level [26] yaitu:

1. Level 1: berada pada global level. Aliran garis bukit akan membentuk sebuah pola yang mirip dengan salah satu dari Gambar 2.14.

2. Level 2 : berada pada local level. Terdapat 150 perbedaan pada karakteristik bukit lokal. Dilevel ini karakteristik dari sidik jari disebut dengan minute

details. Dua karakteristik bukit yang paling banyak digunakan adalah ridge endings dan ridge bifurcations yang disebut dengan minutiae seperti ditunjukkan oleh lingkaran hitam pada Gambar 2.15.

3. Level 3: berada pada very-fine level. Pada level ini dilihat ciri dari bukit seperti lebar, bentuk, kurvatur, kontur tepian, dan detail permanen lainnya. Yang terpenting pada fine-level detail adalah finger sweet pore seperti ditunjukkan oleh lingkaran kosong pada Gambar 2.15. Jika memakai ciri pada level ini hanya dimungkinkan jika citra sidik jari diambil pada resolusi yang tinggi (1000 dpi) dengan kualitas citra yang baik.

Gambar 2.15. Karakteristik ciri sidik jari level 2 dan 3, lingkaran hitam untuk minutiae dan lingkaran kosong untuk sweat pore [26]

2.4. Pengolahan Citra

Pada pengolahan citra adalah pemrosesan citra, khususnya menggunakan komputer menjadi citra yang lebih baik.

2.4.1. Thresholding

Konversi dari citra hitam putih kecitra biner dilakukan dengan operasi thresholding.

Operasi pengambangan mengelompokkan derajat keabuan setiap pixel kedalam 2 kelas, hitam dan putih. Dua pendekatan yang digunakan dalam operasi pengambangan adalah global image thresholding dan locally adaptive image thresholding [30].

a. Global image thresholding

Setiap pixel didalam citra dipetakan ke dua nilai 1 atau 0 dengan fungsi pengambangan:

( )

       = , 0 1 , j i

fB fg(i,j)≤T ...(2.4)

) , (i j

f_g adalah citra hitam putih,f_b(i,j)adalah citra biner, dan T adalah nilai ambang yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek dibuat berwarna gelap (1 atau hitam) sedangkan latar belakang berwarna terang (0 atau putih).

Cara yang umum menentukan nilai T adalah dengan membuat histogram citra, jika citra mengandung satu buah objek dan latar belakang mempunyai nilai intensitas yang homogen, maka citra tersebut umumnya mempunyai histogram bimodal. Nilai T dipilih, pada minimum lokal yang terdapat diantara dua puncak dengan cara ini tidak hanya konversi citra hitam putih ke biner, tetapi sekaligus melakukan segmentasi objek.

b. Locally adaptive image thresholding

Pengembangan secara global tidak selalu tepat untuk seluruh macam gambar, beberapa informasi penting didalam gambar mungkin hilang. Treshold secara lokal dilakukan terhadap daerah-daerah didalam citra. Dalam hal ini citra dipecah menjadi bagian-bagian kecil, kemudian proses pengembangan dilakukan secara lokal. Nilai ambang untuk setiap bagian belum tentu sama dengan bagian lain. Itensitas pixel yang berbeda secara signifikan dari nilai rata-rata tersebut dianggap mengandung informasi kontras dan ini harus dipertahankan didalam citra biner, dengan metode ini informasi yang hilang sedikit.

Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra yaitu 256 atau 2 . Dengan menggunakan n thresholding maka derajat keabuan bisa diubah sesuai keinginan. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat menggunakan rumus:

_x=_bint

( )

w_{b ... ...(2.5)} Dimana:

w adalah nilai derajat keabuan sebelum trhesholding x adalah nilai derajat keabuan setelah thresholding

( )

a b

Pada threshold yang tinggi, hampir tidak tampak perbedaan karena keterbatasan mata seperti pada Gambar 2.16.

(a) (b)

Gambar 2.16 Proses Thresholding (a) citra asli (b) hasil thresholding [29]

2.4.2. Konversi ke citra biner

Citra biner hanya mempunyai dua nilai derajat keabuan hitam dan putih. Pixel-pixel objek bernilai 1 dan pixel-pixel latar belakang bernilai 0. Pada waktu menampilkan gambar 0 adalah putih dan 1 adalah hitam. Pengkonversian citra hitam putih (grayscale) menjadi citra biner dilakukan untuk mengidentifikasi keberadaan objek, yang dapat dipresentasikan sebagai daerah (region) didalam citra seperti pada Gambar 2.17. Misalnya jika ingin memisahkan (segmentasi) suatu objek dari gambar latar belakangnya. Untuk lebih memfokuskan pada analisis bentuk morfologi, yang dalam hal ini intensitas pixel dapat diabaikan, tidak terlalu penting dibandingkan bentuknya. Setelah objek dipisahkan dari latar belakangnya, property geometrid an morfologi/ topologi objek dapat dihitung dari citra biner. Mengkonversi citra yang

telah ditingkatkan kualitas tepinya (edge enhancement) ke penggambaran garis-garis tepi.

Citra biner (hitam putih) merupakan citra yang banyak dimanfaatkan untuk keperluan fingerprint yang sederhana seperti pengenalan angka dan huruf. Untuk mengubah suatu citra grayscale menjadi citra biner, sebetulnya prosesnya sama dengan threshold yaitu mengubah kuantisasi citra. Untuk citra dengan derajat keabuan 256, maka nilai tengah adalah 128 sehingga untuk mengubah menjadi citra biner dapat dituliskan:

Jika x<128 maka x=0, jika tidak maka x=255.

(a) (b)

Gambar 2.17. Proses Konversi Binerisasi (a). citra asli, (b) hasil binerisasi [29]

2.4.3. Segmentasicitra biner

Proses awal yang dilakukan dalam menganalisi objek didalam citra biner adalah segmentasi objek. Proses segmentasi bertujuan mengelompokkan pixel-pixel objek menjadi wilayah (region) yang merepresentasikan objek.

Citra Standard dan citra dibinerisasi dengan citra sidik jari kering

citra sidik jari dibinerisasi

42 106_4 106_8 41.67 30.00

43 107_1 107_2 34.15 39.02

44 107_1 107_3 30.95 31.71

45 107_1 107_4 25.58 20.93

46 107_1 107_5 26.83 19.51

47 107_1 107_6 21.15 16.67

48 107_1 107_7 14.63 14.63

49 107_1 107_8 29.27 27.08

50 108_2 108_1 25.64 23.08

51 108_2 108_3 23.08 20.51

52 108_2 108_4 28.57 21.74

53 108_2 108_5 23.08 20.51

54 108_2 108_6 10.26 7.69

55 108_2 108_7 28.20 28.20

56 108_2 108_8 4.68 5.71

57 109_1 109_2 33.82 30.88

58 109_1 109_3 36.48 34.15

59 109_1 109_4 41.89 39.47

60 109_1 109_5 42.86 33.77

61 109_1 109_6 33.82 26.47

62 109_1 109_7 39.71 33.82

63 109_1 109_8 7.35 7.35

64 110_7 110_1 47.62 52.17

65 110_7 110_2 45.83 41.67

66 110_7 110_3 20.00 30.00

67 110_7 110_4 75.00 54.54

68 110_7 110_5 60.00 65.00

69 110_7 110_6 59.09 55.00

70 110_7 110_8 44.44 35.48

Rata-rata Persentase 29.78 27.28

Lampiran 9. Hasil Verifikasi Citra sidik jari untuk setiap perubahan nilai konstanta k

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

1 101_4 101_1 28.85 No

Matching 33.33 Matching 28.00

No

Matching 24.00 No

Matching 26.00 No

Matching 28.00 No Matching

2 101_4 101_2 37.04 Matching 47.27 Matching 41.38 Matching 32.81 Matching 29.41 No

Matching 26.31 No Matching 3 101_4 101_3 37.04 Matching 47.27 Matching 41.38 Matching 32.81 Matching 29.41 No

Matching 26.31 No Matching 4 101_4 101_5 38.00 Matching 27.77 No

Matching 38.46 Matching 34.00 Matching 32.00 Matching 24.00 No Matching

5 101_4 101_6 30.19 Matching 46.00 Matching 42.86 Matching 40.00 Matching 26.31 No

Matching 30.00 Matching

6 101_4 101_7 27.14 No

Matching 27.27 No

Matching 26.67

No

Matching 36.00 Matching 26.23 No

Matching 22.81 No Matching

7 101_4 101_8 38.00 Matching 27.77 No

Matching 38.46 Matching 34.00 Matching 32.00 Matching 24.00 No Matching

8 102_4 102_1 21.05 No

Matching 29.82 Matching 21.05

No

Matching 21.05 No

Matching 22.81 No

Matching 22.81 No Matching

9 102_4 102_2 22.81 No

Matching 15.79 No

Matching 15.79

No

Matching 22.81 No

Matching 21.05

No

Matching 17.54 No Matching

10 102_4 102_3 22.81 No

Matching 17.54 No

Matching 19.20

No

Matching 15.79 No

Matching 7.02

No

Matching 10.53 No Matching

11 102_4 102_5 26.31 No

Matching 17.54 No

Matching 24.56

No

Matching 22.81 No

Matching 28.07

No

Matching 26.32 No Matching

K=0,8

K=1

K=1,2

No.

Citra Sidik

Jari

Standard

Citra Sidik

Jari

Enhancement

K=0,2

K=0,4

K=0,6

Citra Sidik

Jari Normal

Universitas

Sumatera

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

12 102_4 102_6 36.84 Matching 40.35 Matching 38.60 Matching 35.08 Matching 33.33 Matching 22.81 No Matching

13 102_4 102_7 10.53 No

Matching 26.32 No

Matching 19.30

No

Matching 12.28 No

Matching 10.53

No

Matching 5.26 No Matching

14 102_4 102_8 23.33 No

Matching 26.32 No

Matching 19.30

No

Matching 24.56 No

Matching 24.56

No

Matching 22.81 No Matching 15 103_3 103_1 30.61 Matching 34.78 Matching 30.61 Matching 17.07 No

Matching 24.39

No

Matching 19.51 No Matching

16 103_3 103_2 14.06 No

Matching 20.75 No

Matching 14.58

No

Matching 21.57 No

Matching 19.51

No

Matching 26.83 No Matching

17 103_3 103_4 29.54 No

Matching 39.02 Matching 41.46 Matching 41.46 Matching 46.34 Matching 39.02 Matching

18 103_3 103_5 60.97 Matching 58.54 Matching 39.02 Matching 43.90 Matching 29.27 No

Matching 21.95 No Matching

19 103_3 103_6 22.58 No

Matching 35.42 Matching 43.90 Matching 36.58 Matching 26.83

No

Matching 21.95 No Matching

20 103_3 103_7 29.04 No

Matching 48.78 Matching 53.66 Matching 48.78 Matching 48.78 Matching 48.78 Matching

21 103_3 103_8 22.58 No

Matching 35.42 Matching 43.90 Matching 36.58 Matching 26.83

No

Matching 21.95 No Matching

22 104_7 104_1 16.33 No

Matching 24.49 No

Matching 16.33

No

Matching 10.20 No

Matching 8.16

No

Matching 10.20 No Matching

K=0,8

K=1

K=1,2

No.

Citra Sidik

Jari

Standard

Citra Sidik

Jari

Enhancement

K=0,2

K=0,4

K=0,6

Citra Sidik

Jari Normal

Universitas

Sumatera

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

%

Similarity

Hasil

23

104_7

104_2

34.69

Matching

34.69

Matching

38.77

Matching

32.65

Matching

22.45

No

Matching

18.37

No

Matching

24

104_7

104_3

20.00

No

Matching

32.14

Matching

14.81

No

Matching

29.41

No

Matching

28.57

No

Matching

10.20

No

Matching

25

104_7

104_4

28.57

No

Matching

30.61

Matching

32.65

Matching

30.61

Matching

22.45

No

Matching

24.49

No

Matching

26

104_7

104_5

42.86

Matching

32.65

Matching

30.61

Matching

34.69

Matching

36.74

Matching

20.41

No

Matching

27

104_7

104_6

26.53

No

Matching

38.78

Matching

38.78

Matching

28.57

No

Matching

34.69

Matching

38.77

Matching

28

104_7

104_8

34.69

Matching

40.82

Matching

16.33

No

Matching

22.45

No

Matching

20.41

No

Matching

10.20

No

Matching

29

105_3

105_1

24.24

No

Matching

24.24

No

Matching

18.18

No

Matching

18.18

No

Matching

15.15

No

Matching

15.15

No

Matching

30

105_3

105_2

9.09

No

Matching

27.27

No

Matching

20.51

No

Matching

14.28

No

Matching

15.15

No

Matching

18.18

No

Matching

31

105_3

105_4

21.21

No

Matching

18.18

No

Matching

18.18

No

Matching

9.09

No

Matching

9.09

No

Matching

18.18

No

Matching

32

105_3

105_5

24.24

No

Matching

21.21

No

Matching

18.18

No

Matching

30.30

Matching

24.24

No

Matching

12.12

No

Matching

33

105_3

105_6

13.89

No

Matching

18.18

No

Matching

33.33

Matching

27.27

No

Matching

24.24

No

Matching

9.09

No

Matching

K=1,2

Citra Sidik

Jari

Enhancement

K=0,2

K=0,4

K=0,6

K=0,8

K=1

No.

Citra Sidik

Jari

Standard

Citra Sidik

Jari Normal

Universitas

Sumatera

% Similarity Hasil % Similarity Hasil % Similarity Hasil % Similarity Hasil % Similarity Hasil % Similarity Hasil

34 105_3 105_7 18.18 No

Matching 24.24

No

Matching 15.15

No

Matching 24.24

No

Matching 21.21

No

Matching 21.21

No Matching

35 105_3 105_8 13.89 No

Matching 18.18

No

Matching 33.33 Matching 27.27

No

Matching 24.24

No

Matching 9.09

No Matching

36 106_4 106_1 30.19 Matching 37.74 Matching 35.85 Matching 30.19 Matching 28.30 No

Matching 18.87

No Matching

37 106_4 106_2 49.06 Matching 49.06 Matching 45.28 Matching 52.83 Matching 35.85 Matching 32.07 Matching

38 106_4 106_3 54.38 Matching 46.15 Matching 55.00 Matching 50.88 Matching 43.40 Matching 39.34 Matching

39 106_4 106_5 35.85 Matching 49.06 Matching 33.96 Matching 54.72 Matching 45.28 Matching 47.17 Matching

40 106_4 106_6 35.85 Matching 39.62 Matching 50.94 Matching 42.86 Matching 33.96 Matching 28.30 No

Matching

41 106_4 106_7 46.43 Matching 53.57 Matching 62.96 Matching 49.06 Matching 56.60 Matching 43.40 Matching

42 106_4 106_8 44.64 Matching 32.07 Matching 35.85 Matching 32.08 Matching 28.30 No

Matching 30.19 Matching

43 107_1 107_2 41.46 Matching 31.71 Matching 39.02 Matching 26.83 No

Matching 21.95

No

Matching 14.63

No Matching

44 107_1 107_3 31.71 Matching 29.27 No

Matching 24.39

No

Matching 29.27

No

Matching 26.83

No

Matching 24.39

No Matching

45 107_1 107_4 19.51 No

Matching 24.39

No

Matching 21.95

No

Matching 29.27

No

Matching 24.39

No

Matching 17.07

No Matching

46 107_1 107_5 24.39 No

Matching 19.51

No

Matching 17.07

No

Matching 19.51

No

Matching 19.51

No

Matching 17.07

No Matching

47 107_1 107_6 17.77 No

Matching 13.95

No

Matching 14.28

No

Matching 13.95

No

Matching 12.28

No

Matching 20.00

No Matching

48 107_1 107_7 7.30 No

Matching 9.76

No

Matching 7.32

No

Matching 9.75

No

Matching 9.76

No

Matching 9.76

No Matching

49 107_1 107_8 29.27 No

Matching 21.95

No

Matching 14.63

No

Matching 14.63

No

Matching 17.07

No

Matching 9.76

No Matching

50 108_2 108_1 23.07 No

Matching 20.51

No

Matching 17.95

No

Matching 15.38

No

Matching 15.38

No

Matching 7.69

No Matching

51 108_2 108_3 20.51 No

Matching 20.51

No

Matching 25.64

No

Matching 25.64

No

Matching 17.95

No

Matching 15.38

No Matching

52 108_2 108_4 20.51 No

Matching 30.77 Matching 30.77 Matching 23.08

No

Matching 23.08

No

Matching 7.69

No Matching

53 108_2 108_5 15.38 No

Matching 15.38

No

Matching 15.38

No

Matching 10.26

No

Matching 10.26

No

Matching 7.69

No Matching K=1 K=1,2 No. Citra Sidik Jari Standard Citra Sidik Jari Enhancement

K=0,2 K=0,4 K=0,6 K=0,8

Citra Sidik Jari Normal

Universitas

Sumatera

%

Similarity Hasil

%

Similarity Hasil

%

Similarity Hasil %

Similarity Hasil

%

Similarity Hasil

%

Similarity Hasil

54 108_2 108_6 10.25 No

Matching 10.25 No

Matching 7.69

No

Matching 7.69 No

Matching 7.69 No

Matching 5.13 No Matching 55 108_2 108_7 30.77 Matching 23.08 No

Matching 23.08

No

Matching 17.95 No

Matching 15.38 No

Matching 12.82 No Matching

56 108_2 108_8 6.25 No

Matching 6.12 No

Matching 10.20

No

Matching 6.52 No

Matching 8.51 No

Matching 6.52 No Matching

57 109_1 109_2 27.94 No

Matching 30.88 Matching 23.53

No

Matching 19.12 No

Matching 22.06 No

Matching 14.70 No Matching 58 109_1 109_3 39.71 Matching 41.18 Matching 38.24 Matching 30.88 Matching 30.88 Matching 26.47 No

Matching 59 109_1 109_4 41.17 Matching 38.24 Matching 36.76 Matching 30.88 Matching 26.47 No

Matching 26.47 No Matching 60 109_1 109_5 23.53 No

Matching 22.06 No

Matching 33.82 Matching 13.24 No

Matching 14.70 No

Matching 8.82 No Matching 61 109_1 109_6 23.53 No

Matching 26.47 No

Matching 30.88 Matching 23.53 No

Matching 22.06 No

Matching 17.65 No Matching 62 109_1 109_7 32.35 Matching 33.82 Matching 29.41 No

Matching 26.47 No

Matching 27.94 No

Matching 19.12 No Matching 63 109_1 109_8 5.90 No

Matching 5.90 No

Matching 4.41

No

Matching 5.88 No

Matching 4.41 No

Matching 5.88 No Matching 64 110_7 110_1 55.00 Matching 60.00 Matching 55.00 Matching 50.00 Matching 45.00 Matching 55.00 Matching 65 110_7 110_2 60.00 Matching 60.00 Matching 57.14 Matching 70.00 Matching 57.14 Matching 50.00 Matching 66 110_7 110_3 35.00 Matching 30.00 Matching 36.36 Matching 50.00 Matching 35.00 Matching 35.00 Matching 67 110_7 110_4 52.17 Matching 70.00 Matching 75.00 Matching 75.00 Matching 60.00 Matching 50.00 Matching 68 110_7 110_5 65.00 Matching 61.91 Matching 60.00 Matching 50.00 Matching 45.00 Matching 50.00 Matching 69 110_7 110_6 31.82 Matching 40.00 Matching 40.00 Matching 45.00 Matching 40.00 Matching 5.00 No

Matching 70 110_7 110_8 30.77 Matching 29.17 No

Matching 33.33 Matching 45.00 Matching 50.00 Matching 20.00 No Matching

Rata-rata Persentase 29.37 44.29 31.75 52.86 31.01 54.29 29.58 45.71 26.57 28.57 22.06 20.00

No.

Citra Sidik Jari Standard

Citra Sidik Jari Enhancement

K=0,2 K=0,4 K=0,6 K=0,8 K=1 K=1,2

Citra Sidik Jari Normal

Universitas

Sumatera