Verifikasi Citra Sidik Jari Berdasarkan Minutiae Dengan Metode Gabor Filter

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER

TESIS

Oleh

SAYED MUNAZZAR 107034010/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER

TESIS

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

Oleh

SAYED MUNAZZAR

107034010/TE

FAKULTAS TEKNIK

UNIVERSITAS SUMATERA UTARA

MEDAN

Judul Tesis :

Nama Mahasiswa : Sayed Munazzar

VERIFIKASI CITRA SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR FILTER Nomor Induk : 107034010

Program Studi : Magister Teknik Elektro

Menyetujui Komisi Pembimbing:

(Prof. Drs. Tulus, M.Si, Ph.D) (Fahmi, ST. M.Sc Ketua Anggota

)

Sekretaris Program Studi, Dekan,

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

Telah diuji pada

Tanggal : 23 Oktober 2012

PANITIA PENGUJI TESIS

Ketua : Prof. Drs. Tulus, M.Si, Ph.D Anggota : 1. Fahmi, ST, M.Sc

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

ABSTRAK

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, transformasi gambar, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang tergantung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Verifikasi citra sidik jari berdasarkan minutiae bertujuan untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehinggga citra sidik jari bisa didapatkan kecocokan paling tinggi. Hasil dari verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum digabor menghasilkan kecocokan sebesar 15,54% sedangkan verifikasi citra sidik jari normal dengan citra sidik jari berminyak setelah digabor menghasilkan kecocokan sebesar 20,46% sehingga persentase kecocokan meningkat menjadi 4,92% dengan menggunakan 56 sample sidik jari dari 7 orang yang berbeda.

ABSTRACT

Digital image processingis constiutes a discipline which studies matters in order to improve of the quality pictures, the picture transformation and the choice of optimal personal image for the analysis, the process the information and description of the object or the identification of the object which depends upon image, and to compress and to reduce data for data storage, data transmission, and processing time data. The verification of fingerprint image based minutiae was aimed to obtain minutiae value from the maximal fingerprint image so that the fingerprint image could obtain the highest comformity. The verification of normal and greasy fingerprint images prior to using gabor filters yielded the conformity of 15,54% while the verification of normal and greasy fingerprint images after using gabor filters yielded the conformity of 20.46% so that the percentage of conformity increased to 4.92%, using 56 sampel of fingerprints from seven different people.

KATA PENGANTAR

Segala puji dan syukur senantiasa penulis panjatkan kehadirat Allah SWT semoga selalu mendapat taufiq dan hidayahNya kepada kita semua sehingga penulis dapat menyelesaikan tesis ini. Penulisan tesis ini dilakukan untuk memenuhi salah satu syarat kurikulum Program Studi Magister Teknik Elektro Fakultas Teknik Universitas Sumatera Utara, Medan. Tesis ini berjudul “VERIFIKASI CITRA

SIDIK JARI BERDASARKAN MINUTIAE DENGAN METODE GABOR

FILTER

Penulis terutama mengucapkan terima kasih yang tak terhingga kepada orang tua tercinta Waled Sayed Muhammad Jafar dan Ummi Syarifah Nur, Ayahanda Sayid Umar dan Ibunda Cut Rosnah, serta istriku yang tercinta Syarifah Rahmah beserta anak-anak yang tersayang Sayid Athaillah, Syarifah Fatimah dan Syarifah Maryam atas doa dan semangat yang diberikan sehingga penulis dapat menyelesaikan tesis ini.

” dimana penulis merasa tertarik dengan masalah verifikasi citra sidik jari.

Penulis juga mengucapkan terima kasih yang tak terhingga juga kepada Bapak Prof. Dr. Tulus, M.Si, Ph.D dan Bapak Fahmi, ST, M.Sc selaku pembimbing yang telah banyak memberi saran, bimbingan dan nasehatnya selama proses penulisan tesis ini. Terima kasih juga penulis ucapkan kepada institusi Politeknik Negeri Lhokseumawe yang telah memberi kesempatan berupa bantuan dan dorongan moril untuk dapat melakukan penelitian ini.

Selesainya tesis ini juga melibatkan berbagai pihak yaitu Bapak Prof. Dr. Ir. Usman Baafai selaku Ketua Program Studi Magister Teknik Elektro, serta seluruh staf pengajar dan akademik Program Studi Magister Teknik Elektro serta rekan-rekan seperjuangan atas konstribusi dan bantuannya. Untuk itu penulis mengucapkan terima kasih atas konstribusi dan bantuanya, dan terima kasih buat Bapak Drs. Hasdari Helmi, MT, Bu Nur, Pak Martin, serta kawan-kawanku seperjuangan Salahuddin, Muliyadi, Kak Eliyani, Syahrul Azmi, Evi Andriani, Sarmayanta Sembiring, Muhammad Nasir, Sila Abdullah Syakri, Atthariq dan Kak Mursyidah serta rekan-rekan lainnya yang tidak bisa disebutkan satu persatu. Semoga Allah SWT memberi balasan yang setimpal atas bantuannya.

Mudah-mudahan tesis ini dapat bermanfaat dan dapat memberikan masukan yang bermanfaat pada bidang riset biometrik sehingga dapat dipergunakan secara luas. Kritik dan saran dari pembaca yang sifatnya membangun sangat penulis harapkan.

Medan, Oktober 2012 Penulis,

DAFTAR RIWAYAT HIDUP

IDENTITAS :

Nama : Sayed Munazzar

Tempat/ Tanggal Lahir : Desa Jurong, 16 Juli 1974 Jenis Kelamin : Laki-laki

Agama : Islam

Bangsa : Indonesia

Alamat : Jl. Merdeka. Gg. Kuta Asan No. 9. Cunda - Lhokseumawe.

Aceh

HP : +6285277668333

RIWAYAT PENDIDIKAN :

 Sekolah Dasar Negeri Damai tamat tahun 1987.

 Sekolah Menengah Pertama Negeri Indrajaya tamat tahun 1990

 Sekolah Menengah Atas Negeri Beureunuen tamat tahun 1993

 Politeknik Universitas Syiah Kuala tamat tahun 1996

 Sarjana S1Universitas Brawijaya - Malang tamat tahun 2002

RIWAYATPEKERJAAN :

 Staf Pengajar Teknik Elektro Politeknik Negeri Lhokseumawe sejak 01 Maret 1998 sampai dengan sekarang

Medan, Oktober 2012 Penulis,

DAFTAR ISI

Halaman ABSTRAK...

ABSTRACT... KATA PENGANTAR... DAFTAR RIWAYAT HIDUP... DAFTAR ISI ... DAFTAR TABEL... DAFTAR GAMBAR... BAB 1 PENDAHULUAN...

1.1. Latar Belakang... 1.2. Perumusan Masalah... 1.3. Batasan Masalah... 1.4. TujuanPenelitian... 1.5. ManfaatPenelitian...

BAB 2 TINJAUAN PUSTAKA... 2.1. Sistem Biometrik... 2.2. Sidik Jari... 2.2.1. Identifikasi sidik jari... 2.3. Pengolahan Citra... 2.3.1. Binerisai... 2.3.2. Thinning... 2.3.3. Gabor Filter... 2.4. Identifikasi Sidik Jari... 2.4.1. Minutiae... 2.4.2. Minutiae matching ...

i ii iii iv vi viii ix 1 1 4 4 4 4 5 5 11 15 17 17 18 20 24 25 27

BAB 3 METODELOGI PENELITIAN... 3.1. Metode yang Diusulkan... 3.2. Pengambilan Data Citra Sidik Jari... 3.3. Pengolahan Citra Sidik Jari... 3.3.1. Open image... 3.3.2. Normalisasi... 3.3.3. Binerisasi...

3.3.4. Thining...

3.3.5. Minutiae... BAB 4 HASIL DAN PEMBAHASAN... 4.1. Hasil Analisa Citra Sidik Jari Berminyak... 4.1.1. Pengambilan data sidik jari... 4.1.2. Normalisasi ... 4.1.3. Binerisasi ... 4.1.4. Thinning ... 4.1.5. Enhancement dengan gabor filter... 4.1.6. Minutiae ... 4.2. Hasil Termination dan Bifurcation Pada Citra Sidik Jari Sebelum dan Sesudah Gabor Filter... 4.3. Verifikasi Citra Sidik Jari Sebelum dan Sesudah Gabor Filter... BAB 5 KESIMPULAN DAN SARAN... 5.1. Kesimpulan... 5.2. Saran... DAFTAR PUSTAKA... LAMPIRAN 29 29 30 31 32 33 33 35 35 36 36 36 37 38 39 40 41 42 48 57 57 57 58 60

DAFTAR TABEL

Nomor 1.1. 2.1. 4.1. 4.2. 4.3.

Judul

Penelitian yang pernah dilakukan... Penerapan aplikasi biometrik pada forensik, sipil dan komersial forensic civilian commercial... Data citra sidik jari hasil termination dan bifurcation sebelum dan sesudah gabor... Tabel data verifikasi sidik jari normal dengan sidik jari berminyak... Tabel data verifikasi sidik jari normal dengan sidik jari hasil gabor...

Halaman 2 8 44

48 52

DAFTAR GAMBAR Nomor 2.1. 2.2. 2.3. 2.4. 2.5. 2.6. 2.7. 2.8. 2.9. 2.10. 2.11. 2.12. 2.13. 3.1. 3.2. 3.3. Judul

Arsitektur sistem biometrik... Proses enrollment sidik jari... Proses verifikasi sidik jari... Proses identification sidik jari... Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop... Garis acquisition... Klasifikasi pada sidik jari... Proses konversi binerisasi... Proses thinning pada citra... Gabor filter simetris genap dalam spatial domain... Vektor minutiae ridge ending dan ridge bifurcation... Dua citra sidik jari dengan kualitas yang berbeda... Minutiae matching dari sampel input sidik jari dan template database... Blok diagram penelitian... Gambar citra sidik jari... Hasil normalisasi citra...

Halaman 7 8 9 10 12 13 14 17 20 21 26 27 28 29 32 33

3.4. 4.1. 4.2. 4.3. 4.4. 4.5. 4.6. 4.7. 4.8. 4.9. 4.10. 4.11.

Hasil binerisasi... Citra sidik jari berminyak... Hasil normalisasi citra... Hasil binerisasi dengan nilai threshold... Hasil thinning, (a) citra setelah binerisasi; (b) thinning... Hasil proses gabor filter... Hasil proses minutiae ... Hasil termination dan bifurcation... Grafik data hasil terminasi dan bifurkasi pada citra sidik jari sebelum dan setelah gabor...

Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor... Grafik data verifikasi sidik jari normal dengan sidik jari hasil gabor... Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor...

34 37 38 39 40 41 42 43 47 51 55 56

ABSTRAK

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, transformasi gambar, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang tergantung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data, dan waktu proses data. Verifikasi citra sidik jari berdasarkan minutiae bertujuan untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehinggga citra sidik jari bisa didapatkan kecocokan paling tinggi. Hasil dari verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum digabor menghasilkan kecocokan sebesar 15,54% sedangkan verifikasi citra sidik jari normal dengan citra sidik jari berminyak setelah digabor menghasilkan kecocokan sebesar 20,46% sehingga persentase kecocokan meningkat menjadi 4,92% dengan menggunakan 56 sample sidik jari dari 7 orang yang berbeda.

ABSTRACT

Digital image processingis constiutes a discipline which studies matters in order to improve of the quality pictures, the picture transformation and the choice of optimal personal image for the analysis, the process the information and description of the object or the identification of the object which depends upon image, and to compress and to reduce data for data storage, data transmission, and processing time data. The verification of fingerprint image based minutiae was aimed to obtain minutiae value from the maximal fingerprint image so that the fingerprint image could obtain the highest comformity. The verification of normal and greasy fingerprint images prior to using gabor filters yielded the conformity of 15,54% while the verification of normal and greasy fingerprint images after using gabor filters yielded the conformity of 20.46% so that the percentage of conformity increased to 4.92%, using 56 sampel of fingerprints from seven different people.

BAB 1 PENDAHULUAN

1.1. Latar Belakang

Pengolahan citra digital merupakan sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, pengenalan objek yang tergantung pada citra, melakukan pemilihan citra diri yang optimal untuk tujuan analisis, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, waktu proses data dan transmisi data.

Sistem biometrik merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh seperti sidik jari (fingerprint), wajah, iris, retina mata dan suara. Teknologi biometrik memiliki beberapa kelebihan seperti sulit untuk dilakukan proses duplikasi atau pemalsuan, tidak dapat dipergunakan secara bersama-sama, juga tidak mungkin terlupakan. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik adalah citra sidik jari. Sistem pengenalan citra sidik jari ini bertujuan untuk mengidentifikasi sidik jari seseorang.

Pada pengenalan citra sidik jari menggunakan metode minutiae, kendala yang sering dijumpai adalah hasil citra sidik jari yang diambil berkualitas rendah yang disebabkan oleh faktor jenis kulit. Untuk jenis kulit bisa dikategorikan menjadi tiga yaitu, citra sidik jari berminyak, citra sidik jari kering dan citra sidik jari kotor [1].

Ketiga faktor ini menyebabkan ridge ending (termination) dan ridge bifurcation menjadi tidak sempurna, saling terhubung dan putus-putus sehingga bisa mempengaruhi nilai minutiae. Untuk mendapatkan nilai minutiae yang tepat maka citra sidik jari perlu ditingkatkan kualitasnya dengan menggunakan Metode Gabor Filter.

Tabel 1.1. Penelitian yang pernah dilakukan [2,3,4,5]

No Peneliti Judul Metode Hasil yang dicapai

1 Josef Str¨om

Bart°unˇek, 2005. [2]

Minutiae Extraction from Fingerprint with Neural Network and Minutiae based Fingerprint

Verification

Neural Network

and Minutiae

Sebelumnya Matched minutiae 31.7193 % Sesudah Matched minutiae 81.1289 %

2 Andika Budi

Pratama, 2008. [3]

Verifikasi Citra Sidik Jari Poin Minutiae Dalam

Visum Et Repertum

(VER)

Menggunakan K

-Means Clustering

Visum Et

Repertum (VER) Menggunakan K

-Means Clustering

Algoritma K-Means Clustering dapat

diimplementasikan dalam model perangkat lunak untuk verifikasi citra sidik jari poin minutiae

3 Lavanya B N

2009.[4]

Fingerprinit Verification Based on Gabor filter Enhancement

Gabor Filter SEN 80.8 % SPE 87.29 %

4 Jianwei Yang dkk

2003.[5]

A Modified Gabor Filter Desig Method for Fingerprint Image Enhancement Traditional Gabor Filter (TGF)

FRR 2 % FAR 0.01 %

Tabel 1.1. (sambungan)

No Peneliti Judul Metode Metode Hasil yang dicapai

5 Kusworo Adi

2003.[6] Perancangan dan Realisasi Sistem Ekstraksi Ciri Sidik Jari Berbasis Algoritma Filterbank Gabor

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

6

o

V. Shiv Naga Prasad dan Justin Domke 2005.[7]

Gabor Filter Visualization

Gabor Filter

7 Anil Jain, Arun Ross, Salil Prabhakar 2001.[8] Fingerprint Matching Using Minutiae And Texture Features Receiver Operating Characteristic (ROC) curve that plots the Genuine Accept Rate against the False Accept Rate

(FAR)

Genuine Accept Rate of 72%.

8 Muhammad Nasir Enhancement

citra sidik Jari kotor

menggunakan 2010.[9]

teknik

hybridmorphology

dan gabor filter

L

Tingkat keberhasilan pengenalan adalah 87% pada data 100 citra

9 Thai Raymond 2003.[10] Gabor Filtering Fingerprint Image Enhancement and Minutiae Extraction Image enhancement techniques are employed prior to minutiae extraction to obtain a more reliable estimation

1.2. Perumusan Masalah

Berdasarkan latar belakang masalah, maka dapat dirumuskan permasalahan sebagai berikut:

1. Bagaimana menentukan jumlah termination dan bifurcation.

2. Bagaimana algoritma gabor filter dapat memperbaiki kualitas citra sidik jari berminyak.

1.3. Batasan Masalah

Rumusan masalah di atas dibatasi dengan beberapa hal sebagai berikut: a. Citra asli sidik jari dikondisikan dalam keadaan berminyak.

b. Saat pengambilan sampel citra sidik jari posisi sidik jari adalah sama.

c. Proses peningkatan kualitas citra sidik jari menggunakan metode Gabor Filter.

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mendapat nilai minutiae dari citra sidik jari yang maksimal sehingga citra sidik jari bisa didapatkan kecocokan paling maksimal.

1.5. Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat bagi bidang ilmu biometrik untuk dapat dipergunakan secara meluas.

BAB 2

TINJAUAN PUSTAKA

2.1. Sistem Biometrik

Sistem biometrik merupakan teknologi pengenalan diri yang menggunakan bagian tubuh atau perilaku manusia. Sidik jari dan tanda tangan merupakan contoh biometrik yang berdasarkan bagian tubuh dan tingkah laku manusia. Keduanya telah digunakan dalam teknologi biometrik dan telah diaplikasikan secara luas dewasa ini.

Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal serta dalam sistem biometrik yang digunakan untuk mengidentifikasi pada berbagai kondisi sosial termasuk kontrol akses, penyelidikan kejahatan dan tindak kriminal, serta identitas pribadi adalah citra sidik jari [11]. Citra sidik jari ini digunakan karena kehandalannya sangat tinggi serta tidak ada individu yang mempunyai bentuk fisik dan tingkah laku yang sama persis.

Alphonse Bertillon adalah pemberi ide untuk menggunakan body measurement untuk mengatasi kriminalitas, dimana body measurement dapat digunakan sebagai bukti dari pelaku kriminal. Selain untuk kepentingan bukti kriminalitas, body measurement digunakan juga sebagai suatu pengenal identitas. Citra sidik jari ini digunakan karena kehandalannya sangat tinggi serta tidak ada individu yang mempunyai bentuk fisik dan tingkah laku yang sama persis identifikasi citra sidik jari juga dipakai untuk menentukan dan mengenali ciri dari setiap user. Hal ini

disebabkan oleh banyaknya masalah pada pemalsu identitas yang dapat mengakses suatu fasilitas yang bukan haknya, misalnya mengakses suatu fasilitas keuangan dalam sebuah bank.

Keuntungan lain yang didapat dengan menggunakan sistem biometrik adalah pengguna tidak perlu menghafal suatu kode tertentu (knowledge based) atau pengguna tidak perlu menggunakan suatu alat (traditional token) sebagai identitas. Selain untuk kepentingan bukti kriminalitas, body measurement digunakan juga sebagai suatu pengenal identitas. Dengan diterapkan biometrik ini dalam pengenalan identitas akan lebih efisien dikarenakan berkurangnya maintenance password komputer. Dengan menggunakan teknologi sistem biometrik jenis fingerprint merupakan perkembangan untuk security yang bisa diandalkan untuk masa yang akan datang karena tidak terdapat kesamaan pada setiap orang meskipun orang tersebut lahir kembar identik.

Pada gambar 2.1 dijelaskan bahwa 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 yang 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.

Biometric Sensor

Biometric Sensor

Feature Extraction

Feature Extraction

Matching

Database

ID:8039

Enrollment

Autentivication Result

Gambar 2.1. Arsitektur sistem biometrik [12]

Tabel 2.1 menunjukkan beberapa contoh penerapan aplikasi biometrik yang sudah banyak menggunakan biometrik sebagai tanda pengenal karena memiliki nilai unik yang tidak terdapat kesamaan pada setiap orang meskipun orang tersebut lahir kembar identik.

Tabel 2.1. Penerapan aplikasi biometrik pada forensik, sipil dan komersial forensic civilian commercial [13].

Forensic Civilian Commercial

Corpse identification National ID ATM

Criminal investigation Driver’s license Access Control

Parenhood determination Welfare disbursement Cellular phone

Border Crosing Credit Card

Gambar 2.2. Proses enrollment sidik jari [14] NAME(PIN)

Quality Checker

Feature

Extractor

Template

name

System DB

User interface Enrollment

Gambar 2.2 menunjukkan proses enrollment yang dimulai pada proses pengambilan data dengan dilakukan perbaikan citra selanjutnya diambil ciri khusus untuk disimpan sebagai database.

Gambar 2.3. Proses verifikasi sidik jari [14]

Gambar 2.3 merupakan proses verifikasi atau autentifikasi sidik jari dimana suatu proses yang dapat membandingkan citra sidik jari yang sudah tersimpan pada database dengan memasukkan kode pin dan citra sidik jari sebagai input data. Dengan hanya membandingkan data template pada database dan data input, hasil dari sistem verifikasi adalah data benar atau salah.

NAME(PIN)

Feature

Extractor

Matcher

(1 match)

User interface Verification

True/False

One

template

Gambar 2.4. Proses identification sidik jari [14]

Gambar 2.4 dapat dijelaskan bahwa sistem identifikasi merupakan suatu proses yang membandingkan data input dengan semua template data biometrik pada sistem database. Hal ini dilakukan karena pada sistem identifikasi dapat membandingkan semua data, sehingga pada proses identifikasi lebih kompleks dan waktu proses yang lebih lama dari pada sistem verifikasi.

NAME ( PIN )

Feature

Extractor

Matcher

(N _matche r

)

System DB

User interface

Identification

User’s identity or

“ usernot identified”

N

Peralatan untuk mendapatkan citra sidik jari biasa disebut fingerprint. Pada setiap sensor fingerprint mempunyai tipe yang berbeda sehingga kemampuan masing-masing data yang dihasilkan juga berbeda. Dengan perbedaan spesifikasi dan kemampuan sensor fingerprint maka akan menghasilkan kualitas citra yang berbeda juga. Kemampuan ini dapat dilihat dari kepekaan pembacaan dari sebuah sensor. Sebagian sensor jika diberikan noise yang tinggi, maka citra sidik jari tidak dapat dibaca dan ada sebagian sensor jika diberikan noise yang tinggi, maka sensor tetap dapat membaca citra 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.

2.2. Sidik jari

Sidik jari merupakan hasil reproduksi tapak jari baik yang diambil dengan sengaja maupun tidak sengaja, dicapkan denga ditinggalkan pada benda karena pernah tersentuh kulit telapak tangan atau kaki. Sidik jari manusia digunakan untuk keperluan identifikasi karena tidak ada dua manusia yang memiliki sidik jari yang sama persis walaupun lahir kembar identik. Hal ini membuat sidik jari menjadi suatu yang unik dan tidak berubah dimana sidik jari ditentukan oleh permukaan topografi dari struktur ridge yang dimilikinya.

( a )

( b ) ( c )

Gambar 2.5. Data unik citra sidik jari (a) Whorl (b) Arch (c) Loop [12]

Gambar 2.5 menunjukkan bahwa setiap citra sidik jari memiliki data unik. Pengertian data unik ini dapat dijelaskan bahwa ridge ending merupakan garis terputus, bifurcation merupakan dua garis yang bertemu di salah satu ujungnya, island merupakan garis pendek terputus pada kedua ujungnya, ecrorare merupakan garis putus-putus dan dot merupakan garis yang sangat pendek seperti titik. 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 sample citra sidik jari. Sistem identifikasi otomatis

Ridge Ending Ridge Bifurcation

Core

Ridge Ending Ridge Bifurcation

Ridge Island Ridge Ecrorare Ridge Dot

Core Delta

dengan menggunakan biometrik citra sidik jari, dapat berfungsi membandingkan citra sidik jari sebagai input dengan sekumpulan data citra sidik jari dalam suatu database.

Tidak selamanya citra sidik jari dapat diperoleh dalam kondisi baik, terutama pengambilan citra sidik jari yang diambil tanpa persiapan. Seperti Gambar 2.6 terlihat beberapa citra sidik jari yang diambil tidak sempurna, maka untuk dapat mengambil informasi dengan benar perlu dilakukan perlakuan khusus.

Gambar 2.6. Garis acquisition: (a) Sidik jari terkena tinta (b) Sidik jari tersembunyi didapat dari kondisi kejahatan (c,d,f) Diperoleh dari optical,

(e) Diperolehdari sensor kapasitif [15].

( a ) ( b ) _{( c )}

Sidik jari dapat diklasifikasikan menjadi tiga kelas utama, yaitu: Arch, Loop dan Whorl berdasarkan dari pola garis pola garis (ridge) dan lembah (valley) [4]. Karena citra sidik jari yang unik, maka dari data itu akan dilakukan perbaikan citra terlebih dahulu untuk memunculkan karakteristik dari masing-masing citra sidik jari pada setiap orang. Perbaikan citra sidik jari perlu dilakukan karena mengalami perubahan pada citra sidik jari yang diakibatkan oleh sidik jari terkena kotoran, berminyak maupun kering. Di bawah ini adalah contoh dari ketiga kelas yang telah disebutkan yaitu: Arch, Loop dan Whorl.

Gambar 2.7. Klasifikasi pada citra sidik jari (a) Arch, (b) Loop dan (c) Whorl [4].

Pada Gambar 2.7 menunjukkan klasifikasi pada citra sidik jari ada tiga jenis citra sidik jari yang banyak ditemukan yaitu, Gambar 2.7(a) arch, sebuah pola berbentuk lengkungan, Gambar 2.7(b) loop, sebuah pola berbentuk lingkaran dan Gambar 2.7(c) whorl, sebuah pola berbentuk alur-alur berputar. Dari klasifikasi ini dapat dibagi menjadi beberapa subklasifikasi [8], yaitu:

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

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

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

2.2.1. Identifikasi sidik jari

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

a. Data acquisition adalah penerjemahan data dari suatu sensor ke dalam bit-bit data citra sidik jari. Ada beberapa metode dalam data acquisition diantaranya: 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 di-scan dan dimasukkan ke database. Sedangkan a latent fingerprint adalah cara yang banyak digunakan dalam mendeteksi masalah kriminal dimana pengambilan data sidik jari dilakukan pada suatu barang bukti kriminal yang diberikan bubuk atau cairan kimia, dan kemudian difoto untuk mendapatkan citra sidik jari. A live scan fingerprint adalah suatu alat yang embedded dalam suatu

aplikasi dimana alat tersebut akan mengambil data sidik jari user secara langsung dengan cara menempelkan sidik jari ke alat tersebut.

b. 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 dan pada metode image matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier.

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

Banyak metode pencocokan sidik jari yang telah dikembangkan, misalnya: minutiae-based dimana metode yang mencocokkan berdasarkan pada vektor ekstraksi minutiae, vektor ridge ending dan ridge bifurcation sidik jari input dan sidik jari (query) serta image-matching yang merupakan metode yang mencocokkan dua buah citra sidik jari. Penggolongan metode tersebut berdasarkan pada bagaimana cara mencocokkan citra 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. Pengolahan Citra

Pengolahan citra merupakan pemrosesan suatu citra, khususnya menggunakan komputer menjadi citra yang lebih baik. Dalam hal melakukan pengolahan citra, maka ada proses-proses yang akan dilalui untuk mendapatkan suatu citra yang lebih baik, diantaranya sebagai berikut:

2.3.1. Binerisasi

Kebanyakan algoritma ekstraksi minutiae beroperasi pada citra biner dimana hanya ada dua tingkat dominan yaitu: piksel hitam yang mewakili ridge, dan piksel putih yang mewakili valley seperti yang terlihat pada Gambar 2.8. Binerisasi adalah proses mengubah gray level citra menjadi citra biner. Hal ini akan meningkatkan kontras antara ridge dan valley dalam citra sidik jari dan akibatnya memfasilitasi ekstraksi minutiae.

(a) (b)

Salah satu properti yang berguna dari Gabor Filter adalah ia memiliki komponen DC nol, yang berarti filtering citra menghasilkan nilai piksel rata-rata nol. Oleh karena itu, binerisasi langsung dari citra dapat dilakukan menggunakan global ambang nol. Proses binerisasi melibatkan pemeriksaan tingkat gray level nilai setiap piksel dalam citra yang disempurnakan dan jika nilai lebih besar daripada ambang global, maka nilai piksel disetel ke nilai biner satu, selain itu diatur ke nol. Hasilnya adalah citra biner berisi dua tingkat informasi, latar depan ridge dan latar belakang valley. Binerisasi diperoleh dengan persamaan (2.1).

...(2.1)

2.3.2. Thinning

Thinning atau penipisan adalah suatu proses pengurangan objek dalam citra digital hingga mendapatkan ukuran minimal yang diperlukan untuk pengenalan objek tersebut oleh komputer, hasilnya dikenal dengan skeleton (kerangka) dan proses thinning kadang dikenal juga sebagai skeletonisasi.

Algoritma thinning dikelompokkan dalam dua kelompok utama yakni iterative (pixel based) dan non-iterative (non pixel-based). Untuk kelompok iterative terdiri dari sequential dan paralel, sedangkan yang non-iterative terdiri dari medial axis transform, line following dan lain-lain [18]. Meskipun secara umum proses

thinning secara berulang akan melakukan proses penghapusan pada titik-titik tepi suatu area, beberapa hal harus diperhatikan [8]:

a. Tidak menghapus atau menghilangkan titik akhir. b. Tidak memutuskan keterhubungan.

c. Dan tidak terjadi pengikisan yang terlalu berlebihan.

Suatu algoritma thinning dikatakan baik jika meliputi proses untuk menangani hal-hal sebagai berikut [17]:

a. Kepekaan terhadap noise, algoritma thinning seharusnya tidak peka terhadap noise (mengabaikan noise). Noise dapat menyebabkan algoritma thinning menghasilkan kerangka yang tidak benar.

b. Mempertahankan topologi dan geometri objek, hal ini dapat dicapai jika tidak terjadi pemutusan keterhubungan dan pengikisan yang berlebihan.

c. Isotropi, hasil kerangka tetap sama meskipun objek diputar dalam berbagai arah.

d. Dapat direkonstruksi, objek dapat dibentuk kembali berdasarkan kerangka hasil thinning.

e. Efisien, kecepatan proses menjadi hal yang utama terutama pada aplikasi real time.

Gambar 2.9 memperlihatkan proses thinning pada citra yang ber-noise, dimana pada proses thinning walau dilakukan proses berulang-ulang tapi tidak menghapus keseluruhan citra.

Gambar 2.9. Proses thinning pada citra (a) citra ber-noise; (b) citra ideal; (c) citra ber- noise; (d) kerangka hasil thinning yang dipengaruhi noise [16]

2.3.3. Gabor filter

Saat informasi ridge orientasi dan ridge frekuensi telah ditentukan, parameter-parameter ini digunakan untuk membentuk simetrik genap Gabor Filter. Sebuah Gabor filter dua dimensi terdiri atas dua gelombang sinusoida dari orientasi dan frekuensi, dimodulasikan oleh sebuah envelope (sampul) Gaussian [13]. Gabor filter bekerja pada frekuensi dan orientasi yang selektif sesuai sifatnya. Sifat-sifat ini membuat filter di tuning agar menghasilkan respon maksimal pada ridge orientasi

(a) (b)

dan ridge frekuensi tertentu dalam pencitraan sidik jari. Untuk itu, tuning yang sempurna dari gabor filter dapat digunakan secara efektif untuk mempertahankan struktur ridge saat terjadi pengurangan noise.

Gabor filter simetrik genap adalah bagian nyata dari fungsi gabor, yang diberikan oleh gelombang cosinus yang di modulasi oleh Gaussian (Gambar 2.10). Gabor filter dalam domain spatial ditentukan oleh [4]:

(

)

cos

(

2

)

,

2 1 exp , ; , ₂ 2 2 2 ' ' ' ' θ θ θ _π σ σ

θ f x y fx

y x G y x                 + − = ..(2.2)

xθ =xcos

θ

−ysin

θ

, ...(2.3) yθ =xsin

θ

+ycos

θ

, ...(2.4)

Dimana θ adalah orientasi gabor filter, f adalah frekuensi gelombang cosinus,

σ

_x dan σ_y adalah deviasi standar sifat gaussian sepanjang sumbu xdan y, dan xθdan yθmendefinisikan sumbu xdan ydari koordinat filter.

Gambar 2.10. Gabor filter simetris genap dalam spatial domain [10]

f

x

Gabor Filter diterapkan pada citra sidik jari secara spasial untuk konvolusi citra dengan filter. Konvolusi piksel (i,j) pada citra memerlukan kesesuaian orientasi nilai dan nilai frekuensi ridge pada pikselnya. Oleh karena itu, penerapan gabor filter untuk memperoleh peningkatan citra

dilakukan sesuai rumus:

( )

_{∑ ∑}

(

( ) ( )

) (

)

− = =− − − = 2 2 2 2 , , , , ; , , x x y y w w u w w v v j u i N j i F j i O v u G j i E

Dimana adalah orientasi citra, adalah frekuensi ridge citra, adalah citra sidik jari yang telah dinormalkan, dan adalah lebar dan tinggi dari mask gabor filter. Bandwidth filter yang menentukan rentang respon frekuensi filter, ditentukan oleh parameter standar deviasi

σ

x dan σy. Karena bandwidth filter diatur untuk

menyesuaikan frekuensi ridge lokal, maka dapat disimpulkan bahwa pemilihan parameter

σ

_x dan σ_yharus terkait dengan frekuensi ridge. Namun, pada algoritma originalnya [9],

σ

_x dan σ_ysecara empiris diatur pada tetapan nilai masing-masing 4.0 dan 4.0.

...(2.5)

Sebuah kelemahan menggunakan nilai yang tetap adalah bahwa kekuatan untuk bandwidth selalu konstan, tidak memperhitungkan variasi yang mungkin terjadi dalam nilai-nilai frekuensi ridge. Misalnya, jika sebuah filter dengan bandwidth konstan diterapkan untuk citra sidik jari yang mana menunjukkan variasi yang signifikan pada nilai frekuensi, dapat menyebabkan enhancement secara non-uniform atau enhancement tambahan lainnya. Dengan demikian, daripada menggunakan nilai

tetap, maka dipilih nilai

σ

x dan σy menjadi fungsi parameter frekuensi ridge, yang

didefinisikan sebagai berikut:

( )

i, j ,

F

k_x

x=

σ

... (2.6)

( )

i,j , F k_y

y =

σ

... (2.7) Dimana F merupakan frekuensi ridge citra, adalah variabel konstan untuk

x

σ

, dan adalah variabel konstan untuk σ_y. Hal ini memungkinkan pendekatan yang lebih adaptif untuk digunakan, sebagai nilai-nilai

σ

x dan σy sekarang dapat

ditentukan secara adaptif sesuai dengan frekuensi ridge lokal dari citra sidik jari. Selanjutnya, dalam algoritma asal, lebar dan tinggi dari mask filter sama-sama diatur pada nilai tetap. Ukuran filter mengontrol luas spasial dari filter, yang idealnya dapat secara umum mengakomodasi manfaat informasi sinyal Gabor. Namun, nilai filter yang tetap akan tidak optimal karena tidak dapat mengakomodasi sinyal Gabor dengan bandwidth yang berbeda. Oleh karena itu, agar memungkinkan ukuran filter bervariasi secara otomatis mengikuti bandwidth sinyal Gabor, maka ditetapkan ukuran filter menjadi fungsi yang memakai standar deviasi sebagai parameter [19]:

,

6 x

x

w =

σ

...(2.8)

y y

w =6σ

...(2.9) Dimana dan adalah lebar dan tinggi mask filter Gabor;

σ

_x dan

y

persamaan (2.9) lebar dan tinggi dari mask filter keduanya ditetapkan sebagai , karena sebagian besar informasi gelombang Gabor terkandung di rentang ini

jauh dari sumbu . Oleh karena itu, pemilihan nilai parameter ini memungkinkan masker filter untuk merekam sebagian besar informasi sinyal Gabor.

2.4. Identifikasi Sidik Jari

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

a. Data acquisition adalah penerjemahan data dari suatu sensor ke dalam bit-bit data sidik jari. Ada beberapa metode dalam data acquisition diantaranya: 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 di-scan dan dimasukkan ke database. A latent fingerprint adalah pengambilan data yang dilakukan pada suatu barang bukti kriminal dengan memberikan bubuk atau cairan kimia, kemudian di foto untuk mendapatkan sidik jari. Sedangkan A live scan fingerprint adalah suatu alat embedded dalam suatu aplikasi dimana alat akan mengambil data sidik jari user secara langsung dengan cara sidik jari ditempelkan ke alat tersebut.

parameter-parameter sesuai dengan metode yang akan dipakai dalam pencocokan sidik jari. Pada metode minutiae bit-bit data akan di ekstraksi ke dalam vektor minutiae dan metode citra matching based phase correlation bit-bit data akan diterjemahkan ke dalam komponen fourier.

c. Decision making adalah membandingkan data sidik jari antara ekstraksi data input dengan data template, sehingga menghasilkan data yang benar atau salah.

Minutiae-based mempunyai keunggulan dalam kecepatan karena jumlah data yang dicocokkan berbentuk vektor dengan ukuran yang relatif kecil bila dibandingkan dengan metode citra-matching yang hanya unggul dari sisi keakurasian data, namun kelemahannya lambat dari sisi kecepatan.

2.4.1. Minutiae

Minutiae adalah vektor dari ridge ending dan ridge bifurcation dari sebuah citra sidik jari seperti yang diperlihatkan pada Gambar 2.11. Vektor ridge ending adalah lokasi koordinat x, y dan sudut θ dari ujung garis jari. Sedangkan Vektor ridge bifurcation adalah koordinat x, y dan sudut θ dari garis jari yang berbentuk cabang. Untuk menentukan suatu lokasi dari ridge ending dan ridge bifurcation dalam suatu citra sidik jari adalah dengan melihat piksel tetangga dari suatu piksel citra setelah dilakukan proses sceletonized. Jika suatu piksel R mempunyai piksel tetangga, X1, X2, …..Xk. Suatu piksel dikategorikan sebagai ridge ending jika piksel tersebut mempunyai kondisi sebagai berikut:

...(2.10) Sedangkan suatu piksel dikategorikan sebagai ridge bifurcation jika hubungan piksel dan piksel tetangganya memenuhi kondisi sebagai berikut:

...(2.11)

Gambar 2.11. Vektor minutiae ridge (x,y,θ) ending dan ridge bifurcation [14]

Untuk mendapatkan hasil ekstraksi minutiae yang akurat diperlukan suatu metode enhancement citra, hal ini dikarenakan data acquisition seringkali menghasilkan data citra dengan kualitas kurang baik. Salah satu enhancement citra adalah recovered dari ridge, contoh sidik jari dengan kualitas yang baik dan rendah seperti pada Gambar 2.12.

Gambar 2.12. Dua citra sidik jari dengan kualitas yang berbeda (a) citra kualitas baik; (b) citra kualitas rendah [11]

2.4.2. Minutiae matching

Minutiae matching merupakan proses pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae yang ada pada database. Pada Gambar 2.13 menunjukkan minutiae dari query yang digambarkan dengan warna hitam sedangkan minutiae pada database digambarkan dengan warna merah. Jika minutiae pada database mempunyai lokasi x,y dan sudut yang sama atau hampir sama dengan minutiae input dianggap teridentifikasi. Area yang berwarna biru muda menunjukkan vektor minutiae query bersesuaian dengan vektor minutiae sidik jari pada database. Korelasi vektor minutiae input dan vektor minutiae template dapat di nilai dengan:

...(2.12)

= Jumlah vektor minutiae query dan template yang bersesuaian = Jumlah vektor minutiae query

Gambar 2.13. Minutiae matching dari sampel input sidik jari dan template database; (a) citra sidik jari; (b) query database; (c) minutiae matching [17]

Beberapa faktor penyebab sehingga tidak dapat dilakukan penilaian pada vektor minutiae disebabkan oleh:

a. Faktor usia, yakni garis sidik jari terlihat tidak jelas seperti pada orang tua. b. Faktor kecelakaan yang menyebabkan hilangnya garis-garis jari pada sidik jari. c. Faktor cuaca, sehingga garis-garis jari tidak jelas pada individu yang tinggal

pada kawasan yang cuacanya terlalu kering. d. Faktor keturunan.

Hal tersebut menyebabkan kualitas citra pada data acquisition sangat jelek. Dari seratus populasi, persentase data acquisition yang jelek adalah sebesar dua sampai lima persen [8].

BAB 3

METODELOGI PENELITIAN

3.1. Metode Yang Diusulkan

Penelitian verifikasi citra sidik jari berdasarkan minutiae ini melalui beberapa tahapan proses, seperti ditunjukan dalam Gambar 3.1.

Gambar 3.1. Blok diagram penelitian [4]

Pada Gambar 3.1 menunjukkan proses tahapan verifikasi citra sidik jari, dimana citra sidik jari sebagai input akan diproses untuk mendapatkan kualitas citra sidik jari sesuai dengan yang diinginkan. Dalam tahapan ini terdapat proses peningkatan kontras antara ridge dan valley dalam citra sidik jari dengan melakukan binerisasi dimana citra sidik jari berminyak akan diubah grey level citra menjadi citra biner. Selanjutnya dilakukan proses thinning dimana pada tahapan ini melakukan

pengurangan objek dalam citra digital hingga ukuran minimal yang diperlukan untuk pengenalan objek tersebut oleh komputer. Selanjutnya proses minutiae extraction yaitu proses pengekstrakkan minutiae sehingga akan mendapatkan ridge bifurcation dan ridge ending pada citra sidik jari dan dilanjutkan ke proses minutiae matching dimana pada proses ini dilakukan pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae. Setelah hal ini dilakukan semua, data sidik jari ini akan disimpan dalam database sebagai template. Pada proses peningkatan unjuk kerja verifikasi citra sidik jari, setelah citra sidik jari dilakukan proses binerisasi dan thinning yang selanjutnya dilakukan proses peningkatan kualitas citra sidik jari dengan gabor filter. Setelah dilakukan proses penyaringan dengan gabor filter dilanjutkan proses minutiae extraction dan minutiae matching. Pada proses minutiae matching ini dilakukan proses pencocokan vektor minutiae dari query sidik jari dengan vektor minutiae yang ada pada database dengan terlebih dahulu mengecek kepemilikan citra sidik jari tersebut sehingga tidak terjadi duplikat data yang sama.

3.2. Pengambilan Data Citra Sidik Jari

Pengambilan data citra sidik jari akan dilakukan dengan latar belakang pekerjaan subyek penelitian sebagai pegawai dan mahasiswa Politeknik Negeri Lhokseumawe. Data sidik jari diambil dengan merujuk pada pedoman pengambilan data optical sensor fingerprint “Digital Persona U.are.U 4500” yang diproduksi oleh Digital Persona, Incdengan ukuran gambar sebesar154 x 208 piksel dengan type data

BMP dan menggunakan notebook type HP ProBook 4420s dengan spesifikasi processor M430 @ 2,27GHz memori 4 GB DDR3. Data sidik jari diambil dari 7 orang dengan 8 sampel sidik jari (56 citra sidik jari). Dari 8 sampel sidik jari, 1 sampel sidik jari dijadikan sebagai template dan 7 sampel sidik jari lagi dijadikan sebagai sampel penelitian dimana kondisi sidik jari tersebut dikondisikan berminyak dengan mengolesi minyak baby oil pada jari sebelum diambil sampelnya. Sedangkan untuk 1 (satu) sampel lagi dikondisikan sebagai sidik jari normal.

3.3. Pengolahan Citra Sidik Jari

Pada pengolahan citra sidik jari ini akan menghasilkan citra sidik jari yang nantinya akan digunakan untuk proses selanjutnya yaitu dari proses input data dengan melakukan normalisasi pada citra sidik jari dan melakukan langkah dasar dengan menentukan daerah orientasi untuk menentukan titik tunggal dari citra sidik jari serta melakukan proses untuk mendapatkan nilai frekuensi dari citra sidik jari. Selanjutnya citra sidik jari tersebut akan mengalami proses binerisasi untuk akan mendapatkan citra sidik jari dengan ridge yang berwarna hitam dan valley berwarna putih. Pada proses selanjutnya, citra sidik jari tersebut akan melewati proses thinning dimana citra sidik jari akan ditipiskan sehingga akan terlihat feature yang dimiliki dari sidik jari tersebut. Selanjutnya citra sidik jari masuk ke proses minutiae dimana proses tersebut dilakukan untuk menentukan vektor ridge ending dan ridge bifurcation pada sebuah citra sidik jari. Setelah proses ini dilakukan semua, maka citra sidik jari dan identitas pemilik disimpan kedalam database. Sebelum citra sidik jari serta data kepemilikan sidik jari tersebut dilakukan penyimpanan, maka

nama kepemilikan citra sidik jari tersebut harus dicek terlebih dahulu ke dalam sistem untuk mengantisipasi terjadinya duplikat data yang sama.

3.3.1. Open image

Pada tahap ini citra sidik jari masukan masih dalam bentuk Red, Green, Blue dan belum dalam format grey scale dengan nilai maksimum 255, sedangkan untuk proses perhitungan setiap piksel harus memiliki nilai intensitas tunggal. Oleh karena itu, diperlukan format citra sidik jari berupa gray scale, dimana setiap piksel pada citra sidik jari gray scale diperoleh dengan membuat rataan pada setiap piksel RGB yang bersangkutan.

Pada Gambar 3.2 menunjukkan citra sidik jari yang telah mengalami proses sehingga telah dikonversi menjadi format gray scale.

( a ) ( b )

Gambar 3.2. Gambar citra sidik jari; (a) citra sidik jari asli; (b) citra sidik jari setelah diformat menjadi Gray scale [17]

3.3.2. Normalisasi

Proses normalisasi dilakukan untuk menstandarisasi atau menyeragamkan nilai intensitas citra sidik jari berminyak dengan menyesuaikan cakupan derajat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 3.3 merupakan hasil dari normalisasi suatu citra sidik jari yang mempunyai nilai mean 0 dan variance 1.

( a ) (b)

Gambar 3.3. Hasil normalisasi citra, (a) citra asli; (b) citra ternormalisasi [17]

3.3.3. Binerisasi

Pada umumnya algoritma ekstraksi minutiae beroperasi pada citra biner yang hanya ada dua tingkat dominan yaitu: piksel hitam yang mewakili ridge dan piksel putih yang mewakili valley seperti yang terlihat pada Gambar 3.4. Binerisasi merupakan proses mengubah grey level citra menjadi citra biner. Hal ini dilakukan

untuk meningkatkan kontras antara ridge dan valley dalam citra sidik jari sehingga dapat memfasilitasi dalam melakukan ekstraksi minutiae.

(a) Citra asli (b) Binerisasi image Gambar 3.4. Hasil binerisasi [17]

Salah satu properti yang berguna dari filter Gabor adalah ia memiliki komponen DC nol, yang berarti filtering citra menghasilkan nilai piksel rata-rata nol. Oleh karena itu, binerisasi langsung dari citra sidik jari dapat dilakukan dengan menggunakan global ambang nol. Proses binerisasi melibatkan pemeriksaan tingkat grey level nilai pada setiap piksel dalam citra sidik jari yang disempurnakan dan jika nilainya lebih besar daripada ambang global, maka nilai piksel disetel ke nilai biner satu, selain itu diatur ke nol. Hasilnya adalah citra biner berisi dua tingkat informasi, latar depan ridge dan latar belakang valley.

3.3.4. Thinning

Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binerisasi maka selanjutnya citra sidik jari di thinning. Penerapan algoritma thinning pada citra sidik jari yang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra

Proses thinning dapat diterapkan dalam beberapa hal, terutama untuk skeleton ization. Dalam hal ini, thinning dipakai untuk merapikan hasil dari deteksi sisi dengan menipiskan semua garis sampai lebarnya hanya satu piksel. Seperti halnya operasi morfologis lainnya, maka thinning biasanya diterapkan pada citra biner dan menghasilkan citra biner yang lain sebagai hasil.

biner. Skeleton citra ini kemudian digunakan dalam proses gabor filter sebelum masuk ke proses ekstraksi minutiae.

3.3.5. Minutiae

Minutiae untuk menentukan vektor ridge ending dan ridge bifurcation pada sebuah citra sidik jari. Pada penelitian ini, minutiae dilakukan terhadap citra asli dan citra hasil enhancement. Pada minutiae mempunyai 2 jenis vektor yaitu vektor ridge ending dan vektor ridge bifurcation. Vektor ridge ending adalah titik koordinat x, y dan sudut θ dari ujung garis jari. Sedangkan Vektor ridge bifurcation adalah titik koordinat x, y dan sudut θdari garis jari yang berbentuk cabang. Pada penelitian ini setelah melakukan proses enhancement maka minutiae diperlukan untuk mengetahui jumlah minutiae citra sidik jari asli sebelum di enhancement dengan jumlah minutiae citra sidik jari setelah gabor filter.

BAB 4

HASIL DAN PEMBAHASAN

Pembahasan hasil penelitian tesis ini secara garis besar akan dijelaskan dalam tiga bagian: bagian pertama membahas hasil analisa terhadap citra sidik jari berminyak dan bagian kedua membahas hasil termination dan bifurcation pada citra sidik jari sebelum dan sesudah gabor filter serta bagian ketiga membahas verifikasi citra sidik jari sebelum dan sesudah gabor filter.

4.1. Hasil Analisa Citra Sidik Jari Berminyak 4.1.1. Pengambilan data sidik jari

Data sidik jari yang digunakan dalam penelitian ini berupa citra sidik jari yang dikondisikan berminyak. Citra sidik jari diambil menggunakan optical sensor fingerprint “DigitalPersona U.are.U 4500” yang diproduksi oleh PT. Solusi Corporindo Teknologi. Data yang diambil berukuran 154 x 208 piksel dengan type data BMP dan menggunakan notebook type HP ProBook 4420s dengan spesifikasi processor M430 @ 2,27GHz memori 4 GB DDR3.

02-O-01 02-O-02 02-O-03 02-O-04

02-O-05 02-O-06 02-O-07 02-O-08

Gambar 4.1 Citra Sidik Jari Berminyak

4.1.2. Normalisasi

Proses normalisasi dilakukan untuk menstandarisasi atau menyeragamkan nilai intensitas suatu citra sidik jari dengan menyesuaikan cakupan derajat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 4.2 merupakan hasil dari normalisasi suatu citra sidik jari berminyak yang mempunyai nilai mean nol dan variance satu. Setelah melalui proses normalisasi maka jumlah nilai Piksel dirata-ratakan sepanjang nilai intensitas seperti yang ditunjukkan pada Gambar 4.2. Oleh karena itu normalisasi citra sangat diperlukan untuk meningkatkan kontras antara ridge dan valley pada suatu citra sidik jari.

( a ) (b)

Gambar 4.2. Hasil normalisasi citra sidik jari, (a) Citra sidik jari asli; (b) Citra sidik jari ternormalisasi

4.1.3. Binerisasi

Binerisasi merupakan proses dimana citra gray scale ditingkatkan ke dalam suatu konversi citra biner. Sebuah citra gray scale mempunyai jumlah tingkat satu gray scale yang spesifik. Untuk 8 bit citra gray scale bisa merepresentasikan 28- 1 = 255 intensitas atau tingkat abu-abu. Sebagian besar citra sidik jari disimpan sebagai 8 bit, dimana citra gray scale biasanya dalam suatu citra bitmap atau sebagai suatu citra TIFF. Jumlah tingkat abu-abu yang besar, meningkatkan kompleksitas pemrosesan. Untuk mengatasi hal ini, citra dikonversi ke dalam citra biner. Pada penelitian ini dilakukan dengan memakaibeberapa nilai threshold dengan tujuan untuk melihat

mana yang terbaik dalam proses binerisasi. Adapun nilai threshold yang dipilih adalah 160.

( a ) ( b )

Gambar 4.3. Hasil binerisasi dengan nilai threshold, (a) Citra asli; (b) Threshold 160

4.1.4. Thinning

Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binerisasi maka selanjutnya citra sidik jari dilakukan proses thinning. Penerapan algoritma thinning pada citra sidik jari yang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra biner. Skeleton citra sidik jari ini kemudian digunakan dalam ekstraksi minutiae selanjutnya. Gambar 4.4. memperlihatkan hasil proses thinning.

( a ) ( b )

Gambar 4.4. Hasil Thinning, (a) Citra setelah binerisasi; (b) Thinning

4.1.5. Enhancement dengan Gabor Filter

Pada penelitian ini proses enhancement dilakukan dengan menggunakan gabor filter, dimana citra sidik jari yang telah ternormalisasi dikonvolusi dengan filter gabor. Sehingga pada akhirnya terbentuk citra baru terfilterisasi. Hasil dari proses orientasi gabor filter untuk enhancement seperti yang ditunjukkan pada Gambar 4.5.

(a) (b)

Gambar 4.5. Hasil proses gabor filter, (a) Sebelum gabor, (b) Sesudah gabor

4.1.6. Minutiae

Hal yang dilakukan pada proses Minutiae adalah menentukan vektor ridge ending dan ridge bifurcation pada sebuah citra sidik jari. Pada penelitian ini, proses minutiae dilakukan terhadap citra asli sidik jari. Minutiae mempunyai 2 jenis yaitu ridge ending dan ridge bifurcation. Vektor ridge ending adalah titik koordinat x, y dan sudut θ dari ujung garis jari. Sedangkan vektor ridge bifurcation adalah titik koordinat x, y dan sudut θ dari garis jari yang berbentuk cabang. Pada penelitian yang saya lakukan setelah melakukan proses enhancement maka minutiae diperlukan untuk mengetahui jumlah titik minutiae citra asli sidik jari sebelum di enhancement dengan jumlah minutiae citra sidik jari setelah dilakukan enhancement. Hasil dari proses minutiae ditunjukkan seperti pada Gambar 4.6.

(a) Citra Asli (b) Binerisasi

(e) Thinning (f) Minutiae

Gambar 4.6. Hasil proses minutiae

4.2. Hasil Termination dan Bifurcation Pada Citra Sidik Jari Sebelum dan Sesudah Gabor Filter

Sebuah sidik jari dapat dipandang dari beberapa tingkat yang berbeda, yaitu tingkat global, tingkat lokal dan tingkat sangat baik. Pada tingkat lokal, sidik jari dipandang secara menyeluruh. Pada tingkat ini dapat ditemukan titik singular yang

disebut titik inti (core point) dan titik delta (delta point). Pada tingkat global, titik singular cocok untuk mengklasifikasikan tipe sidik jari, namun tidak cukup untuk mencocokkan sidik jari.

Gambar 4.7. Hasil termination dan bifurcation

Pada tingkat lokal, citra sidik jari dipandang lebih detail. Pada tingkat ini dapat ditemukan detail minutiae atau titik minutiae. Titik minutiae merupakan titik-titik informasi yang dapat mencirikan suatu sidik jari. Beberapa bagian pada sidik jari yang dapat dijadikan sebagai titik minutiae antara lain akhir bukit (ridge termination), percabangan (bifurcation), pulau (lake), taji (spur), persilangan (crossover).

Hasil percobaan terhadap proses termination dan bifurcation pada citra sidik jari sebelum gabor dan sesudah gabor seperti terlihat pada Tabel 4.1.

Tabel 4.1. Data hasil termination dan bifurcation pada citra sidik jari sebelum dan sesudah gabor

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

1 01-O-01.BMP 23 42 32 30

2 01-O-02.BMP 15 46 27 45

3 01-O-03.BMP 15 36 29 28

4 01-O-04.BMP 35 29 33 33

5 01-O-05.BMP 19 39 30 31

6 01-O-06.BMP 19 38 34 27

7 01-O-07.BMP 33 50 28 42

8 01-O-08.BMP 36 33 43 33

9 02-O-01.BMP 19 39 30 31

10 02-O-02.BMP 19 38 31 27

11 02-O-03.BMP 9 12 9 12

12 02-O-04.BMP 13 28 15 19

13 02-O-05.BMP 12 30 13 22

14 02-O-06.BMP 11 18 12 18

15 02-O-07.BMP 14 11 15 7

16 02-O-08.BMP 9 13 11 13

17 03-O-01.BMP 12 42 18 36

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

19 03-O-03.BMP 18 34 20 34

20 03-O-04.BMP 23 35 31 40

21 03-O-05.BMP 24 35 19 39

22 03-O-06.BMP 18 34 20 34

23 03-O-07.BMP 19 21 27 27

24 03-O-08.BMP 26 31 27 25

25 04-O-01.BMP 11 30 14 33

26 04-O-02.BMP 29 33 25 31

27 04-O-03.BMP 19 36 24 43

28 04-O-04.BMP 17 26 17 30

29 04-O-05.BMP 11 30 14 33

30 04-O-06.BMP 16 29 20 25

31 04-O-07.BMP 15 29 17 34

32 04-O-08.BMP 19 36 24 43

33 05-O-01.BMP 13 25 22 30

34 05-O-02.BMP 20 41 23 51

35 05-O-03.BMP 19 30 21 28

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

36 05-O-04.BMP 8 41 6 42

37 05-O-05.BMP 15 49 20 48

38 05-O-06.BMP 15 38 21 28

39 05-O-07.BMP 9 39 13 34

40 05-O-08.BMP 12 37 17 37

41 06-O-01.BMP 13 52 23 43

42 06-O-02.BMP 16 41 22 38

43 06-O-03.BMP 21 45 21 41

44 06-O-04.BMP 12 42 10 45

45 06-O-05.BMP 24 49 19 49

46 06-O-06.BMP 5 53 15 44

47 06-O-07.BMP 16 49 19 42

48 06-O-08.BMP 15 42 14 37

49 07-O-01.BMP 19 17 18 12

50 07-O-02.BMP 17 22 18 19

51 07-O-03.BMP 21 14 21 10

52 07-O-04.BMP 16 25 22 23

Tabel 4.1. (sambungan)

No Nama File

Citra sidik jari sebelum gabor

Citra sidik jari setelah gabor

Termination Bifurication Termination Bifurication

54 07-O-06.BMP 12 28 16 22

55 07-O-07.BMP 19 17 18 12

56 07-O-08.BMP 17 10 22 11

Gambar 4.8. Grafik data hasil termination dan bifurcation pada citra sidik jari sebelum dan setelah gabor

Dari Tabel 4.1 menunjukkan data hasil termination dan bifurcation pada citra sidik jari sebelum dan setelah gabor filter terjadi perubahan terhadap nilai termination dan bifurcation. Hal ini disebabkan oleh gangguan yang terjadi pada citra sidik jari dan setelah dilakukan perbaikan, maka jumlah termination dan bifurcation mengalami kenaikan dan penurunan nilainya.

4.3. Verifikasi Citra Sidik Jari Sebelum dan Sesudah Gabor Filter

Pada tahap ini dilakukan proses verifikasi citra sidik jari normal terhadap citra sidik jari berminyak dan citra sidik jari yang telah diberikan filter gabor. Proses verifikasi citra sidik jari normal terhadap citra sidik jari berminyak seperti terlihat pada Tabel 4.2.

Tabel 4.2. Tabel data verifikasi sidik jari normal dengan sidik jari berminyak No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Berminyak

Similarity (%)

Matching Minutiae

1 101_1 101_2 22,22 4

2 101_1 101_3 10,53 2

3 101_1 101_4 16,67 3

4 101_1 101_5 13,64 3

5 101_1 101_6 22,22 4

6 101_1 101_7 11,11 2

7 101_1 101_8 15,79 3

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Berminyak

Similarity (%)

Matching Minutiae

9 102_1 102_3 29,41 5

10 102_1 102_4 23,53 4

11 102_1 102_5 23,53 4

12 102_1 102_6 17,65 3

13 102_1 102_7 11,76 2

14 102_1 102_8 15,00 3

15 103_1 103_2 10,34 3

16 103_1 103_3 15,00 3

17 103_1 103_4 31,82 7

18 103_1 103_5 16,67 4

19 103_1 103_6 15,00 5

20 103_1 103_7 34,78 8

21 103_1 103_8 23,81 5

22 104_1 104_2 10,26 4

23 104_1 104_3 9,52 4

24 104_1 104_4 8,11 3

25 104_1 104_5 20,00 9

26 104_1 104_6 9,09 3

27 104_1 104_7 7,50 3

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Berminyak

Similarity (%)

Matching Minutiae

29 105_1 105_2 14,81 4

30 105_1 105_3 12,50 3

31 105_1 105_4 22,22 6

32 105_1 105_5 10,00 3

33 105_1 105_6 12,50 3

34 105_1 105_7 16,67 4

35 105_1 105_8 16,67 4

36 106_1 106_2 11,11 3

37 106_1 106_3 11,11 3

38 106_1 106_4 0,09 2

39 106_1 106_5 12,00 3

40 106_1 106_6 23,81 5

41 106_1 106_7 9,52 2

42 106_1 106_8 17,39 4

43 107_1 107_2 19,05 4

44 107_1 107_3 7,69 2

45 107_1 107_4 19,05 4

46 107_1 107_5 9,52 2

Tabel 4.2. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Berminyak

Similarity (%)

Matching Minutiae

48 107_1 107_7 10,15 3

49 107_1 107_8 14,28 3

Jumlah Rata-rata Persentase Kecocokan 15,54

Pada Tabel 4.2 menunjukkan data hasil verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum gabor menghasilkan rata-rata nilai kecocokan (Similarity) sebesar 15,54%. Hal ini dapat dilihat juga pada grafik di Gambar 4.11.

Gambar 4.9. Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor

Gambar 4.9 menunjukkan grafik dari hasil verifikasi sidik jari normal dengan sidik jari berminyak pada kondisi sebelum gabor. Pada kondisi ini tingkat kecocokan paling rendah sebesar 0,09% dengan matching minutiae sebesar 2 buah, sedangkan persentase kecocokan yang paling tinggi sebesar 34,78%dan ratanya sebesar 15,54% dengan matching minutiae sebesar 9 buah.

Tabel 4.3. Tabel data verifikasi sidik jari normal dengan sidik jari hasil gabor No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Setelah Gabor

Similarity (%)

Matching Minutiae

1 101_1 101_2 26,67 4

2 101_1 101_3 20,00 3

3 101_1 101_4 26,67 4

4 101_1 101_5 10,53 2

5 101_1 101_6 10,00 2

6 101_1 101_7 11,76 2

7 101_1 101_8 33,33 5

8 102_1 102_2 26,67 4

9 102_1 102_3 28,57 4

10 102_1 102_4 40,00 8

11 102_1 102_5 17,39 4

12 102_1 102_6 12,50 2

13 102_1 102_7 14,28 2

Tabel 4.3. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Setelah Gabor

Similarity (%)

Matching Minutiae

15 103_1 103_2 50,00 12

16 103_1 103_3 44,00 11

17 103_1 103_4 23,08 6

18 103_1 103_5 39,28 11

19 103_1 103_6 44,00 11

20 103_1 103_7 25,00 6

21 103_1 103_8 12,50 3

22 104_1 104_2 17,50 7

23 104_1 104_3 9,09 3

24 104_1 104_4 8,00 4

25 104_1 104_5 24,39 10

26 104_1 104_6 10,00 4

27 104_1 104_7 12,50 5

28 104_1 104_8 9,09 3

29 105_1 105_2 10,71 3

30 105_1 105_3 29,17 7

31 105_1 105_4 20,00 5

32 105_1 105_5 10,00 3

33 105_1 105_6 8,00 2

Tabel 4.3. (sambungan) No. Citra Citra Sidik Jari

Normal

Citra Sidik Jari Setelah Gabor

Similarity (%)

Matching Minutiae

35 105_1 105_8 18,52 5

36 106_1 106_2 13,04 3

37 106_1 106_3 28,00 7

38 106_1 106_4 17,39 4

39 106_1 106_5 21,43 6

40 106_1 106_6 18,18 4

41 106_1 106_7 18,18 4

42 106_1 106_8 8,33 2

43 107_1 107_2 15,79 3

44 107_1 107_3 15,00 3

45 107_1 107_4 12,50 3

46 107_1 107_5 12,00 3

47 107_1 107_6 35,00 7

48 107_1 107_7 15,38 4

49 107_1 107_8 19,05 4

Rata-rata Persentase Kecocokan 20,46

Pada Tabel 4.3 menunjukkan proses verifkasi citra sidik jari normal dengan citra sidik jari berminyak setelah gabor mendapatkan nilai rata-rata kecocokan

(Similarity) sebesar 20,46% sedangkan pada tabel 4.2 yang menunjukkan hasil verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor mendapatkan nilai rata-rata kecocokan (Similarity) sebesar 15,54%. Hal ini menunjukkan bahwa setelah dilakukan verifikasi sidik jari normal dengan sidik jari berminyak setelah gabor mengalami peningkatan kecocokan sebesar 4,92% seperti yang ditunjukkan pada grafik Gambar 4.11.

Gambar 4.11. Grafik data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor

Dari grafik Gambar 4.11 menunjukkan bahwa hasil verifikasi sidik jari normal dengan sidik jari berminyak sebelum gabor bila dibandingkan dengan hasil verifikasi sidik jari normal dengan sidik jari berminyak setelah gabor mengalami peningkatan kecocokan sebesar 4,92% dengan jumlah sampel sidik jari berminyak berjumlah 49 buah dari 56 buah sampel sidik jari.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan analisis dari pengujian padaverifikasi citra sidik jari berdasarkan minutiae dengan metode gabor filter dapat disimpulkan bahwa:

a. Pada penelitian ini setelah melakukan proses enhancement maka minutiae diperlukan untuk mengetahui jumlah titik minutiae citra asli sidik jari sebelum dan setelah dilakukan enhancement.

b. Verifikasi citra sidik jari normal dengan citra sidik jari berminyak sebelum gabor menghasilkan rata-rata nilai kecocokan (Similarity) sebesar 15,54% dan setelah gabor mendapatkan nilai rata-rata kecocokan (Similarity)sebesar 20,46%.

c. Kondisi sidik jari yang berminyak terlalu tebal menyebabkan pola perbaikan dengan menggunakan gabor filter tidak maksimal dan hanya menghasilkan peningkatan sebesar 4,92%.

5.2. Saran

Perlu dilakukan pengulangan atau iterasi terhadap proses perbaikan citra sidik jari dengan gabor filter sehingga kondisi citra sidik jari terdeteksi menjadi normal.

DAFTAR PUSTAKA

[1] Darma Putra, 2009. Sistem Biometrika. Penerbit ANDI Yogyakarta.

[2] Josef Str¨om Bart°unˇek,; 2005. Minutiae Extraction from Fingerprint with Neural Network and Minutiae based Fingerprint Verification.

[3] Andika Budi Pratama, 2008. Verifikasi Citra Sidik Jari Poin Minutiae Dalam Visum Et Repertum (VER) Menggunakan K-Means Clustering. Jurnal Ilmu Komputer UB, Volume XX, Nomor XX, ISSN 2008-0410960006. [4] Lavanya, B N. 2009. Fingerprint Verification Based on Gabor Filter

Enhancement.

[5] Jianwei Yang, Lifeng Liu, Tianzi Jiang, Yong Fan, 2003. A Modified Gabor Filter Desig Method for Fingerprint Image Enhancement.

[6] Kusworo Adi, 2003. Perancangan dan Realisasi Sistem Ekstraksi Ciri Sidik Jari Berbasis Algoritma Filterbank Gabor

[7] V. Shiv Naga Prasad dan Justin Domke, 2005. Gabor Filter Visualization.

[8] Anil Jain, Arun Ross, Salil Prabhakar. 2001. Fingerprint Matching using Minutiae and Texture Features.

[9] Muhammad Nasir, 2010. Enhancement Citra Sidik Jari Kotor Menggunakan Hybrid Method Dan Gabor Filter.

[10] Thai Raymond. 2003. Fingerprint Image Enhancement and Minutiae Extraction. The University of Western Australia.

[11] Yiang Zhang, Yuhua Jiao, A Fingerprint Enhancement Algorithm using a Federated Filter.

[12] Sharat S. Chikkerur “Online Fingerprint Verification System”.

[13] Rafel C. Gonzalez, Richard E. Woods. 2002. Digital Image Processing (Second Edition). Prentice-Hall. New Jersey.

[14] Sangram Bana, Dr. Davinder Kaur, 2011. Fingerprint Recognitionusing Image Segmentation.

[15] 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.

[16] D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 2003. Handbook of Fingerprint Recognition, Springer, New York.

[17] Sharath Pankanti & Anil Jain, 2004. “Fingerprint Classification and Matching”, Dept. of University IBM T. J. Watson Research Center, East Lansing, MI 48824 Yorktown Heights, NY10598 Computer Science & Engg. Exploratory Computer Vision Grp, Michigan State. [18] Chaohong Wu, Zhixin Shi, 2004. Fingerprint Image Enhancement Method

Using Directional Median Filter.

[19] Rahmat Syam, Mochamad Hariadi, Mauridhi Hery Purnomo. 2011. Penentuan

Nilai Standar Distorsi Berminyak Pada Akuisisi Citra Sidik Jari. MAKARA, TEKNOLOGI, VOL. 15, NO. 1, APRIL 2011: 55-62.

Lampiran 1.

Lampiran 2.

Lampiran 3.

Tabel Nilai Termination dan Bifurcation pada Sidik Jari Berminyak Sebelum dan Sesudah Gabor

No Nama File

Citra Sidik Jari Berminyak Sebelum Gabor

Citra Sidik Jari Berminyak Setelah Gabor Termination Bifurcation Termination Bifurcation

1 01-O-01.BMP 23 42 32 30

2 01-O-02.BMP 15 46 27 45

3 01-O-03.BMP 15 36 29 28

4 01-O-04.BMP 35 29 33 33

5 01-O-05.BMP 19 39 30 31

6 01-O-06.BMP 19 38 34 27

7 01-O-07.BMP 33 50 28 42

8 01-O-08.BMP 36 33 43 32

9 02-O-01.BMP 13 10 17 10

10 02-O-02.BMP 22 16 18 11

11 02-O-03.BMP 9 12 9 12

12 02-O-04.BMP 13 28 15 19

13 02-O-05.BMP 12 30 13 22

14 02-O-06.BMP 11 18 12 18

15 02-O-07.BMP 14 11 15 7

16 02-O-08.BMP 9 13 11 13

17 03-O-01.BMP 12 42 18 36

18 03-O-02.BMP 25 33 32 32

19 03-O-03.BMP 18 34 20 34

20 03-O-04.BMP 23 35 31 40

21 03-O-05.BMP 24 35 19 39

22 03-O-06.BMP 18 34 20 34

23 03-O-07.BMP 19 21 27 27

24 03-O-08.BMP 26 31 27 25

25 04-O-01.BMP 11 30 14 33

26 04-O-02.BMP 29 33 25 31

No Nama File

Citra Sidik Jari Berminyak Sebelum Gabor

Citra Sidik Jari Berminyak Setelah Gabor Termination Bifurcation Termination Bifurcation

28 04-O-04.BMP 17 26 17 30

29 04-O-05.BMP 11 30 14 33

30 04-O-06.BMP 16 29 20 25

31 04-O-07.BMP 15 29 17 34

32 04-O-08.BMP 19 36 24 43

33 05-O-01.BMP 13 25 22 30

34 05-O-02.BMP 20 41 23 51

35 05-O-03.BMP 19 30 21 28

36 05-O-04.BMP 8 41 6 42

37 05-O-05.BMP 15 49 20 48

38 05-O-06.BMP 15 38 21 28

39 05-O-07.BMP 9 39 13 34

40 05-O-08.BMP 12 37 17 37

41 06-O-01.BMP 13 52 23 43

42 06-O-02.BMP 16 41 22 38

43 06-O-03.BMP 21 45 21 41

44 06-O-04.BMP 12 42 10 45

45 06-O-05.BMP 24 49 19 49

46 06-O-06.BMP 5 53 15 44

47 06-O-07.BMP 16 49 19 42

48 06-O-08.BMP 15 42 14 37

49 07-O-01.BMP 19 17 18 12

50 07-O-02.BMP 17 22 18 19

51 07-O-03.BMP 21 14 21 10

52 07-O-04.BMP 16 25 22 23

53 07-O-05.BMP 22 25 24 22

54 07-O-06.BMP 12 28 16 22

55 07-O-07.BMP 19 17 18 12

Lampiran 4.

Tabel data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor

Sidik Jari Normal

Sidik Jari Berminyak

Sidik Jari Sebelum Gabor Sidik Jari Setelah Gabor Similarity Matching Minutiae Similarity Matching Minutiae

101_1 101_2 22,22 4 26,67 4

100 : 18 101_3 10,53 2 20 3

101_4 16,67 3 26,67 4

101_5 13,64 3 10,53 2

101_6 22,22 4 10 2

101_7 11,11 2 11,76 2

101_8 15,79 3 33,33 5

102_1 102_2 17,65 3 26,67 4

100 : 17 102_3 29,41 5 28,57 4

102_4 23,53 4 40 8

102_5 23,53 4 17,39 4

102_6 17,05 3 12,5 2

102_7 11,76 2 14,28 2

102_8 15 3 33,33 6

103_1 103_2 10,34 3 50 12

100 : 15 103_3 15 3 44 11

103_4 31,82 7 23,08 6

103_5 16,67 4 39,28 11

103_6 15 5 44 11

103_7 34,78 8 25 6

103_8 23,81 5 12,5 3

104_1 104_2 10,26 4 17,5 7

100 : 33 104_3 9,52 4 9,09 3

104_4 8,11 3 8 4

104_5 20,71 9 24,39 10

104_6 9,09 3 10 4

104_7 7,5 3 12,5 5

104_8 9,52 4 9,09 3

105_1 105_2 14,81 4 10,71 3

Sidik Jari Normal

Sidik Jari Berminyak

Sidik Jari Sebelum Gabor Sidik Jari Setelah Gabor Similarity Matching Minutiae Similarity Matching Minutiae

105_4 22,22 6 20 5

105_5 10 3 10 3

105_6 12,5 3 8 2

105_7 16,67 4 16,67 4

105_8 16,67 4 18,52 5

106_1 106_2 11,11 3 13,04 3

100 : 21 106_3 11,11 3 28 7

106_4 9,09 2 17,39 4

106_5 12 3 21,43 6

106_6 23,81 5 18,18 4

106_7 9,52 2 18,18 4

106_8 17,39 4 8,33 2

107_1 107_2 19,05 4 15,79 3

100 : 21 107_3 7,69 2 15 3

107_4 19,05 4 12,5 3

107_5 9,52 2 12 3

107_6 9,52 2 35 7

107_7 10,5 3 15,38 4

Lampiran 1.

Lampiran 3.

Tabel Nilai Termination dan Bifurcation pada Sidik Jari Berminyak Sebelum dan Sesudah Gabor

No Nama File

Citra Sidik Jari Berminyak Sebelum Gabor

Citra Sidik Jari Berminyak Setelah Gabor Termination Bifurcation Termination Bifurcation

1 01-O-01.BMP 23 42 32 30

2 01-O-02.BMP 15 46 27 45

3 01-O-03.BMP 15 36 29 28

4 01-O-04.BMP 35 29 33 33

5 01-O-05.BMP 19 39 30 31

6 01-O-06.BMP 19 38 34 27

7 01-O-07.BMP 33 50 28 42

8 01-O-08.BMP 36 33 43 32

9 02-O-01.BMP 13 10 17 10

10 02-O-02.BMP 22 16 18 11

11 02-O-03.BMP 9 12 9 12

12 02-O-04.BMP 13 28 15 19

13 02-O-05.BMP 12 30 13 22

14 02-O-06.BMP 11 18 12 18

15 02-O-07.BMP 14 11 15 7

16 02-O-08.BMP 9 13 11 13

17 03-O-01.BMP 12 42 18 36

18 03-O-02.BMP 25 33 32 32

19 03-O-03.BMP 18 34 20 34

20 03-O-04.BMP 23 35 31 40

21 03-O-05.BMP 24 35 19 39

22 03-O-06.BMP 18 34 20 34

23 03-O-07.BMP 19 21 27 27

24 03-O-08.BMP 26 31 27 25

25 04-O-01.BMP 11 30 14 33

26 04-O-02.BMP 29 33 25 31

Termination Bifurcation Termination Bifurcation

28 04-O-04.BMP 17 26 17 30

29 04-O-05.BMP 11 30 14 33

30 04-O-06.BMP 16 29 20 25

31 04-O-07.BMP 15 29 17 34

32 04-O-08.BMP 19 36 24 43

33 05-O-01.BMP 13 25 22 30

34 05-O-02.BMP 20 41 23 51

35 05-O-03.BMP 19 30 21 28

36 05-O-04.BMP 8 41 6 42

37 05-O-05.BMP 15 49 20 48

38 05-O-06.BMP 15 38 21 28

39 05-O-07.BMP 9 39 13 34

40 05-O-08.BMP 12 37 17 37

41 06-O-01.BMP 13 52 23 43

42 06-O-02.BMP 16 41 22 38

43 06-O-03.BMP 21 45 21 41

44 06-O-04.BMP 12 42 10 45

45 06-O-05.BMP 24 49 19 49

46 06-O-06.BMP 5 53 15 44

47 06-O-07.BMP 16 49 19 42

48 06-O-08.BMP 15 42 14 37

49 07-O-01.BMP 19 17 18 12

50 07-O-02.BMP 17 22 18 19

51 07-O-03.BMP 21 14 21 10

52 07-O-04.BMP 16 25 22 23

53 07-O-05.BMP 22 25 24 22

54 07-O-06.BMP 12 28 16 22

55 07-O-07.BMP 19 17 18 12

Lampiran 4.

Tabel data verifikasi sidik jari normal dengan sidik jari berminyak sebelum dan sesudah gabor

Sidik Jari Normal

Sidik Jari Berminyak

Sidik Jari Sebelum Gabor Sidik Jari Setelah Gabor

Similarity Matching Minutiae Similarity Matching Minutiae

101_1 101_2 22,22 4 26,67 4

100 : 18 101_3 10,53 2 20 3

101_4 16,67 3 26,67 4

101_5 13,64 3 10,53 2

101_6 22,22 4 10 2

101_7 11,11 2 11,76 2

101_8 15,79 3 33,33 5

102_1 102_2 17,65 3 26,67 4

100 : 17 102_3 29,41 5 28,57 4

102_4 23,53 4 40 8

102_5 23,53 4 17,39 4

102_6 17,05 3 12,5 2

102_7 11,76 2 14,28 2

102_8 15 3 33,33 6

103_1 103_2 10,34 3 50 12

100 : 15 103_3 15 3 44 11

103_4 31,82 7 23,08 6

103_5 16,67 4 39,28 11

103_6 15 5 44 11

103_7 34,78 8 25 6

103_8 23,81 5 12,5 3

104_1 104_2 10,26 4 17,5 7

100 : 33 104_3 9,52 4 9,09 3

104_4 8,11 3 8 4

104_5 20,71 9 24,39 10

104_6 9,09 3 10 4

104_7 7,5 3 12,5 5

104_8 9,52 4 9,09 3

105_1 105_2 14,81 4 10,71 3

105_4 22,22 6 20 5

105_5 10 3 10 3

105_6 12,5 3 8 2

105_7 16,67 4 16,67 4

105_8 16,67 4 18,52 5

106_1 106_2 11,11 3 13,04 3

100 : 21 106_3 11,11 3 28 7

106_4 9,09 2 17,39 4

106_5 12 3 21,43 6

106_6 23,81 5 18,18 4

106_7 9,52 2 18,18 4

106_8 17,39 4 8,33 2

107_1 107_2 19,05 4 15,79 3

100 : 21 107_3 7,69 2 15 3

107_4 19,05 4 12,5 3

107_5 9,52 2 12 3

107_6 9,52 2 35 7

107_7 10,5 3 15,38 4