Prapengolahan meliputi transformasi masukan input data mentah untuk membantu kemampuan komputasional dan pencarian ciri. Pada prapengolahan, citra
yang ditangkap oleh sensor akan dinormalisasi agar citra menjadi lebih siap untuk diolah pada tahap pemisahan cirri.
Klasifikasi merupakan tahap untuk mengelompokkan data masukan pada satu atau beberapa kelas berdasarkan hasil pencarian beberapa ciri yang signifikan dan
pemrosesan atau analisis terhadap ciri itu. Setiap kelas terdiri dari sekumpulan objek yang memiliki kedekatan kemiripan ciri Putra, 2009.
2.2 Pengenalan Pola Sidik Jari
Pengenalan sidik jari dianggap sebagai metode yang paling tua di antara jajaran teknologi biometrik lain yang ada, tetapi tidak dapat disangkal teknologi ini
merupakan yang paling populer digunakan pada saat ini. Sidik jari memiliki banyak kelebihan dalam berbagai hal yang membuat biometrik ini lebih nyaman dan aman.
Kelebihan dari biometrik pengenalan sidik jari didukung dengan beberapa hal, seperti Maltoni, 2003 :
1. Parennial nature, yaitu guratan-guratan pada sidik jari yang melekat pada kulit manusia seumur hidup
2. Immutability, yaitu sidik jari seseorang tidak pernah berubah kecuali mendapatkan kecelakaan yang serius
3. Individuality, yaitu pola sidik jari adalah unik dan berbeda untuk setiap orang.
Pada sidik jari manusia bagian yang menonjol atau yang berupa guratan disebut bukit ridge, dan bagian yang tidak menonjol yang memisahkan bagian yang
menonjol satu dengan yang lain disebut dengan lembah valley Maltoni, 2003. Gambar 2.2 memperlihatkan sidik jari, bukit dan lembah pada sidik jari tersebut.
Universitas Sumatera Utara
Gambar 2.2 Sidik Jari
Ciri sidik jari dapat dibedakan menjadi tiga level yaitu Maltoni,2003,: 1. Level 1: berada pada level global
Aliran garis bukit akan membentuk sebuah pola yang mirip dengan salah satu dari Gambar 2.3.
2. Level 2: berada pada level local Terdapat 150 perbedaan pada karakteristik lokal. Pada level ini karakteristik
dari sidik jari disebut dengan minutiae details. Dua karakteristik bukit yang paling banyak digunakan adalah ridge ending dan ridge bifurcation yang
disebut dengan minutiae seperti lingkaran hitam pada Gambar 2.4.
3. Level 3: berada pada level very-fine Pada level ini dilihat ciri dari bukit seperti lebar, bentuk, kurvatur, kontur
tepian dan detail. Terdapat finger sweat pore seperti ditunjukkan lingkaran kosong pada Gambar 2.4. Namun, jika ingin menggunakan ciri pada level ini
hanya dimungkinkan jika citra sidik jari diambil pada resolusi 1000dpi dengan kualitas citra yang sangat baik.
Universitas Sumatera Utara
a left-loop b right-loop c whorl
d arch e tented-arch
Gambar 2.3 Karakteristik Ciri Sidik Jari level 1 Maltoni et.al, 2003
Gambar 2.4 Karakteristik Ciri Sidik Jari Level 2 dan 3, lingkaran hitam untuk
minutiae dan lingkaran kosong untuk sweat pore Maltoni et al, 2003
Ada beberapa kualitas dari citra sidik jari yang sangat berpengaruh terhadap ekstraksi ciri dari citra sidik jari dan yang selanjutnya akan berpengaruh pada hasil pencocokan
citra sidik jari. Citra dikatakan baik, jika perbedaan lembah dan bukit terlihat jelas.
Berikut adalah beberapa gambar yang menunjukkan beberapa kualitas citra Chikkerur et al.,2007:
a b c d
Gambar 2.5 Gambar a citra sidik jari dengan kualitas baik b lembah dan bukit
kurang dapat dibedakan dengan baik c dan d citra sidik jari yang kering Chikkerur et al, 2007
Universitas Sumatera Utara
Beberapa kendala yang dihadapi peneliti dalam pencocokan citra sidik jari Chikkerrur et al, 2007:
1. Kualitas citra yang rendah dapat memicu kesalahan pada ekstraksi ciri yang nantinya berdampak pada pencocokan.
2. Keterbatasan dalam representasi algoritma yang hanya dapat menggunakan salah satu dari informasi yang ditangkap manusia.
3. Ukuran sensor yang jauh lebih kecil dari ukuran sidik jari manusia, hal ini akan memicu ketidakarutan perekaman citra.
4. Adanya distorsi citra 5. Keterbatasan ukuran sensor yang mengakibatkan orang yang sama akan
memiliki variasi yang berbeda pada tiap kali melakukan proses akuisisi
2.3 Pengolahan Citra Digital
