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
Citra atau gambar merupakan sesuatu yang menggambarkan objek dan biasanya dalam bentuk dua dimensi. Citra merupakan suatu representasi kemiripan dari suatu objek
atau benda. Citra digital didefinisikan sebagai representasi diskrit dari data spasial tata letak dan intensitas warna informasi Solomon Breckon, 2011.
Proses pengolahan citra adalah sebuah disiplin ilmu yang mempelajari hal-hal yang berkaitan dengan perbaikan kualitas gambar, transformasi gambar, melakukan
pemilihan ciri citra untuk tujuan analisis dan mendapatkan kualitas citra yang lebih baik Sutoyo, 2009. Tujuan dari pengolahan citra digital agar komputer memiliki
sebuah penglihatan yang dapat melihat atau mengenali suatu objek gambar dengan jelas seperti selayaknya mata pada manusia.
Setelah diperoleh citra digital yang berupa pola bit-bit di dalam memori komputer, maka analisis dan pengolahan dapat dilakukan. Pengolahan citra selalu
melibatkan satu atau bahkan lebih algoritma yang akan diimplementasikan terhadap citra.
Universitas Sumatera Utara
Gambar 2.6 Representasi sistem koordinat citra
Berdasarkan representasi sistem koordinat citra pada gambar 2.5 citra dapat direpresentasikan dalam bentuk matriks dua dimensi dimana kolom pada matriks
merepresentasikan lebar width pada citra, dan baris pada matriks merepresentasikan tinggi height pada citra.
, = 0,0
0,1 0,
1,0 1,1
⋱ 1,
, 0 , 1
,
2.1
dengan keterangan: j = height -1
i = width -1
2.3.1 Binerisasi
Thresholding
Binerisasi digunakan untuk membedakan objek gambar dengan latar belakang pada gambar tersebut. Proses ini akan menghasilkan citra hitam putih yang bersih dari
tingkat keabuan grayscale, atau dengan kata lain metode ini mengkonversi citra gray-level ke citra bilevel binary image. Untuk mendapatkan citra grayscale
digunakan persamaan 2.2 berikut: , =
, , + , , +
, , 2.2 x
height
width y
Universitas Sumatera Utara
dengan keterangan: I
grayscale
= citra grayscale I
colour
= citra RGB x,y = koordinat citra
x,y,c = piksel pada kordinat x,y, r untuk merah, b untuk biru dan g untuk hijau α, , = koefisien
Pembobotan nilai koefisien ini α, dan berdasarkan nilai dari respon mata
manusia, biasanya koefisien ketiga nilai yang digunakan adalah 0.333 Solomon Breckon, 2011.
Setelah mendapatkan citra grayscale, citra biner dibentuk dengan teknik thresholding. Jika g x, y adalah sebuah nilai ambang threshold batas dari fx, y
dengan nilai threshold T. Nilai T digunakan untuk memisahkan antara objek dengan background-nya, hasil threshold dapat ditulis sebagai berikut Gonzales et al, 2004:
, = 1
, ≥ 0,
, 2.3
2.3.2 Deteksi Tepi
Deteksi tepi berfungsi mengidentifikasi garis batas suatu objek yang terdapat pada citra. Tepi sebuah citra merupakan daerah yang memiliki intensitas cahaya yang kuat.
Hal ini merupakan indikasi untuk menuju proses pembacaan piksel selanjutnya. Mendeteksi tepi suatu citra secara signifikan akan menyaring informasi yang tidak
berguna dengan tidak menghilangkan struktur penting dari citra tersebut dan mampu merepresentasikan objek-objek yang terkandung dalam citra tersebut meliputi bentuk,
ukuran serta tekstur Putra, 2009.
Universitas Sumatera Utara
Biasanya operator yang digunakan untuk mendeteksi tepi adalah operator berbasis gradien yang menggunakan turunan pertama yaitu operator Robert, operator
Sobel dan operator Prewitt.
Operator Sobel
Operator Sobel merupakan salah satu pengembangan dari teknik deteksi tepi sebelumnya, juga pengembangan dari operator Prewit. Operator ini berfungsi
sebagai filter image. Filter ini mendeteksi keseluruhan tepi yang ada. Operator Sobel menggunakan matriks M x N dengan berordo 3 x 3, 5 x 5, 7 x 7, dan
sebagainya. Matriks seperti ini digunakan untuk mempermudah mendapatkan piksel tengah sehingga menjadi titik tengah matriks a
ij
. Piksel tengah ini merupakan piksel yang akan diperiksa. Cara pemanfaatan matriks ini sama seperti pemakaian
sebuah grid, yaitu dengan cara memasukkan piksel-piksel disekitar yang sedang diperiksa piksel tengah ke dalam matriks. Cara yang demikian disebut spatial
filtering.
a a
1
a
2
a
7
x,y a
3
a
6
a
5
a
4
Gambar 2.7 Piksel bertetangga
Berdasarkan susunan piksel tetangga tersebut, besaran gradien yang dihitung menggunakan operator Sobel adalah:
=
2
+
2
atau M= |s
x
|+ |s
y
| 2.4
dimana M adalah besar gradien di titik tengah kernel dan turunan parsial dihitung menggunakan persamaan berikut:
S
x
= a
2
+ ca
3
+ a
4
– a + ca
7
+ a
6
2.5 S
y
= a + ca
1
+ a
2
– a
6
+ ca
5
+a
4
2.6
Universitas Sumatera Utara
dimana c adalah konstanta yang bernilai 2. S
x
dan S
y
, dapat diimplementasikan menjadi kernel berikut.
Gambar 2.8 Kernel Operator Sobel
Hasil akhir dari deteksi tepi sobel ini adalah ditemukannya beberapa piksel dengan intensitas yang lebih besar atau tajam. Maka setiap piksel kemungkinan hanya
mempunyai dua warna dominan yaitu warna hitam dan putih.
2.3.3 Ekstraksi Ciri Feature Extraction
Feature extraction merupakan suatu metode untuk mendapatkan karateristik dari suatu citra dalam hal ini citra tersebut merupakan sidik jari. Dengan feature
extraction maka citra yang satu dengan yang lain dapat dibedakan dengan memperhatikan ciri yang terdapat pada citra itu sendiri. Pada penelitian ini, penulis
menggunakan transformasi wavelet.
Prinsip kerja transformasi wavelet adalah menggunakan nilai rata-rata dari nilai input dan menyediakan semua informasi yang diperlukan agar dapat
mengembalikan nilai input ke nilai semula Putra, 2010. Pada transformasi wavelet diperlukan nilai selisih nilai input dan nilai rata-rata nilai input.
Pada pengembangan sinyal berdimensi dua misalnya citra dapat menggunakan filter bank untuk dekomposisi citra. Biasanya digunakan sebuah tapis
low-pass H dan tapis high pass G. Konvolusi citra dengan tapis low-pass menghasilkan citra pendekatan, sedangkan tapis high pass menghasilkan citra detil.
Dekomposisi pola sidik jari ini dilakukan untuk mempresentasikan pola digit ke dalam vektor yang mengandung beberapa informasi mengenai pola tersebut. Setiap proses
dekomposisi akan menghasilkan setengah ukuran dari citra sebelum dilakukan -1
1 -2
2 -1
1 1
2 1
-1 -2
-1 S
y
= S
x
=
Universitas Sumatera Utara
dekomposisi Putra, 2010. Koefisien inilah yang kemudian menjadi basis input bagi jaringan saraf tiruan.
Adapun algoritma dari transformasi wavelet ini adalah: 1.
Input citra yang diinginkan menjadi 4 bagian citra baru dengan ukuran 2
N-1
x 2
N-1
2. Citra dibagi kembali, ulangi langkah 1 untuk bagian kanan atas dari hasil citra
wavelet pada langkah 1. 3.
Pembagian berhenti jika nilai rata-rata citra adalah 1 piksel.
a b
c d
Pada gambar 2.9 ditampilkan transformasi wavelet pada citra. Citra semula
dibagi dekomposisi menjadi 4 sub-image baru. Setiap sub-image ini berukuran ¼ kali dari citra asli, 3 sub-image posisi atas kanan, bawah kiri dan bawah kanan terlihat
kasar sementara 1 sub-image atas kiri tampak seperti citra asli dan tampak lebih halus, yang dapat dibagi menjadi 4 sub-image baru lagi. Proses demikian dapat diulang
Gambar 2.9 Contoh transformasi wavelet pada citra a citra asli b
dekomposisi level 1 c dekomposisi level 2 d dekomposisi level 3 Sumber: Putra, 2010
Universitas Sumatera Utara
sesuai level transformasi dekomposisi yang diinginkan. Hasil dekomposisi dapat dihitung dengan menggunakan rumus
=
+
+1
2
2.10 dan
c
i
= s
i
- a
i
2.11
Variabel a
i
merupakan koefisien pendekatan, c
i
merupakan koefisien detil dan s
i
adalah himpunan bilangan yang akan didekomposisi.
2.4 Jaringan Saraf Tiruan
