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 dengan tinta, maupun bekas yang
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
d e
f
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 2.7a arch, sebuah pola
berbentuk lengkungan, Gambar 2.7b loop, sebuah pola berbentuk lingkaran dan Gambar 2.7c whorl, sebuah pola berbentuk alur-alur berputar. Dari klasifikasi ini
dapat dibagi menjadi beberapa subklasifikasi [8], yaitu:
a b
c
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
