Identifikasi Seseorang Berdasarkan Citra Pembuluh Darah Menggunakan Ekstraksi Fitur Scale Invariant Feature Transform (SIFT).

(1)

Universitas Kristen Maranatha

IDENTIFIKASI SESEORANG BERDASARKAN

CITRA PEMBULUH DARAH

MENGGUNAKAN EKSTRAKSI FITUR

SCALE INVARIANT FEATURE TRANSFORM (SIFT)

Vikri Ahmad Fauzi (0722098)

Jurusan Teknik Elektro Universitas Kristen Maranatha email: vikriengineer@gmail.com

ABSTRAK

Pola pembuluh darah pada tangan adalah salah satu bagian dari tubuh manusia yang memiliki karakteristik unik pada setiap orang. Karena keunikan tersebut pola pembuluh darah dapat digunakan dalam sistem identifikasi. Pada Tugas Akhir ini diujikan sebuah metode untuk melakukan mengidentifikasi seseorang berdasarkan citra pembuluh darah dengan menggunakan ekstraksi fitur Scale Invariant Feature Transform (SIFT). Citra pembuluh darah diperoleh menggunakan kamera inframerah, selanjutnya pada setiap citra pembuluh darah dilakukan ekstraksi fitur dengan menggunakan SIFT. Untuk mengetahui tingkat akurasi dari perangkat lunak yang direalisasikan dilakukan pengujian menggunakan 50 citra uji dari individu yang ada dalam database dan 30 citra uji yang tidak ada dalam database dari individu yang ada dalam database.

Hasil pengujian menunjukkan persentase False Rejection Rate (FRR) sebesar 0% pada 50 citra dari individu yang ada dalam database dan persentase False Rejection Rate (FRR) sebesar 10% pada 30 citra yang tidak ada dalam database dari individu yang ada dalam database.

Kata kunci: Identifikasi, Citra Pembuluh Darah, Ekstraksi Fitur, Scale

Invariant Feature Transform (SIFT), False Rejection Rate

(2)

Universitas Kristen Maranatha

IDENTIFICATION OF A PERSON BASED ON

THE VEIN IMAGE

USING FEATURE EXTRACTION

SCALE INVARIANT FEATURE TRANSFORM (SIFT)

Vikri Ahmad Fauzi (0722098)

Department of Electrical Engineering Maranatha Christian University email: vikriengineer@gmail.com

ABSTRACT

The pattern of vein in the hand is one part of the human body which have unique characteristics in each person. Because of the uniqueness of the pattern of vein can be used in identification systems. On this final project, a method was tested to identify a person based on the image of vein using feature extraction Scale Invariant Feature Transform (SIFT). The image of vein was obtained using an infrared camera, then at each image of the vein was performed by using feature extraction SIFT. To determine the accuracy of the software which realized using 50 test images of the individuals in the database and 30 test images which are not in the database of the individuals in the database.

The results show the percentage of False Rejection Rate (FRR) of 0% at 50 images of the individuals in the database and the percentage of False Rejection Rate (FRR) of 10% at 30 images that do not exist in the database of the individuals in the database.

Keywords: Identification, Vein Image, Feature Extraction, Scale Invariant Feature Transform (SIFT), False Rejection Rate (FRR)

(3)

Universitas Kristen Maranatha

DAFTAR ISI

LEMBAR PENGESAHAN

PERNYATAAN ORISINALITAS LAPORAN

PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR

ABSTRAK ... i

ABSTRACT ...ii

KATA PENGANTAR ... iii

DAFTAR ISI ... v

DAFTAR GAMBAR ... viii

DAFTAR TABEL ... x

BAB I PENDAHULUAN I.1 Latar Belakang. ... 1

I.2 Identifikasi Masalah. ... 2

I.3 Perumusan Masalah ... 2

I.4 Tujuan ... 3

I.5 Pembatasan Masalah ... 3

I.6 Sistematika Penulisan. ... 3

BAB II LANDASAN TEORI II.1 Pengertian Pembuluh Darah ... 5

II.1.1 Pembuluh Darah Vena (Vein) ... 7

II.1.2 Biometrik Menggunakan Vena ... 7

II.2 Teknologi Biometrik ... 8

II.3 Sinar Inframerah ... 10

II.4 Definisi Citra Digital ... 11

II.4.1 Pengolahan Citra Digital ... 12

II.5 Ekstraksi Fitur Citra ... 13

II.6 Transformasi Citra ... 13

(4)

Universitas Kristen Maranatha

II.6.1.1 Pencarian Nilai Ekstrim pada Skala Ruang ... 15

II.6.1.2 Penentuan Keypoint ... 17

II.6.1.3 Penentuan Orientasi ... 18

II.6.1.4 Deskriptor Keypoint ... 20

II.7 Distance (Jarak) ... 22

II.8 False Acceptance Rate (FAR) dan False Rejection Rate (FRR) ... 23

II.9 MATLAB ... 24

II.9.1 Ruang Kerja MATLAB ... 24

II.9.2 Operator Dalam MATLAB ... 25

II.9.3 Pengolahan Citra Digital Menggunakan MATLAB ... 27

II.9.4 Membaca dan Menampilkan Citra ... 28

II.9.5 Konversi Citra dan Tipe Data Citra ... 28

II.9.6 Menampilkan Citra ke Layar ... 29

II.9.7 Toolbox VLFeat ... 29

II.9.8 M-file Editor ... 31

II.9.9 Graphical User Interface (GUI) ... 32

BAB III PERANCANGAN PERANGKAT LUNAK III.1 Arsitektur Perancangan ... 35

III.2 Perancangan Kamera Inframerah ... 36

III.3 Diagram Alir ... 37

III.3.1 Diagram Alir Database ... 37

III.3.2 Diagram Alir Ekstraksi Fitur ... 39

III.3.3 Diagram Alir Pengujian ... 40

III.4 Penentuan Nilai Distance Ratio dan Batas Nilai Minimal Pengenalan ... 41

III.5 Perancangan Antarmuka Pemakai (User Interface) ... 43

BAB IV PENGUJIAN DAN ANALISA DATA IV.1 Pengujian Kamera ... 45

(5)

vii

Universitas Kristen Maranatha

IV.2 Analisa Data ... 51

BAB V KESIMPULAN DAN SARAN

V.1 Kesimpulan ... 53 V.2 Saran ... 53

DAFTAR PUSTAKA ... 54 LAMPIRAN A ...A-1 LAMPIRAN B ... B-1

(6)

viii

Universitas Kristen Maranatha

DAFTAR GAMBAR

Gambar 2.1 Pembuluh Darah pada Manusia ... 6

Gambar 2.2 Pembuluh Darah Vena pada Tangan ... 7

Gambar 2.3 Spektrum Penyerapan Hemoglobin.. ... 8

Gambar 2.4 Region Sinar Inframerah dalam Spektrum Elektromagnetik ... 10

Gambar 2.5 Contoh citra ... 11

Gambar 2.6 Dimensi MxN suatu citra digital... ... 12

Gambar 2.7 Contoh penggunaan SIFT untuk mencocokan keypoint-keypoint... ... 15

Gambar 2.8 Ilustrasi Difference of Gaussian (DoG)... ... 16

Gambar 2.9 Ilustrasi pencarian maksimum atau minimum lokal dari citra DoG... ... 17

Gambar 2.10 Ilustrasi penentuan orientasi dalam histogram 36 bin... ... 19

Gambar 2.11 Ilustrasi perhitungan deskriptor dengan range sudut 8 bin... .. 20

Gambar 2.12 Ilustrasi deskriptor dari perhitungan gradien dan orientasi... .. 21

Gambar 2.13 Keypoint yang diperoleh dari suatu citra menggunakan SIFT... ... 21

Gambar 2.14 Window dalam MATLAB... ... 25

Gambar 2.15 M-file Editor pada MATLAB ... 32

Gambar 2.16 Jendela GUI pada MATLAB... ... 33

Gambar 3.1 Diagram Blok Sistem Identifikasi Seseorang Berdasarkan Citra Pembuluh Darah ... 35

Gambar 3.2 Proses Modifikasi Kamera Web Menjadi Kamera Inframerah... ... 36

Gambar 3.3 Diagram Alir Database Citra Referensi... ... 37

Gambar 3.3 Diagram Alir Database Citra Referensi (sambungan)... ... 38

Gambar 3.4 Diagram Alir Ekstraksi Fitur SIFT... ... 39

Gambar 3.5 Diagram Alir Pengujian... ... 40

Gambar 3.6 Rancangan Tampilan Perangkat Lunak... ... 44 Gambar 4.1 Perbandingan Citra dari Kamera Web

(7)

Universitas Kristen Maranatha

(a) Sebelum Modifikasi... ... 45

Gambar 4.1 Perbandingan Citra dari Kamera Web

(b) Setelah Modifikasi... ... 45 Gambar 4.2 Tampilan Aplikasi Untuk Citra yang Dikenali... ... 46 Gambar 4.3 Tampilan Aplikasi Untuk Citra yang Dikenali Dengan Rotasi 15°… 46 Gambar 4.4 Tampilan Aplikasi Untuk Citra yang Tidak Dikenali ... 47

(8)

Universitas Kristen Maranatha

DAFTAR TABEL

Tabel 2.1 Perbandingan penggunaan vena dengan teknik biometrik yang lain ... 9

Tabel 2.2 Pengelompokan Cahaya Inframerah ... 10

Tabel 2.3 Operator Aritmatika.. ... 25

Tabel 2.4 Operator Relasional ... 26

Tabel 2.5 Operator Logika ... 27

Tabel 3.1 Penamaan File Citra Referensi... 38

Tabel 3.2 Pengujian untuk menentukan nilai Distance Ratio ... 42

Tabel 3.3 Pengujian untuk menentukan batas nilai minimal ... 43

Tabel 3.4 Penjelasan Rancangan Tampilan Perangkat Lunak ... 44

Tabel 4.1 Pengujian menggunakan citra yang ada dalam database ... 48

Tabel 4.2 Pengujian citra uji yang tidak ada dalam database dari individu yang ada dalam database dengan perubahan rotasi sebesar 0°,15° dan 30° ... 50

(9)

LAMPIRAN A

(10)

A - 1

-Program pada Graphical User Interface (GUI)

% --- Executes just before Sift_Match_Recognize is made visible.

function Sift_Match_Recognize_OpeningFcn(hObject, eventdata,

handles, varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Sift_Match_Recognize (see VARARGIN)

% Choose default command line output for Sift_Match_Recognize axes(handles.axes11)

im3=imread('vvi.jpg') imshow(im3);

axes(handles.axes12) im4=imread('MARNATH.jpg') imshow(im4);

handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes Sift_Match_Recognize wait for user response (see UIRESUME)

% uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line.

function varargout = Sift_Match_Recognize_OutputFcn(hObject,

eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

(11)

A - 2

-% Get default command line output from handles structure varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

% ---

function Untitled_1_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% ---

function input_Callback(hObject, eventdata, handles)

% hObject handle to input (see GCBO)

(12)

A - 3

-% handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

[nama_file1,nama_path1]=uigetfile({'*.jpg';'*.bmp';'*.jpeg';... '*.png'},'Input Citra');

if ~isequal(nama_file1,0)

im1=imread(fullfile(nama_path1,nama_file1)); set(handles.edit3,'String',nama_file1);

setappdata(handles.figure1,'im1',im1);

set(proyek.figure1,'CurrentAxes',proyek.axes1); imshow(im1);

axis tight

set(proyek.figure1,'CurrentAxes',proyek.axes3); cla reset

axis off

set(proyek.figure1,'CurrentAxes',proyek.axes4); cla reset

axis off

set(handles.edit1,'String',''); set(handles.edit2,'String',''); else

return; end

function exit_Callback(hObject, eventdata, handles)

% hObject handle to exit (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close;

function edit2_Callback(hObject, eventdata, handles)

% hObject handle to edit2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

(13)

A - 4

-% str2double(get(hObject,'String')) returns contents of edit2 as a double

% --- Executes during object creation, after setting all properties.

function edit2_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

function Untitled_2_Callback(hObject, eventdata, handles)

% hObject handle to Untitled_2 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

function save_train_Callback(hObject, eventdata, handles)

% hObject handle to save_train (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)

% hObject handle to pushbutton1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

proyek=guidata(gcbo);

im1=getappdata(handles.figure1,'im1'); T=2.3;

(14)

A - 5 -im1 = im2single(-im1) ;

Matchesf=[]

for i=1:n

h=waitbar(0,'Proses Ekstraksi Fitur SIFT...'); waitbar(i/n)

close(h);

im2=strcat('vein',int2str(i),'.jpg'); im2=imread(im2);

im2 = im2single(im2) ;

if size(im1,3) > 1, im1g = rgb2gray(im1) ; else im1g = im1 ; end if size(im2,3) > 1, im2g = rgb2gray(im2) ; else im2g = im2 ; end

% --- % Metode SIFT 1

% --- [f1,d1] = vl_sift(im1g) ;

[f2,d2] = vl_sift(im2g) ;

[matches, scores] = vl_ubcmatch(d1,d2,T) ; numMatches = size(matches,2) ;

% --- % Menampilkan Pencocokan 1

% --- dh1 = max(size(im2,1)-size(im1,1),0) ;

dh2 = max(size(im1,1)-size(im2,1),0) ;

set(proyek.figure1,'CurrentAxes',proyek.axes3);

imagesc([padarray(im1,dh1,'post') padarray(im2,dh2,'post')]) ; o = size(im1,2) ;

line([f1(1,matches(1,:));f2(1,matches(2,:))+o], ... [f1(2,matches(1,:));f2(2,matches(2,:))]) ; title(sprintf('%d Keypoint Matches', numMatches)) ;

(15)

A - 6 -axis image off ;

Matchesf=[Matchesf;numMatches]; end

[DT, II] = max(Matchesf);

set(handles.edit2,'String',DT);

%--- % Logika Pemilihan Citra yang Teridentifikasi

%---

if DT>=5

str=strcat('vein',int2str(II),'.jpg'); strn=strcat('vein',int2str(II));

img=imread(str);

set(proyek.figure1,'CurrentAxes',proyek.axes4); imshow(img)

set(handles.edit1,'String',strn);

im1 = im2single(im1) ; im2 = im2single(img) ;

if size(im1,3) > 1, im1g = rgb2gray(im1) ; else im1g = im1 ; end if size(im2,3) > 1, im2g = rgb2gray(im2) ; else im2g = im2 ; end

% --- % Metode SIFT 2

% --- [f1,d1] = vl_sift(im1g) ;

[f2,d2] = vl_sift(im2g) ;

[matches, scores] = vl_ubcmatch(d1,d2,T) ; numMatches = size(matches,2) ;

(16)

A - 7

-% --- % Menampilkan Pencocokan 2 % ---

dh1 = max(size(im2,1)-size(im1,1),0) ; dh2 = max(size(im1,1)-size(im2,1),0) ;

set(proyek.figure1,'CurrentAxes',proyek.axes3);

imagesc([padarray(im1,dh1,'post') padarray(im2,dh2,'post')]) ; o = size(im1,2) ;

line([f1(1,matches(1,:));f2(1,matches(2,:))+o], ... [f1(2,matches(1,:));f2(2,matches(2,:))]) ; title(sprintf('%d Keypoint Matches', numMatches)) ; axis image off ;

else

set(handles.edit1,'String','PEMBULUH DARAH TIDAK DIKENALI'); set(handles.edit2,'String',DT);

set(proyek.figure1,'CurrentAxes',proyek.axes4); acc=imread('reject.jpg');

axes(handles.axes4); imshow(acc)

set(proyek.figure1,'CurrentAxes',proyek.axes3); cla reset

axis off

end clc

% --- Executes on mouse press over axes background.

function axes1_ButtonDownFcn(hObject, eventdata, handles)

% hObject handle to axes1 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

(17)

A - 8

-% --- Executes on mouse press over axes background.

function axes3_ButtonDownFcn(hObject, eventdata, handles)

% hObject handle to axes3 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

% --- Executes on mouse press over axes background.

function axes4_ButtonDownFcn(hObject, eventdata, handles)

% hObject handle to axes4 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)

function edit3_Callback(hObject, eventdata, handles)

% hObject handle to edit3 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit3 as text % str2double(get(hObject,'String')) returns contents of edit3 as a double

% --- Executes during object creation, after setting all properties.

function edit3_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit3 (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

(18)

LAMPIRAN B

KUMPULAN CITRA

(19)

B - 1 -Orang Ke

Citra Ke

1. Citra referensi atau database

01 02 03 04 05

(20)

B - 2 -Orang Ke

Citra Ke

2. Citra uji yang tidak ada dalam database dari individu yang ada dalam

database dengan perubahan rotasi sebesar 0°,15° dan 30°

06 (rotasi 0°)

07 (rotasi 15°)

08 (rotasi 30°) 01

(21)

B - 3 -Orang Ke

Citra Ke

3. Citra uji dari individu yang tidak ada dalam database yang digunakan pada pengujian untuk menentukan batas nilai minimal pengenalan

01 02 03 04 05

(22)

1 Universitas Kristen Maranatha

BAB I

PENDAHULUAN

Pada bab ini akan dibahas mengenai latar belakang, identifikasi masalah, perumusan masalah, tujuan, pembatasan masalah, metodologi, dan sistematika penulisan dari Tugas Akhir ini.

I.1 Latar Belakang Masalah

Teknologi biometrik belakangan ini telah menjadi teknologi yang dapat diandalkan untuk memberikan tingkat keamanan yang tinggi dalam sistem pengenalan seseorang. Biometrik memiliki karakteristik seperti, tidak dapat hilang, tidak dapat lupa dan tidak mudah dipalsukan karena keberadaanya melekat pada manusia, satu dengan yang lain tidak akan sama, maka keunikannya akan lebih terjamin. Di antara berbagai teknik biometrik beserta karakteristiknya yang digunakan untuk mengenali seseorang, biometrik tangan menjadi salah satu teknik yang paling banyak digunakan dan paling berhasil. Bagian-bagian dari tangan yang sering digunakan untuk pengenalan identitas seseorang adalah geometri tangan, sidik jari, garis telapak tangan, garis-garis pada ruas jari dan pembuluh darah. Pemindai sidik jari memerlukan jari untuk menyentuh alat pemindainya, yang bisa meninggalkan jejak dan dapat mempengaruhi akurasi ataupun berpotensial untuk menyebarkan bakteri. Sedangkan sistem yang memindai iris mata tidak dapat digunakan bagi yang peka, karena membutuhkan berkas inframerah untuk disinari ke mata sehingga membuat berkas dari pembuluh darah. Alat pemindai iris juga dapat terhambat oleh kelopak mata atau bulu mata. Teknologi biometrik dikembangkan karena dapat memenuhi dua fungsi yaitu identifikasi dan verifikasi. Verifikasi adalah sistem mengesahkan identitas seseorang dengan membandingkan data biometrika yang diperoleh dengan data biometrikanya sendiri yang telah disimpan sebelumnya dalam database, sedangkan identifikasi adalah sistem mengenali individu dengan mencari data semua pengguna di dalam database untuk mencari satu kecocokan.

Pada tugas akhir ini penulis akan mencoba membuat aplikasi pengidentifikasi seseorang dengan menggunakan teknik biometrik berdasarkan

(23)

Bab I Pendahuluan

Universitas Kristen Maranatha

pada pola pembuluh darah bagian punggung tangan manusia. Biometrik pembuluh darah tangan menjadi salah satu teknik yang memiliki tingkat keamanan menengah[9]. Jenis teknik biometrik ini dipilih karena setiap orang memiliki pola pembuluh darah yang unik, walau pada orang kembar sekalipun. Tidak seperti sidik jari yang dapat diduplikasi dengan bahan tertentu, pembuluh darah bagian punggung tangan lebih sulit untuk diduplikasi dan tidak akan berubah kecuali telah mengalami proses operasi, pembesaran bentuk pembuluh darah dan orang yang mempunyai penyakit varises. Tetapi pola dasar pembuluh darah tidak akan pernah berubah. Selain itu kondisi eksternal permukaan tangan seperti berminyak, basah robek atau kotor tidak akan mempengaruhi struktur dari pembuluh darah. Teknik biometrik ini menawarkan alternatif yang lebih aman dibandingkan dengan pemindaian sidik jari, iris dan geometri tangan.

Terdapat banyak metode yang sudah dikembangkan untuk pengenalan pola pembuluh darah. Pada tugas akhir ini metode yang dipilih oleh penulis untuk pengenalan pola pembuluh darah adalah ekstraksi fitur menggunakan SIFT. Hal ini dikarenakan metode tersebut memiliki ketahanan/invarian yang kuat terhadap penskalaan, rotasi dan perubahan sudut pandang citra tiga dimensi. SIFT juga tahan terhadap perubahan intensitas pencahayaan dan noise.

I.2 Identifikasi Masalah

Berdasarkan latar belakang di atas, masalah utama yang akan diangkat pada Tugas Akhir ini adalah merancang aplikasi untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah dengan ekstraksi fitur SIFT menggunakan bahasa pemrograman MATLAB (Matrix Laboratory).

I.3 Perumusan Masalah

Permasalahan yang akan dibahas dalam Tugas Akhir ini meliputi :

1. Bagaimana merancang aplikasi untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT pada bahasa pemrograman MATLAB?

2. Bagaimana tingkat keberhasilan aplikasi yang dirancang untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah?

(24)

Bab I Pendahuluan

Universitas Kristen Maranatha I.4 Tujuan

Tujuan yang ingin dicapai dari Tugas Akhir ini adalah :

1. Merealisasikan aplikasi untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT menggunakan bahasa pemrograman MATLAB.

2. Mengetahui tingkat keberhasilan dari aplikasi dalam mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan False Rejection Rate (FRR).

I.5 Pembatasan Masalah

1. Jumlah citra yang akan digunakan adalah:

a. Masing-masing 5 citra dari 10 orang yang berbeda sebagai citra referensi atau database.

b. Masing-masing 3 citra dari 10 orang yang berbeda sebagai citra uji yang tidak ada dalam database dari individu yang ada dalam database.

2. Jarak pengambilan citra antara objek dengan kamera adalah 25-30 cm. 3. Posisi tangan harus dikepal.

4. Pengambilan dan pengolahan citra tidak dilakukan secara real-time. 5. Ukuran citra yang digunakan adalah 200x200 piksel.

6. Pembuatan aplikasi menggunakan perangkat lunak MATLAB.

I.6 Sistematika Penulisan

Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut :  Bab I. Pendahuluan

Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari Tugas Akhir ini.

 Bab II. Landasan Teori

Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan untuk merancang aplikasi identifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT, antara lain

(25)

Bab I Pendahuluan

Universitas Kristen Maranatha

pengertian pembuluh darah, teknologi biometrik, sinar inframerah, citra digital, ekstraksi fitur, transformasi citra, perangkat lunak MATLAB, toolbox VLFeat dan Graphical User Interface (GUI).

 Bab III. Perancangan Perangkat Lunak

Bab ini berisi penjelasan desain yang akan dilakukan dalam membuat perangkat lunak untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT.

 Bab IV. Pengujian dan Analisa Data

Bab ini berisi data pengamatan hasil pengujian program, perhitungan tingkat keberhasilan metode yang digunakan berdasarkan False Rejection Rate (FRR), dan analisa dari data hasil pengujian program.

 Bab V. Kesimpulan dan Saran

Pada bab ini berisi kesimpulan dari Tugas Akhir dan saran-saran yang perlu dilakukan untuk pengembangan di masa mendatang.

(26)

53 Universitas Kristen Maranatha

BAB V

KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan dari hasil penelitian dan analisis dari Tugas Akhir ini serta saran untuk pengembangan “Identifikasi Seseorang Berdasarkan Citra Pembuluh Darah Menggunakan Ekstraksi Fitur Scale Invariant Feature Transform (SIFT)”.

V.1 Kesimpulan

1. Pembuatan program untuk identifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT berhasil direalisasikan menggunakan bahasa pemrograman MATLAB R2012a.

2. Dari hasil pengamatan terhadap pengujian program pada tabel 4.1 didapatkan persentase False Rejection Rate (FRR) sebesar 0% dan pada tabel 4.2 didapatkan persentase False Rejection Rate (FRR) sebesar 10%. Dari dua tabel pengamatan tersebut menunjukan bahwa metode ekstraksi fitur SIFT memberikan akurasi yang cukup baik.

3. Dari pengujian pada tabel 4.2, dilakukan perubahan rotasi citra sebesar 0°,15° dan 30°. Hal ini membuktikan bahwa metode ekstraksi fitur SIFT invarian terhadap rotasi 0°,15° dan 30° serta perubahan sudut pandang.

V.2 Saran

1. Pengambilan citra pembuluh darah dapat dikembangkan dengan menerapkan sistem pengolahan secara real-time untuk mendapatkan Region of Interest (ROI) dari citra pembuluh darah pada tangan.

2. Untuk mendapatkan citra pembuluh darah yang lebih jelas sebaiknya digunakan kamera dengan resolusi dan inframerah yang lebih baik.

3. Dapat dikembangkan menjadi tipe sistem pengenalan verifikasi.

(27)

54 Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1]. Amos Piton (2012). Verification of vein image using feature extraction two dimensional discrete cosine transform. Universitas Kristen Maranatha, Bandung. [2]. Andrianto Heri.(2009). Diktat Kuliah Bahasa Pemrograman. Bandung:

Universitas Kristen Maranatha [3]. Biometrics Foundation Documents

www.biometrics.gov/Documents/biofoundationdocs.pdf diakses tanggal 30 Agustus 2012. [4]. Darmawan Aan.(2007). Diktat Kuliah Pengolahan Citra Dijital. Bandung:

Universitas Kristen Maranatha

[5]. D.Lowe, Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision, 60(2), 91-110, 2004.

[6]. Prijono, Agus dan Marvin Ch. Wijaya (2007). Pengolahan Citra Digital Menggunakan Matlab Image Processing Toolbox. Bandung: INFORMATIKA.

[7]. Putra Darma (2009). Sistem Biometrika. Yogyakarta: Andi.

[8]. SYRIS. (2004). Technical Document About FAR, FRR and ERR. SYRIS Technology Corp [9]. Vein Biometric - Universitas Gadjah Mada

www.mti.ugm.ac.id/~anjik/si/Tgs-3.pdf diakses tanggal 30 Agustus 2012.

[10]. Watanabe,M., Endoh, T., Shiohara, M. and Sasaki, S. (2005). Palm vein authentication technology and its applications, Proc. of Biometrics Symposium, 37-38.

[11].http://www.aishack.in/2010/05/sift-scale-invariant-feature-transform diakses tanggal 2 September 2012.

[12]. http://blog.stikom.edu/yusron/2011/05/12/pengertian-citra/diakses tanggal 2 September 2012.

[13]. http://elka2002.blogspot.com/2010/01/apa-itu-pengolahan-citra-digital.html

diakses tanggal 2 September 2012.

[14]. http://ourn0tes.wordpress.com/2010/03/17/pengertian-infrared/ diakses tanggal 2 September 2012.

[15]. http://www.vlfeat.org/index.html diakses tanggal 5 September 2012. [16]. http://en.wikipedia.org/wiki/Vein diakses tanggal 5 September 2012.

[17]. http://areshmatlab.blogspot.com/2010/10/sift-keypoint-matching-trials-of-my.html diakses tanggal 7 September 2012.

(1)

BAB I

PENDAHULUAN

Pada bab ini akan dibahas mengenai latar belakang, identifikasi masalah, perumusan masalah, tujuan, pembatasan masalah, metodologi, dan sistematika penulisan dari Tugas Akhir ini.

I.1 Latar Belakang Masalah

database, sedangkan identifikasi adalah sistem mengenali individu dengan

mencari data semua pengguna di dalam database untuk mencari satu kecocokan. Pada tugas akhir ini penulis akan mencoba membuat aplikasi

(2)

Bab I Pendahuluan

2 Universitas Kristen Maranatha pada pola pembuluh darah bagian punggung tangan manusia. Biometrik pembuluh darah tangan menjadi salah satu teknik yang memiliki tingkat keamanan menengah[9]. Jenis teknik biometrik ini dipilih karena setiap orang memiliki pola pembuluh darah yang unik, walau pada orang kembar sekalipun. Tidak seperti sidik jari yang dapat diduplikasi dengan bahan tertentu, pembuluh darah bagian punggung tangan lebih sulit untuk diduplikasi dan tidak akan berubah kecuali telah mengalami proses operasi, pembesaran bentuk pembuluh darah dan orang yang mempunyai penyakit varises. Tetapi pola dasar pembuluh darah tidak akan pernah berubah. Selain itu kondisi eksternal permukaan tangan seperti berminyak, basah robek atau kotor tidak akan mempengaruhi struktur dari pembuluh darah. Teknik biometrik ini menawarkan alternatif yang lebih aman dibandingkan dengan pemindaian sidik jari, iris dan geometri tangan.

I.2 Identifikasi Masalah

I.3 Perumusan Masalah

Permasalahan yang akan dibahas dalam Tugas Akhir ini meliputi :

1. Bagaimana merancang aplikasi untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT pada bahasa pemrograman MATLAB?

2. Bagaimana tingkat keberhasilan aplikasi yang dirancang untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah?

(3)

I.4 Tujuan

Tujuan yang ingin dicapai dari Tugas Akhir ini adalah :

1. Merealisasikan aplikasi untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT menggunakan bahasa pemrograman MATLAB.

2. Mengetahui tingkat keberhasilan dari aplikasi dalam mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan False

Rejection Rate (FRR).

I.5 Pembatasan Masalah

1. Jumlah citra yang akan digunakan adalah:

a. Masing-masing 5 citra dari 10 orang yang berbeda sebagai citra referensi atau database.

b. Masing-masing 3 citra dari 10 orang yang berbeda sebagai citra uji yang tidak ada dalam database dari individu yang ada dalam

database.

2. Jarak pengambilan citra antara objek dengan kamera adalah 25-30 cm. 3. Posisi tangan harus dikepal.

4. Pengambilan dan pengolahan citra tidak dilakukan secara real-time. 5. Ukuran citra yang digunakan adalah 200x200 piksel.

6. Pembuatan aplikasi menggunakan perangkat lunak MATLAB.

I.6 Sistematika Penulisan

Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut :

 Bab I. Pendahuluan

Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah, identifikasi masalah, tujuan, pembatasan masalah, dan sistematika penulisan dari Tugas Akhir ini.

 Bab II. Landasan Teori

Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan digunakan untuk merancang aplikasi identifikasi seseorang berdasarkan

(4)

Bab I Pendahuluan

4 Universitas Kristen Maranatha pengertian pembuluh darah, teknologi biometrik, sinar inframerah, citra digital, ekstraksi fitur, transformasi citra, perangkat lunak MATLAB,

toolbox VLFeat dan Graphical User Interface (GUI).

 Bab III. Perancangan Perangkat Lunak

Bab ini berisi penjelasan desain yang akan dilakukan dalam membuat perangkat lunak untuk mengidentifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT.

 Bab IV. Pengujian dan Analisa Data

Bab ini berisi data pengamatan hasil pengujian program, perhitungan tingkat keberhasilan metode yang digunakan berdasarkan False Rejection

Rate (FRR), dan analisa dari data hasil pengujian program.

 Bab V. Kesimpulan dan Saran

Pada bab ini berisi kesimpulan dari Tugas Akhir dan saran-saran yang perlu dilakukan untuk pengembangan di masa mendatang.

(5)

BAB V

KESIMPULAN DAN SARAN

Transform (SIFT)”.

V.1 Kesimpulan

1. Pembuatan program untuk identifikasi seseorang berdasarkan citra pembuluh darah menggunakan ekstraksi fitur SIFT berhasil direalisasikan menggunakan bahasa pemrograman MATLAB R2012a.

V.2 Saran

1. Pengambilan citra pembuluh darah dapat dikembangkan dengan menerapkan sistem pengolahan secara real-time untuk mendapatkan

Region of Interest (ROI) dari citra pembuluh darah pada tangan.

2. Untuk mendapatkan citra pembuluh darah yang lebih jelas sebaiknya digunakan kamera dengan resolusi dan inframerah yang lebih baik.

3. Dapat dikembangkan menjadi tipe sistem pengenalan verifikasi.

(6)

54 Universitas Kristen Maranatha

DAFTAR PUSTAKA

[1]. Amos Piton (2012). Verification of vein image using feature extraction two

dimensional discrete cosine transform. Universitas Kristen Maranatha, Bandung.

[2]. Andrianto Heri.(2009). Diktat Kuliah Bahasa Pemrograman. Bandung: Universitas Kristen Maranatha

[3]. Biometrics Foundation Documents

www.biometrics.gov/Documents/biofoundationdocs.pdf diakses tanggal 30 Agustus 2012. [4]. Darmawan Aan.(2007). Diktat Kuliah Pengolahan Citra Dijital. Bandung:

Universitas Kristen Maranatha

[5]. D.Lowe, Distinctive image features from scale-invariant keypoints, International

Journal of Computer Vision, 60(2), 91-110, 2004.

[6]. Prijono, Agus dan Marvin Ch. Wijaya (2007). Pengolahan Citra Digital Menggunakan Matlab Image Processing Toolbox. Bandung: INFORMATIKA.

[7]. Putra Darma (2009). Sistem Biometrika. Yogyakarta: Andi.

[8]. SYRIS. (2004). Technical Document About FAR, FRR and ERR. SYRIS Technology Corp [9]. Vein Biometric - Universitas Gadjah Mada

www.mti.ugm.ac.id/~anjik/si/Tgs-3.pdf diakses tanggal 30 Agustus 2012.

[10]. Watanabe,M., Endoh, T., Shiohara, M. and Sasaki, S. (2005). Palm vein authentication technology and its applications, Proc. of Biometrics Symposium, 37-38.

[11].http://www.aishack.in/2010/05/sift-scale-invariant-feature-transform diakses tanggal 2 September 2012.

[12]. http://blog.stikom.edu/yusron/2011/05/12/pengertian-citra/diakses tanggal 2 September 2012.

[13]. http://elka2002.blogspot.com/2010/01/apa-itu-pengolahan-citra-digital.html diakses tanggal 2 September 2012.

[14]. http://ourn0tes.wordpress.com/2010/03/17/pengertian-infrared/ diakses tanggal 2 September 2012.

[15]. http://www.vlfeat.org/index.html diakses tanggal 5 September 2012. [16]. http://en.wikipedia.org/wiki/Vein diakses tanggal 5 September 2012.

[17]. http://areshmatlab.blogspot.com/2010/10/sift-keypoint-matching-trials-of-my.html diakses tanggal 7 September 2012.

Identifikasi Seseorang Berdasarkan Citra Pembuluh Darah Menggunakan Ekstraksi Fitur Scale Invariant Feature Transform (SIFT).