SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI...

SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS

DISKRIMINATOR

SEMINAR HASIL TUGAS AKHIR

Oleh: Ahmad Sirojuddin Luthfi - 1210100052

Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom

1

PENDAHULUAN

2

Latar Belakang

Biometrika Obyek

Biometrika Biometrika

Telapak Tangan Penelitian Terdahulu

Biometrika merupakan cabang matematika terapan yang bidang garapnya adalah untuk mengidentifikasi individu berdasarkan fisiologis yang dimilikinya yang bersifat unik.

PENDAHULUAN

3

Latar Belakang

Biometrika Obyek



Sidik jari (fingerprint) Iris mata (iris) Geometri tangan(hand geometry) Wajah (face) Suara (voice) Tanda tangan (signature) Telapak tangan (palmprint)

PENDAHULUAN

4

Latar Belakang

Biometrika Obyek



Telapak tangan menjadi sangat menarik untuk dikembangkan sebagai biometrika karena memiliki ciri yang lebih banyak dibandingkan sidik jari dan geometri tangan. Permukaan area telapak tangan yang lebih luas dibandingkan sidik jari diharapkan dapat menghasilkan ciri yang memiliki kemampuan membedakan yang lebih handal.

PENDAHULUAN

5

Latar Belakang

Biometrika Obyek



Ketut Gede Darma Putra(2009) dengan Dimensi Fraktal dan Lacunarity, Ratih Ayuningheni(2012) dengan Multiscale Wavelet Pyramid, Jinyu Guo(2012) dengan Block Entropy Map, Ricky Kurniadi(2012) dengan Filter Bank Gabor, dll

PENDAHULUAN

6

• Bagaimana mengaplikasikan matriks diskriminator untuk proses identifikasi telapak tangan.

• Bagaimana membuat sistem yang mengenali individu melalui telapak tangan dan dengan interface yang userfriendly.

Rumusan Masalah

1 • Citra telapak tangan diambil secara langsung

menggunakan webcam.

2 • Telapak tangan dalam keadaan normal dan

bersih (tidak berminyak, tidak ada coretan, dll).

3 • Sensitif terhadap pergeseran

7

PENDAHULUAN

Batasan Masalah

8

PENDAHULUAN

• Mendapatkan aplikasi matriks diskriminator dalam proses identifikasi telapak tangan.

• Mendapatkan sistem yang dapat mengenali individu melalui telapak tangan dan sistem dengan interface yang user friendly..

Tujuan

9

PENDAHULUAN

• Dapat digunakan untuk membangun sistem pada area yang membutuhkan keamanan tingkat tinggi.

• Dapat digunakan untuk mengembangkan sistem pengenalan individu berbasis telapak tangan.

• Sebagai referensi dan informasi tentang penggunaan matriks diskriminator.

Manfaat

10

TINJAUAN PUSTAKA

STUDI PENELITIAN SEBELUMNYA

Pada tahun 2012, artikel yang ditulis J. Guo dengan judul “Palmprint Recognition Using Block Entropy Map From a Single Image Per Person” telah berhasil mencocokkan telapak tangan dengan akurasi 77.6%. Pada tahun 2012 juga, Tugas Akhir Jurusan Matematika ITS yang ditulis oleh Ricky Kurniadi dengan judul “Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor” dengan hasil persentase tingkat keberhasilan sistem dalam melakukan identifikasi pengguna sebesar 92,727% .

11

TINJAUAN PUSTAKA

UNJUK KERJA SISTEM BIOMETRIKA

Untuk menghitung unjuk kerja sistem biometrika digunakan FNMR (False Non Match Rate). FNMR menyatakan probabilitas sampel dari pengguna tidak cocok dengan acuan lain yang diberikan pengguna yang sama. Rasio kesalahan ketidakcocokan dihitung dengan rumus:

𝑅𝑎𝑠𝑖𝑜 𝐾𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝐾𝑒𝑡𝑖𝑑𝑎𝑘𝑐𝑜𝑐𝑜𝑘𝑎𝑛 =𝛽

𝑛𝑥100%

dengan : 𝛽 : jumlah kesalahan ketidakcocokan 𝑛 : jumlah keseluruhan proses pencocokan

12

TINJAUAN PUSTAKA

UNJUK KERJA SISTEM BIOMETRIKA

Dengan semakin kecilnya tingkat kesalahan FNMR maka persentase keberhasilan identifikasi sistem menjadi semakin besar. Persentase keberhasilan sistem dapat dihitung dengan menggunakan persamaan berikut :

𝑃𝑒𝑟𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑘𝑒𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙𝑎𝑛 = 100% – 𝐹𝑁𝑀𝑅

Ciri geometri Ciri garis-garis utama Ciri garis-garis kusut Ciri titik delta Ciri minusi

13

TINJAUAN PUSTAKA

POLA TELAPAK TANGAN

Telapak tangan mempunyai ciri lebih banyak daripada sidik jari. Ciri yang dimiliki telapak tangan adalah sebagai berikut :

Ciri garis-garis utama dan garis-garis kusut sering disebut ciri garis saja. Ciri ini dapat diperoleh dari citra telapak tangan beresolusi rendah, ini merupakan kelebihan telapak tangan dibanding sidik jari .

14

TINJAUAN PUSTAKA

Proses Pra Pengolahan

5. Konversi Citra Menjadi Vektor Kolom

15

TINJAUAN PUSTAKA

SSSSS START

Input M Citra (𝑥1, 𝑥2, … , 𝑥𝑚)

Cari rata-ratanya

𝜇 =1

𝑀 𝑥𝑖

𝑀

𝑖=1

Cari Matriks Covariannya

𝐶 =1

𝑀 (𝑥𝑖 − 𝜇)(𝑥𝑖 − 𝜇)

𝑇

𝑀

𝑖=1

Cari Nilai Eigen Dan Vektor Eigen 𝐶𝑥 = 𝜆𝑥

Sortir Vektor Eigen Berdasarkan Nilai Eigen Terbesar

Reduksi Jumlah Vektor Eigen dari yang terbesar Nilai Eigennya

𝐸 = [𝑣1 𝑣2 𝑣3 𝑣𝑛]

END

PCA

16

TINJAUAN PUSTAKA

MATRIKS DISKRIMINATOR

Diskriminator berasal dari kata discriminator menurut Oxford Dictionaries artinya adalah “a characteristic which enables people or things to be distinguished from one another”, yang artinya ciri khas yang memungkinkan orang atau sesuatu bisa dibedakan satu dengan yang lain. Matriks diskriminator adalah matriks yang digunakan untuk membedakan telapak tangan setiap individu.

17

TINJAUAN PUSTAKA

PROSES PENGHITUNGAN DISKRIMINATOR

Untuk membuat diskriminator nya adalah

𝐷𝑖 = 𝐸𝑇(𝑥𝑖 − 𝜇)

Dengan: 𝐷𝑖 = diskriminator untuk citra telapak tangan ke – i 𝐸𝑇 = matriks vektor eigen yang sudah direduksi 𝑥𝑖 = vektor kolom yang merepresentasikan citra ke – i 𝜇 = rata-rata dari citra telapak tangan di training set

18

TINJAUAN PUSTAKA

PROSES PENCOCOKAN TELAPAK TANGAN

Untuk proses pencocokan diskriminator telapak tangan digunakan Jarak Euclidian Ternormalisasi dengan persamaan :

𝒅 𝒖, 𝒗 = 𝒖𝒊 − 𝒗𝒊 𝟐

𝒊

𝟏𝟐

dengan:

𝒖𝒊 =𝒖𝒊

𝒖

Dan

𝒗𝒊 =𝒗𝒊

𝒗

Sedangkan untuk mendapatkan skor hasil pencocokan telapak tangan maka digunakan metode pengukuran kesamaan (similarity measure). Rentang skor berada antara 0 sampai 1 yang didapat dengan persamaan sebagai berikut:

𝒔𝒌𝒐𝒓 = 𝟏 −𝒅 𝒖,𝒗

𝟐

19

METODE PENELITIAN

METODE PENELITIAN

Perancangan dan

Implementasi Sistem

Selesai

Uji Coba dan Evaluasi

Perancangan Interface

Integrasi Program Menjadi

Sebuah Sistem

Mulai

20

HASIL DAN PEMBAHASAN

Perangkat Keras

Prosesor : Intel® Core™ 2 Duo CPU T6570 @ 2,10 GHz

Memory : 4 GB DDR3

Perangkat Lunak

Sistem Operasi

: Windows 7 Ultimate

Tools : Microsoft Visual C# Aforge.NET (framework) Accord.NET (framework)

LINGKUNGAN PERANCANGAN DAN UJI COBA SISTEM

21


GAMBARAN PROSES SECARA UMUM

Secara umum proses dalam sistem ini terbagi menjadi 2 bagian : 1. Proses Registrasi / Pendaftaran Dalam tahap ini pengguna mendaftarkan identitas dirinya beserta data telapak tangan 2. Proses Identifikasi / Pengenalan Dalam tahap ini pengguna asing, mengidentifikasi dirinya melalui citra telapak tangannya. Apakah dia sudah terdaftar dalam sistem atau belum

22


PROSES REGISTRASI

PCA

Perhitungan Diskriminator

Penyimpanan

Akuisisi Data

Pra-Pengolahan

Ekst

raks

i Cir

i

23


PROSES IDENTIFIKASI

Perhitungan Diskriminator

Pencocokan

Akuisisi Data

Pra-Pengolahan

Ekst

raks

i Cir

i

24


Pengujian Sistem

• Sistem akan diuji dengan panjang diskriminator 50, 100, 150, dan 200.

• Telapak tangan yang diakuisisi adalah sebelah kiri • Jumlah Pengguna Terdaftar ada 60 orang yang

dibagi menjadi 2 sesi dengan 30 pengguna setiap sesinya.

Setiap pengguna diakuisisi sebanyak 3 kali • Sistem diuji dengan 2 Citra Uji + 1 Citra Referensinya • Total Pengujian 3 x 4 (Jenis Diskriminator) x 60

(Orang) = 720 pengujian. • Threshold yang digunakan adalah 0.001

25


Hasil Uji Coba

No Kriteria Hasil

1 Jumlah pengujian Identifikasi 90

2 Jumlah keberhasilan Identifikasi 86

3 Jumlah kegagalan Identifikasi 4

No Kriteria Hasil




Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang

Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 50 dan 100

untuk Sesi I

Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar

pada Sistem Menggunakan Diskriminator dengan panjang 150 dan 200 untuk

Sesi I

26


Hasil Uji Coba

No Kriteria Hasil




No Kriteria Hasil





Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150

untuk Sesi II


pada Sistem Menggunakan Diskriminator dengan panjang 200

untuk Sesi II

27


Hasil Uji Coba

No Kriteria Hasil




No Kriteria Hasil





Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150

untuk Sesi II


pada Sistem Menggunakan Diskriminator dengan panjang 200

untuk Sesi II

28


Hasil Uji Coba

No Panjang Diskriminator Tingkat Kesalahan FNMR

1 50 4,44%

2 100 4,44%

3 150 5,55%

4 200 5,55%

Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sesi I


1 50 4,44%

2 100 5,55%

3 150 6,66%

4 200 7,77%

Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sesi II

29


Hasil Uji Coba


1 50 4,44%

2 100 4,99%

3 150 6,11%

4 200 6,66%

Rata-Rata Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar

pada Sistem

30


Hasil Uji Coba

No Panjang Diskriminator Presentase Keberhasilan

1 50 95,56%

2 100 95,56%

3 150 94,45%

4 200 94,45%

Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi I


1 50 95,56%

2 100 94,45%

3 150 93,34%

4 200 92,23%

Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi II

31


Hasil Uji Coba


1 50 95,56%

2 100 95,01%

3 150 93,90%

4 200 93.34%

Rata-Rata Presentase Keberhasilan Hasil Pengujian Pengguna yang Terdaftar pada

Sistem

32


Berdasarkan analisis terhadap hasil pengujian sistem diambil beberapa kesimpulan sebagai berikut: • Dalam tugas akhir ini diskriminator yang dihasilkan dari PCA

digunakan untuk melakukan identifikasi telapak tangan. Proses pencocokan telapak tangan dihitung dengan menggunakan persamaan jarak Euclidean ternormalisasi dan penghitungan skor menggunakan similarity measure.

• Diskriminator yang dihasilkan dari PCA memiliki hasil yang bagus dalam mengekstraksi dan merepresentasikan ciri citra telapak tangan. Hal ini dapat diketahui berdasarkan persentase tingkat keberhasilan sistem dalam mengidentifikasi pengguna yang dapat mencapai 95,56% pada pengujian pengguna dengan panjang diskriminator 50.

33

DAFTAR PUSTAKA

DAFTAR PUSTAKA

[1] Ayuningheni, R. (2012). Multiscale Wavelet Pyramid Untuk Sistem Autentikasi Citra Telapak Tangan. Thesis Jurusan Teknik Informatika ITS.

[2] Guo, J. (2012). “Palmprint Recognition Using Block Entropy Map From a Single Image Per Person”. Journal of Computational Information Systems.

[3] Kurniadi, R. (2012). Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor. Tugas Akhir Jurusan Matematika ITS.

[4] Lu, G., Zhang, D., Wang, K. (2003). “Palmprint recognition using eigenpalms features”. Pattern Recognition Letters 24, Hal 1463-1467.

[5] Putra, IKGD. (2007). “Sistem Verifikasi Menggunakan Garis-garis Telapak Tangan”. Jurnal Teknologi Elektro Universitas Udayana Vol. 6 No.2

[6] Putra , IKGD. (2009). “Sistem Verifikasi Biometrika Telapak Tangan dengan Metode Dimensi Fraktal dan Lacunarity”. Jurnal Teknologi Elektro Universitas Udayana Vol. 8 No.2.

[7] Putra, IKGD., Bhuana, W., Erdiawan. (2011). “Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2D”. Makara Teknologi Vol. 15, No. 2. Hal 161-167.

[8] Su, CL. (2009). “Palm-print Recognition by Matrix Discriminator”. Expert Systems with Applications 36, Hal 10259-10265.

[9] Zhang, D., Jing, X., Yang, J. (2006). “Biometric Image Discrimination Technologies”. Idea Group Publishing.

TERIMA KASIH

34

SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI...

Documents

Transcript of SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI...