SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI...
Transcript of 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
Biometrika Biometrika
Telapak Tangan Penelitian Terdahulu
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
Biometrika Biometrika
Telapak Tangan Penelitian Terdahulu
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
Biometrika Biometrika
Telapak Tangan Penelitian Terdahulu
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
HASIL DAN PEMBAHASAN
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
HASIL DAN PEMBAHASAN
PROSES REGISTRASI
PCA
Perhitungan Diskriminator
Penyimpanan
Akuisisi Data
Pra-Pengolahan
Ekst
raks
i Cir
i
23
HASIL DAN PEMBAHASAN
PROSES IDENTIFIKASI
Perhitungan Diskriminator
Pencocokan
Akuisisi Data
Pra-Pengolahan
Ekst
raks
i Cir
i
24
HASIL DAN PEMBAHASAN
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 DAN PEMBAHASAN
Hasil Uji Coba
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 86
3 Jumlah kegagalan Identifikasi 4
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 85
3 Jumlah kegagalan Identifikasi 5
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 DAN PEMBAHASAN
Hasil Uji Coba
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 86
3 Jumlah kegagalan Identifikasi 4
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 85
3 Jumlah kegagalan Identifikasi 5
Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang
Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150
untuk Sesi II
Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar
pada Sistem Menggunakan Diskriminator dengan panjang 200
untuk Sesi II
27
HASIL DAN PEMBAHASAN
Hasil Uji Coba
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 84
3 Jumlah kegagalan Identifikasi 6
No Kriteria Hasil
1 Jumlah pengujian Identifikasi 90
2 Jumlah keberhasilan Identifikasi 83
3 Jumlah kegagalan Identifikasi 7
Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang
Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150
untuk Sesi II
Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar
pada Sistem Menggunakan Diskriminator dengan panjang 200
untuk Sesi II
28
HASIL DAN PEMBAHASAN
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
No Panjang Diskriminator Tingkat Kesalahan FNMR
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 DAN PEMBAHASAN
Hasil Uji Coba
No Panjang Diskriminator Tingkat Kesalahan FNMR
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 DAN PEMBAHASAN
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
No Panjang Diskriminator Presentase Keberhasilan
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 DAN PEMBAHASAN
Hasil Uji Coba
No Panjang Diskriminator Presentase Keberhasilan
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
HASIL DAN PEMBAHASAN
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