Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN No

1

DETEKSI KESALAHAN PENGAMBILAN CITRA SIDIK JARI MENGGUNAKAN LVQ ALGORITM

Yoyok Supriyono1,2), Rahmat Syam1,3), Mochammad Hariadi1)

Jurusan Elektro,Institut Teknologi Sepuluh NopemberKampus ITS, Sukolilo,Surabaya 60111

Jurusan Teknik Elektro,Politeknik SAKTI SurabayaJl. Jemursari Selatan IV/3,Surabaya 60111

e-mail : yoyok@elec-eng.its.ac.id,yoyok2008@gmail.com,rahmatsyam@elec-eng.its.ac.id,mochar@elect-eng.its.ac.id

Abstrak

.Pada bidang security teknologi,Identifikasi sidik jari merupakan suatu pilihan yang tepat karena bentuk sidik jari yang unique,dan selalu berbeda pada setiap sidik jari manusia.Hal ini banyak dipakai oleh para ahli forensic didalam investigasi kriminal,dan data penduduk. Untuk mengurangi banyaknya kesalahan dalam pengambilan data sidik jari dilakukan deteksi kesalahan pengambilan sidik jari.

Pada penelitian ini dilakukan klasifikasi kesalahan sidik jari Normal,sidik jari kotor,sidik jari rotasi,sidik jari sebagian ,dan sidik jari berminyak,.dengan LVQ Algoritm dapat melakukan klasifikasi berdasarkan jarak bobot yang paling kecil.

Deteksi kesalahan pengambilan sidik jari ini dimulai dengan pengambilan 150 sidik jari dibagi dalam sidik jari normal,sidik jari kotor,sidik jari rotasi,sidik jari sebagian,dan sidik jari berminyak dilakukan pencarian ciri dan dilanjutkan dengan pendekatan LVQ Algoritm,menghasilkan ketepatan deteksi pada 5 klas mencapai 97%.Hal ini menunjukkan pendekatan dengan LVQ sangat tepat.

Kata kunci: Jenis Kesalahan Sidik jari, Feature Ekstraction, LVQ Algoritm.

1. P E N D A H U L U A NDalam perkembangan teknologi yang

sudah semakin maju pelayanan dan keamanan kepada masyarakat juga semakin ditingkatkan.Untuk menghindari terjadinya identitas lebih dari satu perlu dipakai identitas yang uniq yang setiap user selalu berbeda,untuk itu perlu membuat suatu kunci identitas yang uniq dengan menggunakan teknologi Biometrik yang tepat dengan menggunakan sidik jari. Diantara seluruh indikator biometric,sidik jari memiliki keandalan yang sangat tinggi dan sering digunakan oleh para ahli forensic didalam investigasi kriminal. Sidik jari telah dipercaya memiliki keunikan khususdimana setiap manusia didunia memiliki satu ciri sidik jari yang unik yang tidak akan pernah sama dengan sidik jari manusia lain. Pada pengambilan data sidik jari di masyarakat banyak mengalami keluhan dan kesulitan yang terjadi bila pengambilan sidik jari tidak pada kondisi dan letak yang baik, misalkan sidik jari hanya dibaca sebagian ,posisi sidik jari yang salah, kotor , berminyak,kendala ini menyebabkan banyak pengulangan pengambilan data maupun pencocokan data. Kondisi ini membuang banyak waktu dan tenaga untuk mengulanginya, untuk itu kesalahan

pengambilan sidik jari dikelompokkan pada 5 kesalahan pengambilan sidik jari diantaranya : sidik jari normal,sidik jari kotor,sidik jari berminyak,sidik jari sebagian,dan sidik jari rotasi.Pola sidik jari berisikan Pada pemakaian sidik jari di masyarakat banyak mengalami keluhan dan kesulitan yang terjadi bila kondisi tangan tidak sesuai dengan Pengambilan data yang tepat dikarenakan Sidik jari hanya dibaca sebagian ,posisi sidik jari yang salah, kotor , berminyak,dan kesalahan tersebu ttidak terdeteksi ,kendala ini menyebabkan banyakpengulangan pengambilan data maupun pencocokan data. Kondisi ini membuang banyak waktu dan tenaga untuk mengulanginya,dengan kesalahan dari pengambilan sidik jari menjadikan data sulit dibaca,untuk itu dibut penelitian untuk deteksi kesalahan pengambilan sidik jari pada 5 kesalahan pengambilan sidik jari diantaranya : sidik jari normal,sidik jari kotor,sidik jari berminyak,sidik jari sebagian,dan sidik jari rotasi. Pengenalan ciri citra sidik jari di representasikan menjadi sebuah vector dan dilanjutkan dengan methode LVQ untuk mengklasifikasi vektor-vektor input memiliki nilai yang mendekati atau hampir sama untuk mengelompokkan dalam pola yang sama

Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN No

2

2. Dasar Teori

2.1 Sidik jari

Sidik jari merupakan salah satu sitem biometrik yang banyak diterapkan, hal ini dikarenakan sifat sidik jari yang uniqness dan sidik jari yang tidak pernah berubah. Berdasarkan dari pola garis pola garis (ridge) dan lembah (valley), sidik jari dapat diklasifikasikan menjadi tiga kelas utama, yaitu: Arch, Loop dan Whorl (Prabakar).

Gambar 1. Klasifikasi pada sidik jar Arch, Loop dan Whorl (Prabakar)Dari klasifikasi ini dapat di bagi menjadi beberapa subklasifikasi(prabakar), yaitu :• Arch dibagi menjadi arch dan tented arch, dari

beberapa populasi arch mempunyai presentasi sebesar 5%

• Loop dibagi menjadi left loop, right loop dan double loop. Berbeda dengan arch, jumlah individu yang mempunyai klasifikasi loopsangat besar yaitu sebesar 60 %

• Whorls pada klasifikasi ini jumlah prosentasi individu sebesar 35%

2.2 Jenis Kesalahan Pengambilan sidik jari

Hasil dari pengambilan sidik jari bisa diambil dengan kondisi normal atau bisa menghasilkan sidik jari yang kurang normal,hal ini dikarenakan pengambilan sidik jari yang tidak diambil dengan baik karena kondisi sidik jari yang tidak memperhatikan kondisi sidik jari misalnya sidik jari yang kena kotoran atau tinta,sidik jari yang kena minyak,dan posisi penempatan sidik jari terhadap sensor fingerprint sehingga akan mengakibatkan hasilnya seperti dibawah ini.

2.3. Vector Dan Citra Sidik Jari

Pada data Sidik jari pelatihan maupun pengujian diambil terhadap 5 kondisi yaitu sidik jari normal,sidik jari rotasi, sidik jari sebagian,sidik jari kotor,dan sidik jari berminyak. Citra Sidik Jari yang diambil berada pada sebuah ruang yang disebut bidang gambar/ ruang lingkup citra (image space). Sebuah citra tersusun atas pixel-pixel yang memiliki nilai. Untuk citra abu-abu (gray scale), sebuah pixel memiliki nilai dari 0 - 255. Untuk proses pengolahan citra, sebuah citra sidik jari yang memiliki ukuran lebar dan tinggi dinyatakan dengan (l x t = n). Dan untuk proses berikutnya notasi matrik dinyatakan dalam (b x k) dengan badalah baris dan k kolom. Untuk proses pengolahan citra, data tersebut diubah bentuk menjadi sebuah VECTOR kolom sidik jari (n x 1),yaitu dengan meletakkan nilai kiri atas citra sidik jari pada awal vector dan nilai kanan bawah citra sidik jari pada akhir vector, seperti tampak pada gambar 2., nmenyatakan jumlah dimensi yang digunakan.

Gambar 3.Representasi citra sidik jari pada sebuah vector

Proses pengenalan/ indentifikasi sidik jari biasanya melibatkan banyak data citra sidik jari. Misalkan ada N data citra sidik jari { x1, x2, . . . ,xN }, maka vector sidik jari akan disusun menjadi sebuah matrik yang memiliki dimensi (n x N) seperti pada gambar 2.4.,selanjutnya data yang sudah dibuat matrik akan dijadikan input data yang akan ditrainning. Target data dibuat untuk dapat mengidentifikasi ciri yang sama untuk dikelompokkan menjadi satu kelompok sehingga akan dilihat apakah target sesuai dengan hasil trainning..Bila hasil dari trainning sama dengan target dapat mencapai 100% maka deteksi terhadap kesalahan pengambilan sidik jari akan mendeteksi dengan tepat.

(a) (c)(b) (d) (e)

Gambar 2. Berbagai macam hasil pengambilan sidik jari: (a) sidik jari normal, (b) sidik jari kotor(c) sidik jari berminyak, (d) sidik jari rotasi, (e) sidik jari sebagian.

Arch Loop Whorl

Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN No

3

Gambar 4. (a) Ilustrasi dimensi dan tumpukan gambar sidik jari (b) Dimensi data-data sidik jari dalam bentuk matrik

2.4. Sistem Pengenalan Pola

Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan cirri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek dengan objek lain. Dengan menggunakan teori keputusan didalam statistik, kita menggunakan distribusi ciri untuk mengklasifikasikan polaPelatihan (training). Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasi proses pembelajaran pada otak manusia.

Ada beberapa tipe jaringan syaraf ,namun demikian hampir semuanya memiliki komponen-komponen yang sama.Jaringan syaraf terdiri dari beberapa neuron dan ada hubungan antara neuron neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju keneuron-neuron yanglain dikenal dengan nama bobotmengklasifikasikan vector-vektor input.Jika dua vector input memiliki nilai yang mendekati atau hampir sama maka dalam lapisan kompetitif akan mengenali kedua vector input tersebut pada kelas yang sama. Jadi LVQ adalah metode untuk klasifikasi(Pengelompokkan) pola dan memiliki output yang mewakili dari kelas tertentu

.2.4.1. Arsitektur LVQ

Arsitektur jaringan saraf LVQ pada dasarnya sama dengan Kohenen Self Organizing Map(tanpa suatu struktur topologis yang diasumsikan untuk otput) . Arsitekturnya terdiri dari lapisan input,lapisan kompetitif (lapisantersembunyi/hidden Layer), dan lapisan output seperti pada gambar 2.5.Masing-masing output memiliki kelas yang sebelumnya telah dibentuk dan dikenali dari hasil pelatihan jaringan saraf LVQ ini.

w

h

N = w x h

N

(a)

(b)

Coloum Vector

Data VectorMatric

n x1

x-w1 F1X2

X3

X4

X5

X6

x-w2 F2

y_in1

y_in2

Y1

Y2

Gambar 5. Arsitektur Jaringan LVQ

Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN No

4

Algoritma LVQ:

1. Tetapkan:a. Bobot awal variabel input ke-j

menuju ke kelas (cluster) ke-i: Wij, dengan i=1,2,...,k; dan j=1,2,..,m.

b. Maksimum epoh: MaxEpoh.c. Parameter learning rate £d. Pengurangan learning rate. Dec£e. Minimal learning rate yang

diperbolehkan: Min£.

2. Masukkan :a. Data input: Xij;

Dengan I = 1,2,…,n; dan j=1,2,..,m.

b. Target berupa kelas: Tk;Dengan k=1,2,..n.

3. Tetapkan kondisi awal: epoh=0;

4. Kerjakan jika: (epoh < MaxEpoh) dan (£ > Min £)

a. Epoh = epoh + 1;b. Kerjakan untuk i=1 sampai n

i.Tentukan J sedemikian hingga | Xi-Wj| minimum; dengan j=1,2,..,k.

ii.Perbaiki Wj dengan ketentuan:o Jika T = Cj maka:

Wj = Wj + £ (Xi – Wj)o Jika T # Cj maka:Wj = Wj – £(Xi – Wj)

c. Kurangi nilai £(pengurangan £ bisa dilakukan

dengan : £ = £- Dec £; atau dengan cara: £= £*Dec £)

Setelah dilakukan pelatihan, akan diperoleh bobot-bobot akhir (W). Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian. Misalkan kita akan menguji np buah data.

Algoritma Simulasi(Pengujian):

1. Masukkan data yang akan diuji, misal: Xij; dengan i = 1,2,..,np; dan j=1,2,..m.

2. Kerjakan untuk i = 1 sampai npa. Tentukan J sedemikian hingga |Xi-

Wj| minimum; dengan j=1,2,..,K.b. J adalah klas untuk Xi

3.1 Desain Sistem

Blok diagram sistem Identifikasi keasalahan dari pengambilan sidik jari secara realtime adalah sebagai berikut:

Normal

Sebagian

Rotasi

Kotor

Gambar 6. Identifikasi Kesalahan Pengambilan Sidik Jari

Proses Identifikasi Proses identifikasi merupakan proses

pencocokan yang dilakukan dengan mencari data dari database yang cocok dengan sidik jari yang diujikan. Dalam proses ini, hal pertama yang dilakukan adalah melakukan akuisisi terhadap sampel sidik jari. Pada penelitian ini dilakukan proses identifikasi terhadap masing-masing user dengan menggunakan variasi sidik jari sebagai berikut : sidik jari normal, sidik jari

DETEKSI KESALAHAN PENGAMBILAN CITRASIDIK JARI MENGGUNAKAN LVQ ALGORITM

Result

Feature Ekstraction

Classification

Classification Data

Feature Ekstraction

Learning Process

Classification

Testing Process

Berminyak

Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN No

5

kotor,sidik jari berminyak,sidik jari sebagian dan dirotasikan. Jika program memberikan keputusan untuk menolak user tertentu, maka proses identifikasi untuk user tersebut akan memberikan keterangan jenis kesalahan.

Hasil Percobahan Dan Pembahasan

4. Hasil Dan Pembahasan

Dalam penelitian ini pengambilan data terhadap 70 Mahasiswa dengan mengambil data sidik jari dalam 5 jenis kesalahan baik kondisi kotor maupun letak sidik jari .data diteliti untuk mendapatkan data yang nanti akan digunakarn 2/3 untuk data training maupun 1/3 untuk data testing.Untuk itu metode yang akan dipakai yaitu Metode LVQ untuk mengklasifikasi data yang digunakan untuk mendeteksi jenis kesalahan data yang diambil dari sensor sidik jari berupa 5 jenis data sidik jari. hasil pendeteksian dibedakan kesalahan yang terjadi yang dibandingkan dengan data tamplate yang ada.Dari data yang berbeda dalam kondisi sidik jari terbaca sebagian,kotor,rotasi dan berminyak.Hasil dari data tersebut di Extraksi terlebih dahulu untuk mendapatkan suatu metode yang dapat mengenali sidik jari secara cepat .Setelah mengalami proses pengenalan sidik jari kemudian hasilnya akan dicocokkan dengan semua template yang ada untuk menghasilkan kecepatan identifikasi diperlukan algoritma yang baik dengan mencari pola yang yang terdekat,misalkan dengan mencari ciri yang berbeda dari hasil pengambilan sidik jari.

Tabel 1.Hasil Perbandingan Dengan Penambahan Jumlah Neuron

Tabel 2.Hasil Perbandingan Jumlah Klas terhadap Ketepatan Deteksi

Gambar 7 Grafik dari hasil trainning

5. Kesimpulan :

Dengan merubah image dari grayscale ke data vector matrik dengan melakukan trainning menggunakan LVQ Algoritm hasil yang didapat mencapai ketepatan deteksi kesalahan pengambilan sidik jari mencapai rata-rata 97%pada 5 klas klasifikasi Kesalahan..

Seminar Nasional Pascasarjana IX – ITS, Surabaya 12 Agustus 2009 ISBN

No

6

Pustaka:

[1] Salil Prabhakar “ Fingerprint Classification and Matching Using a Filterbank” Submitted to Michigan State University in partial fulfillment of the requirements for the degree of DOCTOR OF PHILOSOPHY

[2] Darma Putra “Sistem Biometrika” [3] Sri Kusumadewi “ Membangun Jaringan

Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK

[4] Neil Yager “Hierarchical Fingerprint Verification” School of Computer Science and Engineering University of New South Wales

[5] Rinaldi Munir “Pengolahan Citra Digital dengan Pendekatan Algoritm.

[6] Fadlisyah, SSi “Computer Vision Dan Pengolahan Citra”.

[7] Sharat S. Chikkerur “ONLINE FINGERPRINT VERIFICATION SYSTEM “

[8] Sharath Pankanti & Anil Jain“Fingerprint Classification and Matching”

Dept. of Computer Science & Engg. Exploratory Computer Vision Grp.

Michigan State University IBM T. J.Watson Research Center

East Lansing, MI 48824 Yorktown Heights, NY10598

jain@cse.msu.edu sharat@us.ibm.com.

[9] Salil Prabhakar “ Fingerprint Classification and Matching Using a Filterbank” Submitted to Michigan State University in partial fulfillment of the requirements for the degree of DOCTOR OF PHILOSOPHY

[10] Chaur-Chin Chen and Yaw-Yi Wang Department of Computer Science National Tsing Hua University Hsinchu, Taiwan”An AFIS Using Fingerprint Classification”.[11] Graig T. Diefenderfer “ Fingerprint Recognition”, Naval Postgraduate School,Monterey, California.