ISSN 1410-9840

IMPLEMENTASI PERFORMANSI AUTENTIKASI

SISTEM BIOMETRIK SIDIK JARI
Sri Heranurweni, B. Destyningtias, Titik Nurhayati
Abstrak
Teknik identifikasi konvensional untuk mengenali identitas seseorang dengan menggunakan password
atau kartu tidak cukup handal, karena sistem keamanan dapat ditembus ketika password dan kartu tersebut
digunakan oleh pengguna yang tidak berwenang. Sistem pengenalan identitas dengan teknologi komputer ini
menggunakan teknik identifikasi biometrik, hal itu dilakukan karena cenderung memiliki tingkat akurasi yang
tinggi dan mudah untuk diterapkan. Didasarkan pada karakteristik alami manusia, yaitu karakteristik fisiologis
dan karakteristik perilaku seperti sidik jari, suara, telapak tangan, iris dan retina mata, DNA (Deoxsiribo Nukleid
Acid) dan tanda tangan. Dengan menggunakan teknik identifikasi biometrik berbagai kelemahan yang ada pada
sistem konvensional itu dapat berkurang.
Citra masukan dari sidik jari kiri yang berupa citra dalam format JPEG akan dikonversi terlebih dahulu
dalam aras keabuan (Gray Scale) agar lebih mudah untuk diproses. Kemudian dilakukan pra pengolahan citra
(pre processing) yang ada beberapa langkah yaitu pencarian Region of Interest (ROI) untuk memperoleh hasil
segmentasinya. Proses ekstraksi ciri yaitu berupa proses dengan metode minusi agar diketahui ciri khas setiap
data sidik jari, filter atau penapisan diperlukan agar hasil dari citra sidik jari dapat diperoleh lebih baik tanpa
adanya noise dan terakhir adalah proses binerisasi dari tiap citra masukan. Proses selanjutnya adalah
identifikasi dan verifikasi dengan menggunakan jaring syaraf tiruan (artificial nural network) yaitu Learning Vector
Quantization (LVQ) dalam proses pembelajaran, jaring syaraf tiruan yang sama juga digunakan untuk proses
pengujian.
Tingkat ketepatan sistem Learning Vector Quantization (LVQ) setelah dilakukan beberapa kali proses
learning (setiap citra dilakukan 2 kali proses learning) terhadap 15 citra adalah 93%. Dari tabel dapat dilihat
bahwa keakuratan dalam pengenalan citra wajah untuk citra yang sudah pernah di-training adalah sebesar 92
%. Dan 25 citra yang diuji, ada 2 citra yang salah dikenali.
Kata kunci : sistem biometrik sidik jari metode minusi, Learning Vector Quantization

I. PENDAHULUAN
Metode
konvensional
ini
masih
dipergunakan secara luas sampai saat ini di
berbagai
bidang
aplikasi.
Sistem
konvensional tersebut dapat dikelompokkan
menjadi dua, yaitu yang didasarkan
sesuatu yang diketahui (something what
you know) seperti : penggunaan PIN
(Personal Identification Number) password,
dan berdasarkan sesuatu yang dimiliki
(something what you have), seperti
penggunaan kartu dan kunci.
Teknik identifikasi konvensional untuk
mengenali identitas seseorang dengan
menggunakan password atau kartu tidak
cukup handal, karena sistem keamanan
dapat ditembus ketika password dan kartu
tersebut digunakan oleh pengguna yang
tidak berwenang. Sistem pengenalan
identitas dengan teknologi komputer ini

menggunakan teknik identifikasi biometrik,

hal itu dilakukan karena cenderung memiliki
tingkat akurasi yang tinggi dan mudah
untuk
diterapkan.
Didasarkan
pada
karakteristik
alami
manusia,
yaitu
karakteristik fisiologis dan karakteristik
perilaku seperti sidik jari, suara, telapak
tangan, iris dan retina mata, DNA
(Deoxsiribo Nukleid Acid) dan tanda
tangan. Dengan menggunakan teknik
identifikasi biometrik berbagai kelemahan
yang ada pada sistem konvensional itu
dapat berkurang. Keunggulan teknik
identifikasi biometrik ini dibanding dengan
metode konvensional adalah sulit untuk
dilakukan proses duplikasi atau pemalsuan
sidik jari, tidak dapat digunakan secara
bersama-sama dan juga tidak mungkin
terlupakan [1]. Sistem pengenalan sidik jari
lebih sering digunakan. Hal ini disebabkan

J. PENGEMB. REK & TEK Volume 10 No 2, Des 2008: 93 - 100

93

telah terbukti unik, akurat, aman, mudah

dan nyaman untuk dipakai sebagai
identifikasi bila dibanding dengan sistem
biometrik lainnya.
Pengkajian terhadap akurasi dan unjuk
kerja sistem biometrik sidik jari menjadi
latar belakang penelitian ini, agar hasil dari
analisis performansi tersebut nantinya
dapat diterapkan untuk aplikasi keamanan
akses.
Saat
ini
jaring
syaraf
tiruan
berkembang dengan pesat dan telah
diupayakan untuk berbagai aplikasi, salah
satu aplikasinya adalah pengenalan pola
sidik jari. Learning Vector Quantization
(LVQ) merupakan suatu metode klasifikasi
pola yang masing-masing unit mewakili
kategori atau kelas tertentu. Proses
identifikasi biometrik ini dilakukan dengan
cara
pengenalan
pola
sidik
jari
menggunakan metode Learning Vector
Quantization (LVQ).

II. SISTEM BIOMETRIK

SIDIK JARI
Persyaratan Sistem Biometrik
Sebuah
sistem
biometrik
pada
hakikatnya merupakan sebuah pengenalan
pola yang melakukan identifikasi personal
dengan menentukan ke-autentikan dari
karakteristik fisiologis dan perilaku tertentu
yang dimiliki seseorang. Kebutuhan akan
teknologi pengenalan karakteristik alami
manusia semakin meningkat seiring
dengan bertambahnya kompleksitas dalam
bidang keamanan, kriminalitas, data warga
sipil dan lain-lain.
a. Sistem Biometrik Sidik Jari
Karakteristik fisiologis manusia untuk
biometrik harus memenuhi beberapa
kriteria, yaitu : universal, unik, permanen
dan dapat diukur secara kuantitatif dan nilai
dari pengukuran tersebut, dapat digunakan
untuk
kepentingan
verifikasi
dan
identifikasi.
Meskipun demikian pada prakteknya
tidak semua karakteristik biometrik yang
memenuhi syarat diatas dapat diwujudkan
dalam suatu sistem biometrik yang nyata.
94

Ada beberapa hal yang perlu diperhatikan,

yaitu
(a) Unjuk Kerja (performance)
(b) Tingkat Penerimaan (acceptability)
(c) Tingkat Keamanan (circumvention)
Karakteristik sidik jari merupakan
gabungan dari pola bukit (ridge) dan
lembah (valley). Bentuk dari bukit dan
lembah ini merupakan kombinasi dari faktor
genetik dan factor lingkungan. DNA
memberikan arah dalam pembentukan kulit
pada janin, namun pembentukan sidik jari
pada kulit itu sendiri merupakan suatu
kejadian acak (random). Hal ini yang
menjadi salah satu alasan mengapa setiap
jari seseorang mempunyai sidik jari yang
berbeda dengan orang lain, bahkan pada
kembar identik.
Karakteristik sidik jari yang bersifat
global terlihat sebagai pola garis-garis alur
dan orientasi dari garis alur tersebut pada
kulit.
Sir
Francis
Galton
(1982)
mengklasifikasi ciri-ciri global sidik jari
dalam tiga kategori bentuk:
(1) Arches adalah pola garis alur sidik jari
berbentuk suatu kurva terbuka yang
mencakup 5% dari populasi.
(2) Loops adalah jenis paling umum yaitu
kurva melingkar yang meliputi 60%
sampai dengan 65 % dari populasi.
(3) Whorls adalah berbentuk lingkaran
penuh yang mencakup 30% sampai
35% dari populasi.
Kurva terbuka (Arches) dibagi lagi atas
arch dan tented arch. Sedangkan loops
dibagi dua menjadi kurva melingkar
condong ke kiri (left loop) dan melingkar
condong ke kanan (right loop). Berikut citra
dari 3 (tiga) buah tipe pola utama sidik jari.

Arches

Loops

Whorls

Gambar. 1. Pola Sidik Jari

Implementasi Performansi Autentikasi Sistem Biometrik Sidik Jari

( Sri Heranurweni, B. Destyningtias, Titik Nurhayati )

b. Terminologi
Sebuah sidik jari dapat dipandang dari
beberapa tingkat yang berbeda, yaitu
tingkat global, tingkat lokal dan tingkat
sangat baik. Pada tingkat global, sidik jari
dipandang secara menyeluruh. Pada
tingkat ini dapat ditemukan titik singular
yang disebut titik inti (core point) dan titik
delta (delta point). Pada tingkat global, titik
singular cocok untuk mengklasifikasikan
tipe sidik jari, tetapi tidak cukup untuk
pencocokan sidik jari. Berikut contoh
informasi core point dan delta point.

Minutiae didefinisikan sebagai titik-titik

terminasi (ending) dan titik-titik awal
percabangan (bifurcation) dari garisgaris alur yang memberikan informasi
yang unik dari suatu sidik jari.

Core

Delta

Minusi

Gambar 2. Core Point dan Delta Point

Pada tingkat lokal, sidik jari dipandang

lebih detail. Pada tingkat ini dapat
ditemukan detail minusi atau titik minusi.
Titik minusi merupakan titik-titik informasi
yang dapat mencirikan suatu sidik jari.
Beberapa bagian pada sidik jari yang dapat
dijadikan sebagai titik minusi antara lain
akhir bukit (ridge termination), percabangan
(bifurcation), pulau (island), danau (lake)
taji (spur) dan persilangan (crossover).
Ciri-ciri lokal sidik jari ditentukan oleh
jumlah dan posisi garis alur dan banyaknya
percabangan dari garis-garis alur yang
terdiri dari:

Inti (core) didefinisikan sebagai titik

yang didekatnya terdapat alur-alur
yang membentuk susunan semimelingkar. Inti ini digunakan sebagai
titik pusat lingkaran balik garis alur
yang menjadi titik acuan pembacaan
dan pengklasifikasian sidik jari.

Delta didefinisikan sebagai suatu titik

yang terdapat pada suatu daerah yang
dibatasi oleh tiga sektor yang masingmasing memiliki bentuk hiperbolik.
Titik ini merupakan pertemuan curam
atau titik divergensi dari pertemuan
dua garis alur.

Terminasi

Percabangan

Gambar 3. Karakteristik Lokal Sidik Jari

Selain itu dikenal juga jenis garis alur

(type lines) yaitu dua garis alur paralel yang
mengelilingi atau cenderung mengelilingi
daerah pola, dan cacah garis alur (ridge
count) atau kerapatan (density) yaitu jumlah
dari garis-garis alur dalam daerah pola.
Berdasarkan jumlah serta posisi inti dan
delta
dapat
dikembangkan
model
matematika untuk mensimulasi enam
kategori klasifikasi sidik jari, yaitu: arch,
tented arch, right loop, left loop, dan whorl
berdasarkan jumlah dan posisi inti ( ) dan
delta ().
Gambar 4a memperlihatkan kategori
Arch yang tidak memiliki delta dan inti.
Gambar 4b adalah Tented Arch dengan
satu delta () dan satu inti ( ). Gambar 4c
adalah Right Loop dengan satu delta dan
satu inti. Gambar 4d adalah Left Loop
dengan satu delta dan satu inti. Gambar 4e
Whorl dengan satu delta dan dua inti.
Terakhir 4f adalah Twin Loop dengan dua
inti yang tidak tercitra. Hasil pengembangan
ini dapat digunakan untuk menyem-

J. PENGEMB. REK & TEK Volume 10 No 2, Des 2008: 93 - 100

95

purnakan proses
secara otomatis.

identifikasi

sidik

jari

Gambar 5. Pori-pori dan Minusi Sidik Jari

(a)

(d)

(b)

(e)

(c)

(f)

Gambar 4. Enam kategori klasifikasi sidik jari

berdasarkan delta dan inti

Berdasarkan beberapa titik minusi

diatas, titik percabangan dan titik akhir bukit
merupakan titik yang paling banyak
digunakan dalam proses pengenalan sidik
jari. Pada tingkat sangat baik, sidik jari
dipandang sangat detail. Pada tingkat ini
dapat ditemukan pori-pori pada sidik jari.
Posisi dan bentuk dari pori-pori dapat
digunakan
untuk
mengidentifikasi
seseorang.
Untuk mendapatkan informasi ini
diperlukan sebuah citra sidik jari dengan
resolusi yang tinggi. Berikut contoh
informasi pada tingkat sangat baik.

96

Garis hitam pada gambar 6 diatas

mewakili bukit sementara garis putih
mewakili
lembah.
Titik-titik
hitam
menandakan titik minusi sementara titik-titik
putih pada bukit yang ditandai dengan
lingkaran adalah pori-pori.
Learning Vector Quantization (LVQ)
Learning Vector Quantization (LVQ)
adalah metode klasifikasi pola yang
terawasi (supervised). vektor input tersebut
akan dikelompokkan dalam kelas yang
sama [4]. Jaringan LVQ ini memang mirip
dengan jaringan yang telah dikembangkan
oleh Prof. Teuvo Kohonen pada tahun
1982. Suatu lapisan kompetitif akan secara
otomatis belajar untuk mengklasifikasikan
vektor-vektor input. Jika dua vektor input
mendekati sama, maka lapisan kompetitif
akan meletakkan kedua vektor input
tersebut ke dalam kelas yang sama.
Setelah
pembelajaran,
lapisan
LVQ
membagi vektor input dengan penempatan
lapisan LVQ ke kelas yang sama sebagai
unit ouput yang mempunyai vektor bobot
(vektor referensi) terdekat dengan vektor
input.
Arsitektur jaring syaraf LVQ pada
dasarnya sama dengan Kohonen Self
Organizing Map (tanpa suatu struktur yang
diasumsikan untuk output). Jaring syaraf
tiruan Learning Vector Quantization (LVQ)
terdiri dari layer input, layer kompetitif
(Layer tersembunyi, hidden layer) dan layer
output seperti yang terlihat pada Gambar 7,
dengan 6 neuron lapisan input dan 2
neuron pada lapisan output. Masing-masing
ouput mempunyai kelas yang telah
diketahui.

Implementasi Performansi Autentikasi Sistem Biometrik Sidik Jari

( Sri Heranurweni, B. Destyningtias, Titik Nurhayati )

X
|| x w1
||

y_in1

F1

y1

X
X
|| x w1
||

y_in2

y2
F2

X
Gambar 6. Arsitektur Jaringan Syaraf
Tiruan LVQ

III. ANALISA DAN HASIL

PENELITIAN
Proses Pengenalan Sidik Jari
Proses pengenalan sidik jari dapat
dibagi menjadi tiga bagian utama, yaitu
proses awal (preprocessing), proses latihan
(training) dan proses identifikasi sidik jari.
Secara umum proses pengenalan sidik jari
digambarkan oleh gambar 8 di bawah ini.
Citra
Sidik Jari
Input

Akuisisi Citra
Sidik Jari

Lokalisasi /
Segmentasi

Hasil
Pendeteksian

Identifikasi /
Verifikasi

Ekstraksi
Ciri

berupa citra dalam format JPEG akan

dikonversi terlebih dahulu dalam aras
keabuan (Gray Scale) agar lebih mudah
untuk diproses. Kemudian dilakukan pra
pengolahan citra (pre processing) yang ada
beberapa langkah yaitu pencarian Region
of Interest (ROI) untuk memperoleh hasil
segmentasinya. Proses ekstraksi ciri yaitu
berupa proses dengan metode minusi agar
diketahui ciri khas setiap data sidik jari, filter
atau penapisan diperlukan agar hasil dari
citra sidik jari dapat diperoleh lebih baik
tanpa adanya noise dan terakhir adalah
proses binerisasi dari tiap citra masukan.
Pra pengolahan citra bertujuan untuk
mengubah dan mempersiapkan nilai-nilai
piksel citra digital agar menghasilkan
bentuk citra yang lebih cocok untuk operasi
berikutnya. Citra sidik jari masukan ada
dibagi dua yaitu citra sidik jari yang
digunakan sebagai referensi dan citra sidik
jari masukan untuk proses pengujian. Citra
sidik jari pengujian harus sama dengan
citra sidik jari referensi walaupun diambil
dalam waktu yang berbeda. Kedua citra
sidik jari diubah atau dikonversi dalam
bentuk aras keabuan (Gray Scale) semua,
agar mempermudah proses selanjutnya.
Proses selanjutnya ada dua tahap yaitu
segmentasi (Region of Interest) dan
normalisasi citra.

Gambar 7. Diagram Sistem Pengenalan Sidik Jari

Ada lima langkah yang dilakukan yaitu

menangkap citra sidik jari baik langsung
maupun
tidak
langsung,
melakukan
segmentasi dengan cara melokalisir sidik
jari dari latar belakangnya, mengekstraksi
ciri sidik jari dari region sidik jari yang
sudah terdeteksi untuk mendapatkan
template
sidik
jari,
membandingkan
template sidik jari yang akan dideteksi
dengan template pada basis data sidik jari
dan menunjukkan hasilnya.
Diagram Alir
Citra masukan dari sidik jari kiri yang

Gambar 7. Citra Sidik Jari Input dalam Aras

Keabuan (Gray Scale)

Proses normalisasi citra adalah proses

citra
masukan
yang
berbeda-beda
ukurannya dibuat dalam ukuran yang sama
yaitu 256 x 300 piksel.
Ekstraksi Ciri
Proses dilanjutkan dengan ekstraksi
ciri yaitu berupa proses dengan metode

J. PENGEMB. REK & TEK Volume 10 No 2, Des 2008: 93 - 100

97

minusi (minutiae) agar diketahui ciri khas

setiap data sidik jari, yaitu yang
membedakan antara data citra sidik jari
satu orang dengan data citra sidik jari orang
lain. Ciri khas tersebut seperti berapa
banyak akhir bukit (ridge termination),
percabangan (bifurcation), pulau (island),
danau (lake) taji (spur) dan persilangan
(crossover) dalam citra sidik jari.
Proses Thresholding
Proses binerisasi (thresholding) dari
tiap citra masukan, data sidik jari diambil
nilai binernya sebagai referensi untuk
identifikasi dan verifikasi. Tahap ini untuk
mengubah warna-warna piksel menjadi
hitam putih saja untuk memudahkan
pencarian minusi. Nilai binerisasi ditentukan
160, dari hasil pengujian nilai tersebut akan
menghasilkan citra sidik jari terbaik. Jika
kurang dari 160 maka citra yang dihasilkan
akan kurang tebal pada alur sidik jari,
sedangkan jika melebihi nilai 160 citra sidik
jari akan cenderung lebih banyak warna
hitam.
Kemudian proses Thinning, digunakan
untuk mengubah ketebalan piksel citra
menjadi satu piksel sehingga dapat
didetekesi ujung atau cabang dari alur citra
sidik jari

Gambar 8. Citra Sidik Jari Hasil Binerisasi

Proses Penapisan/Filter
Filter atau penapisan diperlukan agar
hasil dari citra sidik jari dapat diperoleh
lebih baik tanpa adanya noise. Noise
tersebut mungkin terjadi dikarenakan saat
pengambilan data sidik jari menempel di
scanner dimana seharusnya tidak boleh
98

menempel dan harus tegak lurus, serta

pencahayaan yang tidak tepat.

Gambar 9. Citra Sidik Jari Hasil proses Thinning

Proses Average Filter dilakukan untuk

menyamakan intensitas tiap 16 x 16 piksel
dari citra sidik jari referensi dan citra sidik
jari pengujian, sehingga dapat dilakukan
Minutiae Searching dari kedua citra dan
dicocokkan intensitasnya setiap 16 x 16
pikselnya. Proses ini perlu karena data citra
sidik jari tanpa noise akan menghasilkan
data yang lebih akurat pada saat proses
pengenalan dan pendeteksian dengan
neural network yaitu LVQ.
Ekstraksi Minusi
Setelah melalui proses thresholding,
thinning dan proses penapisan, maka citra
sidik jari dapat dicari minusinya dan proses
pencarian minusi untuk sidik jari. Proses ini
mencari cabang dan ujung dari alur sidik
jari untuk kemudian dicatat hasilnya berupa
koordinat, macam dan banyaknya.
Keseluruhan pola sidik jari rata-rata
berisikan 100 minutiae, area pengukuran
rata-rata berisikan 30-60 minusi tergantung
dari jari dan area sensor. Titik-titik minusi
disimpan berikut posisi dari titik minusi local
dalam kode pola sidik jari atau secara
langsung dalam template acuan.
Validasi dilakukan dengan membagi
citra berdimensi 16 x 16 piksel, agar citra
tidak terbagi dalam dimensi yang tidak
terlalu besar maupun kecil. Karena tiap
citra dibagi menjadi 16 x 16 piksel maka
citra akan terlihat terbagi-bagi. Ini akan
memudahkan penentuan skala keabuan
untuk tiap pusat minusi yang diperoleh dan
dibandingkan.
Proses
Minutiae
Matching
dan
Minutiae Searching dilakukan pada sidik jari
pengujian setelah proses Average Filter

Implementasi Performansi Autentikasi Sistem Biometrik Sidik Jari

( Sri Heranurweni, B. Destyningtias, Titik Nurhayati )

sehingga tiap 16 x 16 piksel mempunyai

skala keabuan yang diseragamkan. Proses
dilakukan dengan mencari persamaan
skala keabuan 16 x 16 piksel dengan
pusatnya pada salah satu minusi yang
didapat pada sidik jari referensi ke sidik jari
pegujian.

proses pembelajaran dan proses pengujian.

Data tiap citra sidik jari mempunyai jumlah
bifurcation dan termination yang berbeda,
data jumlah tersebut sebagai ciri khas sidik
jari seseorang. Sebagai masukan jaring
syaraf tiruan Learning Vector Quantization
(LVQ) merupakan data jumlah bifurcation
dan termination, serta letaknya dalam citra.
Parameter yang digunakan pada LVQ
adalah learning rate = 0,03. Iterasi yang
digunakan
adalah
1000,
agar
hasilpembelajaran menjadi optimal.

Gambar 10. Citra Ekstraksi Minusi Sidik Jari

Dengan menggunakan sistem jaring

syaraf tiruan Learning Vector Quantization
(LVQ) ini dan 15 data, akan di-learning-kan
yang akan membentuk nilai bobot setiap
data. Kemudian untuk keperluan mapping
atau pengujian maka digunakan citra
masukan sebanyak 25 data.

Ketika ditemukan lebih dari satu

daerah 16 x 16 piksel dengan pusat pada
minusi (daerah minusi) yang mempunyai
nilai skala keabuan yang hampir sama,
maka dicari jarak terdekat antara minusi
pada sidik jari referensi dan sidik jari
pengujian.
Setelah itu dicari jarak antar minusi
pada sidik jari referensi dan sidik jari
pengujian. Langkah selanjutnya adalah
mencari error yang didapat dari selisih jarak
yang dibandingkan antara sidik jari
referensi dan sidik jari pengujian, semakin
kecil error yang didapat maka semakin
besar kemungkinan sama antara sidik jari
referensi dan sidik jari pengujian

Metode untuk menganalisa hasil

Learning Vector Quantization (LVQ) adalah
dengan cara melakukan persentase
terbanyak dari hasil pencarian jarak
terdekat terhadap bobot yang telah
tersimpan dalam proses learning.
X1
Cluster Data ke 1
Jarak Terkecil

X2

|| x w1 ||

X3
Data Minusi

Output

X4

|| x w2 ||

X5

Jarak Terkecil
Cluster Data ke 2

X6
Input Mapping

Gambar 11. Citra Asli dan Hasil Ekstraksi Minusi

Gambar 15. Arsitektur Proses Identifikasi
Sidik Jari

Gambar 12. Citra yang Sudah Validasi dengan

Letak Nilai Bifurcation dan Termination

Dari ke 15 jarak tersebut akan

diurutkan mulai dari jarak terdekat sampai
jarak terjauh, kemudian tetapkan dua jarak
yang terdekat dengan prioritas 1 dan 2.

Proses Identifikasi dan Verifikasi

Hasil dari ekstraksi ciri digunakan
sebagai data masukan pada LVQ sebagai
J. PENGEMB. REK & TEK Volume 10 No 2, Des 2008: 93 - 100

99

Tabel 1.

Data Hasil Pengenalan Identifikasi

yang telah di Training
Citra yang
Dikenali
Nama Citra
Dimasukkan
Sebagai
01.jpeg
AB
AB
02.jpeg
AB
AB
03.jpeg
CA
CA
04.jpeg
CA
CA
05.jpeg
DA
DA
06.jpeg
BC
BC
07.jpeg
BC
BC
08.jpeg
DE
DE
09.jpeg
DE
DE
10.jpeg
EF
EF
11.jpeg
FG
FG
12.jpeg
GH
GH
13.jpeg
GH
GH
14.jpeg
JI
GH
15.jpeg
JI
JI
16.jpeg
KL
KL
17.jpeg
KL
KL
18.jpeg
HI
HI
19.jpeg
TE
TE
21.jpeg.
TF
DE
23.jpeg
FT
FT
24.jpeg
FT
FT

Sistem kecerdasan buatan Learning

Vector Quantization (LVQ) termodifikasi
mampu mendeteksi secara baik apakah
pada data citra
tersebut dikenali atau tidak. Tingkat
ketepatan
sistem
Learning
Vector
Quantization (LVQ) setelah dilakukan
beberapa kali proses learning (setiap citra
dilakukan 2 kali proses learning) terhadap
15 citra adalah 93%. Dari tabel dapat dilihat
bahwa keakuratan dalam pengenalan citra
wajah untuk citra yang sudah pernah ditraining adalah sebesar 92 %. Dan 25 citra
yang diuji, ada 2 citra yang salah dikenali.

IV. SIMPULAN
Dari hasil analisa dan pengujian dapat
diperoleh kesimpulan :
1. Identifikasi sidik jari menggunakan
LVQ dengan pemrosesan awal
menggunakan minusi memberikan
unjuk kerja pengenalan yang cukup
tinggi.

100

2.
3.

4.

5.

Parameter yang digunakan pada LVQ

adalah learning rate = 0,03.
Data 15 citra sidik jari digunakan untuk
pembelajaran,
sedangkan
untuk
identifikasi digunakan 25 data untuk
pembanding untuk pengenalan.
Tingkat ketepatan sistem Learning
Vector Quantization (LVQ) setelah
dilakukan beberapa kali proses
pembelajaran/learning (setiap citra
dilakukan 2 kali proses learning)
adalah 93% benar.
Pengenalan citra wajah untuk citra
yang sudah pernah di-training adalah
sebesar 92 %. Dan 25 citra yang diuji,
ada 2 citra yang salah dikenali.

DAFTAR PUSTAKA
Adi, Kusworo, Ekstraksi Ciri Berbasis
FilterGabor sebagai Sistem Verifikasi
Sidikjari, Tesis Magister, ITB, 2002.
Darma Putra, Sistem Biometrika : Konsep
Dasar, Teknik Analisa Citra, dan
Tahapan Membangun Aplikasi Sistem
Biometrika, Andi Offset, Yogyakarta,
2009
D. Maltoni, D. Maio, A.K. Jain, S.
Prabakhar, Handbook of Fingerprint
Recognition, Springer, New York,
2003.
Minarni, Klasifikasi Sidikjari dengan
Pemrosesan
Awal
Tranformasi
Wavelet,
www.oocities.com/transmisi_eeundip/minar
ni.pdf , 8 Nopember 2010
Novira, Ade Chopie, Pengenalan Pola
Sidikjari dengan Jaringan Syaraf
Tiruan,Skripsi, Teknik Elektro FT
UGM, 2002.
Nalini K.R., Andrew Senior, Ruud M.Bolle,
Automated Biometriks,
http://us.ibm.com , 24 Mei 2010
OGorman L, Fingerprint Verification
http://www.cse.msu.edu/~cse891/Sect601/t
extbook/2.pdf, 8 Nopember 2010
siraits.files.wordpress.com/2007/10/siraitlvq.doc, 10 Oktober 2010

Implementasi Performansi Autentikasi Sistem Biometrik Sidik Jari

( Sri Heranurweni, B. Destyningtias, Titik Nurhayati )