Enhancement Citra Sidik Jari Kotor Menggunakan

Hybrid Method Dan Gabor Filter

Muhammad Nasir1,3) Rahmat Syam2,3) Mochamad Hariadi3)
1) Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,24312
2) J u r u s a n M a t e m a t i k a , U n iv e r s ii ta s N e g e r i Ma k a s s a r , Ma k a s s a r 90222.
3) Jurusan Teknik Elektro ITS, Surabaya 60111.
E-ma il: ma sn asir_po li@yahoo.co m; rah mat_s yam@ yahoo.co.id ; mo char@ee.its.ac.id
Abstrak Sistem pengenalan sidik jari bertujuan
untuk mengindentifikasi seseorang, namun kendala
utama dalam pengenalan sidik jari seseorang pada
umumnya citra sidik jari memiliki kualitas yang
rendah, antara lain disebabkan oleh jenis kulit
(berminyak, kering, kotor) dan jenis scanner
fingerprint yang digunakan. Kualitas citra sidik jari
merupakan faktor utama penentu tingkat akurasi
hasil pengenalan citra sidik jari pada sistem
biometrik. Agar citra sidik jari kotor mudah
diinterpretasi oleh manusia maupun mesin, maka
perlu di-enhancement dengan meminimalkan bagian
yang kotor. Penelitian ini bertujuan untuk
enhancement kualitas citra sidik jari kotor dengan
metode Gabor filter. Pada pengujian 200 data citra
sidik jari kotor dihasilkan peningkatan kualitas citra
sidik jari sebesar 87%.
Kata kunci : Enhancement, Gabor Filter,
Peningkatan Kualitas Citra, Sidik Jari

1. PENDAHULUAN
Sistem biometrik adalah sistem untuk
melakukan identifikasi menggunakan ciri-ciri fisik
atau anggota tubuh manusia, seperti sidik jari
(fingerprint), wajah, iris dan retina mata, suara.
Teknologi biometrik memiliki beberapa kelebihan
seperti tidak mudah hilang, tidak dapat lupa, tidak
mudah dipalsukan, dan memiliki keunikan yang
berbeda antara manusia satu dengan yang lain [1].
Salah satu anggota tubuh yang sangat sering
digunakan oleh para ahli forensik di dalam
investigasi kriminal dalam sistem biometrik dengan
kehandalan sangat tinggi adalah sidik jari.
Agar citra yang mengalami gangguan mudah
diinterpretasi (baik oleh manusia maupun mesin),
maka citra tersebut perlu dimanipulasi menjadi citra
lain yang kualitasnya lebih baik. Bidang yang terkait
tentang hal ini adalah pengolahan citra (image
processing). Salah satu metode yang digunakan
untuk meningkatkan kualitas citra adalah image

enhancement, yakni proses peningkatan kualitas

pada citra.
Metode image enhancement telah banyak
ditemukan dan digunakan oleh para peneliti dalam
meningkatkan kualitas citra secara umum, antara
lain: Image enhancement, yang dilakukan oleh
(Jianwei Yang, dkk., 2003) telah mempelopori
sebuah teknik memodifikasi sebuah Gabor filter,
dimana peneliti (Jianwei Yang, dkk., 2003)
terinspirasi dari Traditional Gabor Filter (TGF).
Dari hasil penelitiannya dikembangkan sebuah filter
baru yaitu Modified Gabor Filter (MGF). Dari hasil
modifikasi filter tersebut dapat mengurangi FRR 2%
dan FAR 0,01%. Fingerprint Matching using Gabor
Filters, yang dilakukan oleh (Muhammamd Umer
Munir dan Dr. Muhammmad Younas Javed, 2004)
dimana pencocokan sidik jari ini didasarkan pada
jarak Euclidean antara dua vektor fitur yang sesuai.
Keaslian penerimaan tingkat filter Gabor berbasis
matcher diamati ~ 10% sampai 15% lebih tinggi
daripada minutiae-based matcher dengan nilai ratarata rendah. Ekstraksi fitur sidik jari dan pencocokan
mengambil ~ 7,1 detik menggunakan Pentium IV,
prosesor 2,4 GHz.
Namun secara khusus pada peningkatan kualitas
citra sidik jari yang kotor masih kurang didalami.
Oleh karena itu, kami mengusulkan enhancement
citra sidik jari kotor menggunakan Hybrid method
dan Gabor Filter.

2. PENGOLAHAN CITRA DIGITAL

2.1 Citra Digital
Pengolahan citra adalah pemrosesan citra,
khususnya menggunakan komputer menjadi citra
yang kualitasnya lebih baik. Sebagai contoh, citra
sidik jari yang tampak agak gelap, lalu dengan
operasi pengolahan citra kontrasnya diperbaiki
sehingga menjadi lebih terang dan tajam seperti pada
Gambar 2.1.

(a)

(b)

Gambar 2.1 Pengolahan Citra Sidik Jari

(a) Citra Asli; (b) Hasil Pengolahan Citra Digital
(Maltoni, 2003)
Sebuah citra diubah ke bentuk digital agar dapat
disimpan dalam memori komputer atau media lain.
Proses mengubah citra ke bentuk digital bisa
dilakukan dengan beberapa perangkat, misalnya
scanner, kamera digital, dan handycam. Ketika
sebuah citra sudah diubah ke dalam bentuk digital
(selanjutnya disebut citra digital), bermacam-macam
proses pengolahan citra dapat diperlakukan terhadap
citra tersebut [3].
Teknik-teknik pengolahan
dilakukan sebagai berikut :

citra

digital

dapat

1.

Perbaikan kualitas citra (image enhancement).

Jenis operasi ini bertujuan untuk memperbaiki
kualitas citra dengan cara memanipulasi
parameter-parameter citra. Dengan cara operasi
ini, maka ciri-ciri khusus yang terdapat di dalam
citra dapat ditonjolkan. Contoh dari operasi ini
yaitu
perbaikan
kontras
(gelap/terang),
perbaikan tepi obyek (edge enhancement),
penajaman (sharpening), reduksi derau [4].

2.

Segmentasi citra (image segmentation). Jenis

operasi ini bertujuan untuk memecah dan
memilih suatu area ke dalam beberapa segmen
dengan suatu kriteria tertentu. Dalam operasi
ini, kasus yang sering terjadi terkait dengan
pengenalan pola. Misal segmentasi mata,
hidung, wajah atau yang lainnya.

2.2. Sidik Jari

Sidik jari adalah suatu bentuk pola garis (ridge)
pada permukaan sebuah ujung jari. Sebuah sidik jari
berkualitas baik dapat dibedakan berdasarkan polapola dan ciri-ciri (feature) yang menyediakan
ekstraksi
feature
yang
bermanfaat
untuk
pencocokan sidik jari. Sebuah algoritma pencocokan
sidik jari otomatis berbasis minutiae menggunakan
ciri-ciri yang membandingkan karakteristikkarakteristik ridge lokal (minutiae) dari dua sidik
jari.
Berdasarkan pola garis (ridge) dan lembah
(valley), sidik jari dapat diklasifikasikan menjadi
tiga kelas utama, yaitu: Arch, Loop dan Whorl
(Prabakar).[2]

(a)

(b)

(c)

Gambar 2.2 Klasifikasi Jenis Sidik Jari

(a) Arch,(b) Loop dan (c) Whorl
Dari klasifikasi ini dapat di bagi menjadi
beberapa subklasifikasi (prabhakar), yaitu :
1. Arch merupakan bentuk pokok sidik jari yang
semua garis-garisnya datang dari satu sisi
lukisan, mengalir atau cenderung mengalir ke
sisi yang lain dari lukisan itu, dengan
bergelombang naik ditengah-tengah. Arch
terdiri dari :
Plain Arch adalah bentuk pokok sidik jari
dimana garis-garis dating dari sisi lukisan
yang satu mengalir ke arah sisi yang lain,
dengan sedikit bergelombang naik
ditengah.
Tented arch adalah bentuk pokok sidik jari
yang memiliki garis tegak (upthrust), sudut
(angle) atau dua dan tiga ketentuan loop.
dari beberapa populasi arch mempunyai
presentasi sebesar 5%.
2. Loop adalah bentuk pokok sidik jari dimana
satu garis atau lebih datang dari satu sisi
lukisan, melereng, menyentuh atau melintasi
suatu garis bayangan yang ditarik antara delta
dan core, berhenti atau cenderung berhenti
kearah sisi semula. Loop dibagi menjadi left
loop, right loop dan double loop. Berbeda
dengan arch, jumlah individu yang
mempunyai klasifikasi loop sangat besar
yaitu sebesar 60 %
3. Whorl adalah bentuk pokok sidik jari,
mempunyai 2 delta dan sedikitnya satu garis
melingkar di dalam pattern area, terletak
diantara kedua delta. Pada klasifikasi ini
jumlah prosentasi individu sebesar 35%.
2.3. Enhancement Citra
Definisi dari enhancement citra adalah
berasal dari kata enhancement yang artinya
mempertinggi atau meningkatkan, jadi enhancement
citra memiliki arti secara utuh adalah mempertinggi
atau meningkatkan kualitas citra dengan metodemetode tertentu. Proses-proses dalam enhancement
citra terdiri dari sekumpulan teknik yang dilakukan
untuk meningkatkan tampilan visual dari sebuah
citra, atau untuk mengkonversikan citra ke dalam
bentuk yang lebih cocok untuk analisa mata manusia
atau analisa mesin. Untuk pemprosesan mesin,
definisi dari enhancement citra adalah untuk

menghentikan data-data yang hilang dalam ekstraksi

citra. Sebagai sebuah contoh, sebuah sistem
enhancement citra menguatkan garis tepi sebuah
citra dengan menggunakan filtering dengan
frekuensi tinggi. Gambar yang telah di-enhance
kemudian digunakan sebagai input ke dalam sebuah
mesin yang akan melacak garis tepi dari sebuah
objek dan mungkin saja membuat sebuah
pengukuran dari bentuk dan ukuran dari objek
tersebut.
Saat ini pada dasarnya tidak ada teori
penyatuan umum dari enhancement citra, karena
tidak ada standar umum dari kualitas citra yang
dapat digunakan sebagai desain ukuran untuk sebuah
enhancement processor citra.
2.4 Gabor Filter
Saat informasi ridge orientasi dan ridge
frekuensi telah di tentukan, parameter-parameter ini
digunakan untuk membentuk simetrik genap Gabor
Filter. Sebuah Gabor filter dua dimensi terdiri atas
dua gelombang sinusoida dari orientasi dan
frekuensi, di modulasikan oleh sebuah envelope
(sampul) Gaussian [9]. Gabor filter bekerja pada
frekuensi dan orientasi yang selektif sesuai sifatnya.
Sifat-sifat ini membuat filter di tuning agar
menghasilkan respon maksimal pada ridge orientasi
dan ridge frekuensi tertentu dalam pencitraan sidik
jari. Untuk itu, tuning yang sempurna dari gabor
filter dapat digunakan secara efektif untuk
mempertahankan struktur ridge saat terjadi
pengurangan noise.
Gabor filter simetrik genap adalah bagian nyata
dari fungsi gabor, yang diberikan oleh gelombang
cosinus yang di modulasi oleh Gaussian (Gambar
2.12). Gabor filter dalam domain spatial ditentukan
oleh [9]:

1 x 2' y 2'
G(x, y; , f ) = exp 2 + 2 cos(2fx ),
2 x' y '

2.1

x = x cos y sin ,

2.2

y = x sin + y cos ,

2.3

Dimana

adalah orientasi gabor filter, f adalah

frekuensi gelombang cosinus,

dan

adalah

deviasi standar sifat gaussian sepanjang sumbu

x dan y , dan x dan y mendefinisikan sumbu

x dan y dari koordinat filter.

y
x

Gambar 2.3 Gabor filter simetris genap dalam

spatial domain (Thai Raymond, 2003 )
Gabor Filter diterapkan pada citra sidik jari
secara spasial pada konvolusi citra dengan filter.
Konvolusi piksel (i, j ) pada citra memerlukan
kesesuaian orientasi nilai O(i, j ) dan nilai frekuensi
ridge F (i, j ) pada pikselnya . Oleh karena itu,
penerapan gabor filter G untuk memperoleh
peningkatan citra E dilakukan sesuai rumus:

E(i, j) =

wx
2

wy
2

G(u,v;O(i, j), F(i, j))N(i u, j v)

2.4

w
w
u= x v= y
2
2

dimana O adalah orientasi citra, F adalah frekuensi

ridge citra, N adalah citra sidik jari yang telah
dinormalkan, w x dan w y adalah lebar dan tinggi
dari mask Gabor filter.
Bandwidth filter, yang menentukan rentang
respon frekuensi filter, ditentukan oleh parameter
standar deviasi x dan y . Karena bandwidth
filter diatur untuk menyesuaikan frekuensi ridge
lokal, maka dapat disimpulkan bahwa pemilihan
parameter x dan y harus terkait dengan
frekuensi ridge. Namun, pada algoritma originalnya
Hong. dkk, x dan y secara empiris diatur pada
tetapan nilai masing-masing 4.0 dan 4.0.
Sebuah kelemahan menggunakan nilai yang
tetap adalah bahwa kekuatan untuk bandwidth selalu
konstan, tidak memperhitungkan variasi
yang
mungkin terjadi dalam nilai-nilai frekuensi ridge.
Misalnya, jika sebuah filter dengan bandwidth
konstan diterapkan untuk citra sidik jari yang mana
menunjukkan variasi yang signifikan pada nilai
frekuensi, dapat menyebabkan enhancement secara
non-uniform atau enhancement tambahan lainnya.
Dengan demikian, daripada menggunakan nilai
tetap, maka dipilih nilai x dan y menjadi fungsi
parameter frekuensi
sebagai berikut:

ridge,

x = k x F (i, j ),

yang didefinisikan
2.5

 y = k y F (i, j ),

2.6

Jika T =

C j maka:

dimana F merupakan frekuensi

k x adalah variabel konstan untuk

ridge citra,
x , dan k y

wj (baru) = wj (lama) + (x wj (lama))

adalah variabel konstan untuk

y . Hal ini

Jika

memungkinkan pendekatan yang lebih adaptif untuk

digunakan, sebagai nilai-nilai x dan y sekarang
dapat ditentukan secara adaptif sesuai dengan
frekuensi ridge lokal dari citra sidik jari.
Selanjutnya, dalam algoritma asal, lebar
dan tinggi dari mask filter sama-sama diatur pada
nilai tetap. Ukuran filter mengontrol luas spasial dari
filter, yang idealnya dapat secara umum
mengakomodasi manfaat informasi sinyal Gabor.
Namun, nilai filter yang tetap akan tidak optimal
karena tidak dapat mengakomodasi sinyal Gabor
dengan bandwidth yang berbeda. Oleh karena itu,
agar memungkinkan ukuran filter bervariasi secara
otomatis mengikuti bandwidth sinyal Gabor, maka
ditetapkan ukuran filter menjadi fungsi yang
memakai standar deviasi sebagai parameter:
`

wx = 6 x ,

2.7

wy = 6 y

2.8

2.5 Learning Vector Quantization (LVQ)

Merupakan suatu metode untuk melakukan
pelatihan terhadap lapisan-lapisan kompetitif yang
terawasi.Suatu lapisan kompetitif akan secara
otomatis belajar untuk mengklasifikasikan vektorvektor input.Jika dua vektor input memiliki nilai
yang mendekati atau hampir sama maka dalam
lapisan kompetitif akan mengenali kedua vektor
input tersebut pada kelas yang sama. Jadi LVQ
adalah metode untuk klasifikasi (pengelompokkan)
pola dan memiliki output yang mewakili dari kelas
tertentu.
Algoritma LVQ bertujuan akhir mencari nilai
bobot yang sesuai untuk mengelompokkan vektorvektor input kedalam kelas tujuan yang telah
diinisialisasi pada saat pembentukan Jaringan LVQ.
Sedangkan
algoritma
pengujiannya
adalah
menghitung nilai output, yang terdekat dengan
vektor input, atau dapat disamakan dengan proses
pengklasifikasian (pengelompokkan). Dimana nilai
vektor yang berdekatan dikelompokkan kedalam
kelas yang sama sesuai dengan hasil perhitungan
dengan mencari nilai kelas terdekat.
Perbaikan bobot pada metode Learning Vector
Quantization (LVQ) adalah:

2.9

T = C j maka :

w j (baru) = w j (lama) ( x w j (lama)) 2.10

4.

DATA DAN METODOLOGI

Secara umum, penelitian enhancement citra

sidik jari kotor ini melalui beberapa tahapan proses,
seperti ditunjukan dalam Gambar 3.1.

Gambar 3.1. Blok Diagram Penelitian

Pada penelitian ini, pengambilan data citra sidik
jari dilakukan dari berbagai latar belakang pekerjaan
subyek penelitian (mahasiswa, karyawan, buruh,
petani). Data sidik jari akan diambil dengan merujuk
pada pedoman pengambilan data Fingerprint
Verification Competition (FVC) Database-2 (DB2),
yakni menggunakan optical sensor fingerprint
U.are.U 4000 yang diproduksi oleh digital persona
dengan mendapatkan ukuran citra 208x154 piksel
grayscale dalam format bitmap. Data diambil dari
ibu jari 20 orang dengan 10 sampel per jari (200
citra sidik jari).
Pengambilan sidik jari kotor, terlebih dahulu
melalui tahapan dengan memberikan tinta atau debu
yang disesuikan dengan seberapa kepekaan scan
dapat membaca data sidik jari. Bila sidik jari terlalu
kotor,maka data sidik jari tidak dapat dibaca oleh
scan fingerprint. Gambar 3.2 merupakan contoh
citra sidik jari kotor yang diambil dengan scan
fingerprint U are U 4000.

Gambar 3.2 Contoh Data Sidik Jari Kotor

Selanjutnya data sidik jari di proses dalam beberapa

tahap, antara lain :
1. Normalisasi
2. Binarisasi
3. Gabor Filter
4. Thinning
5. Minutiae Extraction, dan
6. Learning Vector Quantization (LVQ)

Sebuah citra grayscale adalah mempunyai jumlah

tingkat satu grayscale yang spesifik. Untuk 8 bit
citra grayscale bisa merepresentasikan 28 - 1 = 255
intensitas atau tingkat abu-abu. Pada penelitian ini
dilakukan dengan memakai beberapa nilai threshold
dengan tujuan untuk melihat mana yang terbaik
dalam proses binarisasi. Adapun nilai threshold yang
di pilih antara lain 130, 150 dan 160.

5. HASIL DAN PEMBAHASAN

Pada penelitian ini diperoleh hasil sebagai berikut:
4.1. Pengujian Normalisasi
Proses
normalisasi
dilakukan
untuk
menstandartisasi
atau
menyeragamkan
nilai
intensitas citra sidik jari kotor dengan menyesuaikan
cakupan derajat keabuan sehingga berada pada
cakupan nilai yang diharapkan. Gambar 4.1
merupakan hasil dari normalisasi suatu citra sidik
jari yang mempunyai nilai mean nol dan variance
satu. Histogram citra asli yang ditunjukkan pada
Gambar 4.1(c) menggambarkan bahwa semua nilai
piksel tidak merata pada intensitas citra 0-255.
Setelah melalui proses normalisasi maka nilai
jumlah piksel di rata-ratakan sepanjang nilai
intensitas seperti yang di tunjukkan pada Gambar
4.1 (d). Pada histogram di perlihatkan adanya
penyeragaman nilai piksel gelap dan terang. Oleh
karena itu normalisasi citra diperlukan untuk
meningkatkan kontras antara ridge dan valley pada
citra sidik jari.

(a)

(b)

(c)

(d)

Gambar 4.1 Hasil Normalisasi Cita

(a) Citra Asli; (b) Citra Ternormalisasi;
(c)Histogram dari Citra Asli; (d) Histogram dari
Citra Ternormalisasi

(a)

(c)

(d)

Gambar 4.2 Hasil Binarisasi dengan Nilai

Threshold Berbeda (a) Citra Asli; (b) Threshold
130; (c) Threshold 150; (d) Threshold 160
4.3. Pengujian Thinning
Setelah melalui beberapa tahapan segmentasi
yaitu normalisasi dan binarisasi maka selanjutnya
citra sidik di thinning. Penerapan algoritma thinning
pada citra sidik jari yang mempertahankan
konektivitas sementara struktur ridge akan
membentuk bagian penulangan (skeleton) dari citra
biner. Skeleton citra ini kemudian digunakan dalam
ekstraksi minutiae selanjutnya. Gambar 4.3
memperlihatkan hasil proses thinning.

Gambar 4.3 Hasil Proses Thinning

4.2. Pengujian Binerisasi

Binarisasi adalah proses dimana citra grayscale
ditingkatkan ke dalam suatu konversi citra biner.

(b)

4.4 Enhancement dengan Gabor Filter

Pada penelitian ini proses enhancement di

lakukan dengan menggunakan gabor filter, dimana
citra sidik jari yang telah ternormalisasikan di
konvolusi dengan 8 buah Filter Gabor dengan arah
orientasi yang berbeda (0o, 22.5o, 45o, 67.5o, 90o,
112.5o, 135o, 157.5o). Sehingga pada akhirnya
terbentuk 8 buah citra baru terfilterisasi. Hasil dari
proses orientasi Gabor filter untuk enhancement
sperti yang ditunjukkan pada Gambar 4.4. Pada
penelitian nilai deviasi ditetapkan sebesar 32 dan
k = 10, dimana k adalah nilai perioda.

4.5 Learning Vector Quantization (LVQ)

Untuk
mengukur
tingkat
keberhasilan
enhancement citra sidik jari kotor pada penelitian
ini, digunakan metode Learning Vector Quantization
(LVQ).
Pengujian
ini
dilakukan
dengan
menggunakan 4 citra sebagai pelatihan pada setiap
kelasnya. Adapun jumlah kelas pada pengujian ini
seluruhnya 20 kelas dengan tiap kelas terdiri dari 10
citra. Adapun hasil dari LVQ ditunjukkan pada tabel
4.1.
Tabel 4.1 Hasil dari Learning Vector Quantization
(LVQ).
Data
Citra

(a) Citra Asli

Input

Dikenali

Tidak
dikenali

Sebelum
Enhancement

43

86

Setelah
Enhancement

43

86

Sebelum
Enhancement

83

17

83

Setelah
Enhancement

87

13

87

Sebelum
Enhancement

125

25

83.3

Setelah
Enhancement

124

26

82.3

Sebelum
Enhancement

165

35

82.5

Setelah
Enhancement

164

36

82

50

100
(b) 0

(c) 22.5

(c) 45

150

(e) 67.5o

(g) 135o

(e) 90o

(h) 157.5o

(f) 112.5o

200

(i) Citra
Enhancemnet

Gambar 4.4 Hasil Proses 8 Orientasi Gabor Filter

Untuk tampilan Gabor Filter simetris genap untuk
= 22.5o seprti diperlihatkan pada Gambar 4.5.
x

Gambar 4.6 Grafik Pengujian LVQ

x

5. KESIMPULAN
y

(a)

(b)

Gambar 4.5 Hasil Gabor Filter Simetris Genap

(a) Tampilan Posisi 0o ; (b) Tampilan Posisi 22.5o

Berdasarkan uji coba dan analisis hasil pengujian

terhadap citra sidik jari kotor dengan menggunakan
hybrid morphology dan gabor filter untuk
mendapatkan citra yang ter-enhancement, dapat
disimpulkan sebagai berikut :

1.

2.

Dari hasil penelitian yang dilakukan untuk

enhancement citra sidik jari yang terbaik
menggunakan 8 orientasi, yaitu 0o, 22.5o, 45o,
67.5o, 90o, 112.5o, 135o, 157.5o.
Untuk
mengukur
tingkat
keberhasilan
enhancement citra sidik jari kotor pada
penelitian ini, digunakan metode Learning
Vector Quantization (LVQ). Dari hasil
diperoleh tingkat keberhasilan pengenalan
adalah 87%.
DAFTAR REFERENSI

[1] Arun, R. Jain, A. dan Resimen, J., 2002, A

Hybrid Fingerprint Matcher, Proceedings Of
International
Conference
on
Pattern
Recognition (ICPR), Quebec City, hal. 11-15.
[2] Chaohong Wu, Zhixin Shi, Fingerprint Image
Enhancement Method Using Directional
Median Filter
[3] D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar,
2003, Handbook of Fingerprint Recognition,
Springer, New York.
[4] Jianwei Yang, Lifeng Liu, Tianzi Jiang, 2003. A
modified Gabor filter design method for
fingerprint image enhancement. 1805-1817,
National Laboratory of Pattern Recognition,
Institute of Automation, Chinese Academy of
Sciences

[5] Mehtre, B. M. 1993. Fingerprint Image Analysis

for outomatic Identification. Machine Vision
and Application 6. (124-139).
[6] Munir, Umer Muhammad; Javed,Younas
Muhammad, 2004. Fingerprint Matching
Using Gabor Filter.
[7] Peng Yang et.al. 2002, Face Recognition Using
Ada-Boosted Gabor Feature. Institute of
Computing Technology of Chinese Academy
Science and Microsoft Research Asia, China
[8] Rafel C. Gonzalez, Richard E. Woods. 2002.
Digital Image Processing (Second Edition).
Prentice-Hall. New Jersey.
[9] Thai Raymond. 2003. Fingerprint Image
Enhancement and Minutiae Extraction. The
University of Western Australia.
[10] Usman Ahmad. 2005. Pengolahan Citra Didital
dan Teknik Pemrogramannya, Graha Ilmu,
Yokyakarta.
[11] Vincent Levesque, 2003, Texture Segmentation
Using Gabor Filters, Center For Intelligent
Machines, McGill University
[12] Yiang Zhang, Yuhua Jiao, A Fingerprint
Enhancement Algorithm using a Federated
Filter.