Anda di halaman 1dari 41

SISTEM VERIFIKASI BIOMETRIKA

TELAPAK TANGAN

1.
2.
3.
4.

Dandy Pramana Hostiadi (1291761009)


Muhammad Riza Hilmi (1291761010)
I Gusti Rai Agung Sugiartha (1291761017)
I Gede Muriarka (1291761018)

PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
2013

KATA PENGANTAR

ii

DAFTAR ISI
KATA PENGANTAR.............................................................................................ii
DAFTAR ISI..........................................................................................................iii
DAFTAR GAMBAR..............................................................................................v
DAFTAR TABEL..................................................................................................vi
BAB I PENDAHULUAN.......................................................................................1
1.1.

Latar Belakang............................................................................... 1

1.2.

Pengertian Biometrika.....................................................................1

1.3.

Tahapan Biometrika........................................................................3

1.4.

Persiapan Perangkat.......................................................................4

1.5.

Gambaran Umum Sistem.................................................................6

1.6.

Akuisisi Data................................................................................. 6

BAB II PREPOCESSING.....................................................................................9
2.1.

Segmentasi ROI dari telapak tangan..................................................9

2.2.

Grayscale.................................................................................... 11

2.3.

Median Filter (Noise Removal).........................................................12

2.4.

Thresholding................................................................................ 14

BAB III FITUR EKSTRAKSI............................................................................17


3.1 Ekstraksi Ciri.................................................................................. 17
3.1.1 Definisi Ekstraksi.......................................................................17
3.1.2 Tujuan Ekstraksi........................................................................18
3.2 Metode Fitur Ekstraksi.....................................................................19
3.2.1 Metode Gabor............................................................................19
3.2.2 Metode Fraktal..........................................................................20
3.2.3 Penerapan Metode Fraktal...........................................................23

BAB IV PENDAFTARAN CITRA LATIH DAN VERIFIKASI.....................26


4.1

Simpan Data Ke Database..............................................................26

4.2

Proses Verifikasi...........................................................................26

4.2.1 Perhitungan Similarity...............................................................27


4.2.2 Pengujian................................................................................. 28
4.3

Rancangan Aplikasi.......................................................................31

iii

DAFTAR PUSTAKA...........................................................................................34

iv

DAFTAR GAMBAR
Gambar 1. 2 Alat Akuisisi Citra Tangan (Darma Putra :2011)..................................5
Gambar 1. 3 Gambaran umum sistem................................................................6
Gambar 1. 4 Akuisisi citra , (a) Tanpa Pasak , (b) Dengan Pasak...............................7
Gambar 1. 5 Ekstraksi ROI Telapak Tangan........................................................8
Gambar 2. 1 Terdapat titik pada citra yang menunjukan sebagai Interest Point
(mybook.jnox.net)............................................................................... 9
Gambar 2. 2 Region of Interest dari citra tangan.................................................10
Gambar 2. 6 Proses noise removal..................................................................14
Gambar 3. 1 Tahapan Pembentukan Kode Telapak Tangan dengan Tapis Gabor..........20
Gambar 3. 2 Tapis Pendeteksi garis dari kiri ke kanan berturut-turut untuk arah 0 0, 450,
900, 1350......................................................................................... 23
Gambar 3. 3 Tahapan Pemisahan ciri dengan metode dimensi dan derajat kekosongan
fraktal(Darma Putra, 2009)...................................................................25
Gambar 4. 1 Input biner citra ke dalam database................................................26
Gambar 4. 2 Langkah-langkah proses verifikasi.................................................26
Gambar 4. 3 Akurasi pencocokan, ROI 128x128 pixel, tanpa translasi 1 pixel, tapis 9x9
dengan Hamming.............................................................................. 30
Gambar 4. 4 Akurasi pencocokan, ROI 128x128 pixel, dengan translasi 1 pixel, tapis 9x9
dengan Hamming.............................................................................. 30
Gambar 4. 5 Tampilan Utama.......................................................................31
Gambar 4. 6 Tampilan Input Telapak Tangan ke Database....................................32
Gambar 4. 7 Tampilan Notifikasi Penambahan Database......................................32
Gambar 4. 8 Tampilan Lihat Database.............................................................33
Gambar 4. 9 Tampilan Verifikasi Telapak Tangan...............................................33

DAFTAR TABEL
Tabel 4. 1 Perbandingan Citra Uji dengan Citra Database dengan Hamming..............28
Tabel 4. 2 Tingkat Akurasi (%) ROI 128 X 128 pixel dengan Hamming....................29

vi

BAB I
PENDAHULUAN
1.1. Latar Belakang
Sistem pengenalan diri secara otomatis dengan telapak tangan
merupakan teknologi biometrika yang masih relatif baru. Permasalahan
utama dalam sistem pengenalan dengan telapak tangan adalah bagaimana
memperoleh ciri telapak tangan tersebut (Darma Putra : 2009).
Menurut Darma Putra sebuah sistem pengenalan

bertujuan

memecahkan identitas seseorang. Terdapat dua tipe sistem pengenalan, yaitu


sistem verifikasi dan identifikasi. Sistem verifikasi bertujuan untuk
menerima atau menolak identitas yang diklaim oleh seseorang, sedangkan
sistem identifikasi bertujuan untuk memecahkan identitas seseorang. Sistem
verifikasi pada dasarnya menjawab pertanyaan Apakah identitas saya sama
dengan identitas yang saya sebutkan ?, sedangkan sistem identifikasi pada
dasarnya menjawab pertanyaan identitas siapakah ini ?. Dari sudut
pandang kompleksitas, sistem verifikasi lebih sederhana karena hanya
mencocokan satu masukan dengan satu data acuan (pencocokan 1 : 1),
sedangkan sistem identifikasi mencocokan satu masukan dengan banyak
data acuan (pencocokan 1 : M).
1.2. Pengertian Biometrika
Dalam Wikipedia , biometrik (berasal dari bahasa Yunani bios yang
artinya hidup dan metron yang artinya mengukur) adalah studi tentang
metode otomatis untuk mengenali manusia berdasarkan satu atau lebih
bagian tubuh manusia atau kelakuan dari manusia itu sendiri yang meiliki
keunikan. Dalam dunia teknologi informasi, biometrik relevan dengan
teknologi yang digunakan untuk menganalisa fisik dan kelakuan manusia
untuk autentifikasi. Contohnya dalam pengenalan fisik manusia yaitu
dengan pengenalan sidik jari, retina, iris, pola dari wajah (facial patterns),

tanda tangan dan cara mengetik (typing patterns). Dengan suara adalah
kombinasi dari dua yaitu pengenalan fisik dan kelakuannya.
Sistem Biometrika merupakan teknologi pengenalan diri dengan
menggunakan bagian tubuh atau perilaku manusia. Sidik jari dan tanda
tangan, masing-masing contoh biometrika berdasarkan bagian tubuh dan
tingkah laku manusia. Keduanya telah digunakan dalam teknologi bimetrika
dan telah diaplikasikan luas dewasa ini. Sistem pengenalan diri adalah
sistem untuk mengenali identitas seseorang secara otomatis dengan
menggunakan teknologi komputer. Sistem akan mencari dan mencocokkan
identitas seseorang dengan suatu basis data acuan, yang telah disiapkan
sebelumnya melalui proses pendaftaran data latih. Contohnya sistem
pengenalan pelaku kejahatan menggunakan sidik jari. Berdasarkan sidik jari
pelaku kejahatan, sistem akan secara otomatis mencari identitas pelaku pada
basis data kejahatan.
Contoh penggunaan biometrika :
1. Fingerprint Verification, adalah produk dari biomatriks yang paling
dikenal. Produk scanning sidik jari adalah jenis yang paling umum.
Sebagai mana yang telah diterapkan, sidik jari menawarkan
potensial

keakuratan

yang

tinggi.

Namun

ada

beberapa

permasalahan potensial yang dapat muncul, misalnya ada luka atau


kotoran pada jari dan hal ini menyebabkan tidak dapat dikenalinya
sidik jari tersebut. Beberapa scanner sidik jari akan men-scan
denyut nadi seperti halnya jari.
2. Voice Recognition mungkin metode yang paling diinginkan
pemakai karena semua orang ingin berbicara dengan computer.
Dalam prakteknya, penerapan voice recognition sangat sulit.
Kemajuan terbaru dalam pengenalan suara sudah sangat meningkat
termasuk teknologi ini, dan ini masih subjek permasalahan.
Akuistik lokal, suara latar, kualitas mikropon, pilek/ flu, dan
kemarahan semua ini bisa mengubah suara manusia sehingga
membuat/ mempengaruhi pengenalan suara sulit atau mustahil
untuk dideteksi keabsahannya. Lebih lanjut, sistem voice

recognition cenderung memakan waktu dan prosesnya sangat sulit


dan memerlukan banyak ruang untuk penyimpanan.
3. Retinal Scanning, menyediakan keakuratan yang tinggi. Pola
retinal adalah ciri khusus yang sangat tinggi. Setiap mata
mempunyai pola pembuluh darah yang unik; bahkan mata yang
identik kembar juga berbeda. Walaupun masing-masing pola secara
normal dapat terpengaruh oleh karena suatu penyakit seperti
glaukoma, kencing manis, tekanan darah tinggi, dan lain-lain
1.3.
Tahapan Biometrika
Dalam pemrosesan Biometrika telapak tangan secara umum terdiri dari
Beberapa tahapan antara lain :
1. Akuisisi data
Akuisisi data pada biometrika telapak tangan adalah tahap awal untuk
mendapatkan citra digital telapak tangan. Tujuan akuisisi citra sendiri
adalah untuk menentukan data yang diperlukan dan memilih metode
perekaman citra digital. Tahap ini dimulai dari objek yang akan
diambil gambarnya yang tidak lain adalah telapak tangan, persiapan
alat-alat, sampai pada akuisisi citra telapak tangan.
2. Preposessing
Preprosessing adalah proses mempersiapkan citra hasil akuisisi
menjadi citra yang nantinya siap diolah.
3. Ekstraksi Ciri
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan
dari masingmasing pola. Pola yang memiliki model yang sama tetapi
dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan.
enghitungannya adalah dengan menggerakkan setiap pola model di
atas pola biner citra tandatangan, dengan patokan titik berbentuk
lingkaran penuh. Titik ini digeser secara teratur satu grid ke arah
horisontal atau vertikal, sampai semua titik terlewati. Pada setiap
pergeseran dilakukan pembandingan terhadap ruang yang dilingkupi
oleh model tersebut, jika sama maka frekuensi pola model tersebut
ditambahkan. Misalkan citra telapak tangan dilambangkan dengan f

dan terdapat p pola model maka citra telapak tangan tersebut dapat
diekspresikan sebagai vektor kolom x berdimensi p.
4. Pendaftaran ke basis data
Pendaftaran basis data adalah proses melakukan penyimpanan citra
sampel ke dalam basis data yang nantinya akan digunakan dalam
proses verifikasi.
5. Verifikasi
Verifikasi adalah proses pemeriksaan kesesuaian antara logika
operasional model (program komputer) dengan logika diagram alur.
Verifikasi dari suatu model ini memeriksa penerjemahan model
matematis konseptual (diagram alur dan asumsi) ke dalam bahasa
pemrograman secara benar.
1.4.

Persiapan Perangkat
Sebelum memulai tahapan akuisisi data hal yang dapat dilakukan
adalah mempersiapkan perangkat. Adapun perangkat yang dapat
digunakan antara lain seperti pada penelitian yang dilakukan oleh
Darma Putra dan Ari Sentosa tahun

2011 dengan judul penelitian

Verifikasi Biometrika Geometri Tangan Dengan Metode Chain Code :

Gambar 1. 1 Alat Akuisisi Citra Tangan (Darma Putra :2011)


Seperti yang terlihat dalam Gambar 1.1, perangkat yang dibangun
menggunakan kotak yang didalamnya berisi lampu. Fungsi lampu adalah
menjaga intensitas cahaya dalam kotak pada saat pengambilan citra. Pada

saat pengambilan citra yang akan dilakukan nanti, pada posisi tempat
telapak tangan menggunakan bantuan pasak. Pasak yang digunakan
berfungsi untuk mengatur posisi telapak tangan agar tidak bergeser.
Sehingga hasil pengambilan dalam akuisisi data tidak bergeser.
Adapun dalam penelitian lain yang dilakukan oleh Darma Putra ,dkk
pada tahun 2011 dengan judul Pembentukan Kode Telapak Tangan (Palm
Code) Berbasis Metode Gabor 2D, persiapan perangkat dilakukan dengan
menggunakan peralatan yang berbeda dari penelitian sebelumnya. Dalam
penelitian ini, Darma Putra dkk menggunakan 2 papan sebagai tempat posisi
telapak tangan. Papan pertama merupakan papan yang tidak menggunakan
pasak, dan papan kedua menggunakan pasak yang diatur pada posisi
tertentu. Pada papan yang tidak menggunakan pasak akan lebih leluasa
menempatkan tangan, sedangkan pada papan yang menggunakan pasak
akan mengatur posisi telapak tangan pengguna sehingga kesalahan orientasi,
translasi dan perenggangan relatif kecil. Perbedaan model papan tersebut
bertujuan untuk menguji metode segmentasi ROI (Region of Interest).
Seluruh citra telapak tangan diperoleh dengan menggunakan kamera digital
Sony DSC P72 dengan resolusi 640 x 480 pixels.
1.5.

Gambaran Umum Sistem

Gambar 1. 2 Gambaran umum sistem


Pada gambaran umum sistem (gambar 1.2) terlihat terdapat empat proses
utama, yaitu akuisisi citra telapak tangan, proses preposessing citra,
ekstraksi ciri serta proses pendaftaraan dan verifikasi citra. Untuk penjelasan
detailnya akan dijelaskan pada bagian dan bab berikutnya.

1.6.

Akuisisi Data
Proses pada tahap akuisisi data adalah hal yang paling terpenting karena

untuk mendapatkan citra digital dari telapak tangan akan menentukan hasil
pengolahan citra. Menurut Darma Putra dalam bukunya yang berjudul
Sistem Biometrika, disebutkan bahwa ada 16 pasangan titik yang
merepresentasikan jumlah variabel sebagai ciri geometri tangan seseorang.
Dari pasangan-pasangan titik tersebut akan dilakukan perhitungan jarak
euclidian agar diperoleh nilai masing-masing variabel. Untuk menentukan
lokasi titik-titik tersebut dibutuhkan bantuan dari lokasi titik-titik pasak.
Selain bantuan dari titik-titik pasak, metode lain yang digunakan adalah
dengan memanfaatkan nilai derajat keabuan dari tiap-tiap piksel gambar.
Karena dengan melihat nilai derajat keabuan setiap piksel akan dapat
diketahui bagian mana yang termasuk citra geometri tangan (skala keabuan
rendah) dan bagian mana yang termasuk background-nya (skala keabuan
tinggi). Contoh Pengambilan akuisisi citra telapak tangan adalah seperti
gambar berikut yang diambil dari penelitian Darma Putra tahun 2011 pada
judul penelitian Pembentukan Kode Telapak Tangan (Palm Code) Berbasis
Metode Gabor 2D :

(a)

(b)

Gambar 1. 3 Akuisisi citra , (a) Tanpa Pasak , (b) Dengan Pasak


(Darma Putra, dkk : 2011)

Gambar 1.3 menunjukkan proses akuisisi citra telapak tangan. Pada


akuisisi citra (a) menunjukkan posisi telapak tangan tanpa pasak. Tidak
adanya pasak dapat mempengarui posisi pergeseran ROI (dalam tahap
preprocessing). Sedangkan akuisisi citra (b) menunjukkan telapak tangan
dengan pasak. Tujuan digunakannya pasak adalah untuk menjaga posisi
penentuan titik ROI.
Berdasarkan penelitian yang dilakukan Darma Putra, dari proses
akuisisi citra telapak tangan di atas, akan dilanjutkan ke tahapan berikutnya
yaitu tahap preprocessing. Pada tahap preprocessing nanti, secara garis
besarnya akan dilakukan pengambilan citra hanya pada telapak tangan
seperti gambar berikut :

Gambar 1. 4 Ekstraksi ROI Telapak Tangan


(Darma Putra,dkk : 2011)

BAB II
PREPOCESSING
Pada bab ini akan membahas proses preposessing dalam pengolahan
citra telapak tangan. Preposessing adalah tahapan proses untuk mengolah
citra sebelum proses ekstrasksi fitur. Tahapan dari proses preposessing
adalah segmentasi telapak tangan menggunakan segmentasi ROI (Region of
Interest) kemudian dilanjutkan dengan menghilangkan noise pada citra
dengan mengggunakan median filter dan proses yang terakhir dari proses ini
adalah proses thresholding. Berikut adalah penjabaran dari tahapan
pengolahan citra tersebut :
2.1. Segmentasi ROI dari telapak tangan
ROI atau Region of Interest adalah sebuah proses untuk menentukan
titik objek dari citra yang akan diolah dan kemudian akan mengambil
beberapa bagian dari citra tersebut proses ini hampir sama dengan proses
croping pada citra. Langkah pertama yang harus dilakukan adalah
menentukan Interest Point pada citra. Interest Point pada citra dapat
dicontohkan seperti gambar berikut :

Gambar 2. 1 Terdapat titik pada citra yang menunjukan sebagai Interest


Point (mybook.jnox.net)

Setelah menentukan Interest Point tahapan berikutkan adalah


menentukan Region of Interest (ROI), menentukan ROI dapat dilakukan
dengan membuat area disekitar Interest Point dengan ukuran yang sudah
ditektukan, misalnya 80 x 80 pixel, 100 x 100 pixel yang dapat disesuaikan
dengan keperluannya. Berikut ini adalah ROI yang dibuat disekitar Interest
Point :

Gambar 2. 2 Region of Interest dari citra tangan


(mybook.jnox.net)
Langkah terakhir adalah melakukan pemotongan citra dalam area
Region of Interest (ROI) atau disebut dengan proses cropping. Proses ini
akan mengambil area yang terdapat didalam area ROI. Berikut ini adalah
gambar citra yang sudah dilakukan proses cropping.

Gambar 2. 3 Citra telapak tangan hasil cropping (mybook.jnox.net)

2.2. Grayscale
Proses awal yang banyak dilakukan dalam image processing adalah
mengubah citra berwarna menjadi gray-scale. Hal ini digunakan untuk
menyederhanakan model. Citra berwarna terdiri dari 3 layer matrik yaitu Rlayer, G-layer, dan B-layer sehingga untuk melakukan proses selanjutnya
tetap diperhatikan tiga layer tadi. Dalam citra ini tidak ada lagi warna yang
ada hanya derajat keabuan.
Untuk mengubah citra berwana menjadi Gray-scale digunakan rumus
sebagai berikut:
x = (r + g + b) /3

(2.1)

Keterangan
x = hasil grayscale citra
r = nilai pixel warna merah
g = nilai pixel warna hijau
b = nilai pixel warna biru
Contohnya :
Misalnya sebuah pixel diambil dari citra pada posisi (x,y) yang diambil
nilai pixel Red, Green dan Blue-nya. Dan didapatkan hasil R=120, G=78
dan B=140 maka nilai dari gray-scale citra tersebut adalah :
x = (120 + 78 + 140) / 3
x = 338 / 3
x = 113
Dengan mendapatkan nilai pixel 113 dari hasil gray-scale, maka pada citra
dengan posisi (x,y) akan diganti dengan angkat tersebut. Dan proses tersebut
akan terus dilakukan secara berulang sampai semua pixel citra mengalami
proses gray-scale.

10

Untuk melakukan ujicoba proses Gray-scale, kami menggunakan


sebuah aplikasi yang dirancang menggunakan visual studio, berikut adalah
gambaran prosesnya :

Gambar 2. 4 Proses Grayscale Citra


2.3. Median Filter (Noise Removal)

Sesuai dengan namanya, median filter merupakan suatu metode yang


menitik beratkan pada nilai median atau nilai tengah dari jumlah total nilai
keseluruhan pixel yang ada di sekelilingnya. Dimisalkan terdapat data A=1,
B=5, C=2, D=9, dan E=7, maka median filter akan mencari nilai tengah dari
semua data yang telah diurutkan terlebih dahulu dari yang paling kecil
hingga pada data yang paling besar dan kemudian diambil nilai tengahnya
(1, 2, 5, 7, 9). Median dari deret tersebut adalah 5. Pemrosesan median filter
ini dilakukan dengan cara mencari nilai tengah dari nilai pixel tetangga yang
mempengaruhi pixel tengah. Teknik ini bekerja dengan cara mengisi nilai
dari setiap pixel dengan nilai median tetangganya. Proses pemilihan median

11

ini diawali dengan terlebih dahulu mengurutkan nilai-nilai pixel tetangga,


baru kemudian dipilih nilai tengahnya

Gambar 2. 5 Block Diagram Alur Kerja Median Filter


(Wiwin Sulistyo,dkk, 2009)

Pengurutan akan menghasilkan nilai dari yang terkecil sampai nilai


yang terbesar sesuai dengan P(1) < P(2) < P(3) < P(n), sedangkan nilai

m sesuai dengan rumus

dimana n bernilai ganjil.

Gambar 2. 6 Contoh Penerapan Median Filter


(Wiwin Sulistyo,dkk, 2009)

Hasil

dari

didapatkan

pengurutan

data

pada

contoh

(Gambar

2.6)

urutan 25, 33, 38, 45, 45, 45, 54, 57, 98. Dari hasil

ini akan diambil nilai median yang memiliki nilai 45.

12

Untuk ilustrasinya adalah sebagai berikut, hasil dari citra sebelumnya noisenya akan dikurangi agar proses selanjutnya sudah bersih dari noise :

Gambar 2. 3 Proses noise removal


2.4. Thresholding
Thresholding adalah proses mengubah citra berderajat keabuan
menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana
yang termasuk obyek dan background dari citra secara jelas (Affi Nur
Hidayah, 2009). Citra hasil thresholding biasanya digunakan lebih lanjut
untuk proses pengenalan obyek serta ekstraksi fitur. Metode thresholding
secara umum dibagi menjadi dua, yaitu :

13

1.

Thresholding global

Thresholding

dilakukan

dengan

mempartisi

histogram

dengan

menggunakan sebuah threshold (batas ambang) global T, yang berlaku


untuk seluruh bagian pada citra.
2.

Thresholding adaptif

Thesholding dilakukan dengan membagi citra menggunakan beberapa


sub citra. Lalu pada setiap sub citra, segmentasi dilakukan dengan
menggunakan threshold yang berbeda.
Yang menjadi fokus dalam tugas akhir ini adalah metode
thresholding

global.

Thresholding

diimpelementasikan

setelah

dilakukan proses perbaikan kontras citra menggunakan fungsi


Contrast-limited

adaptive

histogram

equalization

(CLAHE).

Thresholding dikatakan global jika nilai threshold T hanya bergantung


pada f(x,y), yang melambangkan tingkat keabuan pada titik (x,y) dalam
suatu citra. Berikut ini akan disajikan contoh partisi histogram untuk
memperoleh threshold dalam Gambar 2.7.

Gambar 2. 7 Contoh partisi histogram untuk memperoleh nilai thresholding

memperoleh nilai thresholding (Affi Nur Hidayah, 2009)

14

Histogram yang berada pada Gambar 2.7 mewakili citra f(x,y) yang
tersusun atas obyek terang di atas background gelap. Pixel - pixel obyek dan
background dikelompokkan menjadi dua mode yang dominan. Cara untuk
mengekstraks obyek dari background adalah dengan memilih nilai threshold
T yang memisahkan dua mode tersebut. Kemudian untuk sembarang titik
(x,y) yang memenuhi f(x,y) > T disebut titik obyek, selain itu disebut titik
background. Kesuksesan metode ini bergantung pada seberapa bagus teknik
partisi histogram. Citra hasil thresholding dapat didefinisikan sebagaimana
persamaan berikut :
(2.2)

15

BAB III
FITUR EKSTRAKSI
Suatu citra yang merupakan hasil dari proses akuisisi data akan
diproses mempunyai beberapa ciri dan tekstur yang akan disimpan dalam
basis data citra. Pola yang ditemukan ini dinamakan tekstur. Tekstur
merupakan karakteristik instrinsik dari suatu citra yang terkait dengan
tingkat kekasaran (roughness), granularitas (granulation), dan keteraturan
(regularity) susunan structural piksel. Aspek tekstural dari sebuah citra dapat
dimanfaatkan sebagai dasar segmentasi, klasifikasi, maupun interetasi citra.
Analisis tekstur bekerja dengan mengamati pola ketetanggaan antar
piksel dalam domain spasial. Dua persoalan yang seringkali berkaitan
dengan analisis tekstur adalah:
1. Ekstraksi Ciri
Ekstraksi ciri merupakan langkah awal dalam melakukan klasifikasi dan
interpretasi citra. Proses ini berkaitan dengan kuantisasi karakteristik citra
ke dalam sekelompok nilai ciri yang sesuai.
2. Segmentasi citra
Segmentasi citra merupakan proses yang bertujuan untuk memisahkan
suatu daerah pada citra dengan daerah lainnya. Berbeda dengan pada citra
non-tekstural, segmentasi citra tekstural tidak dapat didasarkan pada
intensitas piksel per piksel, tetapi perlu mempertimbangkan perulangan pola
dalam suatu wilayah ketetanggaan lokal.
3.1 Ekstraksi Ciri
3.1.1 Definisi Ekstraksi
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan
dari masing-masing pola. Pola yang memiliki model yang sama tetapi
dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan.
Penghitungannya adalah dengan menggerakkan setiap pola model di atas
pola biner citra telapak tangan, dengan patokan titik berbentuk lingkaran

16

penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau
vertikal, sampai semua titik terlewati. Pada setiap pergeseran dilakukan
pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jika
sama maka frekuensi pola model tersebut ditambahkan. Misalkan citra
telapak tangan dilambangkan dengan f dan terdapat p pola model maka citra
tandatangan tersebut dapat diekspresikan sebagai vektor kolom x
berdimensi p.(Furht Marues, 2002)
Ekstraksi ciri adalah tahap untuk mendapatkan frekuensi kemunculan
dari masing-masing pola. Pola yang memiliki model yang sama tetapi
dengan nomor urut berbeda, frekuensi kemunculannya dijumlahkan.
Penghitungannya adalah dengan menggerakkan setiap pola model di atas
pola biner citra telapak tangan, dengan patokan titik berbentuk lingkaran
penuh. Titik ini digeser secara teratur satu grid ke arah horisontal atau
vertikal, sampai semua titik terlewati. Pada setiap pergeseran dilakukan
pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jika
sama maka frekuensi pola model tersebut ditambahkan. Misalkan citra
tandatangan dilambangkan dengan f dan terdapat p pola model maka citra
tandatangan tersebut dapat diekspresikan sebagai vektor kolom x
berdimensi p.(Edi Sugiarto, 2010)
3.1.2 Tujuan Ekstraksi
Ektraksi ciri atau fitur ekstrasi bertujuan untuk mengenali dan
mengklasifikasikan citra ke dalam beberapa objek sesuai dengan fiturnya
masing-masing. Pola yang ditemukan digunakan untuk mencari daerah fitur
yang signifikan pada citra tergantung pada karakteristik intrinsik dan
aplikasi. Wilayah tersebut dapat diwakilkan oleh bentuk, tekstur, ukuran,
intensitas, sifat statistic dan sebagainya. Metode ekstraksi fitur Lokal dibagi
menjadi intensitas sesuai dan struktur berbasis. Intensitas metodeberbasis
analisis

pola

intensitas

lokal

untuk

menemukan

daerah

yang

memenuhikeunikan yang diinginkan atau stabilitas kriteria. Struktur


berbasis metodemendeteksi struktur gambar seperti tepi, garis, sudut,

17

lingkaran,

elips,

dansebagainya.

Fitur

ekstraksi

cenderung

untuk

mengidentifikasi ciri-ciri yang dapatmembentuk representasi yang baik dari


objek, sehingga dapat membedakan dikategori objek dengan variasi
toleransi.
3.2 Metode Fitur Ekstraksi
3.2.1 Metode Gabor
Metode Gabor merupakan filter linear yang digunakan untuk
mendeteksi tepi suatu citra. Frekuensi dan orientasi filter Gabor dibuat
untuk menyamai sistem penglihatan seorang manusia. Dalam daerah spasial,
Gabor merupakan fungsi kernel Gaussian
Bentuk umum dari tapis Gabor adalah sebagai berikut:
G(x,y,

)=

(3.1)

Dengan i=

, u merupakan frekuensi dari gelombang sinusoidal,

merupakan sudut pengendalian terhadap orientasi dari fungsi gabor, adalah


standar deviasi dari Gaussian envelop, dan (x,y) menyatakan koordinat
tapis. Tapis gabor ternormalisasi terhadap ukuran tapis.

18

Gambar 3. 1 Tahapan Pembentukan Kode Telapak Tangan dengan Tapis


Gabor

19

Tapis Gabor Real

Tapis Gabor Real

Pembentukan
Kode Gabor

Pembentukan
Kode Gabor

3.2.2 Metode Fraktal

Terdapat beberapa definisi fractal yang dicetuskan oleh beberapa orang


yang berbeda, diantaranya1010
adalah:
1.

1010
1010
1010
Gambar yang dibangkitkan
oleh computer berdasarkan
perulangan
.
.

dalam fungsi matematika, dengan cara mengulang pola yang sama


dengan
2.

dirinya

sendiri

secara

(www.levity.com/mavericks/glossary.htm).
Fractal
merupakan
sebuah
pola

terus
di

menerus.

dalam

pola.

(www.enchatedlearning.com/dictionarysubjects/shapes.htm).
3. Sebuah objek yang memiliki dimensi fractal, yaitu sesuatu yang
mempunyai variasi yang sama dengan dirinya sendiri dalam berbagai
skala, sehingga detail maksimal tidak akan pernah dapat dicapai dengan
meningkatkan skala.
Terdapat banyak sekali tipe dari fractal, namun pada dasarnya fractal
dapat digolongkan menjadi 6 kelompok besar :
1.

Fraktal

yang

diturunkan

dari

geometri

standar

menggunakan

tranformasi iterasi pada bentuk-bentuk standar seperti garis lurus,


2.

segitiga, atau kubus.


IFS (Iterated Function Sistems) merupakan fractal yang ditentukan oleh
satu set dari fungsi linear yang tranformasinya terjadi berdasarkan
keseragaman, translasi dan rotasi. Fungsi yang dimasukkan kke dalam
sistem dipilih secara acak, tapi set terakhir adalah pasti dan

3.

memperlihatkan fractal. Teori ini dikemukakan oleh Michael Barnsley.


Strange Attractors merupakan representasi dari pergerakan acak, bentuk
ini sangat komplek dan dibentuk dari garis yang memiliki panjang yang
tidak terbatas, digambarkan dengan perulangan terus menerus, tanpa

4.

pernah bersilangan.
Plasma fractals, merupakan

proses

pembentukan

titik

tengah

(midpoint). Menghasilkan tekstur indah dengan struktur fractal seperti


awan, api, batu, kayu dan lain-lain. Banyak digunakan pada program
CAD.

20

5.

L-Sistems merupakan proses yang secara berulang-ulang melakukan


aturan-aturan (rules) menjadi sebuah set. Sebagai hasilnya kada-kadang
dihasilkan suatu struktur fractal.
Ada 3 pendekatan fraktal yang akandigunakan pada penelitian ini untuk

memisahkan ciri-ciri suatu citra sidik jari,yaitu: kode fraktal (fractal code),
dimensifraktal, dan derajat kekosongan fraktal(fractal lacunarity).
3.2.2.1 Kode Fraktal
Kode fraktal didasari pada karakteristik utama dari fraktal, yaitu memiliki
kemiripan dengan diri sendiri. Jacquin (1990) memperkenalkan satu skema
otomatis untuk melakukan pengkodean citra yang dikenal dengan nama
Partitioned Iterated Function System (PIFS). Konsep PIFS adalah membagi
(partisi) citra menjadi blok-blok jelajah (range blocks) yang tidak tumpang
tindih (Wohlberg et al, 1999). Skema partisi yang digunakan adalah partisi
bujur sangkar dengan ukuran tetap. Setiap blok adalah bujur sangkar.
Kemiripan lokal ditentukan dengan mencari bagian-bagian (blok-blok) citra,
yang mirip dengan blok-blok jelajah. Blok-blok citra ini disebut dengan
blok ranah (domain block). Blok-blok ranah adalah blok-blok yang saling
tumpang tindih.
Dalam pengenalan telapak tangan ini digunakan kode fractal ciri
keseragaman dan arah yang dinyatakan dengan magnitude l dan sudut .

3.2.2.2 Dimensi Fraktal


Metode yang biasa digunakan untuk menghitung dimensi fraktal suatu citra,
adalah metode Penghitungan Kotak (Box Counting). Adapun langkahlangkah metode penghitungan kotak adalah sebagai berikut (Liu et al,
1997):
1.

Citra dibagi menjadi beberapa kotak dalam ukuran s.

21

2.

Hitung banyaknya kotakk N(s) yang berisi bagian obyek pada citra.

3.

Nilai N(s) tergantung dari s.


Hitung D(s) dengan persamaan berikut:
D(s) =

4.

(3.2)

Pembuatan garis lurus menggunakan nilai D(s) untuk nilai s. persamaan


garis lurus dapat ditentukan dengan metode kuadrat terkecil (least
square). Kemiringan (slope) dari garis lurus tersebut dimensi fractal
dari citra.

3.2.2.3 Derajat Kekosongan Fraktal


Dalam kaitan citra telapak tangan, derajat kekosongan dapat menjadi ciri
yang sangat berharga untuk mengatasi telapak tangan yang memiliki
struktur garis yang berbeda, tapi memiliki dimensi fractal yang sama.
Derajat kekosongan dapat dihitung sebagai berikut: bila P(i,s) menyatakan
probabilitas bahwa ada i titik-titik intensitas pada kotak yang berukuran s:
(3.3)
dengan n menyatakan banyaknya piksel pada kotak yang berukuran s.
(3.4)

(3.5)
Derajat kekosongan dapat didefinisikan sebagai:
(3.5)
Derajat kekosongan menurun bila ukuran kotak (s) membesar, maka
semakin kecil s merupakan pilihan yang baik (Putra, 2004).

22

3.2.3 Penerapan Metode Fraktal


Pemisahan ciri telapak tangan dilakukan dengan metode dimensi dan derajat
kekosongan fraktal. Tahapan-tahapan pemisahan ciri seperti berikut:
1. Garis-garis telapak tangan dideteksi dalam arah 00, 450, 900, 1350
dengan cara berikut:
I1=I*h1

(3.6)

I2=I*h2

(3.7)

I3=I*h3

(3.8)

I4=I*h4

(3.9)

Dimana * menyatakan operasi konvolusi I 1, I2, I3 dan I4 menyatakan


citra telapak tangan dalam arah rotasi 00, 450, 900, 1350. h1, h2, h3, h4
merupakan tapis/kernel seperti gambar berikut ini

Gambar 3. 2 Tapis Pendeteksi garis dari kiri ke kanan berturut-turut untuk arah 0 0,
450, 900, 1350

2. Citra I1, I2, I3 dan I4 kemudian dikembangkan dengan metode Otsu


sehingga diperoleh 4 citra biner.
3. Setiap citra biner kemudian dipartisi menjadi M x M blok tanpa
tumpang tindih. Dalam pengujian akan dicoba dua nilai M, yaitu 4
dan 8.
4. Selanjutnya nilai dimensi dan derajat kekosongan fraktal untuk
setiap blok dihitung, sehingga diperoleh panjang vektor ciri M2 pada
setiap citra biner, yang masing-masing ciri dapat dinyatakan sebagai:
VD = (d1, d2, d3, , dM2) untuk ciri dimensi fraktal
VL = (d1, d2, d3, , dM2) untuk ciri derajat kekosongan fraktal
Dimensi fraktal dan derajat kekosongan fraktal berturut-turut
dihitung dengan persamaan (3.2) dan (3.5)
Gambar 3.3 (a) merupakan citra asli, gambar (b),(c),(d),dan (e)
berturut-turut adalah rajah telapak tangan dalam arah 0 0, 450, 900, dan 1350,
gambar (f),(g),(h), dan (i) berturut-turut adalah citra biner dari gambar (b),

23

(c),(d), dan (e), gambar (j)-(m) dan (n)-(q) berturut-turut ciri dimensi dan
derajat kekosongan fraktal dari gambar (f),(g),(h), dan (i) yang dibagi
menjadi 4 x 4 blok. Panjang vektor ciri dimensi dan derajat kekosongan
fraktal masing-masing adalah 64.

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

(i)

(j)

(k)

(l)

24

(m)

(n)

(o)

(p)
(q)
Gambar 3. 3 Tahapan Pemisahan ciri dengan metode dimensi dan derajat
kekosongan fraktal(Darma Putra, 2009)

25

BAB IV
PENDAFTARAN CITRA LATIH DAN VERIFIKASI
4.1

Simpan Data Ke Database


Menyimpan citra dalam sebuah database citra adalah dengan cara

menyimpan nilai biner yang dihasilkan oleh ekstraksi fitur baik dengan
metode Gabor maupun Fraktal. Langkah-langkahnya adalah sebagai
berikut:
1.

Ambil nilai biner dari ekstraksi fitur baik dengan metode gabor
maupun fraktal.

2.

Masukkan ke dalam database setiap nilai biner untuk masing-masing


metode dengan setiap metode terdiri dari 4 sampel nilai biner.

4 sample nilai biner metode gabor

4 sample nilai biner metode fraktal

Gambar 4. 1 Input biner citra ke dalam database

4.2

Proses Verifikasi
Verifikasi telapak tangan merupakan proses untuk mengenali dan

telapak tangan seseorang, sehingga pada sistem diketahui nama dari pemilik
telapak tangan tersebut. Teknologi pengenalan pola telapak tangan termasuk
di dalam kategori teknik image processing yang menggunakan karakteristik
garis-garis telapak tangan.
Preposis

Ekstraksi Fitur

Biner

databas
e citra

Hasil
Pencocok

Perhitunga
n
Similarity

Gambar 4. 2 Langkah-langkah proses verifikasi

26

4.2.1 Perhitungan Similarity


Perhitungan

similarity

(nilai

kesamaan)

dilakukan

dengan

menggunakan metode hamming.


Tingkat kemiripan 2 kode telapak tangan dapat dihitung dengan jarak
Hamming ternormalisasi. Jarak Hamming dari dua kode telapak tangan P
dan Q dapat dinyatakan sebagai:
D0 = (PR(i,j)

QR(i,j)) + (PI(i,j)

QI(i,j))

(4.1)

2N2
Dengan PR(QR) dan PI(QI) berturut-turut menyatakan bagian real dan
imajiner dari P(Q). Hasil dari operator boolean ( ) adalah sama dengan nol,
jika dan hanya jika bit PR(I)(i,j) = QR(I)(i,j). Ukuran dari matrik dinyatakan
oleh NxN.Nilai D0 akan berada dalam jangkauan 0 sampai 1.
Untuk proses pencocokan yang sempurna, maka skor jarak Hamming
semakin mendekati nol. Karena ketidaksempurnaan dalam pra-pemrosesan
gambar, maka salah satu vector fitur bisa ditranslasi dengan beberapa pixel,
baik dalam arah vertikal maupun horisontal.
Skor minimun dari hasil pencocokan (D0) untuk vector fitur
tertranslasi tersebut merupakan skor akhir. Untuk menentukan apakah citra
uji adalah sah (genuine) atau tidak (impostor), maka digunakan suatu nilai
ambang (threshold value). Bila skor lebih kecil atau sama dengan nilai
ambang, maka pengguna dikatakan sah (genuine), bila lebih besar, maka
pengguna dikatakan tidak sah (imposter). Skor pengguna sah diperoleh dari
pencocokan sampel telapak tangan yang berasal dari orang yang sama,
sedangkan skor pengguna tidak sah diperoleh dari pencocokan sampel
telapak tangan orang yang berbeda. Tidak ada skor hasil pencocokan
bernilai nol. Dengan kata lain tidak ada pencocokan yang dilakukan pada
sampel telapak tangan yang sama.

27

Contoh pencocokan dengan metode hamming dari nilai biner yang


sudah didapatkan pada ekstraksi fitur dibanding dengan biner yang ada
dalam database adalah sebagai berikut ini:
Tabel 4. 1 Perbandingan Citra Uji dengan Citra Database dengan Hamming
Pembanding

ct_1
ct_2
ct_3
ct_4
ct_5
ct_6
ct_7
ct_8

Biner Citra Database

Biner Citra Uji

101011110001010110
101011110101010111
101010110011010111
101010110101010110
110110101010010110
111011110010110111
111110110011000111
101011110010010110

101111110001010110
101111110001010110
101111110001010110
101111110001010110
101111110001010110
101111110001010110
101111110001010110
101111110001010110

Distance

1
3
4
3
7
6
5
3

4.2.2 Pengujian
Pengujian dilakukan dengan menggunakan 18 sampel telapak tangan
milik 2 orang yang berbeda, setiap orang diwakili 9 sampel. Satu dari
sembilan sampel tersebut digunakan sebagai sampel uji, sedangkan sisanya
digunakan sebagai sampel acuan sehingga jumlah total sampel uji adalah 2
dan sampel latih 16 sampel. Berikut adalah nilai dari beberapa parameter
pengujian:
1.

Ukuran ROI 128 x 128 pixels,

2.

Ukuran tapis 9 x 9,

3.

Sudut orientasi -45o, 0o, 45o dan 90o

4.

Saat proses pencocokan dilakukan tanpa translasi dan dengan translasi


1 pixel dengan menggunakan metode Hamming.
Tabel 4.2 menunjukkan tingkat akurasi sistem menggunakan ROI

128x128 pixel, dengan jumlah pengguna N = 2 dengan menggunakan


metode Hamming. Kolom A dan B berturut-turut menyatakan tingkat
akurasi sistem tanpa menggunakan translasi dan dengan menggunakan
translasi 1 pixel.

28

Tabel 4. 2 Tingkat Akurasi (%) ROI 128 X 128 pixel dengan Hamming

Tapis 9x9
o

-45
0o
45o
90o

A
70,03
82,25
80,08
67,23

B
96,95
96,19
92,99
93,69

Tingkat akurasi ini diperoleh dengan mencocokkan nilai biner telapak


tangan uji dengan nilai biner dalam database yaitu ct_1 mewakili -45o, ct_2
mewakili -0o, ct_3 mewakili 45o, dan ct_4 mewakili 90o user1 tanpa
menggunakan translasi (kolom A), sedangkan user2 dengan menggunakan
translasi 1 pixel (kolom B).
Proses pencocokan dengan melibatkan faktor translasi 1 pixel
memiliki akurasi lebih tinggi dibandingkan tanpa translasi. Faktor translasi
1 pixel dapat meningkatkan pengujian karena dengan melibatkan faktor
translasi akan dapat mengurangi pengaruh pergeseran saat segmentasi ROI.
Gambar 4.3 dan gambar 4.4 menunjukkan akurasi pencocokan pada
database, dengan sudut -45o, -0o, 45o, dan 90o, ROI 128 x 128, dengan tapis
berukuran 9x9 tanpa translasi 1 pixel (gambar 4.3) dan dengan translasi 1
pixel (gambar 4.4).

29

Gambar 4. 3 Akurasi pencocokan, ROI 128x128 pixel, tanpa translasi 1


pixel, tapis 9x9 dengan Hamming

Gambar 4. 4 Akurasi pencocokan, ROI 128x128 pixel, dengan translasi 1


pixel, tapis 9x9 dengan Hamming
Sumbu x menyatakan sudut untuk ROI 128x128 pixel sedangkan
sumbu y menyatakan prosentase skor yang muncul. Semakin jauh terpisah
antara grafik pengguna sah dan tidak sah maka unjuk kerja akan semakin
meningkat, demikian pula sebaliknya, bila semakin berimpit maka unjuk
kerja akan menurun karena semakin banyak terjadi skor yang saling
tumpang tindih (overlapping).

30

Dengan hasil tersebut diketahui bahwa verifikasi dengan pencocokan


menggunakan metode hamming akan lebih sempurna jika dilakukan dengan
proses translasi.
4.3

Rancangan Aplikasi
Aplikasi verifikasi telapak tangan dirancang dengan menggunakan

interface seperti gambar berikut ini:

Gambar 4. 5 Tampilan Utama

31

Gambar 4. 6 Tampilan Input Telapak Tangan ke Database

Gambar 4. 7 Tampilan Notifikasi Penambahan Database

32

Gambar 4. 8 Tampilan Lihat Database

Gambar 4. 9 Tampilan Verifikasi Telapak Tangan

33

DAFTAR PUSTAKA
Acharya, Tinku., Ray, Ajoy K., Image Processing Principles and
Applications, A John Wiley and Sons Inc, Publication.
Darma Putra, Sistem Verifikasi Biometrika Telapak Tangan Dengan Metode
Dimensi Fraktal Dan Lacunarity, Teknologi Elektro, 8(2), Pste Unud,
2004, Pp. 1-6.
Putra, Darma Dan Ari Sentosa, Verifikasi Biometrika Geometri Tangan
Dengan Metode Chain Code, Snatika.2011. Edisi 01
Putra, Darma Dan Erdiawan, Pembentukan Kode Telapak Tangan (Palm
Code) Berbasis Metode Gabor 2d, Jurnal Teknik Elektro.2011. Edisi 2,
Vol 15, Hal : 161-167
Putra, Darma, 2009, Sistem Biometrika, Penerbit Andi, Yogyakarta
Putra, I K.G.D., Susanto, A., Harjoko, A.,Widodo, T., 2004, Identifikasi
CitraTelapak Tangan Memanfaatkan Alih RagamGelombang Singkat,
Jurnal Pakar, Vol 5,No.3, Nop.2004, hal 161-172.
Edi Satriyanto, 2008, Penerapan LVQ Neural Network pada Absensi Jarak
Jauh Menggunakan Geometri Tangan Secara Online. URL :
http://repo.eepisits.edu/id/eprint/103
Dewi Yanti Liliana, Eries Tri Utaminingsih . The Combination Of Palm
Print

And

Handgeometry

For

Biometrics

Palm

Recognition

International Journal Of Video & Image Processing And Network


Security Ijvipns-Ijens Vol: 12 No: 01
Liu, Y., Yanda Li, 1997, Image Feature Extraction and Segmentation using
Fractal

Dimension,

International

Conference

on

Information,

Communication and Signal Processing.


Lu, Guojun, 1999, Multimedia Database Management Systems, Artech
House Inc, Norwood
Marques O, Furht B. 2002.Content-Based Image and Video Retrieval.
Florida Atlantic University Baca Raton, FL, USA : Kluwer Academic
Publisher
Stehling, Renato O., Nascimanto, Mario A., Falcao Alexandre X., 2001,
Techniques for Color-Based Image Retrieval, Canada

34

Sugiarto, Edi. 2010. Sistem Verifikasi Citra Tanda Tangan berbasis Metode
PolaBusur
Terlokalisasi.http://edisugiarto.blogspot.com/2010/07/sistem-verifikasicitra-tanda-tangan_7097.html

35