See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/303940987

PENGENALAN SIDIK JARI (FINGERPRINT RECOGNITION) DENGAN METODE

HIDDEN MARKOV MODEL (HMM)

Research Proposal · August 2013

DOI: 10.13140/RG.2.1.4551.6402

CITATIONS READS
0 6,523

3 authors:

Ervin Yohannes Edy Santoso

National Central University Brawijaya University
8 PUBLICATIONS   20 CITATIONS    18 PUBLICATIONS   17 CITATIONS   

SEE PROFILE SEE PROFILE

Afif Supianto
Brawijaya University
80 PUBLICATIONS   245 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

HCI and BDS View project

Doctoral Thesis View project

All content following this page was uploaded by Ervin Yohannes on 14 June 2016.

The user has requested enhancement of the downloaded file.

PENGENALAN SIDIK JARI (FINGERPRINT RECOGNITION) DENGAN METODE
HIDDEN MARKOV MODEL (HMM)

Ervin Yohannes, Edy Santoso, Ahmad Afif Supianto

Program Studi Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer
Universitas Brawijaya, Jalan Veteran No 8 Malang 65145, Jawa Timur, Indonesia
ervinyohannes@yahoo.com, edy144@ub.ac.id, afif.supianto@ub.ac.id

ABSTRAK
Pengenalan biometric adalah proses mengenali seseorang berdasarkan karakteristik tingkah laku
atau anatominya. Salah satu contoh pengenalan biometric adalah pengenalan sidik jari.
Pengenalan ini banyak dianalisis dengan berbagai metode dan sudah dikembangkan oleh para
peneliti. Pada penelitian ini dilakukan pengenalan sidik jari dengan metode Hidden Markov
Model (HMM) yang menerapkan computer vision dan pengenalan pola. Tujuan dari penelitian ini
untuk merancang dan mengimplementasikan perangkat lunak yang dapat mengidentifikasi
sidik jari manusia. Alur prosesnya terdiri dari binerisasi, erosi, skeletonisasi, ekstraksi fitur dan
parameter HMM. Data yang digunakan berjumlah 140 data yang terdiri dari 5 label, dimana 40
data sebagai data testing dan sisanya sebagai data training. Pengujian yang dilakukan adalah
dengan uji coba terhadap jumlah data training. Terdapat 5 kali pengujian dilakukan yaitu
pengujian terhadap 20 data training, 40 data training, 60 data training, 80 data training dan 100
data training. Hasil rata – rata akurasi yang didapatkan pada uji coba mencapai hingga 86%
yang diperoleh dari 20, 40, 60, 80, dan 100 data training. Dari hasil pengujian didapatkan
kesimpulan bahwa HMM dapat diimplementasikan kedalam sistem pengenalan sidik jari.

Kata kunci : Biometrics, pengenalan sidik jari, Hidden Markov Model

ABSTRACT
Biometric recognition is process recognizing person based characteristic behavior or anatomy. One
example is fingerprint recognition. This recognition many analyzed with various method and development
by researcher. In this research proposed fingerprint recognition with Hidden Markov Model (HMM) that
applying computer vision and pattern recognition. The goal of this research for planned and
implementation software that can identify human fingerprint. The process is binerization, erotion,
skeletonization, fitur extraction, and development parameter HMM. Data used amount 140 data consists
of 5 label, in which 40 used to testing and rest used to training. The testing is test to amount training data.
There is 5 times testing doing for 20, 40, 60, 80 and 100 training data. Result accuracy is founded achieve
86% is obtained training data amount 20, 40, 60, 80, and 100. The conclusion is HMM can
implementation into fingerprint recognition system .

Keywords : Biometrics, fingerprint recognition, Hidden Markov Model

1. PENDAHULUAN unik (berbeda untuk setiap orang) dan

1.1 Latar belakang tetap atau stabil dari waktu ke
Pengenalan biometrics adalah proses waktu [11]. Pengenalan biometrics pada
mengenali seseorang berdasarkan manusia banyak diterapkan ke berbagai
karakteristik tingkah laku atau anatominya. jenis pekerjaan seperti pemeliharaan kerja,
Biometrics yang bagus harus dapat diukur, urusan hukum, autentikasi pegawai,
identifikasi pegawai, dan sebagainya.
Keuntungan dari pengenalan biometrics

1
adalah 1) pengguna tidak butuh mengingat
password apapun, 2) pengguna tidak
butuh membawa kartu identifikasi apapun,
3) pengguna tidak dapat menyangkal
identifikasi biometricnya sendiri, dan 4)
mengurangi sejumlah besar biaya pada
pembuatan kartu ID pribadi atau dokumen
yang terhubung [10].
Salah satu contoh pengenalan
biometrics adalah pengenalan sidik jari.
Pengenalan sidik jari (fingerprint
recognition) adalah masalah yang banyak
dianalisis dengan berbagai metode. Metode
yang digunakan untuk pengenalan sidik
jari sudah banyak dikembangkan oleh para
peneliti. B.Y Hiew et al. mencoba Gabor
filter dan Principle Component Analysis
(PCA) untuk mengenali pengenalan touch
less sidik jari yang mana gambar diambil
menggunakan kamera digital [3]. Jing Luo
et al. mencoba Radial Basis Function Neural
Network untuk mengenali sidik jari [6]. M.P
Dale et al. mengusulkan Discrete Cosinus
Transform (DCT) untuk pengenalan sidik
jari [2] dan masih banyak lagi peneliti yang
menggunakan metode lain untuk
pengenalan sidik jari. Pengenalan sidik jari
mempunyai equal error rate (EER) yang
kurang dari 5% pada dataset Fingerprint
Verification Competition (FVC) 2002, 2004,
dan 2006 [8]. Sidik jari mempunyai sebuah
karakteristik pengenalan yang bernilai dan
dapat diteliti dengan mudah. Pengenalan
sidik jari harus mempertimbangkan
performa dan keamanan. Ekstraksi fitur
dalam sidik jari selalu menjadi yang
menarik dalam bidang aplikasi sidik jari.
Beberapa fitur fingerprint biasanya adalah
minutiae, moment, topology dan seterusnya
[15].
Hidden Markov Model (HMM) adalah
teknik pembelajaran statistik yang banyak
diterapkan pada model berurutan. HMM
telah sukses dalam berbagai jenis bidang
seperti natural language processing (termasuk
pengenalan suara, translasi suara atau
parsing), pengenalan pola dan computer
vision (termasuk pengenalan bentuk, wajah
2
dan pengenalan gerakan, analisis gambar)
dan juga perhitungan biologi dan genetik.
HMM adalah mesin kondisi batas stochastic
yang dihasilkan oleh deretan observasi,
simbol atau vektor, dengan memproses
sejumlah (hidden) kondisi, yang diperoleh
dari probabilitas transisi [13]. HMM
memiliki banyak keunggulan dalam bidang
pengenalan dan klasifikasi diantaranya
adalah beberapa jurnal menemukan bahwa
pada pengenalan retina dengan metode
HMM memiliki tingkat akurasi hingga
100% pada uji coba dengan jumlah training
sebanyak 4 dan ukuran codebook 256, dan
dengan jumlah training sebanyak 8 dan
ukuran codebook 64 [14]. Dalam pengenalan
wajah yang mengkombinasikan metode
HMM dengan metode 2D-DCT dan metode
fraktal masing-masing di peroleh akurasi
rata-rata sebesar 72,83 dan 86,15 [13]. Pada
identifikasi keadaan sebuah mata di
peroleh akurasi sebesar 91,556% termasuk
eye opening dan eye closure [4].
Berdasarkan latar belakang tersebut
bahwa HMM adalah sebuah metode yang
dapat digunakan untuk beberapa
pengenalan biometric (pengenalan wajah
dan retina) dan memperoleh rata-rata
akurasi yang tinggi maka penulis
mengusulkan judul “Pengenalan Sidik Jari
(Fingerprint Recognition) Dengan Metode
Hidden Markov Model (HMM)” dengan
harapan sistem ini nantinya dapat
mengenali sidik jari yang akan diuji sesuai
dengan masukan data training dan
mengetahui tingkat akurasi dari metode
Hidden Markov Model dalam sistem
pengenalan sidik jari. Sistem ini
menerapkan prinsip computer vision dan
pengenalan pola.
1.2 Rumusan masalah
Berdasarkan uraian latar belakang
maka permasalahan yang akan dibahas
antara lain :
1. Bagaimana Hidden Markov Model
(HMM) mampu digunakan untuk
pengenalan sidik jari.
2. Bagaimana perancangan pengenalan minutiae dapat ditemukan dalam pola sidik
sidik jari dengan metode Hidden jari. Minutiae menunjuk pada cara yang
Markov Model (HMM). beragam jenis dimana ridges dapat
3. Bagaimana implementasi pengenalan terputus-putus. Untuk contoh, sebuah ridge
sidik jari dengan metode tiba-tiba datang ke sebuah end (putus), atau
Hidden Markov Model (HMM). dapat dibagi kedalam dua ridges
4. Bagaimana mengevaluasi akurasi dari (bifurcation) (Gambar 1) [5].
pengenalan sidik jari dengan metode Sebuah ridge bifurcation adalah titik
Hidden Markov Model (HMM). dalam gambar dimana ridge bercabang dua.
Fitur ini unik untuk setiap sidik jari dan
1.3 Tujuan digunakan untuk pengenalan sidik jari.
Adapun tujuan dari penelitian ini Syarat untuk memperoleh akurasi titik
adalah : bifurcation adalah memperoleh gambar
1. Mampu menggunakan Hidden Markov biner dimana semua ridges dari sidik jari
Model (HMM) dalam pengenalan sidik telah benar-benar menipis ke garis
jari. pusatnya. Gambar tipis seharusnya
2. Merancang pengenalan sidik jari dijadikan selebar satu piksel tanpa
dengan metode Hidden Markov Model ketidaksinambungan karena penipisan [9].
(HMM).
3. Mengimplementasikan pengenalan
sidik jari dengan metode Hidden
Markov Model (HMM).
4. Menganalisis akurasi yang diperoleh
dari pengenalan sidik jari dengan
metode Hidden Markov Model (HMM).

1.4 Manfaat
Adapun manfaat bagi penulis adalah : Gambar 1. Termination (putih) dan
1. Menerapkan ilmu yang diperoleh bifurcation (gray) minutiae dalam contoh
selama menempuh studi di Teknik sidik jari.
Informatika Universitas Brawijaya. Sumber : [5]
2. Mengembangkan penelitian
interdisipliner. Bifurcation dibentuk menjadi matriks
Adapun manfaat bagi pihak ketiga : berukuran 3 x 3. Jumlah dari bifurcation
1. Membantu dalam mendeteksi sidik sebanyak 24 buah seperti yang ada pada
jari yang dimiliki seseorang. Gambar 2. Tujuan dari ekstraksi fitur
2. Memberikan informasi mengenai adalah untuk mengambil fitur-fitur yang
sidik jari manusia. ada pada citra sidik jari yang berguna
sebagai pembeda citra sidik jari satu
1.5 Ekstraksi Fitur dengan yang lainnya.
Didalam sebuah gambar sidik jari,
ridge (juga dinamakan daerah garis) adalah
area gelap sedangkan lembah (valley)
adalah area terang (seperti pada Gambar 2.)
ridges dan lembah sering berjalan paralel;
kadang-kadang mereka bercabang dan
kadang –kadang mereka putus. Pada level
lokal, fitur penting lainnya, dinamakan

3
 maka parameter A dapat dituliskan dalam
bentuk matriks seperti pada gambar
berikut :

…(1)

[ ]
[ | ] ...(2)
Keterangan :
aij = probabilitas transisi dari state i ke state
j
P = peluang/probabilitas
qt+1 = kondisi sesudah qt
Gambar 2. 3x3 pixel mask dan 24
q1 = kondisi saat ini
kemungkinan pola bifurcation
Sj = state ke j
Sumber : [7]
Si = state ke i
Parameter B disebut sebagai
1.6 Hidden Markov Model
probabilitas state, merupakan proses
Hidden markov model merupakan
kemunculan suatu state dalam deretan
pemodelan probabilitas suatu sistem
seluruh state yang ada. Parameter B dalam
dengan mencari parameter-parameter
HMM dituliskan dalam bentuk matriks
markov yang tidak diketahui untuk
kolom dengan ukuran M x 1, dimana M
memperoleh analisis sistem tersebut.
merupakan jumlah seluruh state yang ada.
Metode hidden markov model (HMM)
Misalnya terdapat 5 buah state dalam suatu
mampu menangani perubahan statistik
kondisi, maka matriks B yang terbentuk
dari gambar, dengan memodelkan elemen-
ditunjukkan oleh persamaan berikut :
elemen menggunakan probabilitas. Salah
satu aplikasinya adalah pada image
processing, HMM memiliki tiga parameter …(3)
utama yang harus dicari nilainya terlebih
dahulu, ketiga parameter tersebut sebagai [ ]
berikut : ( ) [ | ]
…(4)
Keterangan :
bj(k) = observasi simbol probabilitas
distribusi matriks
P = peluang/probabilitas
vk = probabilitas simbol dengan kluster
index k dalam state j
qt = kondisi pada waktu tertentu yang
berhubungan dengan q1
Sj = state ke j
Gambar 3. Contoh matriks transisi
Parameter π, disebut sebagai
Sumber : [12]
parameter awal, merupakan probabilitas
kemunculan suatu state di awal. Sama
Parameter A dalam HMM dinyatakan
halnya dengan parameter B, parameter π
dalam sebuah matriks dengan ukuran M x
juga dituliskan dalam bentuk matriks
M dengan M adalah jumlah state yang ada.
kolom dengan ukuran M x 1, dimana M
Pada Gambar 3 ada 5 (lima state sehingga
adalah jumlah state nya, jadi jika terdapat 5
setiap state memiliki 5 hubungan transisi,

4
(lima) bauah state maka parameter π yang 2. METODE PENELITIAN
dihasilkan akan ditunjukkan seperti pada 2.1 Studi literatur
gambar berikut. Studi literatur menjelaskan dasar teori
yang digunakan untuk menunjang
penulisan skripsi. Teori-teori pendukung
…(5)
tersebut meliputi :
[ ] a. Citra Digital
keterangan : b. Pengenalan Sidik Jari (Fingerprint
π = parameter awal / inisial awal Recognition)
c1,c2,….,c5 = nilai inisial dari state ke-1 c. Thresholding
sampai ke-5 d. Metode Otsu
Hidden markov model dapat dituliskan e. Skeletonisasi
sebagai λ = (A,B,π). Dengan diketahuinya f. Algoritma Zhang-Suen
N,M,A,B, dan π, hidden markov model dapat g. Morfologi
menghasilkan urutan observasi O = h. Structuring Element
O1O2…OT dimana masing-masing observasi i. Ekstraksi fitur
Ot adalah simbol V, dan T adalah jumlah j. Metode Template Matching
urutan observasi. Hidden markov model k. Hidden Markov Model
dapat dituliskan sebagai λ = (A,B,π).
Perhitungan yang efisien dari P(O|λ), yaitu 2.2 Analisis kebutuhan
probabilitas urutan observasi apabila Seluruh proses yang dilakukan dibuat
diberikan urutan observasi O = O1O2…OT menggunakan perangkat lunak untuk
dan sebuah model λ = (A,B,π) [12]. memecahkan masalah matematis dimana
Sebuah hidden markov model komputer yang digunakan memiliki
dikarakteristikkan dengan parameter spesifikasi sebagai berikut :
berikut : a. Performa : Intel (R) Core (TM) i5 M460
N, jumlah state dalam model @2,53 GHz
M, jumlah simbol pengamatan yang b Sistem operasi : Windows 7 Ultimate
dimiliki setiap state 32-bit (6.1, Build 7600)
A = matriks transisi, himpunan distribusi c. VGA card : ATI Mobility Radeon HD
kemungkinan perpindahan state 5470
B = matriks emisi, himpunan distribusi d. Aplikasi dibangun dengan Microsoft
kemungkinan symbol pengamatan pada Visual Studio 2008.
state j e. Aplikasi database yang digunakan
Π = inisial awal, himpunan distribusi adalah MySQL yang ada dalam
kemungkinan state awal. XAMPP 1.7.7
Pelatihan model, diberikan sekumpulan f. Data citra sidik jari didapatkan dari
sequence {Oi}, biasanya dihitung dengan citra sidik jari Verifinger_Sample_DB
menggunakan Baum-Welch re-estimation, yang terdapat di halaman website
dapat untuk menentukan parameter- http://www.neurotechnology.com/ver
parameter (A,B, Π) yang memaksimalkan ifinger.html. Data didapatkan dalam
probabilitas P({Oi| λ}. Prosedur pelatihan bentuk file dengan format gambar
dihentikan setelah konvergen dari likelihood. TIFF. Setiap file memiliki format nama
Langkah evaluasi yaitu menghitung file sebagai berikut : xxx_y_z dimana
probabilitas P(O| λ), diberikan sebuah x adalah ID orang, y adalah ID jari,
model λ dan sebuah deretan O untuk dan z adalah nomor dari scan dengan
dievaluasi, menggunakan algoritma forward ukuran 504 x 408 piksel.
[1].

5
3. PERANCANGAN Pembentukan
HMM
start c b a

3.1 Rancangan pembentukan database

Diagram alir proses pembentukan Hasil ekstraksi fitur,
state, label Gamma

database dapat digambarkan pada Gambar 4

berikut ini : Pembentukan parameter Epsilon
HMM awal
Start

Epsilon=[N][ , , ] t=0; t<scaling.length; t++

Gamma = [N][ , ]

Citra sidik jari

newLikelihood
+=log10(scaling[t])
i=0; i<N; i++

preprocessing
t
Epsilon [i]=[T,states,states]
Gamma[i]=[T,states]

i
Ekstraksi Fitur
i

newlikelihood /=
observations.length
Pembentukan HMM !
stop

true false
Cek convergensi

Nilai parameter HMM dan nilai i=0; i<N; i++

likelihood dari masing-masing citra
training Reestimasi
Evaluasi
parameter

Algoritma forward

While(! stop)
end

Gambar 4. Diagram alir pembentukan basis Algoritma backward

Nilai likelihood
masing-masing model
data
c b a
end

3.3 Rancangan pembentukan parameter

HMM Gambar 5. Diagram alir pembentukan
Gambar 5 adalah diagram alir dari parameter HMM
pembentukan parameter HMM.
start

3.3 Rancangan Proses pengenalan sidik

jari Citra sidik jari

Setelah basis data dibuat, maka proses

pengenalan sidik jari dilakukan. Gambar 6 preprocessing

adalah diagram alir dari proses pengenalan.

Ekstraksi fitur

Pembentukan HMM

Menghitung jarak nilai

likelihood testing dan database
likelihood training

Nilai perbandingan yang

paling kecil sebagai yang
teridentifikasi

Citra yang
teridentifikasi

end

Gambar 6. Diagram alir sistem pengenalan

sidik jari

6
4. IMPLEMENTASI d. Form Testing
4.1 Batasan-batasan implementasi
Beberapa batasan dalam
mengimplementasikan perangkat lunak
pengenalan sidik jari adalah sebagai
berikut :
1. Perangkat lunak pengenalan sidik jari
dirancang dan dijalankan dengan Gambar 10. Form testing
menggunakan Desktop Application.
2. File yang digunakan memiliki format 5. HASIL DAN PEMBAHASAN
*.tiff. 5.1 Pengujian
3. Database Management System yang Dalam pengujian sistem pengenalan
digunakan adalah MySQL. sidik jari akan diambil citra sebanyak 8
4. Setiap file mempunyai filename buah dari 5 kelas. Dari 40 buah citra sidik
xxx_y_z dimana x adalah person ID, y jari tersebut kemudian akan dicoba pada
adalah finger ID, dan z adalah number program pengenalan sidik jari dengan
of scan metode hidden markov model yang sudah
5. Ukuran width dan height citra adalah dibuat untuk kemudian dibandingkan nilai
504 x 408 piksel. log likelihood training dan testing untuk
dikenali.
4.4 Implementasi Interface Pengujian dilakukan dengan
Implementasi interface terdiri dari 4 memvariasikan jumlah data training dari
bagian utama, yaitu : sidik jari yang kemudian dihitung tingkat
a. Form utama keberhasilan dari tiap variasi yang
dilakukan. Untuk 20 data training, maka
citra sidik jari dari kelas A, B, C, D dan E
masing-masing diambil citranya sebanyak
4 buah. Untuk 40 data training, maka model
citra sidik jari kelas A,B, C, D dan E
masing-masing diambil citranya sebanyak
8 buah dan seterusnya. Pengujian yang
Gambar 7. Form utama dilakukan pada program pengenalan sidik
b. Form Training jari ditunjukkan sebagai berikut :
1. Pengujian terhadap 20 data training
2. Pengujian terhadap 40 data training
3. Pengujian terhadap 60 data training
4. Pengujian terhadap 80 data training
5. Pengujian terhadap 100 data training

Gambar 8. Form training 5.2 Pengolahan hasil uji coba

c. Form HMM Dari hasil yang didapatkan dari
pengujian dapat dihitung persen akurasi
keseluruhan sistem. Persen akurasi didapat
dengan cara membagi jumlah sidik jari
yang dikenali dengan jumlah seluruh
sample sidik jari yang digunakan sebagai
testing. Tabel 1. menunjukkan akurasi yang
Gambar 9. Form HMM
diperoleh dari masing-masing pengujian.

7
 Tabel 1. Tabel akurasi hasil uji coba 4. Pengenalan sidik jari dengan
Jumlah metode HMM memperoleh rata-
Akurasi (%) rata akurasi hingga 86% dan
training
20 75 penambahan jumlah data training
40 85 meningkatkan akurasi sebesar
60 87,5 1,028 – 1,133 kali lipat.
80 90 5. Faktor yang paling penting untuk
meningkatkan akurasi adalah
100 92,5
dengan menambah jumlah data
training. Selain itu, Metode HMM
Hubungan jumlah data training dengan
sangat berpengaruh pada
tingkat akurasi ditunjukkan pada Gambar
banyaknya sequence dan state yang
11 berikut ini :
digunakan.

Grafik akurasi Daftar pustaka

[1] Bicego, M., U. Castellani, and
100
V. Murino, (2003) "Using
tingkat akurasi

80 Hidden Markov Models and

60 wavelets for face recognition."
40 In Image Analysis and
akurasi
Processing, 2003. Proceedings.
20 (%)
12th International Conference
0 on, pp. 52-56. IEEE.
20 60 100 [2] Dale,M.P., Joshi,M.A.,
jumlah data training (2008),“Fingerprint Matching
Using Transform”, The IEEE
Gambar 11. Grafik akurasi terhadap jumlah Region 10 Conference
data training (TENCON), 1 -5.
[3] Hiew, B.Y., Teoh, A.B.J., Pang,
6. Kesimpulan Y.H. (2008) “Touch-Less
Dari hasil penelitian didapatkan Fingerprint
sebuah kesimpulan sebagai berikut : Recognition”, The IEEE
1. HMM mampu digunakan untuk Workshop on Automatic
pengenalan sidik jari dan bekerja Identification
pada sequence dari bifurcation. Advanced Technologies, 24-29.
2. HMM dirancang untuk [4] Huabiao Qin; Jun Liu; Tianyi
menghitung nilai dari masing- Hong, (2012), "An eye state
masing bifurcation yang identification method based on
ditemukan dalam citra sidik jari the Embedded Hidden Markov
dan untuk menghitung nilai Model," Vehicular Electronics
likelihood dari citra sidik jari. and Safety (ICVES), IEEE
3. Implementasi HMM dalam International Conference on ,
pengenalan sidik jari vol., no., pp.255,260, 24-27 July
menggunakan 3 algoritma yaitu [5] Jain, Anil K., Patrick Flynn,
algoritma forward, algoritma Arun A. Ross,
backward, dan algoritma Baum – (2007),”Handbook of
Welch. Biometrics”, New York :
Springer.

8
 [6] Jing Luo, Shuzhong Lin, 14, no. 3, 10-16.
Jianyun Ni, Ming Lei, [12] Sepritahara, (2012), “Sistem
(2008),“An Improved Pengenalan Wajah (Face
Fingerprint Recognition Recognition) Menggunakan
Algorithm Using EBFNN”, The Hidden Markov Model (HMM)”,
Second International Jurusan Teknik Elektro
Conference on Genetic and Universitas Indonesia, Depok.
Evolutionary Computing, 504 – [13] Sun Zhipeng, JinGuang Sun,
507. (2010),“Face Recognition Based
[7] Kaur, Manvjeet, Mukhwinder on Fractal and Hidden Markov
Singh, Akshay Girdhar, and Model”, IEEE, Third
Parvinder S. Sandhu, International Symposium on
(2008),"Fingerprint verification Electronic Commerce and
system using minutiae Security, 293-297.
extraction technique", World [14] Yulianti S., Maria,
Academy of Science, (2008),”Pengenalan Retina
Engineering and Technology 46, Dengan Hidden Markov
497-502. Model”, Jurusan Teknik Elektro
[8] Krishnasamy Prasanna, Serge Universitas Indonesia, Depok.
Belongie, David Kriegman, [15] Zhao Weizhou, Hui Zhang,
(2011),”Wet Fingerprint (2012), “Secure Fingerprint
Recognition : Challenges and Recognition Based on Frobenius
Opportunities”, IEEE, Norm”, IEEE, International
International Conference on In Conference on Computer Science
Biometrics International Joint and Electronics Engineering,
Conference, 1-7. Vol. 1, 388-391.
[9] Patil, P.M.; Suralkar, S.R.;
Sheikh, F.B.,(2005),"Rotation
invariant thinning algorithm to
detect ridge bifurcations for
fingerprint identification," Tools
with Artificial Intelligence,
ICTAI 05. 17th IEEE
International Conference on ,
vol., no., pp.8 pp.,641, 16-16 Nov.
[10] Pornpanomchai Chomtip,
Apiradee Phaisitkulwiwat,
(2010),”Fingerprint Recognition
By Euclidian Distance”, IEEE,
Second International Conference
on Computer and Network
Technology, 437-441.
[11] Prabhakar, Salil, Alexander
Ivanisov, and A. K. Jain,
(2011),"Biometric recognition:
Sensor characteristics and image
quality." Instrumentation &
Measurement Magazine, IEEE

View publication stats