Submitted November 17, 2021; Revised December 4, 2021; Accepted December 4, 2021
Abstrak
Sidik jari manusia di dunia ini berbeda antara satu dengan yang lainya. Hal inilah yang menyebabkan
sidik jari manusia digunakan sebagai salah satu alat identifikasi atau pengenalan diri. Tipe sidik jari
manusia digolongkan menjadi tiga macam, yaitu tipe whorl, arch dan loop. Tranformasi wavelet
digunakan karena metode pengolahan citra ini mampu mengidentifikasi garis-garis yang tidak kontinu.
Sidik jari manusia mempunyai garis-garis yang tidak kontinu sehingga metode ini baik digunakan
untuk mengenali citra sidik jari yang kemudian dibandingkan dengan citra pada database. Selanjutnya
dengan metode pengolahan citra dengan software Matlab dan integrasi dengan GUI (Graphic User
Interface) sehingga dapat digunakan untuk mengenali tipe sidik jari pada manusia.
Kata Kunci : Citra Digital, RGB, Grayscale, Sidik Jari, Transformasi Wavelet
Abstract
Human fingerprints are unique in this world. This is why human fingerprints are frequently used as a
form of identification or self-recognition. Human fingerprints are classified into three categories:
whorl, arch, and loop. The wavelet transformation is used because it is capable of identifying
discontinuous lines. Because human fingerprints contain discontinuous lines, this method is ideal for
recognizing fingerprint images, which are then compared to database images. Additionally, the
method of image processing with Matlab software and integration with a GUI (Graphical User
Interface) is described, so that it can be used to recognize human fingerprint types.
Key Words : Digital Image, RGB, Grayscale, Fingerprint, Wavelet Transform
190
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
Jenis citra digital kedua adalah citra yang diproses dengan wavelet
keabuan (grayscale). Citra keabuan menghasilkan multiresolusi dari citra
disimpan dalam format skala keabuan aslinya, sehingga menghasilkan output
dengan rentang warna yang bervariasi dari yang baik [7].
hitam ke putih dengan banyak gradasi Principal Componen Analysis (PCA)
keabuan. Objek dalam tampilan keabuan merupakan sebuah metode untuk
memiliki nilai kecerahan yang mewakili mengidentifikasi pola pada data dan
tingkat energi terukur dari objek tersebut. selanjutnya menampilkan data tersebut ke
Citra keabuan berisi 8 bit/piksel sehingga bentuk yang lain untuk menunjukkan
memungkinkan gambar untuk mewakili (0- perbedaan dan persamaan antar pola [8].
255) tingkat keabuan yang berbeda [5].
Jenis citra ketiga yaitu citra biner. Pada 2. METODE PENELITIAN
citra biner merupakan jenis yang paling Prosedur yang dilakukan untuk identifikasi
sederhana karena citra hanya memiliki citra sidik jari adalah sebagai berikut:
nilai hitam dan putih atau 0 dan 1. Citra 1. Mengambil citra sidik jari secara
biner berisi 1 bit/piksel karena hanya langsung menggunakan stamp ink.
hanya dibutuhkan satu digit biner untuk 2. Hasil gambar sidik jari diletakkan pada
mewakili masing-masing piksel [5]. kertas putih kemudian dikonversikan
Pola sidik jari menurut sistem Galton menjadi citra digital dengan webcam.
dibedakan menjadi tiga, yaitu arch, loop, 3. Citra hasil foto diolah menggunakan
dan whorl. Pada pola arch terdapat garis software Matlab menggunakan dua
lengkung sejajar menyerupai busur dan metode yaitu secara manual untuk
datang dari satu sisi kemudian naik di mengetahui proses pengolahan citranya
bagian tengah, dan menuju ke sisi yang dan metode GUI yang secara langsung
lain. Pola loop memiliki bentuk garis dapat menampilkan gambar.
lengkung seperti kait dengan lebih dari 4. Pada metode manual, dilakukan
satu garis dating dari sisi yang lain. Langkah sebagai berikut:
Selanjutnya pada pola whorl memiliki - Citra hasil foto webcam .bmp
garis dengan formasi membentuk lingkaran dimasukkan pada listing program
[6]. pada Matlab
- Mengubah citra digital RGB
menjadi citra grayscale
menggunakan metode threshold
- Mentransformasi citra grayscale
menjadi citra wavelet
- Citra sidik jari wavelet tersebut
kemudian disimpan pada database
sidik jari yang dipisahkan menjadi
dua, yaitu training set sebagai data
acuan dan testing set sebagai data
Gambar 1. Tipe Sidik Jari
yang akan diidentifikasi.
- Untuk mengenali data sidik jari
Transformasi wavelet didasarkan pada
yang sudah tersimpan, maka
gelombang yang sangat kecil, dengan
digunakan citra digital wavelet
frekuensi yang bervariasi dan waktu yang
yang akan diidentifikasi. Data sidik
terbatas. Transformasi wavelet mampu
jari yang sudah tersimpan
membawa informasi frekuensi dan spasial
dibandingkan dengan citra sidik jari
pada sebuah citra digital. Citra sidik jari
yang akan diidentifikasi
191
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
192
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
193
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
194
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
DAFTAR PUSTAKA
[1] F. Rahmah, “Image Smoothing
Menggunakan Mean Filter untuk
Perbaikan Kualitas Citra pada
Pengujian Distorsi Kaca Spion,”
Jurnal Riset dan Aplikasi Matematika
(JRAM), vol. 2, no. 1, 2018, doi:
10.26740/jram.v2n1.p41-49.
[2] F. Rahmah, A. Kusumawardhani, H.
Setijono, A. M. Hatta, and .
Irwansyah, “Radial line method for
rear-view mirror distortion detection,”
in International Seminar on
Gambar 9. Citra Input Hasil Grayscale dan Photonics, Optics, and Its
Transformasi Wavelet Applications (ISPhOA 2014), 2015,
vol. 9444. doi: 10.1117/12.2080940.
[3] A. Mcandrew, “An Introduction to
Digital Image Processing with Matlab
Notes for SCM2511 Image Processing
1,” 2004. [Online]. Available:
https://fb.com/tailieudientucntt
[4] M. Palanca, G. Tozzi, and L.
Cristofolini, “The use of digital image
correlation in the biomechanical area:
A review,” International
Biomechanics, vol. 3, no. 1. 2016. doi:
10.1080/23335432.2015.1117395.
[5] K. Padmavathi and K. Thangadurai,
“Implementation of RGB and
Gambar 10. Histogram Citra grayscale images in plant leaves
disease detection - Comparative
4. SIMPULAN study,” Indian Journal of Science and
Technology, vol. 9, no. 6, 2016, doi:
Dari percobaan ini, dapat diambil 10.17485/ijst/2016/v9i6/77739.
kesimpulan bahwa mengidentifikasi tipe [6] N. D. Miranda, L. Novamizanti, and
sidik jari manusia dengan menggunakan S. Rizal, “Convolutional Neural
transformasi wavelet dapat melalui metode Network pada Klasifikasi Sidik Jari
pemrograman Matlab yang telah Menggunakan RESNET-50,” Jurnal
diintegrasikan dengan GUI (Graphic user Teknik Informatika (Jutif), vol. 1, no.
Interface) ataupun dengan metode manual 2, 2020, doi:
untuk mengetahui tahapan dalam 10.20884/1.jutif.2020.1.2.18.
transformasi wavelet. Simulasi dengan [7] V. S. Jabade, “Literature Review of
Matlab dapat melalui tahapan input citra Wavelet Based Digital Image
asli berupa gambar RGB, kemudian Watermarking Techniques,”
melakukan thresholding dan grayscale,
195
STRING (Satuan Tulisan Riset dan Inovasi Teknologi) p-ISSN: 2527 - 9661
Vol. 6 No. 2 Desember 2021 e-ISSN: 2549 - 2837
196