Klasifikasi Pola Sidik Bibir Untuk Menentukan Jenis Kelamin Manusia Dengan Metode
Gray Level Co-Occurrence Matrix Dan Support Vector Machine
Eka Novita Shandra1, Budi Darma Setiawan2, Yuita Arum Sari3
Pembimbing :
Disusun Oleh :
Regsy setria Putra Sipayung 18174031
Diyan Kartika ayu 18174094
Rindayu Julianti Nurman 18174050
PENDAHULUAN
01 Manusia memiliki ciri-ciri yang unik yang melekat pada setiap bagian
tubuhnya yang dapat membedakan satu individu dengan individu lain.
04
Studi yang mempelajari tentang metode identifikasi berdasarkan sidik
bibir disebut cheiloscopy (Randhawa, Narang, & Arora, 2011).
PENDAHULUAN
Untuk kasus forensik, sidik bibir dapat digunakan untuk memecahkan kasus
05 pembunuhan, pemerkosaan ataupun pencurian
Dari website Data Informasi Bencana Indonesia (DIBI), pada 10 tahun terakhir
07 Indonesia mengalami bencana diantaranya ada yang meninggal dan hilang.
Identifikasi perlu dikembangkan,sidik bibir bisa dikembangkan pada proses forensik karena sidik
bibir memiliki pola yang unik dan bersifat ndividual setiap orangnya.
09
Beberapa penelitian melaporkan bahwa sidik bibir bersifat permanen dan tidak berubah selama
hidup seseorang (Septadina, 2015).
10
GLCM (Gray Level Co-Occurrence Matrix) merupakan salah satu metode yang digunakan untuk
mendapatakan nilai ciri-ciri tekstur pada citra yang dihitung nilai probabilitas hubungan
ketetanggaan antara dua piksel pada jarak dan arah tertentu
11
Pada penelitian ini metode GLCM dan SVM menjadikan alasan utama Penulis dalam membuat
suatu sistem yang dapat berguna dan membantu penentuan jenis kelamin individu menggunakan
sidik bibir dengan memanfaatkan citra digital dalam mengidentifikasi jenis kelamin manusia.
12
LANDASAN KEPUSTAKAAN
1. Sidik Bibir
klasifikasi sidik bibir oleh Suzuki dan Tsuchihashi (1970) yang membagi pola sidik bibir menjadi enam,
yaitu :
Tipe I Tipe I’ Tipe II
Tampak alur Mirip dengan tipe I Menunjukkan alur
vertikal pada namun alur tidak yang bercabang
seluruh bagian pada seluruh bagian seperti huruf Y
bibir, vertikal parsial
bibir.
Membuat area kerja matriks yang digunakan untuk memasukkan hubungan spasial dari
nilai piksel citra.
Normalisasi, yaitu proses mengubah rentang nilai intensitas pixel. Dengan rumus min-max
normalization pada Persamaan 1.
Selanjutnya menghitung nilai tekstur dengan persamaan Haralick (1973) yang
didefenisikan sebagai berikut:
01 02
Momen Angular Kedua (Angular Second Moment) atau Kontras (Contrast)
Energy. Rumus ASM dapat dilihat pada Persamaan 2. Untuk menghitung kontras dapat dilakukan dengan Persamaan 3.
Selanjutnya menghitung nilai tekstur dengan persamaan Haralick (1973) yang
didefenisi-kan sebagai berikut:
03 04
Korelasi (Correlation) Momen Selisih Terbalik (Inverse Difference). Rumus IDM dapat
Untuk menghitung korelasi dapat dilakukan dengan Persamaan 4. dilihat pada Persamaan 5.
3. Support Vector Machine (SVM)
Langkah-langkah dalam melakukan sequential training akan ditunjukkan pada persamaan sebagai berikut (Vijayakumar S, 1999).
Melakukan inisialisasi terhadap 𝛼𝑖= 0 dan parameter lainnya, Melakukan iterasi untuk setiap iterasi yang telah di inisialisasi di awal, lalu
01 seperti nilai λ , γ , 𝐶 dan iterasi maksimal Keterangan: 03 menghitung nilai 𝐸𝑖 menggunakan Persamaan 7 sebagai berikut.
Keterangan:
𝛼𝑖 = alfa ke-i
𝛿𝛼𝑖= delta alfa ke-i
PENGUMPULAN DATA
(a)
Pengumpulan data dilakukan dengan mengambil
langsung beberapa foto bibir dari mahasiswa dan
Bibir
mahasiswi Fakultas Ilmu Komputer, Universitas Pria
Brawijaya.
07
Hasil matriks simetris kemudian dinormalisasi dengan membagi tiap-tiap nilai pada
matriks dengan total keseluruhan nilai pada matriks
08
Dari hasil matriks yang telah dinormalisasi, dilakukan perhitungan ekstraksi fitur
sebanyak 4 fitur yaitu ASM, Contrast, Correlation, dan IDM
2. Perancangan Proses Algoritme Support Vector Machine
01 Pengujian
Parameter 𝛌 (Lambda)
Bertujuan untuk mengetahui pada nilai lambda berapa yang memberikan nilai
akurasi terbaik untuk sistem
02 Pengujian Bertujuan untuk mengetahui pada nilai gamma berapa yang memberikan nilai
Parameter Gamma akurasi terbaik untuk sistem
Pengujian
03 Parameter
Complexity (C)
Bertujuan untuk mengetahui pada nilai C berapa yang memberikan nilai akurasi
terbaik untuk sistem
Pengujian
04
Bertujuan untuk mengetahui pada nilai iterasi maksimal berapa yang memberikan
Parameter Iterasi nilai akurasi terbaik untuk sistem
Maksima
05
Pengujian Nilai Bertujuan untuk mengetahui pada nilai jarak berapa yang memberikan nilai
Jarak (d) akurasi terbaik untuk sistem.
1. Pengujian Parameter 𝛌 (Lambda)
PowerPoint
Presentation
2. Pengujian Parameter Gamma
3. Pengujian Parameter Complexity (C)
4. Pengujian Parameter Iterasi Maksimal
5. Pengujian Nilai Jarak (d)
Berikut merupakan hasil percobaan pengujian klasifikasi jenis kelamin berdasarkan sidik bibir
dengan skenario nilai parameter =0.5, 𝛾=0.01, 𝐶=1, dan itermax = 100 dan jarak =1.
Berikut merupakan hasil klasifikasi kelas tipe sidik bibir
dengan skenario nilai parameter 𝜆=0.5, 𝛾=0.01, 𝐶=1,
dan itermax = 100 dan jarak = 1
KESIMPULAN 60% 40%
Permasalahan klasifikasi jenis kelamin dengan metode gray level co-occurance matrix dan
01 support vector machine, sistem masih kurang dapat memberikan hasil klasifikasi sesuai
dengan kelasnya
Nilai rata-rata akurasi hanya mampu mencapai nilai 51,4% dengan skenario
02 pengujian yaitu rasio data 80% data training : 20% data testing, menggunakan kernel
polynomial dan nilai parameter yaitu 𝜆=0.5, 𝛾=0.01, 𝐶=1, itermax = 100 dan jarak=1
Pengaruh variasi nilai parameter lambda, gamma, C, iterasi maksimal dan d pada pengujian
memberikan hasil yaitu hampir semua nilai akurasi data nilainya tidak optimal 03
Akurasi yang rendah tersebut disebabkan karena nilai tekstur pada beberapa dataset
yang kelasnya berbeda memiliki kemiripan dan perbedaan pola pada setiap kelas
tidak signifikan
04
Walaupum rata-rata akurasi yang didapatkan masih rendah, sistem sudah dapat dengan benar mengklasifikasikan
05 beberapa tipe bibir
Untuk penelitian lebih lanjut agar dapat meningkatkan hasil yang diperoleh sistem, dengan melakukan
perbaikan sepertimenambahkan beberapa tahapan pre-processing agar membuat kualitas citra menjadi
06 lebih baik untuk dapat memisahkan dengan benar kelaskelas yang termasuk didalamnya dan juga
dapat mencoba menggunakan metode ekstraksi fitur ainnya
05 04
Untuk kasus multi-class pada SVM dapat mencoba menggunakan strategi One Against One
07 ataupun strategi yang lainnya
THANK YOU
☺