IDENTIFIKASI SIDIK JARI DENGAN DATA BERSKALA BESAR MENGGUNAKAN METODE HYBRID MINUTIAE DAN FILTER GABOR. Oleh : Siswo Santoso

Transkripsi

1 IDENTIFIKASI SIDIK JARI DENGAN DATA BERSKALA BESAR MENGGUNAKAN METODE HYBRID MINUTIAE DAN FILTER GABOR Oleh : Siswo Santoso

2 Pendahuluan Latar Belakang Angka kelahiran lebih besar dari angka kematian sehingga penambahan data kependudukan relatif cukup tinggi Meningkatkan kinerja pengelolaan data berskala besar terutama lembaga pemerintahan (Dinas( Kependudukan dan Catatan Sipil Pemerintah Kota Surabaya) Menghilangkan data ganda seorang penduduk

3 Rumusan Masalah Identifikasi Sidik Jari dengan Data Berskala Besar Menggunakan metode hybrid minutiae dan filter gabor Mampukah untuk menghasilkan data yang akurat dan cepat sehingga meningkatkan efisiensi diberbagai bidang?

4 Penelitian Menggmbarkan Proses Transaksi Data Menentukan Indikator pengelolaan data berskala besar Menentukan keterkaitan Antara indikator dan peningkatan kinerja Menentukan hal-hal yang dilakukan untuk meningkatkan pengelolaan data berskala besar Mendapatkan gambaran soft systems methodology penyelesaian masalah peningkatan kinerja pengelolaan database Dinas Kependudukan Dan Catatan Sipil Kota Surabaya

5 Kajian Pustaka dan Dasar Teori Dermatoglifi adalah ilmu tentang bentuk atau pola sidik jari. Penelitian tentang sidik jari telah dilakukan sejak 200 tahun lalu. Sidik jari mempunyai bentuk yang tetap, tidak akan mengalami perubahan dan berbeda antara individu yang satu dengan yang lain (NurIchaq, 2008). Sidik Jari adalah gurat-gurat yang terdapat di kulit ujung jari. Fungsinya adalah untuk memberi gaya gesek lebih besar agar jari dapat memegang benda-benda lebih erat.

6 Sebuah pola sidik jari terdiri dari RIDGES, VALLEYS dan MINUTIAE. Suatu pola sidik jari normal dibentuk dari garis-garis (lines)) dan spasi (spaces). Garis-garis ini dinamakan RIDGES sedangkan spasi antara garis-garis ini dinamakan VALLEY. Pengklasifikasian sidik jari manusia berdasarkan pola garis atau pola titik disebut MINUTIAE. Minutiae juga didefinisikan sebagai titik-titik terminasi (ending) dan titik-titik awal percabangan (bifurcation) dari garis-garis alur yang memberikan informasi yang unik dari suatu sidik

7 Klasifikasi sidik jari melibatkan enam kategori (a) Busur (b) arch tenda (a) (b) (c) (c) loop kanan (d) loop kiri (e) Lingkaran (d) (e) (f) (f) loop kembar

8 Teknik sidik jari dapat ditempatkan ke dalam dua kategori: 1. MINUTIAE-BASED Teknik minutiae-based yang pertama temukan poin-poin rincian yang tidak penting dan kemudian memetakan penempatan yang sejenis pada jari. Pendekatan MINUTIAE-BASED ini ada beberapa kesulitan, yaitu : sukar untuk menyadap poin-poin rincian yang tidak penting dengan teliti sehingga sidik jari mutunya menjadi rendah tidak mempertimbangkan pola ridge kerut dan hubungan yang global 2. TEKNIK CORRELATION-BASED : memerlukan penempatan yang tepat untuk suatu pola. Hal ini terdapat pada filter Gabor yang berfungsi sebagai filter band- pass untuk sinyal unidimensional.

9 Data yang ada pada dispenduk Contoh Data Penduduk beserta data sidik jari (blob)

10 Gambar Encoding Image Sidik Jari

11 Hasil Pengambilan Sidik Jari dalam Format JPG Gambar di samping adalah hasil dari file BLOP diubah ke JPG menggunakan aplikasi delphi Jumlah Data Keseluruhan =

12 Metode Penelitian Studi Literatur Studi ini diperlukan untuk mempelajari dasar teori yang berhubungan dengan algoritma minutiae dan filter gabor, dimana kedua metode ini akan menghasilkan identifikasi sidik jari pada database dengan keakuratan dan kecepatan yang tinggi yang diimpelentasikan pada database yang besar

13 Database Penelitian Pengumpulan Data dari Dispendukcapil Kota Surabaya Data dari Dispendukcapil berupa database oracle yaitu file gambar yang dirubah menjadi file biner (Blob) Database tersebut dirubah kembali dari file biner menjadi file gambar menggunakan aplikasi kecil (Delphi) Membuat simulasi aplikasi dengan flowchart

14 Diagram Alir Perencanaan dan Simulasi Algoritma Minutiae dan Filter Gabor Scanning Image Image Processing Thinning (Penjarangan) Minutiae identification (Identifikasi hal-hal kecil) Ekstrasi Global menggunakan Filter Gabor Thinning Minutiae Alignment (Penyelarasan hal-hal kecil) Perbandingan Database

15 Contoh hasil peningkatan daerah yang diperbaiki (a),(c) adalah gambar input (b),(d) menunjukkan peningkatan sesuai gambar masukan (a) (b) (c) (d)

16 Gambar 2. Peningkatan Hasil Fingerprint (a) sidik jari berkualitas (b) minutiae diekstraksi tanpa peningkatan citra (c) minutiae diambil setelah perbaikan citra

17 Contoh dari minutiae Termination Bifurcation Lake Independent ridge Dot or island Spur crossover (a) (b) Berbagai tipe minutiae Ridge ending & Bifurcation

18 Konfigurasi akhir relatif punggungan dan percabangan antara dua tayangan jari yang sama Minutiae di ekstrak

19 Pencocokan Sidik Jari (a)mencocokkan dua tayangan jari yang sama (b) pencocokan sidik jari dari dua jari yang berbeda

20 Diagram Alir Proses Perbandingan Data Sidik Jari Query data template Basis berdasarkan data template data grouping Jumlah Record ya Ada Data? Menuju Record Berikutnya tidak tidak Pencocokan ya tidak Record Terakhir ya Pencarian tidak ditemukan Selesai Pencarian Ditemukan

21 Hasil dan Pembahasan Pada bab ini ditekankan pada pengujian keakuratan sistem yang dirancang dalam mengenali sidik jari. Penentuan Titik-titik titik Minutiae dan proses filter gabor pada sidik jari menggunakan Matlab (R2008b)

22 1. Tahapan Proses Minutiae a. Tahap Binarisasi Image b. Tahap Thinning Image c. Tahap Node d. Tahap Node Setelah Thinning

23 a. Tahap Binarisasi Image Gambar sidik jari dikonversi menjadi pixel 1 dan 0, dimana ridge berwarna hitam (1) dan valley berwarna putih (0). Hal ini memudahkan pada tahap selanjutnya karena featur yang dimiliki sudah dipisah-pisahkan. pisahkan. Gambar Proses Binarisasi Image

24 b. Tahap Thinning Image Proses ini digunakan untuk mengurangi threshold pada sampel sidik jari menjadi garis dengan ukuran ketebalan 1 pixel Algoritma: - Semua pixel pada batas daerah foreground hanya memiliki satu background neighbour - Dengan menghapus semua titik- yang memiliki foreground neighbour lebih dari satu, maka akan didapatkan garis-garis sampel sidik jari dengan ukran ketebalan 1 pixel Gambar Thinning Image

25 c. Tahap Node Pada tahap ini sampel image sidik jari akan menampilkan semua titik minutiae yang dimiliki. Gambar Proses Node

26 d. Tahap Node Setelah Thinning Tahap ini menyempurnakan tahap sebelumnya. Titik-titik titik yang tidak diinginkan akan dihapus sehingga hanya tersisa titik-titik minutiae yang sebenarnya (titik bifurcations dan titik terminations) Titik Bifurcations Gambar Proses Node Setelah Thinnning Titik Terminations

27 Gambar Tahapan Proses Minutiae

28 2. Tahapan Proses Filter Gabor Filter gabor digunakan untuk membersihkan noise pada sebuah sampel sidik jari yang rusak atau tidak jelas. Setelah sampel data sidik jari menjadi jelas, maka proses perbandingan data yang ada pada database dapat dilakukan

29 Gambar Proses Filter Gabor Pada proses filter gabor gambar sidik jari diolah sehingga menghasilkan besaran gabor (magnitude gabor)

30 Nilai Angka Titik-titik titik Bifurcations (Awal Percabangan) Data titik bifurcations 100 data sampel sidik jari Data1 Data2 Data3 dan seterusnya sampai dengan 100 data sidik jari Menunjukkan 100 data sidik jari

31 Titik-titik titik Bifurcations Menunjukkan Titik-titik Bifurcation Data 1 Gambar di atas menunjukkan Titik-titik bifurcations data1 sebanyak 100 baris atau pasangan titik (x,y).

32 Tabel Nilai Angka Titik-titik Bifurcations Data1 No. X Y No. X Y No. X Y No. X Y

33 Nilai Angka Titik-titik titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Bifurcation Data X Y

34 Titik-titik titik Terminations (Ending) Menunjukkan Titik-titik Termination Data 1 Pada gambar diatas menunjukkan titik-titik termination data1 sebanyak 122 baris atau pasangan titik (x,y).

35 Tabel Nilai Angka Titik-titik Terminations Data1 No. X Y No. X Y No. X Y No. X Y

36 Nilai Angka Titik-titik titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Terminations Data X Y

37 3. Perbandingan Database Metode yang digunakan Minutiae-Based Based- Matching (MBM) dengan pendekatan point matching (PM), dua kelompok kode minutiae (berdasar lokasinya) diperbandingkan dan jumlah kesamaan titik dari minutiae dihitung. Jadi titik-titik bifurcations dan titik-titik terminations diperbandingkan

38 Tampilan Awal Aplikasi Pencarian dan Pencocokan Data Sidik Jari

39 Tampilan Awal Jendela Buka File Sidik Jari

40 Tampilan Hasil Aplikasi Pencarian dan Pencocokan Data Sidik Jari

41 Kesimpulan dan Saran Kesimpulan yang diperoleh dari penelitian identifikasi sidik jari i dengan data berskala besar menggunakan metode hybrid minutiae dan filter gabor adalah : Sidik jari dapat digunakan sebagai identifikasi dalam pencarian data penduduk sehingga menghindari adanya data ganda (kembar). Dengan penggabungan metode minutiae dan filter gabor dapat digunakan sebagai identifikasi sidik jari sehingga menghasilkan data yang cukup kuat untuk keakuratan data. Kecepatan pencarian dan pencocokan data pada proses perbandingan database menggunakan Minutiae-based based-matching (MBM) dengan pendekatan point matching (PM) untuk 10 data memakan waktu 10 detik, 100 data 30 detik, 100 data 320 detik dan 3000 data 720 detik. Dengan D demikian kecepatan pencarian dan pencocokan data sidik jari bergantung kepada jumlah data yang akan diperbandingkan, semakin banyak data yang ada maka waktunya yang dibutuhkan semakin lama.

42 Saran Dalam penelitian ini didapatkan keakuratan dan kecepatan data dalam mengidentifikasi sidik jari menggunakan metode hybrid minutiae dan filter gabor, akan tetapi dari hasil diketahui bahwa data yang digunakan jika semakin banyak maka kecepatannya semakin lama. Oleh karena itu untuk penelitian selanjutnya perlu ditambahkan metode clustering untuk mempercepat dalam proses pencarian data

43 Terima Kasih