Enhancement Citra Sidik Jari Kotor Menggunakan Hybrid Method Dan Gabor Filter

Transkripsi

1 Enhancement Citra Sidik Jari Kotor Menggunakan Hbrid Method Dan Gabor Filter Muhammad Nasir 1,3) Rahmat Sam,3) Mochamad Hariadi 3) 1) Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,431 ) Jurusan Matematika, Universiitas Negeri Makassar, Makassar 90. 3) Jurusan Teknik Elektro ITS, Surabaa masnasir_poli@ahoo.com; rahmat_sam@ahoo.co.id; mochar@ee.its.ac.id Abstrak Sistem pengenalan sidik ari bertuuan untuk mengindentifikasi seseorang, namun kendala utama dalam pengenalan sidik ari seseorang pada umumna citra sidik ari memiliki kualitas ang rendah, antara lain disebabkan oleh enis kulit (berminak, kering, kotor) dan enis scanner fingerprint ang digunakan. Kualitas citra sidik ari merupakan faktor utama penentu tingkat akurasi hasil pengenalan citra sidik ari pada sistem biometrik. Agar citra sidik ari kotor mudah diinterpretasi oleh manusia maupun mesin, maka perlu di-enhancement dengan meminimalkan bagian ang kotor. Penelitian ini bertuuan untuk enhancement kualitas citra sidik ari kotor dengan metode Gabor filter. Pada penguian 00 data citra sidik ari kotor dihasilkan peningkatan kualitas citra sidik ari sebesar 87%. Kata kunci : Enhancement, Gabor Filter, Peningkatan Kualitas Citra, Sidik Jari 1. PENDAHULUAN Sistem biometrik adalah sistem untuk melakukan identifikasi menggunakan ciri-ciri fisik atau anggota tubuh manusia, seperti sidik ari (fingerprint), waah, iris dan retina mata, suara. Teknologi biometrik memiliki beberapa kelebihan seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki keunikan ang berbeda antara manusia satu dengan ang lain [1]. Salah satu anggota tubuh ang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik dengan kehandalan sangat tinggi adalah sidik ari. Agar citra ang mengalami gangguan mudah diinterpretasi (baik oleh manusia maupun mesin), maka citra tersebut perlu dimanipulasi menadi citra lain ang kualitasna lebih baik. Bidang ang terkait tentang hal ini adalah pengolahan citra (image processing). Salah satu metode ang digunakan untuk meningkatkan kualitas citra adalah image enhancement, akni proses peningkatan kualitas pada citra. Metode image enhancement telah banak ditemukan dan digunakan oleh para peneliti dalam meningkatkan kualitas citra secara umum, antara lain: Image enhancement, ang dilakukan oleh (Jianwei Yang, dkk., 003) telah mempelopori sebuah teknik memodifikasi sebuah Gabor filter, dimana peneliti (Jianwei Yang, dkk., 003) terinspirasi dari Traditional Gabor Filter (TGF). Dari hasil penelitianna dikembangkan sebuah filter baru aitu Modified Gabor Filter (MGF). Dari hasil modifikasi filter tersebut dapat mengurangi FRR % dan FAR 0,01%. Fingerprint Matching using Gabor Filters, ang dilakukan oleh (Muhammamd Umer Munir dan Dr. Muhammmad Younas Javed, 004) dimana pencocokan sidik ari ini didasarkan pada arak Euclidean antara dua vektor fitur ang sesuai. Keaslian penerimaan tingkat filter Gabor berbasis matcher diamati ~ 10% sampai 15% lebih tinggi daripada minutiae-based matcher dengan nilai ratarata rendah. Ekstraksi fitur sidik ari dan pencocokan mengambil ~ 7,1 detik menggunakan Pentium IV, prosesor,4 GHz. Namun secara khusus pada peningkatan kualitas citra sidik ari ang kotor masih kurang didalami. Oleh karena itu, kami mengusulkan enhancement citra sidik ari kotor menggunakan Hbrid method dan Gabor Filter.. PENGOLAHAN CITRA DIGITAL.1 Citra Digital Pengolahan citra adalah pemrosesan citra, khususna menggunakan komputer menadi citra ang kualitasna lebih baik. Sebagai contoh, citra sidik ari ang tampak agak gelap, lalu dengan operasi pengolahan citra kontrasna diperbaiki sehingga menadi lebih terang dan taam seperti pada Gambar.1.

2 (a) Gambar.1 Pengolahan Citra Sidik Jari (a) Citra Asli; Hasil Pengolahan Citra Digital (Maltoni, 003) Sebuah citra diubah ke bentuk digital agar dapat disimpan dalam memori komputer atau media lain. Proses mengubah citra ke bentuk digital bisa dilakukan dengan beberapa perangkat, misalna scanner, kamera digital, dan handcam. Ketika sebuah citra sudah diubah ke dalam bentuk digital (selanutna disebut citra digital), bermacam-macam proses pengolahan citra dapat diperlakukan terhadap citra tersebut [3]. Teknik-teknik pengolahan citra digital dapat dilakukan sebagai berikut : 1. Perbaikan kualitas citra (image enhancement). Jenis operasi ini bertuuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra. Dengan cara operasi ini, maka ciri-ciri khusus ang terdapat di dalam citra dapat ditonolkan. Contoh dari operasi ini aitu perbaikan kontras (gelap/terang), perbaikan tepi obek (edge enhancement), penaaman (sharpening), reduksi derau [4].. Segmentasi citra (image segmentation). Jenis operasi ini bertuuan untuk memecah dan memilih suatu area ke dalam beberapa segmen dengan suatu kriteria tertentu. Dalam operasi ini, kasus ang sering teradi terkait dengan pengenalan pola. Misal segmentasi mata, hidung, waah atau ang lainna... Sidik Jari Sidik ari adalah suatu bentuk pola garis (ridge) pada permukaan sebuah uung ari. Sebuah sidik ari berkualitas baik dapat dibedakan berdasarkan polapola dan ciri-ciri (feature) ang menediakan ekstraksi feature ang bermanfaat untuk pencocokan sidik ari. Sebuah algoritma pencocokan sidik ari otomatis berbasis minutiae menggunakan ciri-ciri ang membandingkan karakteristikkarakteristik ridge lokal (minutiae) dari dua sidik ari. Berdasarkan pola garis (ridge) dan lembah (valle), sidik ari dapat diklasifikasikan menadi tiga kelas utama, aitu: Arch, Loop dan Whorl (Prabakar).[] (a) (c) Gambar. Klasifikasi Jenis Sidik Jari (a) Arch, Loop dan (c) Whorl Dari klasifikasi ini dapat di bagi menadi beberapa subklasifikasi (prabhakar), aitu : 1. Arch merupakan bentuk pokok sidik ari ang semua garis-garisna datang dari satu sisi lukisan, mengalir atau cenderung mengalir ke sisi ang lain dari lukisan itu, dengan bergelombang naik ditengah-tengah. Arch terdiri dari : Plain Arch adalah bentuk pokok sidik ari dimana garis-garis dating dari sisi lukisan ang satu mengalir ke arah sisi ang lain, dengan sedikit bergelombang naik ditengah. Tented arch adalah bentuk pokok sidik ari ang memiliki garis tegak (upthrust), sudut (angle) atau dua dan tiga ketentuan loop. dari beberapa populasi arch mempunai presentasi sebesar 5%.. Loop adalah bentuk pokok sidik ari dimana satu garis atau lebih datang dari satu sisi lukisan, melereng, menentuh atau melintasi suatu garis baangan ang ditarik antara delta dan core, berhenti atau cenderung berhenti kearah sisi semula. Loop dibagi menadi left loop, right loop dan double loop. Berbeda dengan arch, umlah individu ang mempunai klasifikasi loop sangat besar aitu sebesar 60 % 3. Whorl adalah bentuk pokok sidik ari, mempunai delta dan sedikitna satu garis melingkar di dalam pattern area, terletak diantara kedua delta. Pada klasifikasi ini umlah prosentasi individu sebesar 35%..3. Enhancement Citra Definisi dari enhancement citra adalah berasal dari kata enhancement ang artina mempertinggi atau meningkatkan, adi enhancement citra memiliki arti secara utuh adalah mempertinggi atau meningkatkan kualitas citra dengan metodemetode tertentu. Proses-proses dalam enhancement citra terdiri dari sekumpulan teknik ang dilakukan untuk meningkatkan tampilan visual dari sebuah citra, atau untuk mengkonversikan citra ke dalam bentuk ang lebih cocok untuk analisa mata manusia atau analisa mesin. Untuk pemprosesan mesin, definisi dari enhancement citra adalah untuk

3 menghentikan data-data ang hilang dalam ekstraksi citra. Sebagai sebuah contoh, sebuah sistem enhancement citra menguatkan garis tepi sebuah citra dengan menggunakan filtering dengan frekuensi tinggi. Gambar ang telah di-enhance kemudian digunakan sebagai input ke dalam sebuah mesin ang akan melacak garis tepi dari sebuah obek dan mungkin saa membuat sebuah pengukuran dari bentuk dan ukuran dari obek tersebut. Saat ini pada dasarna tidak ada teori penatuan umum dari enhancement citra, karena tidak ada standar umum dari kualitas citra ang dapat digunakan sebagai desain ukuran untuk sebuah enhancement processor citra..4 Gabor Filter Saat informasi ridge orientasi dan ridge frekuensi telah di tentukan, parameter-parameter ini digunakan untuk membentuk simetrik genap Gabor Filter. Sebuah Gabor filter dua dimensi terdiri atas dua gelombang sinusoida dari orientasi dan frekuensi, di modulasikan oleh sebuah envelope (sampul) Gaussian [9]. Gabor filter bekera pada frekuensi dan orientasi ang selektif sesuai sifatna. Sifat-sifat ini membuat filter di tuning agar menghasilkan respon maksimal pada ridge orientasi dan ridge frekuensi tertentu dalam pencitraan sidik ari. Untuk itu, tuning ang sempurna dari gabor filter dapat digunakan secara efektif untuk mempertahankan struktur ridge saat teradi pengurangan noise. Gabor filter simetrik genap adalah bagian nata dari fungsi gabor, ang diberikan oleh gelombang cosinus ang di modulasi oleh Gaussian (Gambar.1). Gabor filter dalam domain spatial ditentukan oleh [9]: ' ' θ θ ( ; θ, f ) = ep + cos( πf ), G θ.1 = cosθ sinθ,. = sinθ + cosθ,.3 θ 1 σ ', σ ' Dimana θ adalah orientasi gabor filter, f adalah frekuensi gelombang cosinus, σ dan σ adalah deviasi standar sifat gaussian sepanang sumbu dan, dan θ dan θ mendefinisikan sumbu dan dari koordinat filter. θ f Gambar.3 Gabor filter simetris genap dalam spatial domain (Thai Ramond, 003 ) Gabor Filter diterapkan pada citra sidik ari secara spasial pada konvolusi citra dengan filter. Konvolusi piksel ( i, ) pada citra memerlukan kesesuaian orientasi nilai O ( i, ) dan nilai frekuensi ridge F ( i, ) pada pikselna. Oleh karena itu, penerapan gabor filter G untuk memperoleh peningkatan citra E dilakukan sesuai rumus: w = w.4 dimana O adalah orientasi citra, F adalah frekuensi ridge citra, N adalah citra sidik ari ang telah dinormalkan, w dan w adalah lebar dan tinggi dari mask Gabor filter. Bandwidth filter, ang menentukan rentang respon frekuensi filter, ditentukan oleh parameter standar deviasi σ dan σ. Karena bandwidth filter diatur untuk menesuaikan frekuensi ridge lokal, maka dapat disimpulkan bahwa pemilihan parameter σ dan σ harus terkait dengan frekuensi ridge. Namun, pada algoritma originalna Hong. dkk, σ dan σ secara empiris diatur pada (, ) Gu (, v; Oi (, ), F( i, ) ) N( i u, v) Ei w w u= v= tetapan nilai masing-masing 4.0 dan 4.0. Sebuah kelemahan menggunakan nilai ang tetap adalah bahwa kekuatan untuk bandwidth selalu konstan, tidak memperhitungkan variasi ang mungkin teradi dalam nilai-nilai frekuensi ridge. Misalna, ika sebuah filter dengan bandwidth konstan diterapkan untuk citra sidik ari ang mana menunukkan variasi ang signifikan pada nilai frekuensi, dapat menebabkan enhancement secara non-uniform atau enhancement tambahan lainna. Dengan demikian, daripada menggunakan nilai tetap, maka dipilih nilai σ dan σ menadi fungsi parameter frekuensi ridge, ang didefinisikan sebagai berikut: σ = k F( i, ),.5

4 = k F( i, ), σ.6 dimana F merupakan frekuensi ridge citra, k adalah variabel konstan untuk σ, dan k adalah variabel konstan untuk σ. Hal ini memungkinkan pendekatan ang lebih adaptif untuk digunakan, sebagai nilai-nilai σ dan σ sekarang dapat ditentukan secara adaptif sesuai dengan frekuensi ridge lokal dari citra sidik ari. Selanutna, dalam algoritma asal, lebar dan tinggi dari mask filter sama-sama diatur pada nilai tetap. Ukuran filter mengontrol luas spasial dari filter, ang idealna dapat secara umum mengakomodasi manfaat informasi sinal Gabor. Namun, nilai filter ang tetap akan tidak optimal karena tidak dapat mengakomodasi sinal Gabor dengan bandwidth ang berbeda. Oleh karena itu, agar memungkinkan ukuran filter bervariasi secara otomatis mengikuti bandwidth sinal Gabor, maka ditetapkan ukuran filter menadi fungsi ang memakai standar deviasi sebagai parameter: Jika T = C maka: w ( baru) = w ( lama) + α ( w ( lama)).9 Jika T = C maka : w ( baru) = w ( lama) α ( w ( lama)) DATA DAN METODOLOGI Secara umum, penelitian enhancement citra sidik ari kotor ini melalui beberapa tahapan proses, seperti ditunukan dalam Gambar 3.1. ` w = 6σ,.7 Gambar 3.1. Blok Diagram Penelitian w = 6σ.5 Learning Vector Quantization (LVQ).8 Merupakan suatu metode untuk melakukan pelatihan terhadap lapisan-lapisan kompetitif ang terawasi.suatu lapisan kompetitif akan secara otomatis belaar untuk mengklasifikasikan vektorvektor input.jika dua vektor input memiliki nilai ang mendekati atau hampir sama maka dalam lapisan kompetitif akan mengenali kedua vektor input tersebut pada kelas ang sama. Jadi LVQ adalah metode untuk klasifikasi (pengelompokkan) pola dan memiliki output ang mewakili dari kelas tertentu. Algoritma LVQ bertuuan akhir mencari nilai bobot ang sesuai untuk mengelompokkan vektorvektor input kedalam kelas tuuan ang telah diinisialisasi pada saat pembentukan Jaringan LVQ. Sedangkan algoritma penguianna adalah menghitung nilai output, ang terdekat dengan vektor input, atau dapat disamakan dengan proses pengklasifikasian (pengelompokkan). Dimana nilai vektor ang berdekatan dikelompokkan kedalam kelas ang sama sesuai dengan hasil perhitungan dengan mencari nilai kelas terdekat. Perbaikan bobot pada metode Learning Vector Quantization (LVQ) adalah: Pada penelitian ini, pengambilan data citra sidik ari dilakukan dari berbagai latar belakang pekeraan subek penelitian (mahasiswa, karawan, buruh, petani). Data sidik ari akan diambil dengan meruuk pada pedoman pengambilan data Fingerprint Verification Competition (FVC) Database- (DB), akni menggunakan optical sensor fingerprint U.are.U 4000 ang diproduksi oleh digital persona dengan mendapatkan ukuran citra piksel grascale dalam format bitmap. Data diambil dari ibu ari 0 orang dengan 10 sampel per ari (00 citra sidik ari). Pengambilan sidik ari kotor, terlebih dahulu melalui tahapan dengan memberikan tinta atau debu ang disesuikan dengan seberapa kepekaan scan dapat membaca data sidik ari. Bila sidik ari terlalu kotor,maka data sidik ari tidak dapat dibaca oleh scan fingerprint. Gambar 3. merupakan contoh citra sidik ari kotor ang diambil dengan scan fingerprint U are U Gambar 3. Contoh Data Sidik Jari Kotor

5 Selanutna data sidik ari di proses dalam beberapa tahap, antara lain : 1. Normalisasi. Binarisasi 3. Gabor Filter 4. Thinning 5. Minutiae Etraction, dan 6. Learning Vector Quantization (LVQ) Sebuah citra grascale adalah mempunai umlah tingkat satu grascale ang spesifik. Untuk 8 bit citra grascale bisa merepresentasikan 8-1 = 55 intensitas atau tingkat abu-abu. Pada penelitian ini dilakukan dengan memakai beberapa nilai threshold dengan tuuan untuk melihat mana ang terbaik dalam proses binarisasi. Adapun nilai threshold ang di pilih antara lain 130, 150 dan HASIL DAN PEMBAHASAN Pada penelitian ini diperoleh hasil sebagai berikut: 4.1. Penguian Normalisasi Proses normalisasi dilakukan untuk menstandartisasi atau meneragamkan nilai intensitas citra sidik ari kotor dengan menesuaikan cakupan deraat keabuan sehingga berada pada cakupan nilai ang diharapkan. Gambar 4.1 merupakan hasil dari normalisasi suatu citra sidik ari ang mempunai nilai mean nol dan variance satu. Histogram citra asli ang ditunukkan pada Gambar 4.1(c) menggambarkan bahwa semua nilai piksel tidak merata pada intensitas citra melalui proses normalisasi maka nilai umlah piksel di rata-ratakan sepanang nilai intensitas seperti ang di tunukkan pada Gambar 4.1 (d). Pada histogram di perlihatkan adana peneragaman nilai piksel gelap dan terang. Oleh karena itu normalisasi citra diperlukan untuk meningkatkan kontras antara ridge dan valle pada citra sidik ari. (a) (a) (c) (d) Gambar 4. Hasil Binarisasi dengan Nilai Threshold Berbeda (a) Citra Asli; Threshold 130; (c) Threshold 150; (d) Threshold Penguian Thinning melalui beberapa tahapan segmentasi aitu normalisasi dan binarisasi maka selanutna citra sidik di thinning. Penerapan algoritma thinning pada citra sidik ari ang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra biner. Skeleton citra ini kemudian digunakan dalam ekstraksi minutiae selanutna. Gambar 4.3 memperlihatkan hasil proses thinning. (c) (d) Gambar 4.1 Hasil Normalisasi Cita (a) Citra Asli; Citra Ternormalisasi; (c)histogram dari Citra Asli; (d) Histogram dari Citra Ternormalisasi 4.. Penguian Binerisasi Binarisasi adalah proses dimana citra grascale ditingkatkan ke dalam suatu konversi citra biner. Gambar 4.3 Hasil Proses Thinning 4.4 Enhancement dengan Gabor Filter

6 Pada penelitian ini proses enhancement di lakukan dengan menggunakan gabor filter, dimana citra sidik ari ang telah ternormalisasikan di konvolusi dengan 8 buah Filter Gabor dengan arah orientasi ang berbeda (0 o,.5 o, 45 o, 67.5 o, 90 o, 11.5 o, 135 o, o ). Sehingga pada akhirna terbentuk 8 buah citra baru terfilterisasi. Hasil dari proses orientasi Gabor filter untuk enhancement sperti ang ditunukkan pada Gambar 4.4. Pada penelitian nilai deviasi ditetapkan sebesar 3 dan k = 10, dimana k adalah nilai perioda. 4.5 Learning Vector Quantization (LVQ) Untuk mengukur tingkat keberhasilan enhancement citra sidik ari kotor pada penelitian ini, digunakan metode Learning Vector Quantization (LVQ). Penguian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasna. Adapun umlah kelas pada penguian ini seluruhna 0 kelas dengan tiap kelas terdiri dari 10 citra. Adapun hasil dari LVQ ditunukkan pada tabel 4.1. Tabel 4.1 Hasil dari Learning Vector Quantization (LVQ). Data Citra Input Dikenali Tidak dikenali % (a) Citra Asli 50 Enhancement Enhancement o (c).5 o (c) 45 o Enhancement Enhancement Enhancement Enhancement (e) 67.5 o (e) 90 o (f) 11.5 o 00 Enhancement Enhancement (g) 135 o (h) o (i) Citra Enhancemnet Gambar 4.4 Hasil Proses 8 Orientasi Gabor Filter Untuk tampilan Gabor Filter simetris genap untuk θ =.5 o seprti diperlihatkan pada Gambar 4.5. Gambar 4.6 Grafik Penguian LVQ (a) Gambar 4.5 Hasil Gabor Filter Simetris Genap (a) Tampilan Posisi 0 o ; Tampilan Posisi.5 o 5. KESIMPULAN Berdasarkan ui coba dan analisis hasil penguian terhadap citra sidik ari kotor dengan menggunakan hbrid morpholog dan gabor filter untuk mendapatkan citra ang ter-enhancement, dapat disimpulkan sebagai berikut :

7 1. Dari hasil penelitian ang dilakukan untuk enhancement citra sidik ari ang terbaik menggunakan 8 orientasi, aitu 0 o,.5 o, 45 o, 67.5 o, 90 o, 11.5 o, 135 o, o.. Untuk mengukur tingkat keberhasilan enhancement citra sidik ari kotor pada penelitian ini, digunakan metode Learning Vector Quantization (LVQ). Dari hasil diperoleh tingkat keberhasilan pengenalan adalah 87%. DAFTAR REFERENSI [1] Arun, R. Jain, A. dan Resimen, J., 00, A Hbrid Fingerprint Matcher, Proceedings Of International Conference on Pattern Recognition (ICPR), Quebec Cit, hal [] Chaohong Wu, Zhiin Shi, Fingerprint Image Enhancement Method Using Directional Median Filter [3] D. Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 003, Handbook of Fingerprint Recognition, Springer, New York. [4] Jianwei Yang, Lifeng Liu, Tianzi Jiang, 003. A modified Gabor filter design method for fingerprint image enhancement , National Laborator of Pattern Recognition, Institute of Automation, Chinese Academ of Sciences [5] Mehtre, B. M Fingerprint Image Analsis for outomatic Identification. Machine Vision and Application 6. (14-139). [6] Munir, Umer Muhammad; Javed,Younas Muhammad, 004. Fingerprint Matching Using Gabor Filter. [7] Peng Yang et.al. 00, Face Recognition Using Ada-Boosted Gabor Feature. Institute of Computing Technolog of Chinese Academ Science and Microsoft Research Asia, China [8] Rafel C. Gonzalez, Richard E. Woods. 00. Digital Image Processing (Second Edition). Prentice-Hall. New Jerse. [9] Thai Ramond Fingerprint Image Enhancement and Minutiae Etraction. The Universit of Western Australia. [10] Usman Ahmad Pengolahan Citra Didital dan Teknik Pemrogramanna, Graha Ilmu, Yokakarta. [11] Vincent Levesque, 003, Teture Segmentation Using Gabor Filters, Center For Intelligent Machines, McGill Universit [1] Yiang Zhang, Yuhua Jiao, A Fingerprint Enhancement Algorithm using a Federated Filter.