IDENTIFIKASI SIDIK JARI DENGAN DATA BERSKALA BESAR MENGGUNAKAN METODE HYBRID MINUTIAE DAN FILTER GABOR Oleh : Siswo Santoso
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
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?
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
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.
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
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
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.
Data yang ada pada dispenduk Contoh Data Penduduk beserta data sidik jari (blob)
Gambar Encoding Image Sidik Jari
Hasil Pengambilan Sidik Jari dalam Format JPG Gambar di samping adalah hasil dari file BLOP diubah ke JPG menggunakan aplikasi delphi Jumlah Data Keseluruhan = 281.249
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
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
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
Contoh hasil peningkatan daerah yang diperbaiki (a),(c) adalah gambar input (b),(d) menunjukkan peningkatan sesuai gambar masukan (a) (b) (c) (d)
Gambar 2. Peningkatan Hasil Fingerprint (a) sidik jari berkualitas (b) minutiae diekstraksi tanpa peningkatan citra (c) minutiae diambil setelah perbaikan citra
Contoh dari minutiae Termination Bifurcation Lake Independent ridge Dot or island Spur crossover (a) (b) Berbagai tipe minutiae Ridge ending & Bifurcation
Konfigurasi akhir relatif punggungan dan percabangan antara dua tayangan jari yang sama Minutiae di ekstrak
Pencocokan Sidik Jari (a)mencocokkan dua tayangan jari yang sama (b) pencocokan sidik jari dari dua jari yang berbeda
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
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 7.7.0.471 (R2008b)
1. Tahapan Proses Minutiae a. Tahap Binarisasi Image b. Tahap Thinning Image c. Tahap Node d. Tahap Node Setelah Thinning
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
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
c. Tahap Node Pada tahap ini sampel image sidik jari akan menampilkan semua titik minutiae yang dimiliki. Gambar Proses Node
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
Gambar Tahapan Proses Minutiae
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
Gambar Proses Filter Gabor Pada proses filter gabor gambar sidik jari diolah sehingga menghasilkan besaran gabor (magnitude gabor)
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
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).
Tabel Nilai Angka Titik-titik Bifurcations Data1 No. X Y No. X Y No. X Y No. X Y 1 21 319 31 76 279 61 138 110 91 200 215 2 29 42 32 76 215 62 139 306 92 201 125 3 29 57 33 80 22 63 147 173 93 204 56 4 32 108 34 81 182 64 147 39 94 205 43 5 37 238 35 86 57 65 148 296 95 205 187 6 41 31 36 85 212 66 150 275 96 204 225 7 41 117 37 86 162 67 152 49 97 218 328 8 42 40 38 87 254 68 151 181 98 221 149 9 43 325 39 93 166 69 154 202 99 223 261 10 44 213 40 100 311 70 154 145 100 244 185 11 45 65 41 101 59 71 156 185 12 45 107 42 102 249 72 160 122 13 44 261 43 105 280 73 163 190 14 48 306 44 107 67 74 166 179 15 53 17 45 106 152 75 167 16 16 54 52 46 109 21 76 166 125 17 54 233 47 108 241 77 169 72 18 56 259 48 109 164 78 168 167 19 59 223 49 113 174 79 173 152 20 58 309 50 116 249 80 175 135 21 62 266 51 116 62 81 179 212 22 62 103 52 119 220 82 185 43 23 64 251 53 118 52 83 185 214 24 65 10 54 121 142 84 187 129 25 64 299 55 124 86 85 188 160 26 67 18 56 127 25 86 190 25 27 67 257 57 130 80 87 190 281 28 67 196 58 133 306 88 192 243 29 70 155 59 138 140 89 193 64 30 71 115 60 138 204 90 200 173
Nilai Angka Titik-titik titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Bifurcation Data 1 350 300 X Y 250 200 150 100 50 0 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81 85 89 93 97
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).
Tabel Nilai Angka Titik-titik Terminations Data1 No. X Y No. X Y No. X Y No. X Y 1 1 223 31 60 94 61 134 289 91 202 20 2 2 202 32 60 137 62 136 64 92 204 72 3 2 313 33 63 334 63 142 94 93 205 66 4 2 322 34 71 67 64 143 1 94 208 336 5 4 331 35 74 133 65 144 10 95 211 9 6 5 169 36 77 264 66 146 73 96 211 182 7 9 54 37 91 85 67 149 58 97 214 165 8 9 122 38 93 304 68 150 2 98 215 336 9 9 220 39 94 253 69 150 222 99 215 175 10 12 72 40 95 336 70 151 191 100 218 13 11 13 325 41 97 70 71 153 122 101 219 116 12 14 190 42 97 269 72 154 114 102 220 220 13 19 229 43 100 180 73 158 3 103 221 101 14 23 235 44 99 329 74 159 98 104 222 122 15 28 149 45 107 296 75 168 110 105 222 173 16 28 313 46 107 200 76 172 176 106 222 270 17 30 209 47 107 319 77 175 99 107 223 94 18 32 253 48 107 326 78 178 300 108 224 189 19 33 228 49 109 131 79 181 182 109 226 81 20 33 244 50 110 332 80 182 95 110 227 317 21 37 336 51 118 6 81 182 133 111 228 25 22 39 109 52 118 103 82 186 154 112 231 107 23 42 332 53 120 68 83 187 71 113 233 89 24 48 25 54 121 13 84 187 186 114 238 277 25 50 57 55 123 243 85 192 137 115 239 99 26 51 336 56 125 7 86 192 233 116 249 217 27 52 311 57 128 142 87 193 155 117 250 171 28 55 297 58 129 118 88 193 325 118 256 269 29 56 100 59 133 253 89 198 60 119 257 130 30 58 197 60 134 259 90 198 208 120 258 336 121 258 120 122 258 229
Nilai Angka Titik-titik titik Bifurcations digambarkan secara Grafis Grafik Nilai Angka Titik-titik Terminations Data 1 400 350 300 X Y 250 200 150 100 50 0 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 101 106 111 116 121
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
Tampilan Awal Aplikasi Pencarian dan Pencocokan Data Sidik Jari
Tampilan Awal Jendela Buka File Sidik Jari
Tampilan Hasil Aplikasi Pencarian dan Pencocokan Data Sidik Jari
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.
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
Terima Kasih