SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR Oleh: Ahmad Sirojuddin Luthfi - 1210100052 Dosen Pembimbing : Drs. Nurul Hidayat, M.Kom 1
PENDAHULUAN Latar Belakang Biometrika Obyek Biometrika Biometrika Telapak Tangan Penelitian Terdahulu Biometrika merupakan cabang matematika terapan yang bidang garapnya adalah untuk mengidentifikasi individu berdasarkan fisiologis yang dimilikinya yang bersifat unik. 2
PENDAHULUAN Latar Belakang Biometrika Obyek Biometrika Biometrika Telapak Tangan Penelitian Terdahulu Sidik jari (fingerprint) Iris mata (iris) Geometri tangan(hand geometry) Wajah (face) Suara (voice) Tanda tangan (signature) Telapak tangan (palmprint) 3
PENDAHULUAN Latar Belakang Biometrika Obyek Biometrika Biometrika Telapak Tangan Penelitian Terdahulu Telapak tangan menjadi sangat menarik untuk dikembangkan sebagai biometrika karena memiliki ciri yang lebih banyak dibandingkan sidik jari dan geometri tangan. Permukaan area telapak tangan yang lebih luas dibandingkan sidik jari diharapkan dapat menghasilkan ciri yang memiliki kemampuan membedakan yang lebih handal. 4
PENDAHULUAN Latar Belakang Biometrika Obyek Biometrika Biometrika Telapak Tangan Penelitian Terdahulu Ketut Gede Darma Putra(2009) dengan Dimensi Fraktal dan Lacunarity, Ratih Ayuningheni(2012) dengan Multiscale Wavelet Pyramid, Jinyu Guo(2012) dengan Block Entropy Map, Ricky Kurniadi(2012) dengan Filter Bank Gabor, dll 5
PENDAHULUAN Rumusan Masalah Bagaimana mengaplikasikan matriks diskriminator untuk proses identifikasi telapak tangan. Bagaimana membuat sistem yang mengenali individu melalui telapak tangan dan dengan interface yang userfriendly. 6
PENDAHULUAN Batasan Masalah 1 2 3 Citra telapak tangan diambil secara langsung menggunakan webcam. Telapak tangan dalam keadaan normal dan bersih (tidak berminyak, tidak ada coretan, dll). Sensitif terhadap pergeseran 7
PENDAHULUAN Tujuan Mendapatkan aplikasi matriks diskriminator dalam proses identifikasi telapak tangan. Mendapatkan sistem yang dapat mengenali individu melalui telapak tangan dan sistem dengan interface yang user friendly.. 8
PENDAHULUAN Manfaat Dapat digunakan untuk membangun sistem pada area yang membutuhkan keamanan tingkat tinggi. Dapat digunakan untuk mengembangkan sistem pengenalan individu berbasis telapak tangan. Sebagai referensi dan informasi tentang penggunaan matriks diskriminator. 9
TINJAUAN PUSTAKA STUDI PENELITIAN SEBELUMNYA Pada tahun 2012, artikel yang ditulis J. Guo dengan judul Palmprint Recognition Using Block Entropy Map From a Single Image Per Person telah berhasil mencocokkan telapak tangan dengan akurasi 77.6%. Pada tahun 2012 juga, Tugas Akhir Jurusan Matematika ITS yang ditulis oleh Ricky Kurniadi dengan judul Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor dengan hasil persentase tingkat keberhasilan sistem dalam melakukan identifikasi pengguna sebesar 92,727%. 10
TINJAUAN PUSTAKA UNJUK KERJA SISTEM BIOMETRIKA Untuk menghitung unjuk kerja sistem biometrika digunakan FNMR (False Non Match Rate). FNMR menyatakan probabilitas sampel dari pengguna tidak cocok dengan acuan lain yang diberikan pengguna yang sama. Rasio kesalahan ketidakcocokan dihitung dengan rumus: Rasio Kesalahan Ketidakcocokan = β n x100% dengan : β : jumlah kesalahan ketidakcocokan n : jumlah keseluruhan proses pencocokan 11
TINJAUAN PUSTAKA UNJUK KERJA SISTEM BIOMETRIKA Dengan semakin kecilnya tingkat kesalahan FNMR maka persentase keberhasilan identifikasi sistem menjadi semakin besar. Persentase keberhasilan sistem dapat dihitung dengan menggunakan persamaan berikut : Persentase keberhasilan = 100% FNMR 12
POLA TELAPAK TANGAN TINJAUAN PUSTAKA Telapak tangan mempunyai ciri lebih banyak daripada sidik jari. Ciri yang dimiliki telapak tangan adalah sebagai berikut : Ciri geometri Ciri garis-garis utama Ciri garis-garis kusut Ciri titik delta Ciri minusi Ciri garis-garis utama dan garis-garis kusut sering disebut ciri garis saja. Ciri ini dapat diperoleh dari citra telapak tangan beresolusi rendah, ini merupakan kelebihan telapak tangan dibanding sidik jari. 13
TINJAUAN PUSTAKA Proses Pra Pengolahan 5. Konversi Citra Menjadi Vektor Kolom 14
START SSSSS TINJAUAN PUSTAKA PCA END Input M Citra (x 1, x 2,, x m ) E = [v 1 v 2 v 3 v n ] Cari rata-ratanya μ = 1 M M x i i=1 Reduksi Jumlah Vektor Eigen dari yang terbesar Nilai Eigennya Cari Matriks Covariannya M C = 1 M (x i μ)(x i μ) T i=1 Sortir Vektor Eigen Berdasarkan Nilai Eigen Terbesar Cari Nilai Eigen Dan Vektor Eigen Cx = λx 15
TINJAUAN PUSTAKA MATRIKS DISKRIMINATOR Diskriminator berasal dari kata discriminator menurut Oxford Dictionaries artinya adalah a characteristic which enables people or things to be distinguished from one another, yang artinya ciri khas yang memungkinkan orang atau sesuatu bisa dibedakan satu dengan yang lain. Matriks diskriminator adalah matriks yang digunakan untuk membedakan telapak tangan setiap individu. 16
TINJAUAN PUSTAKA PROSES PENGHITUNGAN DISKRIMINATOR Untuk membuat diskriminator nya adalah D i = E T (x i μ) Dengan: D i = diskriminator untuk citra telapak tangan ke i E T = matriks vektor eigen yang sudah direduksi x i = vektor kolom yang merepresentasikan citra ke i μ = rata-rata dari citra telapak tangan di training set 17
TINJAUAN PUSTAKA PROSES PENCOCOKAN TELAPAK TANGAN Untuk proses pencocokan diskriminator telapak tangan digunakan Jarak Euclidian Ternormalisasi dengan persamaan : d u, v = u i v i 2 dengan: u i = u i u Dan v i = v i v Sedangkan untuk mendapatkan skor hasil pencocokan telapak tangan maka digunakan metode pengukuran kesamaan (similarity measure). Rentang skor berada antara 0 sampai 1 yang didapat dengan persamaan sebagai berikut: i 1 2 18 skor = 1 d u,v 2
METODE PENELITIAN METODE PENELITIAN Mulai Perancangan Interface Perancangan dan Implementasi Sistem Integrasi Program Menjadi Sebuah Sistem Uji Coba dan Evaluasi 19 Selesai
HASIL DAN PEMBAHASAN LINGKUNGAN PERANCANGAN DAN UJI COBA SISTEM Perangkat Keras Perangkat Lunak Prosesor : Intel Core 2 Duo CPU T6570 @ 2,10 GHz Memory : 4 GB DDR3 Sistem Operasi : Windows 7 Ultimate Tools : Microsoft Visual C# Aforge.NET (framework) Accord.NET (framework) 20
HASIL DAN PEMBAHASAN GAMBARAN PROSES SECARA UMUM Secara umum proses dalam sistem ini terbagi menjadi 2 bagian : 1. Proses Registrasi / Pendaftaran Dalam tahap ini pengguna mendaftarkan identitas dirinya beserta data telapak tangan 2. Proses Identifikasi / Pengenalan Dalam tahap ini pengguna asing, mengidentifikasi dirinya melalui citra telapak tangannya. Apakah dia sudah terdaftar dalam sistem atau belum 21
PROSES REGISTRASI HASIL DAN PEMBAHASAN Akuisisi Data Pra-Pengolahan Ekstraksi Ciri PCA Perhitungan Diskriminator Penyimpanan 22
PROSES IDENTIFIKASI HASIL DAN PEMBAHASAN Akuisisi Data Pra-Pengolahan Ekstraksi Ciri Perhitungan Diskriminator Pencocokan 23
HASIL DAN PEMBAHASAN Pengujian Sistem Sistem akan diuji dengan panjang diskriminator 50, 100, 150, dan 200. Telapak tangan yang diakuisisi adalah sebelah kiri Jumlah Pengguna Terdaftar ada 60 orang yang dibagi menjadi 2 sesi dengan 30 pengguna setiap sesinya. Setiap pengguna diakuisisi sebanyak 3 kali Sistem diuji dengan 2 Citra Uji + 1 Citra Referensinya Total Pengujian 3 x 4 (Jenis Diskriminator) x 60 (Orang) = 720 pengujian. Threshold yang digunakan adalah 0.001 24
Hasil Uji Coba HASIL DAN PEMBAHASAN Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 50 dan 100 untuk Sesi I No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 86 3 Jumlah kegagalan Identifikasi 4 Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 dan 200 untuk Sesi I No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 85 3 Jumlah kegagalan Identifikasi 5 25
Hasil Uji Coba HASIL DAN PEMBAHASAN Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 untuk Sesi II No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 86 3 Jumlah kegagalan Identifikasi 4 Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 200 untuk Sesi II No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 85 3 Jumlah kegagalan Identifikasi 5 26
Hasil Uji Coba HASIL DAN PEMBAHASAN Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 150 untuk Sesi II No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 84 3 Jumlah kegagalan Identifikasi 6 Hasil Kinerja Sistem Berdasarkan Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Menggunakan Diskriminator dengan panjang 200 untuk Sesi II No Kriteria Hasil 1 Jumlah pengujian Identifikasi 90 2 Jumlah keberhasilan Identifikasi 83 3 Jumlah kegagalan Identifikasi 7 27
Hasil Uji Coba HASIL DAN PEMBAHASAN Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sesi I No Panjang Diskriminator Tingkat Kesalahan FNMR 1 50 4,44% 2 100 4,44% 3 150 5,55% 4 200 5,55% Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sesi II No Panjang Diskriminator Tingkat Kesalahan FNMR 1 50 4,44% 2 100 5,55% 3 150 6,66% 4 200 7,77% 28
Hasil Uji Coba HASIL DAN PEMBAHASAN Rata-Rata Tingkat Kesalahan FNMR Hasil Pengujian Pengguna yang Terdaftar pada Sistem No Panjang Diskriminator Tingkat Kesalahan FNMR 1 50 4,44% 2 100 4,99% 3 150 6,11% 4 200 6,66% 29
Hasil Uji Coba HASIL DAN PEMBAHASAN Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi I No Panjang Diskriminator Presentase Keberhasilan 1 50 95,56% 2 100 95,56% 3 150 94,45% 4 200 94,45% Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem untuk Sesi II No Panjang Diskriminator Presentase Keberhasilan 1 50 95,56% 2 100 94,45% 3 150 93,34% 4 200 92,23% 30
Hasil Uji Coba HASIL DAN PEMBAHASAN Rata-Rata Presentase Keberhasilan Hasil Pengujian Pengguna yang Terdaftar pada Sistem No Panjang Diskriminator Presentase Keberhasilan 1 50 95,56% 2 100 95,01% 3 150 93,90% 4 200 93.34% 31
HASIL DAN PEMBAHASAN Berdasarkan analisis terhadap hasil pengujian sistem diambil beberapa kesimpulan sebagai berikut: Dalam tugas akhir ini diskriminator yang dihasilkan dari PCA digunakan untuk melakukan identifikasi telapak tangan. Proses pencocokan telapak tangan dihitung dengan menggunakan persamaan jarak Euclidean ternormalisasi dan penghitungan skor menggunakan similarity measure. Diskriminator yang dihasilkan dari PCA memiliki hasil yang bagus dalam mengekstraksi dan merepresentasikan ciri citra telapak tangan. Hal ini dapat diketahui berdasarkan persentase tingkat keberhasilan sistem dalam mengidentifikasi pengguna yang dapat mencapai 95,56% pada pengujian pengguna dengan panjang diskriminator 50. 32
DAFTAR PUSTAKA DAFTAR PUSTAKA [1] Ayuningheni, R. (2012). Multiscale Wavelet Pyramid Untuk Sistem Autentikasi Citra Telapak Tangan. Thesis Jurusan Teknik Informatika ITS. [2] Guo, J. (2012). Palmprint Recognition Using Block Entropy Map From a Single Image Per Person. Journal of Computational Information Systems. [3] Kurniadi, R. (2012). Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor. Tugas Akhir Jurusan Matematika ITS. [4] Lu, G., Zhang, D., Wang, K. (2003). Palmprint recognition using eigenpalms features. Pattern Recognition Letters 24, Hal 1463-1467. [5] Putra, IKGD. (2007). Sistem Verifikasi Menggunakan Garis-garis Telapak Tangan. Jurnal Teknologi Elektro Universitas Udayana Vol. 6 No.2 [6] Putra, IKGD. (2009). Sistem Verifikasi Biometrika Telapak Tangan dengan Metode Dimensi Fraktal dan Lacunarity. Jurnal Teknologi Elektro Universitas Udayana Vol. 8 No.2. [7] Putra, IKGD., Bhuana, W., Erdiawan. (2011). Pembentukan Kode Telapak Tangan (Palm Code) Berbasis Metode Gabor 2D. Makara Teknologi Vol. 15, No. 2. Hal 161-167. [8] Su, CL. (2009). Palm-print Recognition by Matrix Discriminator. Expert Systems with Applications 36, Hal 10259-10265. [9] Zhang, D., Jing, X., Yang, J. (2006). Biometric Image Discrimination Technologies. Idea Group Publishing. 33
TERIMA KASIH 34