PENGUJIAN KUALITAS CITRA SIDIK JARI KOTOR MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ)

Penguian Kualitas Citra Sidik Jari Kotor Menggunakan...Muhammad Nasir dan Muhammad Syahroni PENGUJIAN KUALITAS CITRA SIDIK JARI KOTOR MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Muhammad Nasir 1 dan Muhammad Syahroni 1 1 Dosen Jurusan Teknik Elektro, Politeknik Negeri Lhokseumawe, NAD,24312 E-mail : masnasir_poli@yahoo.com, msyahroni@yahoo.com ABSTRAK Makalah ini menelaskan sebuah prosedur untuk mengui kualitas citra sidik ari kotor dengan metode Learning Vector Quantization (LVQ). Sebelum penguian citra sidik ari ditingkatkan kualitasnya menggunakan metode gabor filter dengan ukuran citra 208x154 piksel grayscale dalam format bitmap. Data diambil dari ibu ari 20 orang dengan 10 sampel per ari (200 citra sidik ari). Penguian ini dilakukan dengan menggunakan 4 citra sebagai pelatihan pada setiap kelasnya. Adapun umlah kelas pada penguian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Pada penguian 200 data citra sidik ari kotor dihasilkan peningkatan kualitas citra sidik ari sebesar 87%. Kata-kata kunci : Learning Vector Quantization, Sidik Jari Kotor, Gabor Filter, Peningkatan Kualitas Citra ABSTRACT This paper describes a novel procedure for testing the quality of fingerprint image soiled by the method of Learning Vector Quantization (LVQ). Before testing the fingerprint image enhanced by using the Gabor filter with a size of 208x154 pixel grayscale image in bitmap format. Data taken from the thumb 20 people with 10 samples per finger (200 fingerprint image). Testing was conducted using four images as training in every class. The number of classes in this test all 20 classes with each class consisting of 10 images. In the testing of 200 gross fingerprint image data generated fingerprint image quality improvement by 87%. Keywords: Learning Vector Quantization, Dirty Fingerprint, Gabor filters, Image Quality Enhancement I. 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 yang berbeda antara manusia satu dengan yang lain [1]. Salah satu anggota tubuh yang sangat sering digunakan oleh para ahli forensik di dalam investigasi kriminal dalam sistem biometrik dengan kehandalan sangat tinggi adalah sidik ari. Kendala utama dalam pengenalan sidik ari dengan metode berbasis minutiae, pada umumnya citra sidik ari memiliki kualitas yang rendah, disebabkan oleh enis kulit (berminyak, kering, cacat). Oleh karena itu, perbaikan kualitas citra sidik ari seharusnya menadi salah satu prioritas utama sebelum mengidentifikasi parameter-parameter yang berupa ciri (feature) dari obek didalam citra, untuk selanutnya parameter tersebut digunakan dalam mengiterpretasi citra untuk dapat diektraksi ciri dari citra tersebut. Untuk mencegah teradinya pengulangan data dibuat sistem informasi yang dapat mengidentifikasi kerusakan sidik ari. Dapat ditentukan empat enis kerusakan citra sidik ari, diantaranya : sidik ari normal,sidik ari kotor,sidik ari berminyak, dan sidik ari kering. Sidik ari sebagai salah satu masalah kompleks yang tidak memiliki model matematis yang elas akan diadikan sebagai bahan masukan Jaringan Saraf tiruan (JST). Salah satu metode yang dapat melakukan proses pengenalan pola sidik ari dalam JST adalah metode Learning Vector Quantization(LVQ). Penelitian ini bertuuan untuk mengui kualitas citra sidik ari kotor setelah proses gabor filter dengan menggunakan metode LVQ. II. TINJAUAN PUSTAKA Sidik ari merupakan tanda identitas biometrik tertua. Bagian dalam permukaan tangan dari uung ari ke pergelangan tangan berisi pola garis pada kulit, dengan alur/kerutan antara masing-masing pola garis. Pola garis di sepanang pori-pori yang mengeluarkan keringat [4]. Sebuah citra sidik ari terdiri dari ridge (punggung) dan valley (lembah) sebagaimana pada Gambar 1. Kualitas Citra Sidik Jari Kualitas citra sidik ari bergantung pada kondisi kulit [1][2]. Kulit kering cenderung menyebabkan kontak ridge tak konsisten dengan scanner dari permukaan roll scanner sehingga banyak struktur ridge mengisi piksel-piksel putih. Sebaliknya, lembah pada kulit berminyak cenderung 65

Jurnal Litek (ISSN: 1693 8097) Volume 9 Nomor 1, Maret 2012: hal. 65 69 terisi dengan uap air, sehingga lembah tersebut tampak hitam pada citra yang telihat mirip dengan struktur ridge. Gambar 2, menunukkan citra sidik ari berminyak, netral, kering dan kotor. III. Gambar 1. Ridge dan Valley pada Sidik Jari output yang mewakili dari kelas tertentu. Arsitektur aringan saraf LVQ pada dasarnya sama dengan Kohenen Self Organizing Map(tanpa suatu struktur topologis yang diasumsikan untuk output) [6]. Arsitekturnya terdiri dari lapisan input, lapisan kompetitif (lapisan tersembunyi /hidden Layer),dan lapisan output seperti pada gambar 3. Lapisan kompetitif akan belaar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Apabila beberapa vektor input memiliki arak yang sangat berdekatan, maka vektor input tersebut akan dikelompokkan dalam kelas yang sama. Gambar 3, Menunukkan aringan LVQ dengan 6 unit pada lapisan input, dan 2 unit (neuron) pada lapisan output[6]. IV. V. VI. VII. a. Oily b. Neutral c. Dry d. Dirty x 1 x2 x3 x4 x5 x-w1 x-w2 y_in1 y_in2 F 1 F 2 y 1 y2 Gambar 2.. Jenis-enis Citra Sidik Jari x6 Skor Keelasan Ridge-Valley Citra Sidik Jari Skor keelasan ridge-valley menunukkan kemampuan untuk membedakan ridge dan valley disepanang arah ridge. Sebuah metode yang menganalisis distribusi ridge dan valley yang telah disegmentasi diperkenalkan untuk menggambarkan keelasan pola sidik ari yang dihasilkan [3]. Untuk melakukan analisis keelasan lokal, citra sidik ari dikuantisasi ke dalam blok berukuran 32 x 32 piksel. Dalam setiap blok, dihitung sebuah orientasi garis yang tegak lurus terhadap arah ridge. Pada bagian tengah dari blok sepanang arah ridge, sebuah vektor dua dimensi V1 (bentuk persegi dalam Gambar 3) dengan ukuran 32 x 13 piksel yang dapat diekstraksi dan ditransformasi ke sebuah vektor vertikal dua dimensi V2 yang diratakan [5]. Dengan menggunakan Persamaan (1), sebuah vektor satu dimensi V3, yaitu profil rata-rata dari V2 dapat dihitung....(1) Dimana m adalah tinggi blok (13 piksel) dan i adalah indeks horisontal. Learning Vector Quantization (LVQ) LVQ adalah metode untuk klasifikasi(pengelompokkan) pola dan memiliki 66 Gambar 3. Contoh arsitektur aringan LVQ Gambar 4. Layer-layer pada LVQ, Fungsi masingmasing layer.(matlab) Dimana : R = nomor dari input vector S 1 = nomor dari competitive neuron 2 S = nomor dari neuron linear Pada gambar 4, dapat dielaskan sebagi berikut, Arsitekturnya terdiri dari lapisan input,lapisan kompetitif(lapisan tersembunyi /hidden Layer). Lapisan kompetitif akan belaar secara otomatis untuk melakukan klasifikasi terhadap vektor input yang diberikan. Pada lapisan linear layer berfungsi untuk meng-aktivasi hasil dari lapisan kompetitif. Perbaikan bobot pada metode Learning Vector Quantization (LVQ) adalah:

Penguian Kualitas Citra Sidik Jari Kotor Menggunakan...Muhammad Nasir dan Muhammad Syahroni w w Jika T = C maka: ( baru) = w ( lama) + α ( x w ( lama))..(2) Jika T = C maka : ( baru) = w ( lama) α ( x w ( lama))..(3) III. METODE PENELITIAN Secara umum, penelitian enhancement citra sidik ari kotor ini melalui beberapa tahapan proses, antara lain normalisasi bertuuan untuk menstandarisasi atau penyeragaman nilai intensitas citra sidik ari kotor, proses binerisasi untuk merubah nilai grayscale citra ke dalam suatu konversi citra digital, Gabor filter untuk proses peningkatan kualitas citra, thining dan minutiae. Proses akhir dalam penelitian ini adalah penguian kualitas citra dengan LPQ. Pada penelitian ini, subyek penelitian adalah mahasiswa. Data sidik ari akan diambil dengan meruuk pada pedoman pengambilan data Fingerprint Verification Competition (FVC) Database-2 (DB2), yakni menggunakan optical sensor fingerprint U.are.U 4000 yang diproduksi oleh digital persona dengan mendapatkan ukuran citra 208x154 piksel grayscale dalam format bitmap. Data diambil dari ibu ari 20 orang dengan 10 sampel per ari (200 citra sidik ari). Pengambilan sidik ari kotor, terlebih dahulu melalui tahapan dengan memberikan tinta atau debu yang 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 5, merupakan contoh citra sidik ari kotor yang diambil dengan scan fingerprint U are U 4000. citra 0-255. Setelah melalui proses normalisasi maka nilai umlah piksel di rata-ratakan sepanang nilai intensitas seperti yang di tunukkan pada Gambar 7 (d). Pada histogram di perlihatkan adanya penyeragaman nilai piksel gelap dan terang. Oleh karena itu normalisasi citra diperlukan untuk meningkatkan kontras antara ridge dan valley pada citra sidik ari. Gambar 6. Hasil Normalisasi Citra; (a) Citra Asli; (b) Citra Ternormalisasi 4.2. Penguian Binerisasi Binarisasi adalah proses dimana citra grayscale ditingkatkan ke dalam suatu konversi citra biner. Sebuah citra grayscale adalah mempunyai umlah tingkat satu grayscale yang spesifik. Untuk 8 bit citra grayscale bisa merepresentasikan 2 8-1 = 255 intensitas atau tingkat abu-abu. Pada penelitian ini dilakukan dengan memakai beberapa nilai threshold dengan tuuan untuk melihat mana yang terbaik dalam proses binarisasi. Adapun nilai threshold yang di pilih antara lain 130, 150 dan 160. Gambar 5. Contoh Data Sidik Jari Kotor IV. HASIL DAN PEMBAHASAN 4.1. Penguian Normalisasi Proses normalisasi dilakukan untuk menstandartisasi atau menyeragamkan nilai intensitas citra sidik ari kotor dengan menyesuaikan cakupan deraat keabuan sehingga berada pada cakupan nilai yang diharapkan. Gambar 6, merupakan hasil dari normalisasi suatu citra sidik ari yang mempunyai nilai mean nol dan variance satu. Histogram citra asli yang ditunukkan pada Gambar 7 (c) menggambarkan bahwa semua nilai piksel tidak merata pada intensitas Gambar 7. Hasil Binarisasi dengan Nilai Threshold Berbeda (a) Citra Asli; (b) Threshold 130; (c) Threshold 150; (d) Threshold 160 4.3. Penguian Thinning Setelah melalui beberapa tahapan segmentasi yaitu normalisasi dan binarisasi maka selanutnya citra sidik di thinning. Penerapan algoritma thinning pada citra sidik ari yang mempertahankan konektivitas sementara struktur ridge akan membentuk bagian penulangan (skeleton) dari citra biner. Skeleton citra ini kemudian 67

Jurnal Litek (ISSN: 1693 8097) Volume 9 Nomor 1, Maret 2012: hal. 65 69 digunakan dalam ekstraksi minutiae selanutnya. Gambar 8, memperlihatkan hasil proses thinning. Gambar 8. Hasil Proses Thinning Dalam penguian pada penelitian ini proses thinning menggunakan algoritma berdasarkan evaluasi nilai piksel dan 8 piksel tetangga atau dikenal dengan the 8-neighborhood pixel, dengan piksel acuan P 1 pada matrik 3 x 3. Algoritma ini terdiri dari dua sub iterasi, dan untuk masing-masing iterasi dikenakan aturan yang berbeda dalam penentuan penghapusan piksel. Algoritma tersebut diterapkan dengan ketentuan variabel B dari piksel P1 adalah banyaknya bit 1, dimana B(i,) = SUM(P2 P9). Dan variabel A dari piksel P1 adalah umlah transisi dari 0 ke 1 searah arum am dari citra dengan 0 merepresentasikan piksel gelap (black) dari citra dan 1 merepresentasikan citra terang (white) atau lebih dikenal dengan region point bernilai 1 dan background point bernilai 0. 0 1 0 ( ) 1 P1 i, 0 1 1 0 Pada penelitian ini proses enhancement di lakukan dengan menggunakan gabor filter, dimana citra sidik ari yang telah ternormalisasikan di konvolusi dengan 8 buah Filter Gabor dengan arah orientasi yang berbeda (0 o, 22.5 o, 45 o, 67.5 o, 90 o, 112.5 o, 135 o, 157.5 o ). Sehingga pada akhirnya terbentuk 8 buah citra baru terfilterisasi. Hasil dari proses orientasi Gabor filter untuk enhancement seperti yang ditunukkan pada Gambar 9. Pada penelitian nilai deviasi ditetapkan sebesar 32 dan k = 10, dimana k adalah nilai perioda. Hasil dari proses Gabor filter ditunukkan pada Gambar 9. Untuk tampilan Gabor Filter simetris genap untuk θ = 22.5 o seprti diperlihatkan pada Gambar 10. a b) Gambar 10. Hasil Gabor Filter Simetris Genap (a) Tampilan Posisi 0 o ; (b) Tampilan Posisi 22.5 o 4.5 Minutiae 4.4 Enhancement dengan Gabor Filter (a) Citra Asli (b) 0 o (c) 22.5 o (c) 45 o Gambar 11. Hasil Proses Minutiae (e) 67.5 o (e) 90 o (f) 112.5 o (g) 135 o (h) 157.5 o (i)citra Enhancemnet Gambar 9. Hasil Proses 8 Orientasi Gabor Filter Minutiae untuk menentukan vektor ridge ending dan bifurcation pada sebuah citra sidik ari. Pada penelitian ini minutia dilakukan terhadap citra asli dan citra hasil enhancement. Minutiae mempunyai 2 enis yaitu ridge ending dan ridge bifurcation. Vektor ridge ending adalah lokasi koordinat x, y dan sudut Ө dari uung garis ari. Sedangkan Vektor ridge bifurcation adalah koordinat x, y dan sudut Ө dari garis ari yang berbentuk 68

Penguian Kualitas Citra Sidik Jari Kotor Menggunakan...Muhammad Nasir dan Muhammad Syahroni cabang. Pada penelitian ini setelah melakukan proses enhancement maka minutia diperlukan untuk mengetahui umlah minutia cita asli sebelum di enhancement dengan umlah minutia citra setelah enhancement. Hasil dari minutia di tunukkan seperti pada Gambar 11. Pada panelitian ini, minutiae dilakukan 2 tahap yaitu minutiae untuk citra asli dan minutiae untuk citra hasil enhancement. Hasil dari proses minutiae menghasilkan terminasi dan bifurcation seperti yang ditunukkan pada Gambar 12. Gambar 12. Grafik Terminasi pada Citra Original Gambar 13. Grafik bifurcation pada Citra Original 4.6 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 kelasnya. Adapun umlah kelas pada penguian ini seluruhnya 20 kelas dengan tiap kelas terdiri dari 10 citra. Adapun hasil dari LVQ ditunukkan pada Gambar 14. V. KESIMPULAN Berdasarkan ui coba dan analisis hasil penguian terhadap citra sidik ari kotor dengan menggunakan learning vektor quantization dan gabor filter untuk mendapatkan peningkatan kualitas citra, dapat disimpulkan hasil penelitian dilakukan untuk 8 orientasi, yaitu 0 o, 22.5 o, 45 o, 67.5 o, 90 o, 112.5 o, 135 o, 157.5 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 PUSTAKA [1] Arun, R. Jain, A. dan Resimen, J., 2002, A Hybrid Fingerprint Matcher, Proceedings Of International Conference on Pattern Recognition (ICPR), Quebec City, hal. 11-15. [2] Maltoni, D. Maio, A.K. Jain, S. Prabhakar, 2003, Handbook of Fingerprint Recognition, Springer, New York. [3] Peng Yang et.al. 2002, Face Recognition Using Ada-Boosted Gabor Feature. Institute of Computing Technology of Chinese Academy Science and Microsoft Research Asia, China. [4] H.C. Lee, R.E. Gaensslen, Advances in Fingerprint Technology, CRC Press, Boca Raton, FL, 2001, p.274. [5] T.P. Chen, X. Jiang, X, W.Y. Yau, Proceedings of Conference on Image Process, Singapore, 2 (2004) 1253. [6] Kusumadewi. Sri, 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link, Graha Ilmu, Jogyakarta. Gambar 14. Grafik Penguian LVQ 69