BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi, pemilihan resolusi dan format file didasarkan pada format yang lebih umum dipergunakan. Implementasi dan evaluasi dilakukan dengan menggunakan file citra hitam putih dengan ukuran 256 x 256 piksel, kedalaman warna 8 bit per piksel, dan berformat bitmap (*.bmp). Maksud dari implementasi dan evaluasi ini adalah untuk mengetahui apakah metode yang telah dirancang dapat melakukan pemrosesan pengenalan sidik jari dengan optimal baik dari segi waktu maupun ketepatan. 3.1 Spesifikasi Sistem Pada spesifikasi sistem dijelaskan perangkat keras dan perangkat lunak yang digunakan untuk menjalankan aplikasi. Agar implementasi dapat berjalan dengan baik, diperlukan sarana-sarana pendukung berupa perangkat keras dan perangkat lunak. Sarana-sarana pendukung yang digunakan dalam implementasi terhadap metode pengenalan sidik jari yang dirancang ini juga berpengaruh terhadap hasil evaluasi yang dilakukan. Konfigurasi komputer yang berbeda-beda menghasilkan hasil evaluasi yang berbeda pula. Semakin baik konfigurasi komputer yang digunakan, akan meningkatkan kinerja program yang diuji, khususnya dari segi waktu kecepatan 45
pemrosesan. Untuk itu berbagai standard yang digunakan dalam penelitian ini, kami mempergunakan perangkat komputer sebagai berikut : 4.1.1 Perangkat Keras Perangkat keras yang digunakan untuk menjalankan aplikasi berupa PC dengan processor Intel Pentium IV 2.80 GHz, memori sebesar 512 MB, monitor sebagai layar tampilan, hardisk sebagai media penyimpanan, dan sistem operasi Microsoft Windows XP Professional. Komponen perangkat keras lainnya sebagai komponen pendukung yang diperlukan untuk mendukung jalannya proses implementasi adalah scanner sebagai media pengambilan citra sidik jari kedalam komputer. 4.1.2 Perangkat Lunak Suatu unit PC yang telah disebutkan di atas tentunya tidak bisa dijalankan tanpa adanya dukungan perangkat lunak. Perangkat lunak yang digunakan dalam perancangan aplikasi pengenalan sidik jari adalah berupa software Borland Delphi 7. 4.2 Mekanisme Kerja Aplikasi Pada bagian ini akan dijelaskan mekanisme kerja aplikasi yang telah dirancang dalam penelitian ini. Mekanisme tersebut dibagi kedalam beberapa modul. Modul pemrosesan citra yang berfungsi mengolah citra agar sesuai dengan syarat sistem pembelajaran terbagi atas beberapa modul. 46
Gambar 4.1 Tampilan Awal Gambar di atas merupakan tampilan awal rancangan program, pada tampilan ini dapat dilihat fungsi-fungsi yang tersedia pada aplikasi antara lain: tombol Pembelajaran yang berguna untuk memproses citra masukkan agar dapat dikenali oleh komputer, tombol Pengujian berguna untuk menguji citra masukkan yang baru dengan citra yang telah dikenali oleh komputer sebelumnya, tombol Pengenalan yang berguna untuk menampilkan apakah citra tersebut telah dikenali, tombol Extract Template yang berfungsi untuk mengekstraksi ciri yang ada pada citra sidik jari, tombol Membersihkan Database yang berfungsi untuk membersihkan database yang menjadi media penyimpanan dalam aplikasi ini, tombol Membersihkan Memo yang berfungsi untuk membersihkan memo yang menampilkan keterangan semua proses aplikasi, dan tombol Threshold yang berfungsi untuk mengubah citra masukkan menjadi citra hitam putih, serta menu file yang terdiri dari tombol Open yang berfungsi untuk mengambil citra inputan, tombol Save yang 47
berfungsi untuk menyimpan citra hasil proses, dan tombol Exit untuk keluar dari aplikasi. Langkah awal penggunaan aplikasi ini adalah mengambil citra awal yang akan diproses yaitu dengan mengklik tombol menu Open File, setelah itu akan tampil kotak dialog seperti gambar yang dilampirkan di bawah, selanjutnya user mencari citra sidik jari yang diinput sebelumnya karena untuk posisi penyimpanan citra sidik jari berbeda-beda pada tiap user. Pada gambar di bawah citra yang akan diuji berada pada folder Gambar. Kotak dialog ini akan menampilkan citra-citra yang berformat *.bmp, untuk melihat gambar dari citra tersebut user cukup mengklik nama file kemudian pada kotak bagian kanan akan muncul tampilan citra tersebut. Apabila citra tersebut ingin diproses maka klik tombol Open maka citra tersebut akan menjadi citra masukan untuk diproses. Gambar 4.2 Tampilan Pengambilan Citra 48
Gambar di bawah ini menampilkan kotak dialog sebelum citra yang telah dipilih ditampilkan, pada kotak dialog ini user akan diminta untuk memasukkan nilai ridge detection yang merupakan nilai masukkan dalam proses ekstraksi ciri. Hasil dari proses ekstraksi ciri inilah yang nantinya akan digunakan sebagai inputan dalam proses pembelajaran citra. Nilai ridge detection hanya dapat diisi dengan nilai 200 sampai dengan 500. Pada tampilan dibawah ini, nilai ridge detection diisi dengan nilai 200. Penentuan nilai ridge tidak akan mempengaruhi kualitas citra sama sekali, baik pada window citra masukan ataupun citra keluaran, akan tetapi nilai tersebut berpengaruh dalam proses penghitungan ekstraksi ciri pada citra sidik jari. Gambar 4.3 Tampilan kotak inputan ridge detection 49
Setelah user memasukkan nilai ridge detection dan menekan tombol OK maka citra yang telah dipilih akan ditampilkan pada kotak bagian kiri dalam window aplikasi. Pada tahap ini citra masukkan akan mengalami proses image processing. Gambar 4.4 Tampilan Citra Masukan Setelah gambar dipilih maka kotak gambar bagian kiri akan menampilkan citra yang di-open tersebut. Hal ini dapat dilihat pada modul memo sebelah kiri bawah. Untuk kondisi tombol lainnya tidak bisa diklik sebelum dilakukan penekanan tombol Treshold. Pada panel memo akan menampilkan **Inisialisasi Sidik Jari Berhasil**, yang menunjukkan bahwa citra sidik jari berhasil ditampilkan. 50
Gambar 4.5 Tampilan Modul Thresholding Untuk mengubah citra sidik jari menjadi citra hitam putih, maka klik tombol Threshold. Dengan demikian pada kotak gambar bagian kanan akan tampil citra sidik jari yang telah mengalami proses threshold (mengubah citra menjadi citra hitam putih). Proses threshold dilakukan selain untuk mengurangi noise yang ada juga untuk lebih memperjelas garis-garis atau alur dari citra sidik jari yang akan diproses. Hal ini dapat dilihat pada modul citra keluaran, bandingkan dengan modul citra masukan maka akan terlihat citra yang sebelah kanan mempunyai tampilan yang lebih baik. Selanjutnya pada box memo sebelah kiri bawah akan muncul tulisan Pemrosesan threshold citra sidik jari. 51
Gambar 4.6 Tampilan Modul Ekstraksi Ciri Gambar di atas menampilkan proses dari tombol Extract Template yang bertujuan untuk menampilkan karakteristik yang terdapat pada citra sidik jari yang telah melalui proses binerisasi atau threshold. Yang nantinya citra keluaran tersebut akan menjadi citra masukkan dalam proses pembelajaran sidik jari oleh komputer. Pada modul citra keluaran dapat dilihat terdapat perubahan yaitu adanya titik-titik merah. Titik merah ini merupakan ciri atau karakteristik dari citra sidik jari yang sedang diproses. Selanjutnya tombol pembelajaran, pengujian dan pengenalan yang sebelumnya dalam kondisi tidak bisa diklik maka akan berubah menjadi kondisi bisa diklik sedangkan tombol Extract Template akan berubah kondisi menjadi tidak bisa diklik. Pada box memo sebelah kiri bawah akan muncul tulisan ekstrasi ciri sukses yang menandakan proses Extract Template berhasil dilakukan. 52
Gambar 4.7 Tampilan Modul Pembelajaran Dalam modul pembelajaran, setelah user mengklik tombol Pembelajaran maka citra yang telah ter-ekstraksi cirinya tersebut akan dipelajari oleh komputer dengan menyimpan informasi-infomasi dari citra sidik jari berupa posisi, jarak, dan nilai-nilai yang ada pada citra sidik jari kedalam variabel ID. Untuk nilai variabel ID yang diberikan dapat dilihat pada modul sebelah kiri. Pada contoh gambar di atas citra sidik jari di atas mempunyai nilai id 96, hal ini dapat dilihat pada tulisan Sidik jari terdaftar dengan id 96 pada box memo. Adapun nilai variabel ID ini juga menandakan banyaknya citra sidik jari yang telah mengalami proses pembelajaran. 53
Gambar 4.8 Tampilan Modul Pengujian Gambar di atas merupakan tampilan apabila tombol Pengujian diklik. Tombol Pengujian bertujuan untuk menguji citra sidik jari dengan citra sidik jari yang telah dikenali oleh komputer. Pada saat mengklik tombol Pengujian maka akan ada window baru yang meminta inputan ID, hal ini berguna untuk menguji citra masukkan sesuai tidak dengan ID citra yang telah dikenali oleh komputer. Untuk nilai ID yang akan diuji akan berbeda pada tiap user. Pada contoh gambar di atas citra yang akan diuji mempunyai ID 96, setelah memasukkan nilai ID maka user selanjutnya mengklik tombol OK. 54
Gambar 4.9 Tampilan Modul Hasil Pengujian Gambar di atas menunjukkan apabila citra masukkan sesuai dengan ID citra yang telah dikenal oleh komputer. Apabila sesuai maka pada box memo akan ditampilkan informasi tentang proses pengujian citra sidik jari. Pada gambar di atas modul memo bertuliskan Cocok dengan nilai = 312, ini berarti citra sidik jari yang sedang diproses mempunyai nilai kecocokan 312. Nilai kecocokan nilai didapat dengan penghubungan minutiae yang ada. 55
Gambar 4.10 Tampilan Modul Pengenalan Pada modul pengenalan, program akan mencari kesamaan citra sidik jari yang diproses dengan yang ada pada database secara otomatis. Apabila citra sidik jari sesuai dengan citra yang ada pada database maka pada box memo akan ditampilkan informasi dalam proses pengenalan. Untuk proses pengenalan user dapat menggunakan citra yang lain, untuk penggunaan citra yang lain dilakukan dengan cara yang sama pada proses pengambilan citra. Pada gambar di atas terlihat tulisan pada box memo Sidik jari dikenal dengan ID = 96. Nilai =282, ini berarti citra yang mengalami proses pengenalan mempunyai nilai ID 96 dan mempunyai nilai kecocokan 312. 56
Gambar 4.11 Tampilan Modul Membersihkan Database Gambar di atas merupakan tampilan apabila tombol Membersihkan Database di klik. Setelah tombol Membersihkan Database diklik maka pada box memo akan muncul tulisan Database dibersihkan.... Hal ini berguna untuk mengurangi kesalahan pada saat proses-proses yang dilakukan baik pembelajaran, pengujian dan pengenalan, sehingga citra sidik jari yang sama tidak akan mempunyai nilai ID yang berbeda. Dalam fungsi ini ID yang telah dikenali oleh komputer akan terhapus, sehingga apabila pengujian dilakukan dengan citra yang sama maka komputer tidak akan mengenali citra tersebut. Dalam hal ini user harus melakukan proses pembelajaran kembali supaya dapat dikenali oleh komputer dengan memberikan ID pada citra tersebut. 57
Gambar 4.12 Tampilan Modul Membersihkan Memo Gambar di atas akan tampil apabila tombol Membersihkan Memo di klik. Modul ini berguna untuk membersihkan log yang bertujuan menampilkan informasi saat aplikasi berjalan. 4.3 Evaluasi Pengujian dilakukan dengan mengambil sample ibu jari pada beberapa orang. Setiap orang diambil gambar ibu sidik jarinya menggunakan scanner. Tingkat Keakuratan = 100% n = banyaknya data yang diuji n 1 r n 1 100% R n 1 58
r = nilai ridge yang berhasil dikenali pada citra lain R = nilai ridge pada sidik jari yang sebenarnya Dalam pengujian sistem ini, digunakan beberapa sample sidik jari yang didapatkan dari hasil scaning. Berikut ini adalah beberapa sidik jari yang akan mengalami beberapa tahapan pemrosesan. (a) Andika (b) Toni (c) Rinaldi (d) Vina (e) Regina (f) Rudi Gambar 4.13 Sample sidik jari Selanjutnya masing-masing sidik jari tersebut akan diuji dengan nilai ridge yang berbeda-beda (200-500), hal ini dimaksudkan untuk mendapatkan nilai ridge yang mempunyai nilai keakuratan yang paling tepat. Sidik jari tersebut akan diberi ID secara otomatis oleh aplikasi. Sehingga dalam pengenalannya, akan sesuai dengan ID yang telah ditentukan oleh sistem. 59
Pada evaluasi ini, sidik jari diuji dengan 4 nilai ridge yang berbeda : 200, 300, 400 dan 500. Nilai ridge ini nantinya akan berpengaruh terhadap keakuratan data. Setiap citra sidik jari yang diuji akan memiliki nilai ridge yang berbeda-beda. Nama Ridge Citra dengan nilai ridge detection 200 Detection Andika Regina Rinaldi Rudi Toni Vina 200 284 x x x x x Andika 300 x x x -2 x x 400 x x x x x x 200 x 1006 x x x x Regina 300 x x -2 x x x 400 x x x x x x 200 x x 294 x x x Rinaldi 300 x x x x x x 400 x x x x -2 200 x x x 282 x x Rudi 300 x x x x x -2 400-2 x x x x -2 200 x x -2 x 592 x Toni 300 x x x x x -2 400 x x x x -2 x 200 x x -2 x x 294 Vina 300-2 x x x x x 400 x x x -2-2 x Tingkat Keakuratan 100% 100% 100% 100% 100% 100% Tabel 4.1 Evaluasi Citra dengan nilai ridge detection 200 Evaluasi dengan nilai ridge detection 200 memiliki tingkat keakuratan 100% untuk setiap citra yang berhasil diuji. Tanda x mewakili citra yang tidak berhasil dikenali. Tingkat keberhasilan untuk sidik jari Andika adalah 100% dengan nilai ridge = 284. 60
Nama Ridge Citra dengan nilai ridge detection 300 Detection Andika Regina Rinaldi Rudi Toni Vina Andika 300 314 78 x x -2-2 400 x 52 x x x x 500 x x x x x -4 Regina 300 62 462 x x x x 400 x x x x x -2 500 x x x x x -2 200-2 x x x x x Rinaldi 300 x x 256 x 42 x 400 x x x x -12 x Rudi 300 x x x 312 x x 400-2 x x x x x Toni 300 x x 42 x 376 x 400 x x x x x x 500 x x x -2 x x Vina 300-4 -2 x x x 364 400 x x x x x x Tingkat Keakuratan 99,14% 98,77% 99,29% 100% 99,51% 100% Tabel 4.2 Evaluasi Citra dengan nilai ridge detection 300 Evaluasi dengan nilai ridge detection 300 mengalami penurunan tingkat keakuratan. Namun dengan nilai ridge 300, tingkat keberhasilannya tetap tinggi. Tingkat keberhasilan untuk sidik jari Andika adalah 100% dengan nilai ridge = 314, sedangkan untuk tingkat keakuratannya adalah 99,14%. 61
Nama Ridge Citra dengan nilai ridge detection 400 Detection Andika Regina Rinaldi Rudi Toni Vina 200 x x -2-2 x x Andika 300 x x x x x x 400 350 96 x x x x 500 x 104 x x x x Regina 300 80 x x x x x 400 88 356 x x x x 500 x 20 x x x x Rinaldi 300 x x x x x x 400 x x 296 x 62 x 500 x x x x 78 x 200-2 x x x x x Rudi 300 x x x x x x 400 x x x 280 x x 200 x x x x -8 x Toni 300 x x -12 x x x 400 x x 44 x 322 x 200 x x -2-10 x x Vina 300 x x x x -2 x 400 x x x x x 374 500 x x x x -2-12 Tingkat Keakuratan 97,91% 97,56% 99,35% 100% 98,11% 100% Tabel 4.3 Evaluasi Citra dengan nilai ridge detection 400 Evaluasi dengan nilai ridge detection 400 juga mengalami penurunan tingkat keakuratan dibandingkan dari nilai ridge yang sebelumnya. Tingkat keberhasilan untuk sidik jari Andika adalah 100% dengan nilai ridge = 350, sedangkan untuk tingkat keakuratannya adalah 97,91%. 62
Nama Ridge Citra dengan nilai ridge detection 500 Detection Andika Regina Rinaldi Rudi Toni Vina 200 x x x -2 x x Andika 300 x x x x x x 400 x x x x x x 500 270 120 x x x x Regina 300 x x x x x x 400 116 28 x x x x 500 108 360 x x x x Rinaldi 300 x x x x x x 400 x x x x x x 500 x x 280 x 26 x Rudi 300-2 x x x x x 400 x x x x x x 500 x x x 314 x x Toni 300 x x 78 x x x 400 x x x x -4 x 500 x -10-16 x 320 x Vina 300 x x x x x x 400 x x x x x -4 500 x x x x x 486 Tingkat Keakuratan 96,39% 98,21% 98,79% 100% 99,65% 100% Tabel 4.4 Evaluasi Citra dengan nilai ridge detection 500 Evaluasi dengan nilai ridge detection 500 juga mengalami penurunan tingkat keakuratan dibandingkan dari nilai ridge yang sebelumnya. Tingkat keberhasilan untuk sidik jari Andika adalah 100% dengan nilai ridge = 270, sedangkan untuk tingkat keakuratannya adalah 96,39%. 63
Tingkat Keakuratan 100 99 98 97 96 95 200 300 400 500 Nilai Ridge Detection Andika Regina Rinaldi Rudi Toni Vina Gambar 4.14 Grafik perubahan tingkat keakuratan citra Evaluasi keseluruhan dapat dilihat pada grafik di atas. Penambahan nilai ridge detection ternyata rata-rata mengurangi tingkat keakuratan data. Pada pengujian sidik jari yang sama, tingkat keberhasilannya hanya berkurang 1%. Dari evaluasi di atas dapat ditarik kesimpulan, bahwa dengan penggunaan nilai ridge detection yang rendah (200) maka akan didapatkan nilai keakuratan yang tinggi. Sebaliknya, dengan citra inputan yang memiliki nilai ridge yang tinggi (500), akan menggurangi keberhasilan tingkat pengenalan. Di mana hal ini sesuai dengan kinerja transformasi wavelet haar. 64