1 Pengembangan Sistem Identifikasi Telapak Tangan dengan Menggunakan Metode Filter Bank Gabor Ricky Kurniadi dan Nurul Hidayat urusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh pember Surabaya Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: nurul_hdy@matematika.its.ac.id Abstrak Sistem identifikasi telapak tangan adalah sebuah sistem biometrika yang digunakan untuk mengidentifikasi seseorang (individu) berdasarkan telapak tangannya. Untuk mengidentifikasi telapak tangan dibutuhkan teknik pencocokan. Pada tugas akhir ini dikembangkan teknik pencocokan telapak tangan berbasis filter bank Gabor yang merupakan salah satu dari teknik pencocokan telapak tangan berbasis pola. Cara kerja metode filter bank Gabor adalah dengan memfilter citra telapak tangan masukan dengan 8 buah filter Gabor, lalu hasilnya diubah menjadi vektor ciri (palmcode) dengan menggunakan Average Absolut Deviation (AAD). Proses identifikasi individu dilakukan dengan mencocokkan vektor ciri query dengan seluruh vektor ciri referensi yang tersimpan pada basis data. Pencocokan antara dua vektor ciri dilakukan dengan menghitung jarak Euclidean ternormalisasi pada kedua vektor sehingga dihasilkan suatu skor. Semakin kecil jarak yang dihasilkan maka skornya semakin besar. Pengguna yang teridentifikasi adalah pengguna yang memiliki skor terbesar pada vektor ciri referensinya. Berdasarkan hasil pengujian identifikasi telapak tangan pengguna dengan menggunakan metode filter bank Gabor, diperoleh unjuk kerja yang cukup tinggi. Hal ini ditunjukkan dengan cukup tingginya persentase tingkat keberhasilan sistem dalam melakukan identifikasi pengguna, yaitu sebesar 92,727%. Kata kunci : Filter Bank Gabor, Telapak Tangan, Sistem Identifikasi, Pencocokan Berbasis Filter Bank 1. Pendahuluan Sebelum sistem biometrika, pengenalan diri dilakukan dengan menggunakan sistem tradisional, seperti PIN, password, kartu, dan kunci. Penggunaan sistem tradisional ini dapat menimbulkan beberapa permasalahan, antara lain adanya faktor lupa, dapat digunakan oleh orang lain yang tidak berwenang, dan dapat hilang atau dicuri. Kelemahan-kelemahan tersebut dapat diatasi dengan penggunaan teknologi biometrika. Teknologi biometrika merupakan pengembangan dari metode dasar identifikasi yang menggunakan karakteristik alami manusia sebagai basisnya. Salah satu karakteristik yang dapat dipakai sebagai identifikasi adalah telapak tangan. Telapak tangan manusia digunakan untuk keperluan identifikasi karena tidak ada dua manusia yang memiliki telapak tangan persis sama. Bagian terpenting dalam sistem identifikasi telapak tangan terletak pada teknik pencocokan telapak tangan. Teknik pencocokan telapak tangan berbasis minusi ditemukan beberapa kelemahan, salah satunya adalah kemungkinan tidak dapat diprosesnya citra telapak tangan akibat hilang atau bertambahnya titik-titik minusi atau disebabkan perbedaan jumlah titik minusi pada kedua citra. Pada penelitian sebelumnya yaitu, pada tahun 2000, Sulung dengan tugas akhirnya tentang pengenalan sidik jari pada citra abu-abu dengan menggunakan metode Minutia untuk proses ekstraksi ciri dan algoritma Ridge Line Folowing untuk proses klasifikasinya, menunjukkan pengenalan sudah mencapai 80% [2]. Dalam tugas akhirnya, Elvayandri (2002) telah melakukan penelitian dengan menggunakan metode Minusi untuk ekstraksi cirinya, dan gabungan jaringan Wndow Holf dan jaringan Propagasi Balik untuk klsifikasinya. Tingkat pengenalan pada penelitian ini sudah mencapai 71%.[3] Sedangkan Fahmi dengan tugas akhirnya tentang mengembangkan Sistem Identifikasi Sidik Jari dengan Menggunakan Metode Filter Bank Gabor. Tingkat pengenalannya mampu mencapai 90,667%.[4] Oleh sebab itu, pada tugas akhir ini digunakan teknik pencocokan telapak tangan berbasis filter bank Gabor yang merupakan salah satu jenis teknik pencocokan telapak tangan
2 berbasis pola. Teknik pencocokan ini melakukan pemfilteran pada citra telapak tangan dengan menggunakan filter Gabor untuk menonjolkan (enhance) pola bukit (ridge) dan menghaluskan lembah (valley) pada citra telapak tangan. Tetapi sebelum difilter citra telapak tangan harus diolah supaya citra siap untuk diekstraksi dan direpresentasikan cirinya. Setelah citra difilter, citra diekstraksi dan direpresentasikan cirinya sehingga dapat diterapkan dalam proses pencocokan telapak tangan guna mengidentifikasi telapak tangan seseorang. Upaya-upaya untuk memperoleh beberapa proses pra-pengolahan, proses esktraksi ciri citra telapak tangan, dan proses pencocokan telapak tangan ini merupakan beberapa permasalahan yang dihadapi pada penelitian ini. Untuk membatasi ruang lingkup pembahasan permasalahan maka ditentukan beberapa batasan sebagai berikut: 1. Telapak tangan yang digunakan sebagai referensi, didaftarkan pada basis data, adalah telapak tangan kiri manusia. 2. Citra telapak tangan diambil secara langsung menggunakan webcam. 3. Telapak tangan dalam keadaan bersih. 4. Sistem identifikasi telapak tangan dengan menggunakan metode filter bank Gabor diimplementasikan menjadi sebuah program dengan bahasa pemrograman C#. 2. Metode Penelitian Pembahasan metodologi sistem diawali dengan penjelasan tentang peralatan yang digunakan dan tahap penelitian. 2.1 Peralatan Peralatan penelitian yang digunakan untuk menyelesaikan tugas akhir yang diusulkan ini adalah: 1. Perangkat lunak utama yang digunakan untuk membuat program simulasi sistem identifikasi telapak tangan adalah Visual C#. 2. Untuk mendapatkan citra telapak tangan digunakan webcam. Toshiba satellite M645 dengan spesifikasi prosesor Intel Core i5 CPU M450 @ 2,40 GHz, RAM 4 GB DDR4, sistem tipe 64-bit, Mobile PC Display dengan setting layar monitor resolusi 1366 x 768 piksel 2.2 Tahap Penelitian Dalam melakukan penelitian pada tugas akhir yang diusulkan ini, ada beberapa tahap yang akan dilakukan yaitu: 1. Studi Literatur Tahap ini merupakan tahap pengumpulan informasi yang diperlukan untuk pengerjaan tugas akhir sekaligus mempelajarinya 2. Perancangan dan Implementasi Sistem Pada tahap ini akan dirancang sebuah sistem identifikasi telapak tangan dengan menggunakan metode filter bank Gabor. Gambaran umum dari sistem identifikasi telapak tangan yang akan dikembangkan adalah sebagai berikut: a. Akuisisi data: proses pengambilan citra telapak tangan dengan webcam. b. Pra-pemrosesan: proses pembuatan telapak tangan yang telah diakuisisi menjadi file citra telapak tangan ternormalisasi yang siap untuk diekstraksi cirinya. c. Ekstraksi ciri: proses untuk mendapatkan ciri-ciri citra telapak tangan yang dikenal sebagai Palmcode. d. Pendaftaran: proses penyimpanan Palmcode ke dalam basis data acuan beserta dengan identitas pemiliknya. e. Pencocokan: proses pengukuran kesamaan antara Palmcode input dengan Palmcode referensi untuk menghasilkan suatu skor. 3. Integrasi Program Pada tahap ini akan dilakukan integrasi untuk semua program yang telah diimplementasikan pada tahap sebelumnya sehingga dihasilkan sebuah sistem identifikasi telapak tangan yang terintegrasi. 4. Uji Coba dan Evaluasi Pada tahap ini implementasi sistem akan diuji dengan menerapkan beberapa skenario percobaan untuk kemudian dianalisis dan dievalusi hasilnya.
3 Adapun flowchart dari tahap penelitian ini dapat dilihat pada Gambar. Studi Sistem Perancangan dan implementasi sistem Akuisisi Data Prapemrosesan Ekstraksi Ciri Pendaftaran Pencocokan Integraasi Program Uji Coba dan Evaluasi Gambar 2.1: Flowchart Tahap Penelitian 3. Pengujian dan Pembahasan pengujian proses pencocokan telapak tangan dilakukan dalam bentuk simulasi. Sistem diuji dengan pengguna yang sudah terdaftar pada sistem untuk mengetahui tingkat kesalahan (False n Match Rate). Kesalahan merupakan kesalahan dimana sistem tidak dapat mengidentifikasi pengguna yang sudah terdaftar pada sistem. Sistem akan diteliti perbedaannya dengan menggunakan vektor ciri 16 sektor, 32 sektor, 48 sektor, dan 64 sektor. Pada sistem, jumlah pengguna yang diuji adalah sebanyak 20. Masing-masing pengguna diakuisisi telapak tangannya sebanyak 13 kali. Telapak tangan yang diakuisisi adalah telapak tangan sebelah kiri. 3.1 Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Tanpa Pergeseran dan dengan Pergeseran Pada pengujian ini, terdiri dari sembilan kali pengujian. Citra telapak tangan kesatu, kedua, dan ketiga digunakan untuk pendaftaran penggguna. Untuk 10 citra telapak tangan yang lain dan citra telapak tangan yang terdaftar digunakan sebagai pengujian. Pada pengujian yang pertama, citra telapak tangan kesatu didaftarkan dan diuji dengan 10 citra telapak tangan dan citra telapak tangan kesatu. Citra telapak tangan kesatu yang sudah terdaftar pada sistem dihapus dan dilanjutkan pengujian kedua dengan mendaftarkan citra telapak tangan yang kedua. Diulang lagi sampai pengujian ketiga selesai. Jadi jumlah keseluruhan pengujian identifikasi pengguna yang terdaftar pada sistem adalah sebanyak 11 x 3 x jumlah pengguna yang terdaftar x banyak vektor ciri x 2 atau 11 x 3 x 4 x 20 x 2 = 5280 pengujian. Berikut adalah sebagian hasil pengujian sistem terhadap pengguna yang telah terdaftar pada sistem untuk ketiga nilai sektor yang digunakan. Tabel 3.1 Hasil Pengujian Identifikasi Pengguna yang telapak tangan kesatu pada 32 Sektor. ID 1208100025 G B B G B G B G G G B 1209100087 B B B B B G G B B B B 1210100060 B B B B B B B B G G B Tabel 3.2 Hasil Pengujian Identifikasi Pengguna yang telapak tangan kedua pada 32 Sektor. ID 1208100025 G B B G B G B G G G B 1210100060 B B B B B B B B G G B Tabel 3.3 Hasil Pengujian Identifikasi Pengguna yang telapak tangan ketiga pada 32 Sektor. ID 1208100025 B B G B B B B B B B B 1210100060 B B B B B B B B B B B
4 Berdasarkan kesembilan macam hasil pengujian identifikasi pengguna yang terdaftar pada sistem diperoleh beberapa data hasil kinerja sistem identifikasi telapak tangan dengan menggunakan filter bank Gabor. Data-data ini ditampilkan pada Tabel 3.4 sampai dengan Tabel 3.6 berikut ini. Tabel 3.4 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan kesatu pada 32 Sektor Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 186 3 Jumlah kegagalan Identifikasi 34 Tabel 3.5 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan kedua pada 32 Sektor Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 189 3 Jumlah kegagalan Identifikasi 31 Tabel 3.6 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan ketiga pada 32 Sektor Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 200 3 Jumlah kegagalan Identifikasi 20 Berikut adalah sebagian hasil pengujian sistem terhadap pengguna yang telah terdaftar pada sistem dengan pergeseran untuk ketiga nilai sektor yang digunakan Tabel 3.7 Hasil Pengujian Identifikasi Pengguna yang telapak tangan kesatu pada 32 Sektor dengan Pergeseran Titik. ID 1208100025 B B B B B B B B G B B 1210100060 B B B B B B B B G G B Tabel 3.8 Hasil Pengujian Identifikasi Pengguna yang telapak tangan kedua pada 32 Sektor dengan Pergeseran Titik. ID 1208100025 G B B G B B B B B B B 1210100060 B B B B B B B B B B B Tabel 3.9 Hasil Pengujian Identifikasi Pengguna yang telapak tangan ketiga pada 32 Sektor dengan Pergeseran Titik. ID 1208100025 B B B B B B B B B B B 1210100060 B B B B B B B B B B B Berdasarkan kesembilan macam hasil pengujian identifikasi pengguna yang terdaftar pada sistem diperoleh beberapa data hasil kinerja sistem identifikasi telapak tangan dengan menggunakan filter bank Gabor. Data-data ini ditampilkan pada Tabel 3.10 sampai dengan Tabel 3.12 berikut ini. Tabel 3.10 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan kesatu pada 32 Sektor dengan Pergeseran Titik Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 201 3 Jumlah kegagalan Identifikasi 19 Tabel 3.11 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan kedua pada 32 Sektor dengan Pergeseran Titik Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 206 3 Jumlah kegagalan Identifikasi 14 Tabel 3.12 Hasil Kinerja Sistem Berdasarkan Pengujian dengan Menggunakan citra telapak tangan ketiga pada 32 Sektor dengan Pergeseran Titik Kriteria Hasil 2 Jumlah keberhasilan Identifikasi 205 3 Jumlah kegagalan Identifikasi 15
5 Pada Tabel 3.1 sampai dengan Tabel 3.3 dan Tabel 3.7 sampai dengan Tabel 3.9, B menunjukkan bahwa sistem berhasil mengidentifikasi pengguna dengan benar. Sedangkan G menunjukkan bahwa sistem gagal mengidentifikasi pengguna dengan benar. Kegagalan sistem dalam mengidentifikasi, yaitu: 1. Tidak ada identitas siapapun yang berhasil diidentifikasi oleh sistem atau dengan kata lain identitas yang diidentifikasi adalah kosong. 2. Identitas pengguna yang berhasil diidentifikasi tidak sama dengan identitas pengguna yang melakukan identifikasi 3.2 Pembahasan Hasil Pengujian Identifikasi Pengguna yang Terdaftar pada Sistem Tujuan dari pengujian pengguna yang terdaftar pada sistem adalah untuk mengetahui tingkat kesalahan (False n Match Rate) pada sistem. Tingkat kesalahan dihasilkan dari persentase perbandingan jumlah kegagalan identifikasi pengguna yang terdaftar pada sistem dengan jumlah keseluruhan pengujian atau dapat dirumuskan sebagai berikut: Tingkat kesalahan jumlah kegagalan identifikasi jumlah pengujian x100% Berdasarkan Tabel 3.4 sampai 3. 6 dapat dihitung tingkat kesalahan untuk setiap proses pengujian adalah sebagai berikut: Tabel 3.13 Hasil Pengujian telapak tangan kesatu 1 16 Sektor 15,909% 2 32 Sektor 15,454% 3 48 Sektor 32,272% 4 64 Sektor 42,272% Tabel 3.15 Hasil Pengujian telapak tangan ketiga 1 16 Sektor 10,909% 2 32 Sektor 9,090% 3 48 Sektor 18,181% 4 64 Sektor 25,00% Tabel 3.16 Rata-rata Hasil Pengujian Pengguna yang Terdaftar pada Sistem pada citra telapak tangan ketiga 1 16 Sektor 13,787% 2 32 Sektor 12,878% 3 48 Sektor 24,696% 4 64 Sektor 30,908% Sedangkan berdasarkan Tabel 3.10 sampai 3.12 dapat dihitung tingkat kesalahan untuk setiap proses pengujian adalah ditunjukkan pada tabel 3.17 sampai 3.19. Tabel 3.17 Hasil Pengujian telapak tangan kesatu dengan Pergeseran Titik 1 16 Sektor 9,090% 2 32 Sektor 8,637% 3 48 Sektor 17,273% 4 64 Sektor 28,637% Tabel 3.18 Hasil Pengujian telapak tangan kedua dengan Pergeseran Titik 1 16 Sektor 6,818% 2 32 Sektor 6,364% 3 48 Sektor 11,364% 4 64 Sektor 15,910% Tabel 3.14 Hasil Pengujian telapak tangan kedua 1 16 Sektor 14,545% 2 32 Sektor 14,090% 3 48 Sektor 23,636% 4 64 Sektor 25,454% Tabel 3.19 Hasil Pengujian telapak tangan ketiga dengan Pergeseran Titik 1 32 Sektor 8,636% 2 32 Sektor 6,819% 3 48 Sektor 10,910% 4 64 Sektor 13,637%
6 Tabel 3.20 Rata-rata Hasil Pengujian Pengguna yang Terdaftar pada Sistem pada citra telapak tangan ketiga 1 26 Sektor 8,181% 2 32 Sektor 7,273% 3 48 Sektor 13,183% 3 64 Sektor 19,395% Berdasarkan Tabel 3.16 dan Tabel 3.20 dapat ditunjukkan bahwa penggunaan vektor ciri 32 sektor pada pengujian pengguna yang terdaftar pada sistem memberikan hasil yang lebih baik jika dibandingkan dengan penggunaan vektor ciri 16, 48 atau 64 sektor. Hal ini dapat diketahui dari tingkat kesalahan yang dihasilkan pada penggunaan vektor ciri 32 sektor yang lebih kecil dibandingkan tingkat kesalahan yang dihasilkan oleh penggunaan vektor ciri 16, 48 atau 64 sektor. Dengan semakin kecilnya tingkat kesalahan maka persentase keberhasilan identifikasi sistem menjadi semakin besar. Persentase keberhasilan sistem dapat dihitung dengan menggunakan persamaan berikut: Persentase keberhasilan 100 % tingkat kesalahan Dengan menggunakan hasil pada Tabel 3.16 dan Tabel 3.20 maka dapat dihitung persentase keberhasilan sistem untuk setiap proses pengujian yang dtunjukkan pada Tabel 3.21 dan Tabel 3.22. Tabel 3.21 Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem Persentase Keberhasilan 1 16 Sektor 86,213% 2 32 Sektor 87,122% 3 48 Sektor 75,304% 4 64 Sektor 69,092% Tabel 3.22 Persentase Keberhasilan Sistem Hasil Pengujian Pengguna yang Terdaftar pada Sistem Persentase Keberhasilan 1 16 Sektor 91,819% 2 32 Sektor 92,727% 3 48 Sektor 86,817% 4 64 Sektor 80,605% 4. Kesimpulan Beberapa kesimpulan yang dapat diambil berdasarkan analisis terhadap hasil pengujian adalah sebagai berikut: 1. Proses-proses sebelum ekstraksi ciri meliputi proses pendeteksian titik referensi, proses pembuatan Region of Interest (ROI), proses sektorisasi, dan proses normalisasi. 2. Pemfilteran citra telapak tangan dilakukan dengan mengkonvolusi citra telapak tangan dengan menggunakan 8 buah filter Gabor untuk menghasilkan 8 buah citra telapak tangan terfilter. 3. Persentase tingkat keberhasilan sistem identifikasi telapak tangan dengan menggunakan filter bank Gabor dapat mencapai 92,727 %. 4. Proses pencocokan telapak tangan tangan yang diekstraksi dan direpresentasikan oleh metode filter bank Gabor dihitung dengan menggunakan persamaan jarak Euclidean ternormalisasi. 5. Daftar Pustaka [1]. Jain, A.K., Hong, L., Pankanti, S., dan Prabhakar, S. May 2000. Fingercode: A Filterbank for Fingerprint Representation and Matching. IEEE Trans on Image Processing. Vol. 9,. 5. [2]. Sulung, Agus. 2000. Pengenalan Sidik Jari pada Citra Abu-Abu. Surabaya: Institut Teknologi Sepuluh pember [3]. Elvayandri. 2002. Sistem Keamanan Akses Menggunakan Pola Sidik Jari Berbasis Jaringan Syaraf Tiruan. Bandung: Institut Teknologi Bandung. [4]. Jatnika, Ahmad Fahmi. 2010. The Implementation of Fingerprint Identification System Using Filter Bank Gabor Method. Surabaya : Institut Teknologi Sepuluh pember. [5]. Guo, Jinyu. 2012. Palmprint Recognation Using Block Entropy Map From a Single Image Per Person. Journal of Computational Information Systems [6]. Putra, I Ketut Gede Darma. 2007. Sistem Verifikasi Menggunakan Garis-garis Telapak Tangan. Bali : Universitas Udayana. [7]. Putra, Darma. 2009. Sistem Biometrika: Konsep Dasar, Teknik Analisis Citra dan Tahapan Membangun Aplikasi Sistem Biometrika. Yogyakarta : C.V Andi Offset (Penerbit Andi).