BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manuasia. Biometrika telah lama dikenal sebagai pendekatan yang kuat untuk melakukan identifikasi pada seseorang (Sanjekar, dkk. 2013). Biometrika yang berarti mengukur karakteristik pembeda (distinguishing traits) pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkan karakteristik yang sebelumnya telah disimpan pada suatu database (Putra, 2009). Sistem biometrika mengidentifikasi atau memverifikasi seseorang berdasarkan karakteristik fisiologis atau fisik seperti sidik jari, wajah, telapak tangan, iris dll atau karakteristik perilaku seperti suara, gaya penulisan, dan gaya berjalan. Secara teoritis, setiap karakteristik fisiologis atau perilaku manusia dapat digunakan untuk membuat identifikasi pribadi asalkan memenuhi persyaratan seperti: universal (universality), membedakan (distinctiveness), permanen (permanence) dan kolektabilitas (collectability). Sistem identifikasi biometrika tidak dapat salah, terlupakan, ditebak ataupun mudah dibuat. Unimodal biometrika adalah sistem biometrika yang bergantung pada satu sumber informasi dalam melakukan identifikasi. Srivastava dkk. (2013) menyatakan bahwa pendekatan fitur biometrika tunggal (unimodal) tidak dapat diandalkan dan kurang aman, serta memiliki keterbatasan dalam hal akurasi, tingkat pendaftaran (enrolment rates) dan kerentanan terhadap spoofing (Sashidar, dkk 2010). Selain itu sistem biometrika unimodal juga masih memiliki keterbatasan, dimana: (1) Data mengandung derau (noise), sensor yang digunakan rentan akan kerusakan atau tidak bagus. (2) Data variasi intra-class, data yang diperoleh tidak sama dengan data yang digunakan saat pendaftaran template. (3) Kemiripan interclass, ciri biometrika antarpengguna yang satu dengan yang lain saling tumpang
tindih (overlap). (4) Tidak universal, beberapa orang tidak dapat memberikan biometrika yang diperlukan karena sakit atau disabilitas (Sanjekar dkk, 2013). Multimodal biometrika mampu secara efektif mengatasi sebagian besar kekurangan yang ada pada unimodal biometrika. Dimana multimodal biometrika merupakan sistem biometrika yang menggunakan lebih dari satu sumber informasi. Multimodal biometrika memiliki kinerja tebih tinggi dan memiliki keunggulan dari uniodal biometrika seperti : (1) akurasi yang lebih tinggi, tingkat kesalahan yang lebih rendah dari pada sistem unimodal karena integrasi dari berbagai sumber informasi. (2) noise resistance, karena data yang mengandung noise dapat ditutupi oleh data lainnya. (3) universality. (4) anti spoofing attacks, tidak mudah untuk menyerang beberapa ciri dalam waktu yang sama (Peng, dkk 2014). Multi representasi yang digunakan merupakan penggabungan beberapa representasi dari biometrika telapak tangan. Multi representasi telapak tangan tersebut adalah pada palmprint yang diekstraksi teksturnya menggunakan metode 2D gabor serta time series dan pada hand geometry (geometri tangan) diekstraksi menggunakan shape number serta geometrical measurements. Pemilihan palmprint dan hand geometry yaitu dapat menggunakan sensor tunggal pada proses akusisi dan bersifat low cost. Pada penelitian ini digunakan citra foto telapak tangan yang berada pada papan pasak (pasak adalah pemisah antar jari). Palmprint juga memiliki kelebihan seperti yang dinyatakan oleh Hu dkk (2008), dibandingkan biometrika lain palmprint memiliki beberapa kelebihan: (1) palmprint memiliki informasi yang lebih khas daripada sidik jari, (2) perangkat atau alat untuk palmprint jauh lebih murah daripada perangkat iris, (3) palmprint berisi fitur tambahan seperti garis-garis utama (principle lines) dan kusut (wrinkles) serta dapat diperoleh dari gambar beresolusi rendah, (4) dengan menggabungkan dengan fitur dari telapak tangan, seperti geometri telapak (palm geometry), pola fitur bukit dan lembah (ridges and valley), serta garis-garis utama (principle lines) dan kusut (wrinkles) dimungkinkan membangun sistem biometrika yang sangat akurat. Hu dkk (2008) mengembangkan pengenalan palmprint berbasis multiple feature information fusion, yaitu menggunakan berbagai cara dalam mendapatkan representasi fitur dari palmprint. Representasi fitur yang digunakan adalah texture
feature extraction, principle lines extraction, dan eigenpalm. Dimana dikatakan pengenalan palmprint berbasis multiple feature information fusion dapat meningkatkan akurasi dalam pengenalan telapak tangan. Sebelumnya, Ferrer dkk. (2007) mengembangkan low cost identifikasi dengan kombinasi penggabungan beberapa biometrika (beberapa sifat) yaitu hand geometry, palm dan finger texture. Karakteristik dari biometrika tersebut dalam akusisinya dapat diambil menggunakan alat yang beresolusi rendah. Hasil akurasi terbaik didapatkan dengan cara menggabungkan ketiga sifat tersebut dalam decision fusion level. Time series merupakan pendekatan baru dalam template representation and matching seperti yang dikatakan Chen dkk. (2005) dalam penelitiannya yang mengusulkan pengunaan time series dalam otentikasi palmprint. Penggunaan fitur palmprint dikarenakan palmprint memiliki fitur yang berlimpah dan dapat menggunakan gambar beresolusi rendah. Hasil pengujian yang dilakukan menunjukkan bahwa pendekatan ini sederhana untuk diterapkan serta kompleksitas komputasi keseluruhan yang rendah. Selain itu Anwar dkk. (2013) melakukan penelitian tentang verifikasi palmprint menggunakan metode time series. Hasil penelitian ini juga menunjukkan bahwa time series memiliki unjuk kerja tinggi. Mekanisme yang menghubungkan setiap feature sets dari masing-masing biometrika disebut biometric fusion. Fusion merupakan bagian penting dalam sistem multimodal biometrika untuk meningkatkan tingkat pengenalan atau performa. Terdapat beberapa level of fusion yaitu sensor level fusion, feature level fusion, score level fusion, dan decision level fusion. Dari keempat level of fusion tersebut, score level fusion (penggabungan tingkat skor) adalah yang paling banyak digunakan dan tidak terlalu kompleks ( Rama dan Malathi, 2015). Kabir dkk (2016) juga mengatakan bahwa score level fusion lebih disukai karena easy to access dan easy to combine serta sudah memiliki informasi yang cukup dalam mengidentifikasi seseorang. Aboshosha, dkk (2015) melakukan penelitian tentang penggabungan tingkat skor (score level fusion) pada fingerprint, iris, dan wajah. Pada penelitian tersebut dilakukan penggabungan tingkat skor berbasis sum rule, product rule dan weighted sum rule. Hasil yang didapat adalah penggabungan tingkat skor berbasis
weighted sum rule mengahasilkan kinerja yang lebih baik (memiliki error rate yang lebih rendah) daripada penggabungan tingkat skor berbasis sum rule dan product rule. Dalam weighted sum rule penentuan bobot yang tepat untuk masing-masing skor sangat menentukan hasil dari skor gabungan. Oleh karena itu dalam penelitian ini digunakan penggabungan pada tingkat skor (fusion at score level). Score level fusion yang digunakan berbasis weighted sumrule, yaitu pemberian bobot pengali pada setiap skor pengenalan dari fitur shape number, fitur geometri tangan, fitur tekstur gabor dan fitur tekstur time series. Terdapat tiga skema pembobotan dikembangkan untuk memperkirakan bobot pengali yang tepat pada setiap skor. Skema tersebut adalah alpha 1, menggunakan ketentuan semakin mendekati 1 nilai EER (equal error rate), maka nilai bobot pengali akan semakin kecil. Alpha 2, menggunakan ketentuan semakin mendekati 1 nilai EER, maka bobot pengali akan semakin besar. Terakhir, alpha 3 menggunakan nilai bobot yang sama untuk setiap skor pengenalan pada biometrika. Dengan menerapkan skema yang dikembangkan tersebut diharapkan dapat meningkatkan akurasi atau performa pada sistem multimodal biometrika dari sistem unimodal biometrika. 1.2 Rumusan Masalah Berdasarkan uraian pada latar belakang di atas, maka dapat dirumuskan suatu permasalahan yaitu: 1. Bagaimana membuat suatu sistem multimodal biometrika dengan menggunakan penggabungan pada tingkat skor (score level fusion) dari fitur shape number, fitur geometri tangan, fitur tekstur gabor dan fitur tekstur time series (multimodal dengan multi representasi) pada citra telapak tangan. 2. Apakah sistem multimodal biometrika yang dibuat pada penggabungan tingkat skor (score level fusion) mampu memiliki akurasi atau performa yang lebih tinggi dibandingkan dengan unimodal biometrika.
1.3 Tujuan Penelitian Adapun tujuan yang ingin dicapai dalam penelitian ini adalah membuat suatu sistem multimodal biometrika menggunakan penggabungan pada tingkat skor (score level fusion) dari fitur shape number, fitur geometri, fitur tekstur gabor dan fitur tekstur time series (multimodal dengan multi representasi) pada citra telapak tangan yang memiliki kemampuan untuk mengarahkan akurasi atau performa lebih tinggi (memiliki tingkat kesalahan yang lebih rendah) jika dibandingkan dengan unimodal biometrika (satu representasi) pada citra telapak tangan. 1.4 Batasan Masalah Untuk mendapatkan hasil penelitian seperti yang diharapkan dan penelitian yang terarah, maka permasalahan dalam penelitian ini akan dibatasi sebagai berikut: 1. Karakteristik biometrika yang digunakan adalah karakteristik pada telapak tangan. 2. Multi representasi dalam multimodal biometrika telapak tangan yaitu fitur shape number, fitur geometri, fitur tekstur gabor dan fitur tekstur time series. 3. Pengujian data dilakukan pada 400 dataset telapak tangan kiri dari 80 responden dengan alas 6 pasak dan 80 responden dengan alas 1 pasak, masing-masing memiliki 3 citra untuk data latih dan 2 citra untuk data uji. 4. Telapak tangan dengan alas 1 pasak memiliki jarak (celah) antar jari. 1.5 Manfaat Penelitian Hasil penelitian ini diharapkan dapat menambah khazanah penelitian dalam penggunaan multi representasi dalam multimodal biometrika. Juga diharapkan dapat menjadi metode alternatif untuk meningkatkan unjuk kerja dalam sistem multimodal biometrika telapak tangan. 1.6 Keaslian Penelitian Berdasarkan referensi yang dimiliki, dapat dikatakan bahwa penelitian yang membahas mengenai multimodal biometrika yang menggunakan multi representasi pada biometrika telapak tangan, yaitu untuk fitur tekstur palmprint menggunakan
ektraksi fitur tekstur gabor serta tekstur time series dan untuk fitur hand geometry menggunakan ekstraksi fitur shape number serta fitur geometri tangan belum pernah dilakukan. Walaupun demikian, terdapat penelitian terdahulu tentang topik dan metode sejenis yang dipaparkan pada tinjuan pustaka dalam usulan penelitian ini. 1.7 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini terdiri dari beberapa tahapan, yaitu: 1. Studi literatur Pada tahap ini merupakan kegiatan untuk mencari dan mempelajari sumbersumber pustaka antara lain berupa buku-buku, jurnal ilmiah dan hasil penelitian mengenai multimodal biometrika, ekstraksi fitur dan juga tentang pencocokan berbasis score level fusion. 2. Analisis Sistem Melakukan analisa terhadap kebutuhan (requirement) baik kebutuhan fungsional maupun non-fungsional yang dibutuhkan dalam pengembangan (development) sistem. 3. Perancangan Sistem Pada tahap ini dilakukan perancangan alur proses dari metode yang diusulkan. Mulai dari perancangan bagian pembentukan basis data, perancangan pengenalan, perancangan antarmuka, dan perancangan pengukuran unjuk kerja sistem. 4. Implementasi Pada tahap ini dilakukan implementasi dari rancangan proses yang telah dibuat pada tahap sebelumnya ke dalam bentuk program. 5. Pengujian Pengujian sistem dalam penelitian ini dilakukan dengan melakukan uji terhadap prosedur-prosedur program yang telah diimplementasikan dan pengujian terhadap unjuk kerja pada sistem. 1.8 Sistematika Penulisan
Secara garis besar, sistematika penulisan laporan penelitian ini adalah sebagai berikut: BAB I PENDAHULUAN Bab ini menguraikan tentang latar belakang dari penelitian yang dilakukan, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, keaslian penelitian, metode penelitian dan sistematika penulisan. BAB II TINJAUAN PUSTAKA Bab ini berisi informasi mengenai beberapa penelitian yang sebelumnya pernah dilakukan, dimana penelitian tersebut memiliki kaitan dengan penelitian yang penulis lakukan. Penelitian-penelitian yang dibahas pada bagian ini yaitu beberapa penelitian tentang multimodal biometrika dan metode-metode yang berkaitan dalam penelitian ini. BAB III LANDASAN TEORI Bab ini berisi pembahasan tentang teori-teori yang terkait dengan penelitian yang dilakukan, yaitu: biometrika, multimodal biometrika, ekstraksi fitur shape number, ektraksi fitur geometri tangan, ekstraksi fitur tekstur dengan gabor, dan ekstraksi fitur tekstur time series. BAB IV ANALISA DAN PERANCANGAN SISTEM Bab ini berisi pembahasan tentang alur proses dari metode yang diusulkan beserta penjelasannya. BAB V IMPLEMENTASI Pada bab ini berisi pembahasan tentang hasil implementasi dari rancangan yang telah dibuat. Pembahasan akan berupa potongan kode fungsi-fungsi yang ada beserta penjelasannya. BAB VI HASIL PENELITIAN DAN PEMBAHASAN Pada bab ini dilakukan pembahasan tentang hasil yang diperoleh dari pengujian dan analisa terhadap hasil pengujian yang didapat. BAB VII KESIMPULAN Pada bab ini dipaparkan kesimpulan yang diperoleh dari penelitian yang dilakukan beserta saran untuk penelitian kedepannya.