2013100616IFBab2001

BAB 2

TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1

Kecerdasan Buatan (Artificial Intelligence)

2.1.1.1

Pengertian Kecerdasan Buatan

Menurut Rich dan Knight (1991), kecerdasan buatan (AI) merupakan

sebuah studi tentang bagaimana membuat komputer melakukan hal –

hal

yang pada saat ini dapat dilakukan lebih baik oleh manusia.

Menurut Russell dan Norvig (2010:2), definisi dari kecerdasan buatan

dibagi menjadi 4 kategori yakni: bersikap seperti manusia, berpikir seperti

manusia, berpikir secara rasional dan bersikap secara rasional.

Untuk kategori pertama yakni bersikap seperti manusia, dilakukan

pendekatan uji Turing, yang diajukan oleh Alan Turing pada tahun 1950.

Pendekatan ini di desain untuk menghasilkan kepuasan operasional. Sebuah

komputer lulus dari pengujian jika penguji manusia, setelah menulis

pertanyaan, tidak dapat membedakan apakah pemberi jawaban merupakan

manusia atau komputer. Dalam kategori ini, komputer harus memiliki

kemampuan untuk: memproses bahasa alami, representasi pengetahuan,

pemberian alasan secara otomatis dan alat pembelajaran.

Untuk kategori kedua yakni berpikir seperti manusia, kita harus

memiliki cara untuk memutuskan bagaimana seorang manusia berpikir

untuk mendesain program yang dapat berpikir sebagai manusia juga. Ada

tiga cara untuk mengetahui bagaimana kerja otak manusia, yaitu: melalui

introspeksi (mencoba menangkap pemikiran kita ketika berjalan), melalui

ekperimen psikologikal (mengamati aksi seseorang), dan melalui bayang –

bayang otak (mengamati kerja otak).

Untuk kategori ketiga yakni berpikir secara rasional, terdapat dua

halangan dari pendekatan ini. Pertama,tidak mudah untuk mendapatkan

pengetahuan yang tidak resmi dan menyatakannya dalam pernyataan resmi

membutuhkan notasi logikal, terutama jika pengetahuan tersebut kurang dari

100% keyakinannya. Kedua, ada perbedaan besar antara menyelesaikan

masalah secara prinsip dan menyelesaikannya melalui latihan.

Untuk kategori yang terakhir yakni bersikap secara rasional, semua

keterampilan yang dibutuhkan untuk pengujian Turing juga membuat

seorang agen bersikap secara rasional. Representasi pengetahuan dan

pencarian alasan memungkinkan agen mencapai keputusan yang baik.

Pendekatan agen rasional memberikan dua buah keuntungan dibandingkan

pendekatan yang lainnya. Pertama, lebih umum dibandingkan dengan

pendekatan hukum pikiran karena kesimpulan yang benar hanya salah satu

dari mekanisme lain yang memungkinkan untuk mendapatkan rasionalitas.

Kedua, lebih disetujui dalam pengembangan ilmiah dibandingkan

pendekatan berbasis kebiasaan manusia.

2.1.1.2

Sejarah Kecerdasan Buatan

Menurut Russell dan Norvig (2010:16), pekerjaan pertama yang

sekarang dikenal sebagai AI dilakukan oleh Warren McCulloch dan Walter

Pitts pada tahun 1943. Mereka menggambar tiga sumber yakni: pengetahuan

dari dasar psikologi dan fungsi syaraf di otak, analisis resmi dari logika

proposisional sesuai Russel dan Whitehead dan teori komputasi Turing.

Kemudian Donald Hebb pada tahun 1949 mendemonstrasikan aturan

pembaharuan yang sederhana untuk mengubah kekuatan koneksi antara

syaraf. Aturan ini disebut pembelajaran Hebbian.

Pada tahun 1950-an para ilmuwan dan peneliti mulai memikirkan

bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang

bisa dikerjakan oleh manusia. Alan Turing, seorang matematikawan Inggris

pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah

mesin dikatakan cerdas. Hasil tes tersebut dikenal dengan pengujian Turing,

dimana si mesin tersebut menyamar seolah –

olah sebagai seseorang di

dalam suatu permainan yang mampu memberikan respon terhadap

serangkaian pertanyaan yang diajukan.

Kecerdasan buatan sendiri dimunculkan oleh seorang professor dari

Massachusetts Institute of Technology yang bernama John McCarthy pada

tahun 1956 pada konferensi Dartmouth yang dihadiri oleh para peneliti AI.

2.1.2

Computer Vision

2.1.2.1

Pengertian Computer Vision

Menurut Matthies, Malchow dan Kriz (2001:3), computer vision (atau

image understanding) secara umum didefinisikan sebagai konstruksi dari

eksplisit, deskripsi yang berarti dari struktur dan sifat dari dunia 3 dimensi

dari gambar 2 dimensi. Kerangka konseptual dari pemahaman gambar yang

diterima secara luas berdasarkan konsep Marr dari persepsi visual sebagai

proses komputasional (Marr 1982).

Computer vision merepresentasikan sub bidang dari kecerdasan

buatan dimana bertujuan pada analisis dan interpretasi dari informasi visual.

Pemahaman gambar dianggap sebagai proses, dimulai dari gambar atau

urutan gambar dan menghasilkan dalam sebuah komputer deskripsi dari

adegan.

Masalah dari pemahaman

gambar adalah inti dari usaha untuk

memungkinkan mesin untuk membuat interaksi yang “pintar” dengan

lingkungannya. sensor –

sensor digunakan untuk mendapatkan informasi

dari lingkungan 3 dimensinya dimana dapat terjadi dalam bentuk pidato,

gambar, dan noise yang alamiah.

2.1.2.2

Sejarah Computer Vision

Menurut Matthies, Malchow dan Kriz (2001:4), ilmu dari computer

vision disampaikan melalui sejumlah pola pikir yang berganti selama empat

decade. Dimulai pada tahun 1950an ketika percobaan pertama dilakukan

untuk menggunakan mesin komputasi yang baru untuk memproses gambar.

Selama periode 1965-1975 visi dianggap secara utama sebagai pengenalan

pola.

Pendekatan pengenalan pola kemudian mengalami beberapa kesulitan

dasar. Khususnya, masalah membagi –

bagi gambar menjadi potongan

signifikan dimana dapat diklasifikasikan terbukti tidak dapat dipecahkan.

Menjadi pasti bahwa membagi – bagi gambar membutuhkan lebih dari satu

pengukuran dalam sebuah gambar. Akhirnya, menjadi diterima secara

umum bahwa visi dari mesin membutuhkan pemahaman dari dunia dimana

gambar direpresentasikan.

Demikian, pendekatan untuk menginvestigasi visi dari pemahaman

gambar diperbaiki. Orientasi ulang ini terjadi pada tahun 1970an, ketika

teknik baru dikembangkan dalam kecerdasan buatan untuk sistem pakar

pemrograman, khususnya teknik dari representasi pengentahuan dan

kesimpulan.

Lebih jauh lagi, teori yang baik dari visi harus menyediakan

antarmuka antara persepsi dan kemampuan kognitif lainnya, seperti

pencarian alasan, perencanaan, pembelajaran dan akting.

Pada waktu yang sama ada proyek yang meneruskan pendekatan

berbasis pengetahuan. Titik awalnya adalah asumsi yang mengenali objek

termasuk perbandingan dari objek dengan representasi dalam objek dan

adegan dalam sistem pemahaman gambar. Ketika Marr (1982) mencoba

meletakkan perbaikan berbasis data dari objek visual ke dalam praktek,

pendekatan berbasis gambar diusulkan (Tarr dan Buelthoff,1998).

Pendekatan ini tidak membutuhkan perbaikan dalam perhitungan

representasi tiga dimensi. Model berbasis gambar merepresentasikan objek

dengan gambarnya dari titik penglihatan yang spesifik.

2.1.3

Pengenalan Pola (Pattern Recognition)

Menurut Polikar(2006:1), pengenalan pola atau pattern recognition

berasal dari kebutuhan mesin untuk mengenali objek secara otomatis, sinyal

atau gambar, atau kebutuhan untuk pengambilan keputusan secara otomatis

berbasis sekumpulan parameter.

Sekumpulan variabel dipercaya membawa informasi berbeda tentang

sebuah objek untuk diidentifikasi yang disebut fitur, yang biasanya berisi

pengukuran atau observasi dari objek tersebut. Sekumpulan dari fitur dari

sebuah objek dengan pertimbangan tertentu,disebut pola atau pattern.

Tujuan dari sistem pengenalan pola adalah memperkirakan label yang

berhubungan dengan vektor fitur yang diberikan berdasarkan beberapa

pengetahuan yang didapat sebelumnya melalui pelatihan atau training.

Pelatihan merupakan prosedur dimana sistem pengenalan pola belajar

memetakan hubungan antara vektor fitur dan label yang berhubungan.

2.1.4

Sidik Jari

2.1.4.1

Pengertian Sidik Jari

Menurut Komarinski

(2005:3), Fingerprint

atau sidik jari adalah

sebuah biometric yang telah digunakan secara sistematik untuk identifikasi

selama 100 tahun yang telah diukur, diduplikasi dan diperiksa secara

ekstensif, sebuah biometric

yang tidak berubah dan relatif

mudah untuk

diambil.

Pada jari atau ibu jari, ridge-ridge membentuk

tiga buah

pola,

yakni loops, whorls dan arches.

Gambar 2.1 Pola pada ridge. (A) Arch, (B) Left slant loop, (C) Right slant

loop, (D) Whorl.

(Sumber: Komarinski, 2005:71)

Menurut Barnes

(2010:7), ada cerita yang panjang mengenai tanda

yang multak untuk identitas telah diberitahukan selama bertahun –

tahun

dan dengan cara – cara yang berbeda. Pada sisi telapak dari tangan orang

dan tapak dari kaki orang adalah fitur

kulit yang terkemuka yang

memisahkan dia (laki – laki) atau dia (perempuan) dari orang – orang lain di

dunia. Fitur ini ada dalam bentuk kulit daerah pergesekan (friction ridge)

dimana meningalkan jejak bentuknya ketika bersentuhan dengan benda.

Jejak dari lipatan jari terakhir dikenal sebagai sidik jari. Menggunakan sidik

jari untuk mengidentifikasi sidik jari telah menjadi umum.

2.1.4.2 Sejarah Sidik Jari

Menurut Xiang-Xin dan Chun-Ge (1988:277), tembikar yang

diperkirakan berumur 6000 tahun ditemukan di tempat akeologi di barat laut

Cina dan ditemukan menghasilkan jejak yang dapat dilihat dengan jelas

daerah gesekan (friction ridge). Cetakan ini diperkirakan sebagai jejak kulit

daerah gesekan (friction ridge) tertua yang ditemukan. Bagaimanapun, tidak

diketahui apakah benda tersebut disimpan secara tidak sengaja atau dengan

maksud spesifik, seperti untuk menciptakan pola dekoratif atau simbol.

Cina merupakan kebudayaan pertama yang diketahui menggunakan

jejak ridge sebagai identifikasi. Contoh paling pertama datang dari

dokumentasi Cina yang berjudul “The Volume of Crime Scene Investigation

–

Burglary”, dari dinasti Qin (221-206 SM). Dokumen tersebut berisi

deskripsi dari bagaimana sidik jari digunakan sebagai bukti. Contoh paling

umum dari penggunaan sidik jari adalah pada cap tanah liat. Setelah

ditemukan kertas oleh orang Cina, penggunaan sidik jari untuk

menandatangani dokumen menjadi umum.

Menurut Ashbaugh (1999:38), sejak abad ke-17 ilmuwan Eropa mulai

mempublikasikan percakapan mereka tentang kulit manusia. Sidik jari

pertama kali dideskripsikan secara terperinci oleh Dr. Nehemiah Grew pada

makalah tahun 1684 berjudul “Philosophical Transactions of the Royal

Society of London”.

Walaupun sidik jari telah dipelajari selama bertahun –

tahun, baru

pada tahun 1788 dikenal keunikan dari sidik jari ini di Eropa. Welker mulai

mencetak tangan kanannya sendiri pada tahun 1856 dan kemudian pada

tahun 1897, sehingga mendapatkan predikat sebagai orang pertama yang

memulai pembelajaran sidik jari secara permanen. Menurut Lambourne

(1984:58-59), kasus pembunuhan Rojas adalah kasus pembunuhan pertama

yang diselesaikan dengan bukti sidik jari, dan Argentina menjadi negara

perama yang mengandalkan sidik jari sebagai metode individualisasi.

Menurut Myers (1942:18), bencana pertama Amerika Serikat dimana

individualisasi sidik jari berperan utama ketika USS Squalus tenggelam pada

23 Mei 1939. Kapal selam tersebut tenggelam ke dasar laut dengan

kedalaman 240 kaki. James Herbert Taylor, pempimpin di divisi identifikasi

angkatan laut Amerika Serikat, melakukan operasi identifikasi. Semua

mayat diidentifikasi menggunakan sidik jari.

2.1.5

Gambar

2.1.5.1

Pengertian Gambar

Menurut Saphiro dan Stockman (2001:9) , citra analog

adalah citra

2D F(x,y) yang memiliki ketelitian tidak terbatas dalam parameter spasial x

dan y dan ketelitian tidak terbatas pada intensitas tiap titik spasial (x,y).

Citra digital adalah citra 2D I[r,c] yang di representasikan oleh array diskrit

2D dari intensitas sampel, dimana masing –

masing titik direpresentasikan

dengan ketelitian tidak terbatas.

Menurut Jain , Kasturi and Schunk (1995:12) , pixel

adalah sampel

intensitas image yang terkuantisasi ke dalam nilai integer. Sementara image

merupakan array dua dimensi dari pixel – pixel tersebut. Image

inilah yang

merupakan input awal dari computer vision.

Menurut Saphiro dan Stockman (2001:30) ada beberapa bentuk citra

digital yang sering digunakan di dalam computer vision:

Binary Image adalah citra digital dengan nilai intensitas antara 1 dan

Grayscale Image

adalah

citra digital monokrom dengan 1 nilai

intensitas setiap pixel.

Multispectral Image adalah vektor 2D yang memiliki vektor nilai pada

setiap pixel. Jika citra berwarna , maka mempunyai 3 vektor elemen.

Labeled Image adalah citra digital dimana nilai dari pixel-nya

merupakan simbol dari alfabet terbatas.

Resolusi citra juga menentukan baik atau buruknya suatu citra dapat

diproses, karena resolusi citra menunjukan detail

yang ada pada citra

tersebut. Menurut T,Sutoyo et al (2009) ada dua jenis resolusi yang perlu

diketahui, yaitu:

Resolusi Spasial

Resolusi spasial ini merupakan ukuran halus atau kasarnya

pembagian kisi-kisi baris dan kolom pada saat sampling.Resolusi ini

dipakai untuk menentukan jumlah pixel per satuan panjang. Biasanya

satuan resolusi ini adalah dpi (dot per inchi). Resolusi ini sangat

berpengaruh pada detail dan perhitungan gambar.

Resolusi Kecemerlangan

Resolusi kecemerlangan (intensity atau

brightness) atau

biasanya disebut dengan kedalaman bit atau kedalaman warna (Bit

Depth) adalah ukuran halus kasarnya pembagian tingkat gradasi warna

saat dilakukan kuantisasi. Bit depth menentukan berapa banyak

informasi warna yang tersedia untuk ditampilkan dalam setiap piksel.

Semakin besar nilainya, semakin bagus kualitas gambar yang

dihasilkan dan tentu ukuran juga semakin besar.

2.1.5.2

Pemrosesan gambar

Dalam melakukan identifikasi sidik jari hal yang paling penting dan

pertama kali harus dilakukan adalah melakukan pemrosesan gambar sidik

jari yang tersedia (tahapan pre-processing). Digital image processing adalah

pemrosesan digital image yang dilakukan menggunakan digital computer.

Ada beberapa jenis image processing, yakni:

Spatial domain processing

Metode spatial domain adalah suatu metode dengan pendekatan

yang beroperasi langsung pada kumpulan pixel yang menyusun citra

seperti operasi pada pixel

(pixel operations), histogram modelling,

spatial operations, dan transform operations.

Frequency domain processing

Metode frequency domain adalah suatu metode yang didasarkan

pada modifikasi fourier transform pada suatu citra.

Dalam penelitian

ini, database gambar sidik jari yang akan digunakan

adalah database gambar sidik jari yang didapat dari hasil pemindaian sidik

jari seseorang secara elektronik dan sudah dilakukan beberapa pemrosesan

awal seperti konversi gambar RGB

ke dalam gambar grayscale. Grayscale

image adalah sebuah gambar dengan range nilai antara 0 sampai dengan 1

(hitam dan putih).

Pemrosesan – pemrosesan yang akan dilakukan selanjutnya bertujuan

untuk meningkatkan kualitas gambar agar mempermudah proses identifikasi

sidik jari. Pemrosesan

–

pemrosesan gambar sidik jari yang ada

menggunakan beberapa metode yang berguna dalam memperjelas maupun

membuat gambar menjadi lebih layak bagi keperluan tahap selanjutnya.

2.1.6

Pengenalan Sidik Jari (Fingerprint Recognition)

Menurut Garg dan Bansal (2013:31), fingerprint recognition adalah

proses untuk membandingkan sebuah sidik jari dengan sidik jari lainnya

untuk memutuskan apakah jejak dari kedua sidik jari berasal dari jari yang

sama. Proses dari pengenalan ini adalah dengan mencocokan kedua sidik

jari tersebut untuk menentukan kesamaan. Penyocokan ini membutuhkan

pemrosesan sehingga dibuatnya algoritma yang merupakan susunan metode

dari proses-proses yang digunakan untuk identifikasi sidik jari.

Menurut Al-Ani (2013:44), fingerprint recognition adalah salah satu

dari metode yang paling banyak dikenal dan sangat populer untuk masalah

identifikasi perorangan dan keamanan. Ini disebabkan oleh keunikan dari

sidik jari dan kemudahan penggunaannya. Fingerprint recognition atau

fingerprint authentication merujuk kepada metode otomatis untuk

membuktikan kesamaan dari dua sidik jari manusia. Sistem dari fingerprint

recognition adalah sistem biometrik yang paling “matang” dan diterima.

Menurut Bana dan Kaur (2011:13), fingerprint recognition adalah

proses membandingkan sidik jari yang ditanyakan dengan sidik jari yang

ditanyakan dan sudah diketahui dengan sidik jari yang lainnya untuk

memutuskan apakah kedua sidik jari tersebut berasal dari jari atau telapak

tangan yang sama. Hal tersebut termasuk ke dalam dua sub-domains

yakni

fingerprint verification dan fingerprint identification.

2.1.7

Proses-Proses dalam Fingerprint Recognition

Menurut Bazen

(2002:10), sebuah sistem pengenalan sidik jari

melibatkan beberapa tahap, yakni

2.1.7.1 Acquisition Image

Tahap pertama dalam sistem pengenalan sidik jari adalah pengambilan

gambar sidik jari. Pada zaman dahulu, sidik jari didapatkan dengan

menempelkan jari ke tinta kemudian ditempelkan ke atas kertas. Namun,

pada zaman sekarang banyak sensor yang tersedia untuk mendapatkan

gambar sidik jari. Sensor membuat proses pengambilan gambar sidik jari

lebih mudah karena hanya membutuhkan sentuhan dari sidik jari di atas

sensor dan tidak melibatkan tinta sama sekali. Tetapi tugas identifikasi sidik

jari menjadi lebih kompleks karena gambar yang sederhana memiliki

gambar fitur sidik jari yang lebih kecil.

Kualitas dan karakteristik dari gambar sidik jari sangat bergantung

pada tipe sensor yang digunakan. Karena itu pemilihan sensor berpengaruh

secara langsung pada performa pengenalan sidik jari dan algoritma

pengenalan sidik jari harus beradaptasi untuk sensor tertentu.

Gambar 2.2 Pemindaian sidik jari

(Sumber Maltoni,Maio, Jain, dan Prabhakar, 2009:59)

2.1.7.2 Preprocessing

Bazen tidak menjelaskan bahwa tahap pemrosesan sebuah sidik jari.

Ini dikarenakan bagus atau tidaknya sebuah gambar dipengaruhi oleh

sensor. Sedangkan sebuah gambar sidik jari yang berasal dari sensor yang

bagus tidak selalu memberikan hasil yang maksimal sehingga diperlukan

pemrosesan gambar tersebut atau enhancement.

Menurut Maltoni,Maio, Jain, dan Prabhakar (2009:131), performa dari

algoritma ekstraksi minutiae

dan teknik pengenalan sidik jari lainnya

sangat bergantung dengan kualitas dari gambar sidik jari input. Sebuah

gambar sidik jari yang ideal harus memiliki ridge dan valley yang bergerak

dengan arah yang konstan. Tetapi dalam kenyataannya, karena kondisi

kulit, sensor noise¸

penekanan sidik jari yang tidak tepat, dan sebagian

besar dari gambar sidik jari memiliki kualitas

yang buruk. Oleh karena itu

dibutuhkan algoritma preprocessing atau enhancement.

Tujuan dari algoritma pemrosesan gambar yakni untuk meningkatkan

kerjernihan dari sktruktur ridges dalam daerah yang dapat diperbaiki dan

menandai daerah yang tidak dapat diperbaiki sebagai daerah yang

memiliki noise yang sangat banyak. Hasil dari algoritma pemrosesan sidik

jari dapat berupa gambar grayscale

atau gambar binary

tergantung pada

algoritmanya.

2.1.7.3 Feature Extraction

Sidik jari memiliki informasi-informasi dalam bentuk struktur garis,

yang disebut ridges dan valleys. Proses ekstraksi fitur adalah proses untuk

mengeluarkan ridges dan valleys pada sidik jari sehingga dapat digunakan

pada tahap selanjutnya.

Menurut Maltoni,Maio, Jain, dan Prabhakar (2009:143), hampir

semua sistem perbandingan sidik jari berbasis pencocokan minutiae. Banyak

metode yang diajukan membutuhkan gambar dengan tipe grayscale yang

kemudian diubah menjadi gambar binary. Namun ada beberapa peneliti

yang mengajukan ekstraksi fitur yang langsung dilakukan pada gambar

grayscale tanpa melalui proses binarization dan thinning.

2.1.7.4 Feature Matching

Menurut Maltoni,Maio, Jain, dan Prabhakar (2009:167), sebuah

algoritma pencocokan sidik jari membandingkan dua sidik jari yang

diberikan dan mengembalikan nilai

kecocokan. Hanya sebagian kecil

algoritma pencocokan bekerja langsung pada gambar sidik jari dengan tipe

grayscale. Tetapi sebagian besar membutugkan representasi sidik jari yang

lebih baik yang dihasilkan dari tahap ekstraksi fitur.

Algoritma ekstraksi fitur dan pencocokan sidik jari biasanya memiliki

kesamaan baik untuk masalah verifikasi dan identifikasi sidik jari. Ini

dikarenakan masalah identifikasi sidik jari dapat diimplementasikan sebagai

eksekusi yang berurutan dari perbandingan satu-satu antara pasangan sidik

jari.

2.1.8

Metode - Metode Pemrosesan Gambar

2.1.8.1

Histogram Equalization

Menurut Putra (2010), kontras suatu citra adalah distribusi piksel

terang dan gelap. Citra grayscale dengan kontras rendah maka akan terlihat

terlalu gelap, terlalu terana atau terlalu abu – abu. Histogram citra dengan

kontras rendah, semua piksel akan terkonsentrasi pada sisi kiri, kanan atau

di tengah. Semua piksel akan terkelompok secara rapat pada suatu sisi

tertentu dan menggunakan sebagian kecil dari semua kemungkinan nilai

piksel.

Menurut Gonzalez dan Woods (2008:142) histogram equalization

adalah teknik untuk menambah intensitas gambar untuk memperbaiki

kontras gambar. Misalnya f adalah gambar yang diberikan dengan

representasi matriks piksel intensitas bertipe integer berjarak dari 0 ke L-1.

L adalah angka dari nilai intensitas yang mungkin, biasanya 256.

Menurut Singh, Mishra, dan Gour (2011) perengangan kontras adalah

suatu metode membuat citra yang mmiliki bagian terang menjadi lebih

terang dan bagian gelap menjadi lebih gelap.

Menurut Frank (2010:45),

histogram equalization menggunakan

pemetaan monotik nonlinear

yang menugaskan kembali nilai intensitas

piksel dari gambar masukan sehingga gambar yang dihasilkan berisi

distribusi intensitas yang seragam. Kita hanya dapat mendapatkan perkiraan

dari distribusi keseragaman ini untuk gambar digital. Teknik ini biasanya

digunakan dalam perbandingan gambar karena efektif dalam perbaikan

terperinci dan pada koreksi efek nonlinear

diperkenalkan dengan sebuah

digitizer atau sistem yang ditunjukkan. Maksudnya histogram equalization

menyebabkan jarak dinamis dari sebuah gambar untuk ditarik, distribusi

kepadatan dari gambar hasil dibuat rata sehingga kontras dari gambar

diperbaiki. Tetapi histogram equalization dapat menyebabkan masalah

karena kontras ditingkatkan dengan menarik jarak dinamis, noise pada

background secara simultan meningkat dengan equalization dan kualitas

gambar dalam daerah yang mendekati konstan terdegradasi.

Konsep dasar dari histogram equalization adalah dengan men-strectch

histogram, sehingga perbedaan piksel menjadi lebih besar atau dengan kata

lain informasi menjadi lebih kuat sehingga mata dapat menangkap informasi

yang disampaikan. Citra kontras ditentukan oleh rentang dinamis yang

didefinisikan sebagai perbandingan antara bagian paling terang dan paling

gelap intensitas piksel. Histogram memberikan informasi untuk kontras dan

intensitas keseluruhan distribusi dari suatu gambar.

2.1.8.2

Fourier Transform

Pada awal tahun 1800an, matematikawan asal Prancis Joseph Fourier,

dengan penelitiannya dari masalah pergerakan panas, memperkenalkan

rangkaian Fourier untuk representaasi dari sinyal periodik waktu yang

berkelanjutan. (Shih,2010). Hal ini sejalan dengan pendapat Nixon dan

Aguado (2002:37), fourier transform adalah cara untuk memetakan sinyal

ke dalam komponen frekuensi. Frekuensi diukur dalam satuan hertz (Hz)

nilai dari pengulangan waktu, diukur dalam detik.

Diberikan gambar dari sekumpulan garis vertical, transformasi fourier

akan menunjukkan hanya frekuensi spasial horizontal. Transformasi fourier

dari sebuah gambar dapat didapat secara optikal dengan mentransmisikan

sebuah laser melalui film fotografik dan membentuk gambar menggunakan

lensa. Transformasi fourier

dari gambar dari film dibentuk dalam depan

lensa.

Terdapat properti –

properti transformasi fourier yang lain seperti

perubahan yang invarians (shift invariance), putaran (rotation), teori

frekuensi (frequency scalling), dan impit-gabungan (superposition

/linearity).

2.1.8.3

Low Pass Filtering dan High Pass Filtering

Menurut Basuki

(2005),

untuk membuang titik-titik atau points yang

berbeda dengan titik

yang lainnya pada ranah frekuensi maka dilakukan

penyaringan atau filtering. Terdapat beberapa macam filtering contohnya

adalah low pass filtering dan high pass filtering.

Low pass filtering merupakan suatu bentuk filter yang mengambil data

berfrekuensi rendah dan membuang data berfrekuensi tinggi. Low pass

filtering digunakan untuk melakukan proses efek blur dan reduksi noise.

High pass filtering merupakan suatu bentuk filter yang mengambil

data dengan frekuensi tinggi dan membuang data dengan frekuensi rendah.

High pass filtering digunakan untuk melakukan proses deteksi tepi.

2.1.8.4

Band Pass Filtering

Menurut Christiano dan Fitzgerald (1999:1), teori dari analisis spectral

dari rangkaian waktu menyediakan dasar yang kuat untuk dugaan bahwa

ada kompenen frekuensi yang berbeda dari data. Keuntungan dari teori ini

adalah tidak dibutuuhkannya komitmen untuk mode statistic tertentu dari

data. Teori tersebut adalah ideal band pass filter.

Ideal band pass filter adalah transformasi liner dari data, dimana

meninggalkan komponen utuh dari data dalam sekelompok frekuensi

tertentu dan mengeliminasi komponen lainnya.

2.1.8.5

Binarisasi (Binarization)

Menurut Manu dan Harish

(2013:32), binarissasi adalah proses yang

mengubah gambar gray berukuran 8-bit menjadi gambar dengan ukuran 1-

bit dengan nilai 0 untuk ridges dan nilai 1 untuk valleys. Setelah dilakukan

operasi binarisasi, ridges pada sidik jari dipertegas dengan warna hitam dan

valleys pada sidik jari berwarna putih.

Menurut Nisha dan Sunil (2013:709), binarisasi mengubah gambar

dari level 255 menjadi gambar dengan level 2 yang memberikan informasi

yg sama. Greyscale mendenotasikan nilai 255 sebagai background dari

gambar dan valley dari sidik jari. Greyscale mendenotasikan nilai 0 sebagai

ridge dari sidik jari pada gambar. Biasanya, piksel objek diberikan nilai 1

sedangkan piksel background diberikan nilai 0. (nilai 0 untuk warna hitam

dan nilai 1 untuk warna putih)

2.1.8.6

Region of Interest (ROI)

Menurut Young, Gerbrands, dan Vliet (1998:2), sebuah gambar dapat

dianggap berisi sub-gambar terkadang dirujuk sebagai region-of-interest

(ROI) atau hanya regions. Konsep ini merefleksikan fakta bahwa gambar

sering berisi koleksi

dari masing –

masing objek dimana dapat menjadi

dasar untuk daerah. Dalam sistem pemrosesan gambar yang canggih, harus

bisa mengaplikasikan pemrosesan gambar tertentu untuk daerah yang

dipilih. Demikian, salah satu bagian dari gambar tersebut dapat di proses

untuk menekan pergerakan buram ketika bagian lain mungkin diproses

untuk meningkatkan pembawaan warna.

Untuk sebuah daerah yang diberikan dimana dapat menurut pikiran

sebagai seluruh gambar, kita dapat mendefinisikan probabilitas fungsi

distribusi dari

tingkat kecerahan

dalam daerah tersebut dan probabilitas

fungsi kedalaman dari tingkat kecerahan dalam daerah tersebut.

2.1.8.7

Thinning

Menurut Karne dan Navalgund (2013:1), penipisan gambar (image

thinning) adalah transformasi sinyal yang mengubah gambar digital yang

tebal menjadi gambar digital yang tipis atau mendapatkan bentuk kerangka

tulangnya. Kerangka tulang menunjukkan konektivitas structural dari

komponen utama dari sebuah objek dan lebarnya hanya satu piksel.

Skelonization mengurangi gambar asli menjadi representasi yang lebih

rapat.

Thinning adalah proses mengeluarkan kerangka tulang dari obejk

dalam gambar digital. Dapat juga didefinisikan sebagai tindakan untuk

mengidentifikasi piksel – piksel yang termasuk ke objek yang penting untuk

mengkomunikasikan bentuk dari objek.

2.1.9

Ekstraksi Fitur

2.1.9.1 Pengertian Ekstraksi Fitur

Menurut Al-Ani (2013:46), proses dari feature extraction bergantung

dngan proses sebelumnya. Proses tersebut merupakan bagian utama dari

keseluruhan sistem dimana itu mengekstraksi karakteristik yang diperlukan

dari sebuah pola sidik jari. Proses ekstraksi fitur dalam sistem fingerprint

recognition adalah proses yang paling sensitif dan terpusat pada iluminasi

dari karakteristik minutiae yang dibutugkan. Hal ini dapat

diimplementasikan melalui deteksi, perbaikan dan ekstraksi minutiae.

Minutiae dalam istilah sidik jari berarti titik dari sidik jari seperti bifurcation

dan ridge endings.

Menurut Nixon & Aguado (2008:183), dalam feature extraction,

umumnya dicari invariance properties

sehingga proses dari ekstraksi tidak

berganti-ganti sesuai dengan kondisi yang dipilih. Ekstraksi fitur dengan

level tinggi menaruh perhatian pada cara menemukan bentuk dari gambar

pada komputer.

Menurut Sudiro dan Yuwono (2012:5), titik minutiae adalah

bermacam perbedaan istilah dari ridge bifurcation, ridge endings, ridge

crossovers dan small ridges. Titik ini, untuk fitur ekstraksi dan penyamaan

otomatis dibatasi menjadi dua tipe dari minutiae: ridge termination/endings

dan ridge bifurcations.

Tipe dari minutiae

juga sangat penting, dan informasi ini menambah

akurasi dari identifikasi sidik jari. Setiap titik minutiae memiliki “tipe” yang

berasosiasi dengannya. Ada dua tipe utama dari minutiae yakni “ridge

skeleton end point” dan sebuah “ridge skeleton bifurcation point” atau titik

terpisah.

Gambar 2.3 Minutiae point

(Sumber: Garg & Bansal, 2013:31)

2.1.9.2 Metode Ekstraksi Fitur (Crossing Number)

Menurut Sudiro dan Yuwono (2012: 15), setelah tahap pre-

processing, proses dari ekstraksi minutiae dilakukan. Deteksi dari minutiae

bergantung pada nilai piksel (0 dan 1). Dua metode dapat digunakan yakni:

metode pertama melakukan pemrosesan hanya terhadap piksel dengan nilai

1 dan metode kedua didedikasikan untuk piksel dengan nilai 0. Metode

pertama menghitung nilai crossing number pada piksel dengan nilai 1 atau

P=1 dan metode dua melakukan proses yang sama pada piksel dengan nilai

0 atau P=0.

Selanjutnya, menurut Guide dan Thompson (2006: 3), diadakan proses

membuang minutiae yang palsu. Proses pembuangan minutiae palsu

tersebut menggunakan metode fuzzy rule base. Dalam metode ini dibuat

aturan-aturan yang sesuai.

2.1.10 Database Sidik Jari

Setelah melewati proses ekstraksi fitur maka untuk sebuah sidik jari

akan terdapat fitur-fitur yang disebut minutiae. Fitur-fitur tersebut kemudian

disimpan ke dalam database

yang telah tersedia. Hal ini sejalan dengan

pendapat dari Billey dan Tenner (2013:1034) yakni hasil perhitungan

tertentu memiliki representasi atau sidik jari yang resmi dan beberapa

kelompok sidik jari dikumpulkan ke dalam database yang dapat ditelusuri.

Database sidik jari berisi minutiae sidik jari berupa termination dan

bifurcation. Masing-masing dengan posisi x dan y serta sudut.

2.1.11 Pencocokan (Matching)

Menurut Garg dan Bansal (2013:35), setelah proses ektraksi minutiae

untuk kedua gambar sidik jari, maka langkah selanjutnya adalah dengan

mencocokan minutiae. Minutiae

yang didapat kemudian disusun kemudian

dilakukan perhitungan presentase banyaknya minutiae yang sama.

Pada tahap penyusunan, dua gambar

sidik jari yang akan dicocokan

diambil dan salah satu dari minutiae dari masing-masing gambar dipilih.

Kemudian kesamaan dari dua ridges dihubungkan dengan dua referensi titik

minutiae dihitung menggunakan rumus standar cross-correlation. Jika

kesamaan lebih besar dari pada threshold yang telah ditentukan sebelumnya

maka setiap kumpulan dari minutiae diubah menjadi sistem koordinasi.

2.1.12 False Acceptance Rate, False Rejection Rate dan Equal Error Rate

Menurut Maltoni,Maio, Jain, dan Prabhakar (2009:14), hasil

dari

pencocokan sidik jari biasanya adalah matching score

yang mengukur

kesamaan diantara sekumpulan fitrus yang dikenali dan template yang

dimasukkan. Ketika pencocokan dilakukan dalam metode satu banding satu

maka akan memberikan keputusan berupa cocok atau tidak cocok

bergantung pada nilai perbandingan apakah melewati threshold atau tidak.

Menurut Nilawati,

Karmilasari,

dan Madenda

(2011:243),

mennyatakan bahwa:

“Salah satu pengukuran keberhasilan dari suatu sistem biometric

adalah dengan melihat seberapa besar respon sistem tersebut dalam

menerima atau menolak masukan. Pengukurang sering dilakukan dengan

menggunakan False Acceptance Rate (FAR), False Rejection Rate (FRR),

dan Equal Error Rate (ERR).”

False acceptance yaitu menganggap dua gambar sidik jari berasal dari

sidik jari yang sama padahal bukan. Sedangkan false rejection yaitu

dua

gambar sidik jari dianggap bukan berasal dari sidik jari yang sama padahal

kedua gambar tersebut berasal dari sidik jari yang sama. Gambar di bawah

merupakan contoh grafik false acceptance rate atau (FAR) dan false

rejection rate (FRR).

Gambar 2.4 Grafik FAR dan FRR dari nilai threshold tertentu.

(Sumber Nilawati,Karmilasari,Madenda, 2011:244)

Rumus untuk menghitung nilai FAR adalah

Gambar 2.5 Rumus FAR

Sedangkan rumus untuk menghitung FRR adalah

Gambar 2.6 Rumus FRR

Nilai dari FAR dan FRR akan saling bertemu pada titik tertentu

dikarenakan distribusi nilai yang saling tumpang tindih. Nilai dari FAR dan

FRR pada titik ini dimana sama untuk keduanya disebut Equal Error Rate

(Syris technology corp, 2004). Nilai Equal Error Rate dari sebuah sistem

dapat digunakan untuk memberikan nilai ukuran threshold yang bekerja

secara bebas. Semakin rendah nilai EER maka kerja sistem semakin baik

karena total nilai error dimana total dari FAR dan FRR dari titik EER

berkurang.

2.2

Related Works

Pada bagian ini, akan dijelaskan beberapa penelitian yang

berhubungan dengan penelitian yang dilakukan ini. Penelitian yang

dianalisa merupakan penelitian terbaru. Selain menyebutkan penelitian-

penelitian yang terkait, di bagian ini juga akan dijelaskan mengenai proses

yang dilakukan beserta hasil yang didapat dari masing-masing penelitian

tersebut.

Penelitian sebelumnya yang dipublikasi

dalam jurnal internasional

berjudul Fingeprint Recognition using Image Segmentation. (Bana &

Davinder Kaur,2011)

Penelitian ini melakukan pembelajaran dan

implementasi dari sistem pengenalan sidik jari berbasis minutiae

yang

sering digunakan dalam algoritma-algoritma sidik jari sekarang ini.

Pendekatan yang digunakan yaitu ekstraksi dari titik minutiae dari gambar

sidik jari dan

melakukan pencocokan sidik jari yang berbasis jumlah dari

pasangan minutiae antara dua sidik jari.

Kesimpulan dari penelitian ini adalah presentase yang rendah dalam

verifikasi disebabkan oleh algoritma yang kurang kuat dan mudah

dipengaruhi oleh efek-efek lain seperti scalling dan elastic deformations.

Penelitian ini juga menyimpulkan bahwa tantangan utama dari sistem

pengenalan sidik jari adalah pada tahap preprocessing dari gambar sidik jari

dengan kualitas buruk.

Dua tahun kemudian, terdapat penelitian yang dicantumkan ke dalam

jurnal international dalam bidang inovasi dan aplikasi dari tenik. (Garg &

Bansal, 2013). Penelitian ini terfokus pada pengembangan sistem untuk

mengenali dua sidik jari menggunakan pencocokan minutiae. Pengenalan

sidik jari adalah proses membandingkan sebuah sidik jari dengan sidik jari

lain untuk memutuskan jika jejak-jejak berasal dari sidik jari yang sama.

Penelitian ini menggunakan sebuah kombinasi dari pemrosesan gambar dan

pemrosesan pada daerah frekuensi untuk membangun minutiae extractor

dan minutiae matcher.

Penelitian ini menggunakan beberapa sidik jari untuk dibandingkan.

Algoritma yang dihasilkan dari penelitian ini menguji semua gambar tanpa

pengaturan lain dari database. Contoh, algoritma yang dihasilkan dari

penelitian ini digunakan untuk membandingkan dua sidik jari yang berbeda

dan menghitung persentase kecocokan minutiae. Untuk kedua sidik jari

tersebut kecocokan yang didapat sebesar 34,6154%, dimana ketika

dilakukan pencocokan dengan batas threshold (90%) dapat dikatakan bahwa

kedua sidik jari tersebut cocok atau tidak. Karena persentase kecocokan

yang didapat lebih rendah daripada threshold sehingga dapat dikatakan

bahwa kedua sidik jari tersebut tidak cocok yang berarti benar.

Masih di tahun yang sama, terdapat penelitian yang bertujuan untuk

memecahkan masalah dalam proses pengenalan gambar sidik jari dari

database dengan memperkenalkan algoritma pengenalan baru yang berbasis

kombinasi dari fitur minutiae seperti ridge eng, bifurcation dan edges of 3-

branch. Penelitian ini focus pada tiga titik minutiae

(Sharma & Sharma,

2013). Dalam kasus penentuan ridge

penelitian ini menghitung satu

komponen yang terhubung dari gambar biner. Dalam kasus

bifurcation

penelitian ini menghitung garis yang terbagi menjadi cabang yang terbentuk

dalam empat kelakuan yang terhubung. Dalam 3-branch penelitian ini

memilih piksel yang memiliki bentuk 3-branch dalam delapan komponen

terhubung yang berarti satu piksel memiliki piksel diagonal.

Kesimpulan dari penelitian ini adalah mengurangi kekurangan dari

metode yang tersedia seperti pengenalan berbasis minutiae dan ridges.

Metode yang sudah ditingkatkan ini memberikan hasil yang lebih baik

daripada metode individu.

Tetapi metode yang disarankan sangat

bergantung dengan kualitas dan akurasi dari klasifikasi dan pencocokan

gambar sidik jari yang sama.

Penelitian yang sama di tahun 2013

menggunakan metode yang

mendeskripsikan pola yang berbeda dari sidik jari (arch, whorl, dan loop)

menggunakan orientasi dan algoritma yang meningkatkan ekstraksi dari titik

minutiae berbasis ridges, dots, dan splitting ridges (Patel & Sharma, 2013).

Algoritma tersebut mencocokan dan membandingkan seluruh sidik jari dan

membuktikan sidik jari yang asli, dan setelah itu mengidentifikasi orang.

Metode ini memberikan hasil 0.00 untuk FNMR dan 0.023 untuk FMR

dimana lebih baik daripada sistem pengenalan sidik jari menggunakan nilai

kecocokan minutiae.

Metode penelitian ini memiliki kelebihan karena menggunakan semua

template sidik jari yang disimpan dalam sidik jari. Sistem ini mengekstraksi

maximum minutiae points

dari kerusakan sidik jari. Metode ini jika

dibandingkan dengan metode pencocokan tradisional dapat mengerjakan

kondisi gambar yang

lebih kompleks seperti perubahan arah,

ukuran atau

kualitas citra yang lebih buruk.

Simpulan dari ketiga penelitian ini dapat dilihat pada tabel 2.1

Tabel 2.1 Simpulan penelitian terkait

Judul

Tujuan

Metode

Hasil

Fingerprint

Recognition

using Image

Segmentation

(Bana,S. dan

Kaur,D.

2011)

Melakukan

pembelajaran

dan

implementasi

dari sistem

pengenalan sidik

jari berbasis

minutiae

Preprocessing

(histogram

equalization, fast

fourier transform,

binarization, ROI,

thinning), proses

ekstraksi dengan

menggunakan

crossing number,

dan matching.

Dari penelitian ini

didapat rata-rata

nilai pencocokan

yang cocok

sekitar 30 dan

rata-rata

pencocokan yang

tidak cocok

sekitar 25 dari

database yang

dipilih. Nilai FAR

dan FRR sekitar

30-35% sehingga

nilai threshold

dengan nilai

kecocokan sekitar

28 adalah 65-70%

Fingerprint

Recognition

System using

Minutiae

Estimation

(Garg &

Bnasal,

2013)

Pengembangan

sistem untuk

mengenali dua

sidik jari

menggunakan

pencocokan

minutiae.

Terdapat dua

metode utama

yakni minutiae

extraction dan

minutiae

matching.

Dari algoritma

yang disebutkan

dalam jurnal ini

dilakukan

pengujian semua

gambar tanpa

pengaturan untuk

database.

Misalnya

pencocokan

dilakukan

pencocokan dari

dua sidik jari dan

didapatkan nilai

sebesar

34,6154%.

Kemudian

dibandingkan

dengan nilai

threshold sebesar

90% maka kedua

sidik jari tersebut

tidak sama.

Fingerprint

Recognition

Based on

Ridges,

Bifurcation

and 3-

Branch

Posisiton

Memecahkan

masalah dalam

proses

pengenalan

gambar sidik jari

dari database

dengan

memperkenalkan

Mengambil

gambar query,

menghitung

jumlah

bifurcation pada

gambar query

dan membaca

database sidik

Titik minutiae

dari gambar

query. Metode ini

lebih baik

daripada metode

minutiae dan

ridge-based.

Namun metode

(Sharma &

Sharma,

2013)

algoritma

pengenalan baru

yang berbasis

kombinasi dari

fitur minutiae.

jari.

ini sangat

dipengaruhi oleh

kualitas gambar

sidik jari.

Fingerprint

Recognition

by Minutiae

Matching

Method for

Evaluating

Accuracy.

(Patel &

Sharma,

2013)

Mencocokan dan

membandingkan

seluruh sidik jari

dan

membuktikan

sidik jari yang

asli dan setelah

itu

mengidentifikasi

orang.

Mendeskripsikan

pola yang berbeda

dari sidik jari

(arch, whorl, dan

loop)

0.00 untuk FRR

dan 0.023 FAR.

Masih perlu

dikembangkan

lagi untuk akurasi

dan efisiensi.