Professional Documents
Culture Documents
BIOMETRIC FINGERPRINT
HALAMAN UTAMA
OLEH :
FAIZAL GUSWANDA
310116023043
Alhamdulillah puji dan syukur atas kehadirat allah SWT yang telah
memberikan kesempatan, kesehatan dan karunianya kepada saya yang tak
terhingga jumlahnya sehingga saya dapat menyelesaikan makalah ini tepat pada
waktunya. Makalah Biometrik ini membahas tentang Fingerprint ( Sidik Jari )
dalam kehidupan sehari-hari.
Adapun makalah Aplikasi teknologi online tentang biometrik ini telah kami
usahakan semaksimal mungkin dan tentunya dengan bantuan berbagai pihak,
sehingga dapat memperlancar pembuatan makalah ini. Untuk itu kami tidak lupa
menyampaikan bayak terima kasih kepada semua pihak yang telah membantu
kami dalam pembuatan makalah ini.
Saya sadar makalah yang saya buat memiliki banyak kekurangan, untuk itu
saya mohon maaf apabila terdapat kesalahan, walaupun demikian kami berharap
makalah ini dapat bermanfaat baik bagi pembaca maupun bagi masyarakat
umum.
Faizal Guswanda
ii
DAFTAR ISI
iii
3.1.4 Klasifikasi ....................................................................................... 11
3.2 Implementasi ............................................................................................... 11
BAB IV ................................................................................................................. 15
HASIL DAN PEMBAHASAN ............................................................................. 15
4.1 Pengaruh Parameter JST ........................................................................ 15
4.2 Pengujian Akurasi .................................................................................. 15
BAB V................................................................................................................... 17
PENUTUP ............................................................................................................. 17
5.1 Kesimpulan ............................................................................................. 17
iv
BAB I
PENDAHULUAN
Biometrik banyak dikembangkan di berbagai negara pada beberapa tahun
belakangan ini. Makalah ini membahas tentang salah satu jenis biometrik yaitu
pengenalan sidik jari. Pada bab ini akan dibahas mengenai latar belakang,
identifikasi masalah, tujuan penelitian, pembatasan masalah, metoda penelitian
dan sistematika penulisan makalah ini.
1
1.2 Metode Penelitian
Metode jaringan syaraf tiruan backpropgation (propagasi balik)
merupakan metode yang sangat baik dalam menangani masalah pengenalan pola–
pola kompleks. Metode ini merupakan metode jaringan syaraf tiruan yang populer
dan paling banyak dipakai untuk berbagai aplikasi. Backpropagation adalah
bentuk jaringan syaraf tiruan yang terdiri dari beberapa layer. Jaringan syaraf
tiruan backpropagation melatih jaringan untuk mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan respon yang benar terhadap pola
masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama
pelatihan.
2
1.3 Tujuan
Tujuan dari dibuatnya makalah ini adalah agar pembaca dapat memahami
biometrik pengenalan sidik jari. Pada makalah ini penulis menggunakan metode
penelitian backpropagation.
3
BAB II
LANDASAN TEORI
2.1 Biometrik
Biometrik merupakan suatu teknologi yang memiliki fungsi utama untuk
mengenali seseorang melalui karakteristiknya, seperti sidik jari, wajah, mata atau
bagian tubuh yang lain, cara berjalan, bau, suara, dan tandatangan. Biometrik sulit
dipalsukan, membutuhkan keahlian khusus dan biaya yang tidak sedikit untuk
memalsukan biometrik seseorang. Sulit dan mahal sekali untuk memalsukan
retina mata, sidik jari atau bagian tubuh lainnya. Tetapi beberapa biometric dapat
dengan mudah dicuri, tindakan ini jauh lebih murah dan mudah daripada
memalsukannya. Misalkan seorang pencuri telah mengambil gambar sidik jari
seseorang untuk mengelabui sistem, sehingga pada saat gambar sidik jari tersebut
di scan oleh fingerprint reader, sistem mengira itu adalah sidik jari yang benar.
4
Pola umum Sidik Jari
Loop dimulai pada satu sisi jari, kurva sekitar atau ke atas, dan keluar dari
sisi lain. Ada dua jenis loop: Radial loop lereng ke arah ibu jari, sementara
ulnaris loop lereng ke arah kelingking.
Whorls membentuk lingkaran atau pola spiral.
Lengkungan miring ke atas dan kemudian ke bawah, seperti gunung-
gunung sangat sempit.
Para ilmuwan melihat susunan, bentuk, ukuran dan jumlah baris dalam
pola-pola sidik jari untuk membedakan satu dari yang lain. Mereka juga
menganalisis karakteristik yang sangat kecil yang disebut hal-hal kecil, yang tidak
dapat dilihat dengan telanjang mata .
2.3.1 Preprocessing
1. Image Enchancement
5
Pada saat gambar sidik jari dimasukkan maka proses perbaikan kualitas
citra ini dilakukan pada awalan, karena disini kualitas masukkan akan
ditingkatkan untuk mempertebal garis-garis pada sidik jari sehingga akan
terlihat bukit yang tidak terhubung pada sidik jari.
2. Image Binarization
Pada binerisasi citra input gambar yang sudah ditingkatkan kualitasnya
masih terdapat citra yang berwarna abu-abu. Binerisasi citra berfungsi
sebagai pengubah citra abu – abu ( grayscale ) menjadi hitam dan putih (
black and white ) sehingga akan terlihat jelas perbedaan garis-garis pada
sidik jari.
3. Image Segmentation
Image segmentation ini dilakukan pemisahan antara garis-garis pada bukit
yang menempel pada latar belakangnya.
Inti dari scanner optical adalah charge coupled device (CCD), sistem
sensor cahaya yang sama digunakan pada kamera digital dan camcorder. CCD
6
merupakan sebuah larik sederhana dari diode peka cahaya yang disebut photosite,
yang menghasilkan sinyal elektrik yang merespon foton cahaya. Setiap photosite
merekam sebuah pixel, titik kecil yang merepresentasikan cahaya dan
membenturnya. Pixel-pixel ini membentuk pola terang dan gelap dari sebuah
gambar hasil scan sidik jari seseorang.
Proses scan mulai berlangsung saat Anda meletakkan jari pada lempengan
kaca dan sebuah kamera CCD mengambil gambarnya. Scanner memiliki sumber
cahaya sendiri, biasanya berupa larik light emitting diodes (LED), untuk
menyinari alur sidik jari Anda. Sistem CCD menghasilkan gambar jari yang
terbalik, area yang lebih gelap merepresentasikan lebih banyak cahaya yang
dipantulkan (bagian punggung dari alur sidik jari), dan area yang lebih terang
merepresentasikan lebih sedikit cahaya yang dipantulkan (bagian lembah dari alur
sidik jari).
7
2.5 Toll Yang Digunakan
Aplikasi Finger print adalah salah satu aplikasi yang dapat melakukan
pendeteksi dengan sidik jari, walaupun sebenarnya kalau kita membeli perangkat
finger print sudah di sertakan contoh-contoh penggunaanya dengan bermacam-
macam bahasa pemrograman.
Saat ini tools untuk TCP/IP fingerprinting yang paling lengkap dan luas
pemakaiannya adalah Nmap. Dengan menggunakan suatu database yang lebih
dari 450
dan sistem-sistem yang lain. Setiap sistem yang percaya bahwa TCP/IP
adalah potensial untuk masuk database akan meng-update-nya secara priodik.
Nmap merupakan software yang bebas untuk didownload dan mudah untuk
digunakan.
Nmap menggunakan satu set yang terdiri dari 9 macam tes untuk
menentukan pilihan dari operating sistem. Setiap tes terdiri dari satu atau lebih
paket-paket dan tanggapan yang diterimanya. Delapan tes yang dilakukan Nmap
ditujukan pada TCP layer dan satu ditujukan pada UDP layer. Tes terhadap TCP
adalah yang paling penting karena TCP memiliki beberapa option dan variabel
8
dalam implementasinya. Nmap melihat perintah dari option-option TCP, pola dari
sejumlah initial sequence, IP-level flag seperti fragment bit, TCP flag seperti RST,
ukuran windownya dan masih banyak hal-hal lain. Untuk lebih detilnya termasuk
option-option spesific dalam paket tes dapat dilihat di homepage yang memuat
tentang Nmap. Gambar 1 adalah contoh hasil keluaran dari Nmap saat melakukan
scanning pada sebuah web server dan yang satunya scanning terhadap perangkat
printer. Hasil perkiraan dari tes beruntun terhadap TCP didapat dari kemampuan
Nmap mendeteksi tentang bagaimana sebuah host menggerakan sejumlah initial
sequence untuk tiap TCP connection. Banyak sistem operasi komersial
menggunakan model acak, positive increment, tetapi sistem yang lebih sederhana
mengarah kepada penggunaan fixed increment atau increment berdasar pada
waktu membuat sambungan.
Sementara Nmap terdiri dari beberapa fungsional dan bekerja dengan baik
untuk kemampuan sebagai fingerprinting yang sangat presisi, tetapi ini bukan
peralatan yang dapat dipakai untuk semua teknik/cara. Bermacam scan dapat
dijalankan dalam waktu bersamaan. Sebagai contoh, untuk menentukan apakah
sebuah host menggunakan TCP Tahoe atau TCP Reno dengan membuat paket
hilang tiruan dan melihat bagaimana caranya melakukan perbaikan (recovery)..
Juga seseorang dapat menggunakan metode seperti social engineering atau teknik
pada tingkatan aplikasi untuk menentukan sistem operasi yang digunakan host.
Seperti teknik-teknik di luar dari cakupan pembicaraan ini, akan selalu dibutuhkan
cara untuk menghadang scan yang dilakukan TCP/IP fingerprinting selama tools
untuk aplikasi fingerprinting terus berkembang. Selama ini TCP/IP fingerprinting
adalah metode yang paling cepat dan paling mudah untuk mengenali sistem
operasi yang digunakan remote host.
9
BAB III
PEMBAHASAN
3.1.2 Preprocessing
Preprocessing merupakan gambar akuisisi sidik jari belum fokus sempurna
diseluruh area gambar. Maka, sebuah filter high-pass dengan frekuensi tinggi
penekanan diaplikasikan dalam rangka meningkatkan batas dan meminimalkan
fokus masalah. Setelah penyaringan gambar sudah pas, gambar yang dihasilkan
diajukan kepemerataan histogram untuk meningkatkan kontras.
Setelah preprocessing dilakukan, maka perlu untuk menemukan daerah
yang dimaksud dalam gambar, di mana ekstraksi fitur akan berlangsung.
Segmentasi dibagi menjadi dua proses yang berbeda. Sampel pertama gambar dari
setiap kelas sidik jari dikonversi dari gray-scale ke biner melalui nilai ambang
tetap. Gambar biner ini kemudian disampaikan kepada morfologi operasi erosi
dan dilatasi, masing-masing, meninggalkan pada gambar di satu area piksel hitam
yang sesuai ke pusat daerah.
Langkah selanjutnya adalah mendeteksi batas persegi panjang dari area
hitam yang dihasilkan, yang geometris pusatakan menjadi pusat 8×8 piksel. Hasil
dari preprocessing dan segmentasi dari sampel pertama dari kelas sidik jari.
10
Sampel gambar sisa sidik jari masing-masing kelas yang tersegmentasi dengan
cara yang berbeda.
3.1.4 Klasifikasi
Klasifikasi pada penelitian ini menggunakan JST backpropagation untuk
mendapatkan hasil klasifikasi. Pembentukan klasifikasi dimulai dengan
memberikan input gambar dari feature extraction dan menkonversi format data
tersebut dengan Graylevel co-occurrence matrix(GLCM) untuk mendapatkan data
input yang akan digunakan untuk proses klasifikasi. Kemudian dari hasil ekstrasi
dari GLCM menjadi input yang terdiri dari jaringan syaraf tiruan yaitu korelasi,
kontras, homogenity, entropy, dan energi, nilai masuk dari 𝑥1- 𝑥5, selanjutnya
menghitung output dari 𝑧1, 𝑥1 kali bobot 𝑥1 ke 𝑧1 ditambah 𝑥2kali bobot 𝑥2 ke
𝑧1 samapai ke 𝑥5 setelah itu dapat nilai, kemudian dihitung menggunakan rumus
sigmoid fungsi aktivasi untuk mendapatkan output jaringan 𝑧1 kali bobot 𝑧1 ke 𝑦1
sampai 𝑧7 kali bobot 𝑧7 ke 𝑦1 output pada layer output merupakan output dari
jaringan syaraf tiruan sedangkan output ada 2 hidden layer disesuaikan dengan
pengujian, output 2 karena punya 2 kelas, yaitu Kelas 1 : 0 0, Kelas 2 : 1 1 dan
Kelas 3 : 1 0. Kemudian system akan membuat klasifikasi dengan metode JST
backpropagation.
3.2 Implementasi
Implementasi ini merupakan hasil akhir dari rancangan antar muka system
klasifikasi sidik jari. Antar muka system klasifikasi sidik jari ini berisi seluruh
kegiatan yang dapat dilakukan pengguna untuk membentuk klasifikasi. Antar
11
muka yang telah dibuat ini mempunyai tiga buah menu yaitu menu ambil citra,
menu ambil data latih/uji, dan menu tampilan grafik, yaitu:
Ambil citra dari gambar untuk dihitung matriks GLCM (Gray level co-
occurrence matrix) dan properti (energy, corelasi, kontras, homogenity, entropy)
yang dijadikan input jaringan syaraf tiruan, sedangkan ambil data latih / uji yaitu
hasil dari ekstrasi pada tahap sebelumnya. Tampil grafik untuk menampilkan error
epoch 1,2 dan seterusnya. Standar untuk mengembalikan kenilai standar (yang
dirubah) maka akan kembali ke parameter.
Berikut ini merupakan implementasi yang dipanggil pada perintah akuisisi
citra. Bagian citra yang akan diakuisisi untuk kemudian disimpan dalam sebuah
variabel agar bisa diproses lebih lanjut. Proses akuisisi citra lalu disimpan dalam
picture box yang berfungsi untuk melihat citra. Setelah citra diakuisisi maka akan
dilanjutkan pada langkah selanjutnya yaitu preprosesing citra.
Preprosesing citra yang diimplementasikan adalah berdasarkan flowchart
pada perancangan preprosesing yaitu median filter, adalah tahap perenggangan
kontras (contrast stretching). Perenggangan kontras dilakukan untuk memperbaiki
kualitas kontras dari citra sehingga memudahkan dalam proses selanjutnya
(segmentasi).grayscale, adalah membuat image baru yang seukuran dengan image
asli dan mengambil objek grafik dari image yang baru, skala keabuan image yang
baru dengan membuat atribut image yang baru. Contrast enhancement tahap
perenggangan kontras (contrast stretching). Perenggangan kontras dilakukan
untuk memperbaiki kualitas kontras dari citra sehingga memudahkan dalam
proses selanjutnya (segmentasi) dan histogram equalization.
12
Tahap selanjutnya adalah ekstrasi ciri yaitu merubah setiap elemen GLCM
ke dalam bentuk probabilitas dengan cara membagi setiap elemen dengan jumlah
semua elemennya (normalisasi nilai elemen GLCM ke range 0 – 1). Hal ini
dilakukan pada semua GLCM yang terbentukadalah menghitung Matriks GLCM
2D 8 x 8 dengan input berupa citra dan nilai offset X dan Y, dan merubah range
nilai elemen dari GLCM 8 x 8 menjadi nilai elemen range 0 – 1, serta menentukan
GLCM-GLCM yang terbentuk oleh jarak yang ditentukan, menghitung Mr (Nilai
m untuk baris) yang nanti digunakan untuk menghitung Correlation, menghitung
Mc (Nilai m untuk kolom) yang digunakan untuk menghitung Correlation,
menghitung standar deviasi untuk baris yang digunakan untuk menghitung
Correlation, menghitung standar deviasi untuk kolom digunakan untuk
menghitung Correlation, menghitung Max Probability, menghitung Correlation,
menghitung Contrast, menghitung energy, menghitung Homogeneity, menghitung
Entropy, dan menghitung properti GLCM dua dimensi dari image.
13
untuk menghitung neuron-neuron pada hidden layer dan output (sebagai output
jaringan) yang disimpan dalam field “hidden Neuron”.
14
BAB IV
HASIL DAN PEMBAHASAN
Hasil yang diperoleh dari penelitian ini, pengujian dilakukan dengan cara
melakukan pelatihan secara berulang-ulang pada jaringan yaraf tiruan untuk
mendapatkan bobot-bobot jaringan yang optimal sehingga dapat digunakan untuk
menyelesaikan permasalahan klasifikasi. Data yang digunakan dalam penelitian
ini berjumlah 110 citra terbagi atas dua kelompok data yaitu: (i) data pelatihan 70
citra (terbagi atas kelas Whorl, Arch dan Loop) dan (ii) data pengujian 40 citra
(terbagi atas kelas Whorl, Arch dan Loop). Data – data tersebut diekstrak
menggunakan metode GLCM dengan jarak 2 pixel tetangga.
4. SSE= 0,01
15
Pengujian terhadap sampel citra yang digunakan sebagai data pelatihan
JST dilakukanuntuk mengetahui keakurasian program dalam mengenali pola-pola
yang dilatihkan kepadanya.
16
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan hasil yang diperoleh maka dapat diambil kesimpulan:
1. Pengujian dan penerapan klasifikasi sidik jari menggunakan jaringan syaraf
tiruan backpropagation telah dibangun sebuah aplikasi pengolahan data citra
untuk klasifikasi sidik jari dengan fitur, ambil citra, ambil data latih atau uji
dan tampilkan grafik error.
17
Daftar Pustaka
1. http://klik.unlam.ac.id/index.php/klik/article/view/19/17
2. http://repository.telkomuniversity.ac.id/pustaka/files/107450/jurnal_epro
c/perancangan-otentikasi-sidik-jari-pada-sistem-biometric-payment.pdf
3. https://jurnal.ugm.ac.id/bimipa/article/download/25956/16359
X
F a iza l G u sw a n d a
M a h a sisw a
18