PROPOSAL TUGAS AKHIR

IDENTIFIKASI TINGKAT KRIMINALITAS MELALUI

CITRA SIDIK JARI MENGGUNAKAN METODE HIDDEN
MARKOV MODEL (HMM)

Untuk Memenuhi Sebagian Syarat-syarat Penulisan Tugas Akhir

Program Studi Informatika

Diusulkan Oleh,
Fakhrurrazi
180170100

PROGRAM STUDI INFORMATIKA

JURUSAN INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MALIKUSSALEH
LHOKSEUMAWE
2022
 LEMBAR PENGESAHAN PROGRAM STUDI

Judul TGA : Identifikasi Tingkat Kriminalitas Melalui Citra Sidik Jari

Menggunakan Metode Hidden Markov Model (HMM)

Nama Mahasiswa : Fakhrurrazi

Nomor Induk : 180170100
Mahasiswa
Jurusan/Prodi : Teknik Informatika
Tanggal Sidang :
Bukit Indah, 18 Maret 2021
Pengusul,

Fakhrurrazi
180170100

Menyetujui,

Pembimbing Utama Pembimbing Pendamping

Fadlisyah S.Si, M.T Rini Meiyanti,S.T. M.Kom

NIP.197603032006041003 NIP.199205222020122009

Mengetahui,
Ketua Jurusan Informatika

Munirul Ula, S.T., M.Eng., Ph.D.

NIP. 197808082008121001

i
 DAFTAR ISI

LEMBAR PENGESAHAN PROGRAM STUDI ................................................ i

DAFTAR ISI .......................................................................................................... ii

DAFTAR GAMBAR ............................................................................................ iv

DAFTAR TABEL................................................................................................. iv

BAB I PENDAHULUAN ....................................................................................1

1.1. Latar Belakang ....................................................................................1

1.2. Rumusan Masalah ...............................................................................3

1.3. Batasan Masalah .................................................................................4

1.4. Tujuan Penelitian ................................................................................4

1.5. Manfaat Penelitian ..............................................................................4

BAB II TINJAUAN PUSTAKA ...........................................................................6

2.1. Citra ....................................................................................................6

2.1.1. Citra Digital.........................................................................…6

2.1.2. Format Citra ............................................................................7

2.2. Pengenalan Pola ..................................................................................8

2.3. Citra Grayscale ...................................................................................8

2.4. Biometrika ..........................................................................................9

2.5. Sidik Jari ...........................................................................................10

2.6. Metode Hidden Markov Model ........................................................12

2.7. Rantai Markov Diskrit ......................................................................14

2.8. Flowchart ..........................................................................................16

2.8.1. System Flowchart ..............................................................…17

2.8.2. Program Flowchart................................................................17

2.8.3. Simbol-Simbol Flowchart .....................................................17

ii
BAB III METODE PENELITIAN ......................................................................18

3.1. Tempat dan Waktu Penelitian ...........................................................18

3.2. Langkah penelitian ............................................................................18

3.2.1. Studi Literatur .......................................................................18

3.2.2. Observasi ...............................................................................19

3.3. Analisa Kebutuhan Sistem ................................................................20

3.3.1. Perangkat Keras (Hardware) .................................................20

3.3.2. Perangkat Lunak (Sofware) ..................................................20

3.4. Skema Sistem ....................................................................................20

3.5. Sistem Yang Dibangun .....................................................................21

DAFTAR PUSTAKA ...........................................................................................22

iii
 DAFTAR GAMBAR

Gambar 2.1 Alur Pengenalan Pola ...........................................................................8

Gambar 2.2 Bentuk Dasar Sidik Jari (a) Arch, (b) Loop, (c) Whorl ......................11

Gambar 2.3 Klasifikasi Sidik Jari : (a), (b), (c), (d), (e) ........................................11

Gambar 2.4 Contoh Sidik Jari Temuan Kejahatan.................................................12

Gambar 2.5 Rantai Markov ....................................................................................16

Gambar 3.1 Representasi konseptual dari sistem pengenalan pola........................21

Gambar 3.2 Flowchart Sistem ................................................................................22

iv
 DAFTAR TABEL

Tabel 2.1 Peluang perubahan cuaca pada hari yang berurutan ..............................14

Tabel 2.2 Simbol-simbol dalam flowchart .............................................................17

v
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Peran sidik jari sebagai salah satu senjata ampuh yang digunakan oleh pihak
kepolisian dalam mengungkap berbagai tindak kejahatan sampai saat ini masih
belum tergantikan. Seperti kita ketahui, sidik jari sudah sejak lama digunakan untuk
mengenali ciri-ciri khusus seseorang. Dimana ciri-ciri tersebut hanya dimiliki oleh
individu dan tidak ada seorang pun yang memiliki kesamaan secara persis dengan
orang lain (Beatrice, 2009).
Dalam dunia kepolisian, sidik jari juga menjadi suatu hal yang penting dalam
hal mengidentifikasi identitas seseorang. Sidik jari menjadi suatu karakteristik
fisiologis yang mungkin dapat ditemukan di tempat kejadian perkara sebuah
kriminalitas. Umumnya, di negara maju, pihak kepolisian mereka telah memiliki
basis data citra sidik jari yang terkomputerisasi, yang dapat digunakan untuk
mencocokkan dengan citra sidik jari laten yang ditemukan.
Di Indonesia, Direktorat Reserse Kriminal Umum Polda Aceh, memiliki
divisi Identifikasi, yang bertugas untuk mengidentifikasi identitas seseorang. Salah
satu sub divisinya bertugas untuk melakukan identifikasi sidik jari laten. Sidik jari
laten yang ditemukan harus dibandingkan dengan basis data sidik jari yang telah
dikumpulkan. Akan tetapi, sidik jari ini harus dibandingkan secara manual,
sehingga proses untuk mencari identitas suatu sidik jari akan sangat memakan
waktu. Oleh karena itu, sangat penting bagi mereka, untuk mengembangkan suatu
aplikasi yang dapat membantu untuk mengidentifikasi sidik jari secara cepat.
Identifikasi forensik merupakan upaya yang dilakukan dengan tujuan membantu
penyidik untuk menentukan identitas seseorang. Penentuan identitas korban
seperti halnya penentuan identitas tersangka pelaku kejahatan merupakan bagian
terpenting dalam penyidikan. Identifikasi tersebut penting sekali dilakukan
terhadap korban meninggal karena merupakan perwujudan HAM dan
penghormatan terhadap orang yang sudah meninggal. Kitab Undang-Undang
Hukum Acara Pidana (KUHAP) Pasal 133 ayat tiga tertulis “Mayat yang dikirim

1
 2

kepada ahli kedokteran kehakiman atau dokter pada rumah sakit harus
diperlakukan secara baik dengan penuh penghormatan terhadap mayat tersebut dan
diberi label yang memuat identitas mayat, dengan diberi cap jabatan yang
dilekatkan pada ibu jari kaki atau bagian lain badan mayat tersebut”. Dengan
demikian, dapat dipahami bahwa proses identifikasi merupakan hal yang penting
untuk dilaksanakan sebelum proses selanjutnya yaitu pemeriksaan mayat (otopsi).
Banyak kasus kriminal yang berhasil diungkap oleh Kepolisian dengan
bantuan sidik jari. Tidak seperti metode interogasi, keterangan saksi, atau simulasi.
Hasil penyidikan sidik jari sulit dibantah, karena proses analisis seorang ahli
merujuk langsung pada ilmu ilmiah yang telah disepakati bersama akan
keabsahannya. Jumlah prestasi yang berhasil ditorehkan kepolisian ternyata tidak
semudah teorinya, dalam satu kasus selalu muncul banyak kendala yang dihadapi
seperti lamanya proses pengambilan sidik jari, bentuk sidik jari yang tidak utuh
(terdistorsi), lamanya waktu pencocokan sidik jari satu dengan yang lain dll.
Menyatakan bahwa terdapat dua hambatan yang sering dihadapi penyidik
yaitu Hambatan dari Luar dan Hambatan dari Dalam. Beberapa contoh Hambatan
dari Luar adalah jejak yang ditinggalkan di tempat kejadian menunjukan bentuk
yang tidak sempurna, hampir semuanya memiliki kekaburan atau noda, tidak
sedikit sidik jari tertinggal merupakan sidik jari orang yang mungkin tidak
bersangkutan sama sekali. Sedangkan Hambatan dari Dalam bisa dalam bentuk
perbedaan pendapat para ahli, kurangnya bekal pengetahuan serta keterampilan
yang dimiliki petugas (Setyowarman 2011).
Berbeda dengan pengenalan sidik jari utuh melawan sidih jari utuh seperti
yang digunakan pada absensi fingerprint. Yang sering menjadi perhatian pada
proses identifikasi sidik jari suatu kasus kejahatan adalah bentuk sidik jari yang
tidak karuan, baik secara size (ukuran) maupun secara orientasi (arah). Entah itu
terpotong sebagian, kering, berminyak, terotasi, rusak atau bentuknya tidak
beraturan. Sehingga dibutuhkan keteletian ekstra untuk megungkap siapa pemilik
yang bersangkutan. Hal inilah yang mendasari peneliti untuk membangun sebuah
aplikasi pengenalan sidik jari guna membantu mengatasi permasalahan tersebut
dengan studi kasus terdistorsi sebagian. Dimana sidik jari temuan kondisinya
terpotong sebagian. Didukurng oleh data statistik BPS dengan sekian ribu tindak
 3

pidana tiap tahunnya, kasus sidik jari terdistorsi sangat berpeluang masuk ke dalam
daftar 3 bahan diskusi yang harus diselesaikan untuk meningkatkan kualitas
kinerja Kepolisian Republik Indoenesia. Bagi seorang ahli tentu akan terbantu
apabila terdapat alat pendeteksi otomatis yang bisa memepermudah proses
penyidikan. Dan Pengolahan citra sudah lama dimanfaatkan untuk mengeksplorasi
seputar objek gambar digital, salah satunya adalah pengolahan citra untuk
pengenalan sidik jari.
Pada penelitian sebelumnya metode Hidden Markov Model digunakan
sebagai pengidentifikasi pada pengenalan pola sidik jari yang menerapkan
computer vision dan pengenalan pola. Tingkat akurasi mencapai 86% untuk 5 kali
pengujian terhadap 20, 40, 60, 80 dan 100 data training. Penelitian tersebut
memaparkan tentang peracangan dan pengimplementasian perangkat lunak yang
dapat mengidentifikasi sidik jari manusia. Alur prosesnya terdiri dari binerisasi,
erosi, skeletonisasi, ekstraksi fitur dan parameter HMM. Dari hasil pengujian
didapatkan kesimpulan bahwa HMM dapat diimplemetasikan ke dalam sistem
pengenalan sidik jari.
Oleh karena itu, dalam penelitian ini penulis menggunakan metode Hidden
Markov Model yang memiliki banyak keunggulan dalam bidang pengenalan dan
klasifikasi, diantaranya adalah beberapa jurnal menemukan bahwa pada
pengenalan retina dengan metode HMM memiliki tingkat akurasi mencapai 100%.

1.2. Rumusan Masalah

Berdasarkan latar belakang permasalahan di atas, maka rumusan masalah
yang diambil adalah sistem pengujian suara selalu dibangun dengan komputasi
yang kompleks, sehingga memerlukan perhitungan yang rumit, oleh karena itu
tujuan dari penelitian ini adalah sebagai berikut :
1. Mengetahui nilai tingkat keberhasilan dari hasil pengujian pengenalan
pola sidik jari menggunakan metode Hidden Markov Model.
2. Bagaimana Hidden Markov Model (HMM) mampu digunakan untuk
pengenalan sidik jari.
3. Bagaimana perancangan pengenalan sidik jari dengan metode Hidden
Markov Model (HMM).
 4

4. Bagaimana implementasi pengenalan sidikjari dengan metode Hidden

Markov Model (HMM).
5. Bagaimana mengevaluasi akurasi dari pengenalan sidik jari dengan
metode Hidden Markov Model (HMM).

1.3. Batasan Masalah

Berdasarkan uraian latar belakang, Batasan masalah yang akan diselesaikan
pada Tugas Akhir ini adalah :
1. Pengenalan pola dilakukan pada sidik jari yang di inputkan melalui
stempel sidik jari.
2. Pengujian dilakukan hanya untuk jari yang normal dak tidak mengalami
cidera.
3. Jari yang digunakan pada pengujian adalah jari jempol kanan, telunjuk
kanan, jempol kiri dan telunjuk kiri.
4. Algoritma penyelesaian masalah Hidden Markov Model yang
digunakan adalah algoritma Rantai Markov Diskrit.
5. Hidden Markov Model di mana sistem yang dimodelkan diasumsikan
sebagai proses Markov dengan status yang tidak dapat diamati
("tersembunyi").
6. Sebagai evaluasi perbandingan terhadap berbagai pendekatan lainnya.

1.4. Tujuan Penelitian

Tujuan umum dari penelitian ini adalah untuk mendapatkan
program/perangkat lunak yang dapat digunakan untuk mengenali individu/orang.
maka rumusan masalah yang didapatkan adalah bagaimana mengenali pola sidik
jari seseorang atau tersangka dengan menggunakan metode Hidden Markov Model

1.5. Manfaat Penelitian

Batasan-batasan Manfaat pada tugas akhir ini adalah :
1. Mengaplikasikan metode Hidden Markov Model dalam mengidentifikasi
sidik jari pelaku kriminalitas
2. Dapat digunakan oleh tim forensik untuk membantu penyidik dalam
mengidentifikasi identitas seseorang dalam kasus pidana, imigrasi, dan
lain-lain.
 5

3. Membuat program/perangkat lunak untuk mengenali idetintas pelaku

kriminal
4. Membantu dalam mendeteksi sidik jari yang dimiliki seseorang.
5. Memberikan informasi mengenai sidik jari manusia.
 BAB II
TINJAUAN PUSTAKA

2.1. Citra
Citra (image) adalah gambar pada bidang dua dimensi 𝑓(𝑥, 𝑦), di mana 𝑥 dan
y adalah koordinat bidang datar, dan akar fungsi f di setiap pasangan koordinat
(𝑥, 𝑦) disebut intensitas atau level keabuan (grey level) dari gambar di titik itu.
(Hermawati, 2013).
Dalam pengertian yang lebih khusus, citra adalah gambaran visual mengenal
suatu objek atau beberapa objek (Kadir, 2013). Dari sudut pandang matematis, citra
merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua
dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian
dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat-alat optik,
misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya,
sehingga bayangan objek yang disebut citra tersebut terekam.
Citra di dalam komputer disusun atas sejumlah piksel. Sebuah piksel dapat
dibayangkan sebagai sebuah titik. Setiap piksel mempunyai koordinat, yang
dinyatakan dengan bentuk (𝑥, 𝑦) dengan 𝑦 menyatakan baris dan 𝑥 menyatakan
kolom. Umumnya, koordinat pojok kiri-atas dinyatakan dengan (0,0). Dengan
demikian, jika suatu citra berukuran M baris dan N kolom atau biasa dinyatakan
sebagai M x N, koordinat piksel terbawah dan terkanan berada di koordinat (M-
1,N-1) (Kadir, 2013).

2.1.1. Citra Digital

Menurut Darma Putra (2010) secara umum, pengolahan citra digital
menunjuk pada pemrosesan gambar dua dimensi menggunakan komputer. Dalam
konteks yang lebih luas, pengolahan citra digital mengacu pada pemrosesan setiap
data dua dimensi. Citra digital merupakan sebuah larik (array) yang berisinilai-nilai
real mau pun kompleks yang dipresentasikan dengan deretan bit tertentu.
Komputer dapat mengolah isyarat-isyarat elektronik digital yang merupakan
sinyal biner (bernilai dua: 0 dan 1). Untuk itu citra digital harus mempunyai format

6
 7

tertentu yang sesuai sehingga dapat mempresentasikan objek pencitraan dalam

bentuk kombinasi data biner (Nugroho, et.al. 2012).
Citra di dalam komputer disusun atas sejumlah piksel. Sebuah piksel dapat
dibayangkan sebagai sebuah titik. Setiap piksel mempunyai koordinat, yang
dinyatakan dengan bentuk (𝑦, 𝑥) dengan 𝑦 menyatakan baris dan 𝑥 menyatakan
kolom Umumnya, koordinat pojok kiri-atas dinyatakan dengan (0,0). Dengan
demikian, jika suatu citra berukuran 𝑀 baris dan 𝑁 kolom atau biasa dinyatakan
sebagai 𝑀 𝑥 𝑁, koordinat piksel terbawah dan terkanan berada di koordinat (𝑀 −
1, 𝑁 − 1) (Kadir, 2013).
Agar citra digital dapat diolah oleh komputer digital, maka suatu citra harus
direpresentasikan secara numeric dengan nilai-nilai yang diskrit atau diistilahkan
sebagai nilai intensitas cahaya. Nilai-nilai intensitas cahaya tersebut
direpresentasikan sebagai nilai-nilai kanal pada citra digital. Untuk citra 8 bit akan
memiliki satu kanal yang mengandung sekumpulan nilai berkisar dari 0 – 255,
untuk citra 16 bit akan memiliki dua kanal, dan citra 24 bit akan memiliki tiga kanal
yang dikenal sebagai kanal R (red), G (green), dan B (blue) (Fadlisyah, 2014).

2.1.2. Format Citra

Citra direpresentasikan oleh matriks data yang memuat berbagai informasi
tentang nilai fungsi citra tersebut. Dengan kata lain, citra yang tampak oleh mata
kita sebenarnya merupakan kumpulan nilai-nilai tertentu yang membentuk suatu
pola berdasarkan keadaan yang telah dikondisikan. Berbagai tingkatan derajat
keabuan yang lazim digunakan adalah 1 bit, 4 bit, 8 bit, 16 bit, 24 bit, 32 bit dengan
representasi nilai-nilai intensitas yang berbeda untuk masing-masing format pixel
yang dikandungnya. Misalkan, untuk derajat keabuan 8 bit, maka citra akan
memiliki rentangan nilai intensitas dari 0 hingga 255 (2). Untuk citra 16 bit, maka
rentangan nilai-nilainya adalah 2 x 8 bit yaitu dari 000-000 hingga 255-255, dan
begitu juga untuk citra 24 bit akan memiliki rentangan nilai intensitasnya 3 x 8 bit
dari 000-000000 hingga 255-255-255. Dengan kata lain, satu pixel yang terdapat
pada citra 8 bit akan direpresentasikan oleh layer yang memiliki nilai 0-255 pada
tabel citra, sedangkan untuk citra 24 bit, satu pixel akan direpresentasikan oleh 3
layer sekaligus, di mana setiap layernya akan memiliki jangkauan nilai 0-255.
Keterangan yang sama juga berlaku pada citra video. (Fadlisyah dan Rizal. 2011)
 8

2.2. Pengenalan Pola

Pengenalan pola merupakan pengelompokkan data numerik dan simbolik
(termasuk citra) secara otomatis oleh komputer agar suatu objek dalam citra dapat
dikenali dan diinterpretasi, yang juga merupakan tahapan selanjutnya atau analisis
dari pengolahan citra (Nur Wakhidah,2012).
Pengenalan pola yaitu mengelompokkan data numerik dan simbolik
(termasuk citra) secara otomatis oleh mesin (computer).Tujuan pengemlompokkan
adalah untuk mengenali suatu objek di dalam citra. Komputer menerima masukan
berupa citra objek yang akan diidentifikasi,memproses citra tersebut dan
memberikan keluaran berupa deskripsi objek di dalam citra. Berikut alur
pengenalan pola (Arif zaenury ichsan,2014).

Gambar 2.1 Alur pengenalan pola

2.3. Citra Grayscale

Dalam komputasi, suatu citra digital grayscale adalah suatu citra dimana nilai
dari setiap Grayscale Model warna dalam citra digital telah banyak dikembangkan
oleh para ahli diantaranya adalah model warna RGB. Pengolahan warna
menggunakan warna RGB mudah dan sederhana dikarenakan informasi warna
dalam komputer sudah direpresentasikan dalam model yang sama. Hal yang perlu
dilakukan adalah melakukan pembacaan nilai-nilai R (red), G (green), dan B (blue)
yang dikandung pada suatu pixel, menampilkan dan menafsirkan warna hasil
perhitungan tadi sehingga mempunyai arti sesuai dengan yang diinginkan (Tou,
1981).
Dari tiga layer yang sama menjadi satu layer matrik grayscale dan hasil nya
adalah citra grayscale, yaitu citra yang range keabuan 0 – 255. Sebuah model warna
yang menampilkan gambar dengan menggunakan 256 warna abu-abu. Setiap warna
didefinisikan sebagai nilai yang memiliki range 0 dan 255, dimana 0 adalah yang
paling gelap (hitam) dan 255 adalah paling ringan (putih). Untuk mengubah citra
berwarna menjadi nilai matrik masing masing R, G dan B menjadi citra grayscale
 9

dengan nilai S, maka konversi dapat dilakukan denganmengambil nilai rata-rata

dari R, G dan B sehingga dapat dituliskan menjadi
𝑎
𝑆 𝑎+𝑏+𝑐……………………………………………………………( 2.1)

2.4. Biometrika
Biometrika (berasal dari bahasa Yunani bios yang artinya hidup dan metron
yang artinya mengukur) secara umum adalah studi tentang karakteristik biologi
yang terukur. Dalam dunia teknologi informasi, biometrika relevan dengan
teknologi yang digunakan untuk menganalisa fisik dan kelakuan manusia dalam
autentifikasi.
Sebuah sistem biometrika pada dasarnya system pengenalan pola yang
mengakui seseorang berdasarkan vector fitur yang berasal dari karakteristik
fisiologis atau perilaku yang dimiliki seseorang. Tergantung pada konteks aplikasi,
sistem biometrika biasanya beroperasi di salah satu dari dua mode: verifikasi atau
identifikasi. Dalam modus verifikasi, system memvalidasi identitas seseorang
dengan membandingkan ciri-ciri biometrika yang sudah disimpan dalam database.
Verifikasi identitas biasanya digunakan untuk pengakuan positif, dimana
tujuannya adalah untuk mencegah banyak orang dari menggunakan identitas sama.
Dalam modus identifikasi, system mengakui seorang individu dengan mencari
database seluruh template untuk perbandingan. Sistem melakukan perbandingan
satu ke banyak data untuk membangun identitas seseorang. Identifikasi biasanya
digunakan untuk pengakuan negatif, dimana tujuannya untuk mencegah satu orang
menggunakan beberapa identitas. Sementara metode pengakuan tradisional
password, pin, tombol, dan token bekerja untuk pengakuan positif, hanya
biometrika dapat digunakan untuk pengakuan negative.(Prabhakar, S. , Pankanti, S.
, and Jain, A 2003).
Tidak semua bagian tubuh atau perilaku seseorang dapat digunakan sebagai
biometrika. Ada beberapa persyaratan yang harus dipenuhi agar bagian-bagian
tubuh atau perilaku manusia dapat digunakan sebagai biometrika, antara lain :
1. Universal (universality), artinya karakteristik yang dipilih harus dimiliki oleh
setiap orang.
2. Membedakan (distinctiveness), artinya karakteristik yang dipilih memiliki
 10

kemampuan membedakan antara satu orang dengan orang lain.

3. Permanen (permanence), artinya karakteristik yang dipilih tidak cepat berubah
dalam periode waktu yang lama.
4. Kolektabilitas (collectability), artinya karakteristik yang dipilih mudah
diperoleh dan dapat diukur secara kuantitatif.
5. Unjuk kerja (performance), artinya karakteristik yang dipilih dapat
memberikan unjuk kerja yang bagus baik dari segi akurasi maupun kecepatan,
termasuk sumber daya yang dibutuhkan untuk memperolehnya.
6. Dapat diterima (acceptability), artinya masyarakat mau menerima karakteristik
yang digunakan.
7. Tidak mudah dikelabui (circumvention), artinya karakteristik yang dipilih tidak
mudah dikelabui dengan berbagai cara curang.
Syarat 1–4 merupakan syarat utama yang harus dipenuhi, sedangkan 5-7
merupakan syarat tambahan. Bila karakteristik yang dipilih memenuhi persyaratan
di atas maka karakteristik tersebut dapat digunakan untuk biometrika.
Aplikasi biometrika terbagi menjadi tiga kelompok utama[1]:
a. Aplikasi komersial, seperti login komputer jaringan, keamanan data
elektronik, e-commerce, akses Internet, ATM, kartu kredit, kontrol akses
fisik, HP, PDA, dan catatan manajemen medis.
b. Aplikasi pemerintah seperti KTP, SIM, jaminan sosial, dan pemeriksaan
paspor.
c. Aplikasi forensik seperti identifikasi mayat, penyelidikan pidana,
identifikasi teroris, penentuan orangtua dan anak-anak hilang.

2.5. Sidik Jari

Sidik jari adalah kulit pada telapak tangan dan kaki yang tertutup garis timbul
kecil yang disebut rabung gesekan (Friction rigges). Sidik jari akan terbentuk
dengan sempurna setelah janin berusia 13 minggu sejak dalam kandungan. Satu
guratan sidik jari biasanya tersusun antara 500-100 garis. Sedangakan satu jari
tersusun dari ratusan hingga ribuan garis. Uniknya, sidik jari tidak semata-mata
tersusun dari kulit luar, tetapi juga didorong oleh tumbuhnya tonjolan daging yang
berada di bawah kulit. Hal ini membuktikan bahwa guratan sidik jari terkait erat
dengan unsur genetika. Oleh karena itu, hampir setiap guratan sidik jari setiap orang
 11

berbeda-beda. Bahkan, bayi kembar dalam satu kandungan pun tidak akan
mempunyai sidik jari yang sama (Richo, 2013).

Sidik jari terdiri dari dua pola yiatu ridge (bukit) dan valley (lembah) dimana
ridge adalah yang berwarna hitam dan lembah yang berwarna putih. Secara umum,
bentuk guratan sidik jari hanya adal tiga yaitu busur (arch, sangkutan (loop), dan
lingkaran (whorl), ketiganya dibedakan oleh core dan delta. Selebihnya dari ketiga
bentuk pokok tersebut, hanya sebatas varian dan kombinasi bentuk dasarnya
(Nivedita, 2013).

(a) (b) (c)

Sumber: Kumar, 2014

Gambar 2.2 Bentuk Dasar Sidik Jari (a) Arch, (b) Loop, (c) Whorl

Secara ilmiah sidik jari diproduksi oleh kulit friksi yaitu telapak tangan dan
tapak kaki yang membentuk suatu pola. Kelenjar keringat pada kulit menghasilkan
keringat dan sebum. Ketika kulit menyentuh suatu permukaan akan meninggalkan
suatu kesan berminyak (sidik jari). SIdik jari tersebut dapat dilihat dengan
menebarkan suatu bedak dan akan membekas selama bertahun-tahun apabila tidak
dibersihkan. Sehingga sidik jari sangat membantu dalam pemecahan sebuah kasus.
(Setyowarman, 2011).

Namun secara praktek, proses identifikasi kepemilikan sidik jari tidak

semudah teorinya. Ada banyak kendala seperti, penemuan bentuk sidik jari yang
tidak utuh (terdistorsi) pada saat penyidikan. Bahan baku yang kurang sempurna ini
sedikit banyak menghambat pemecahan baik dari waktu dan akurasinya. Taufiq
(2014) dalam peneltitiannya menjelaskan sidik jari terdistorsi menjadi lima
kategori, seperti pada Gambar 2.3 dan Gambar 2.4 :
 12

Sumber: Taufiq, 2014

Gambar 2.3 Klasifikasi Sidik Jari :(a) Kering, (b) Kotor,(c) Berminyak,
(d) Rotasi, (e)Terpotong Sebagian

Sumber: Cao, 2013

Gambar 2.4 Contoh Sidik Jari Temuan Kasus Kejahatan
Dilihat dengan mata telanjang saja sidik jari terdistorsi bentuknya sudah tidak
beraturan, dengan adanya aplikasi pengenalan sidik jari terdistorsi diharapkan dapat
memberi sumbangsih terhadap pengembangan keilmuan Computer Science.

2.6. Metode Hidden Markov Model

Menurut Satish L, Gururaj BI (April 2003), Hidden Markov Model (HMM)
adalah statistik Model Markov di mana sistem yang dimodelkan diasumsikan
sebagai proses Markov sebut saja 𝑿 dengan status yang tidak dapat diamati
("tersembunyi"). Sebagai bagian dari definisi, HMM mensyaratkan bahwa ada
proses 𝒀 yang dapat diamati yang hasilnya "dipengaruhi" oleh hasil 𝑿 dengan cara
yang diketahui. Karena 𝑿 tidak dapat diamati secara langsung, tujuannya adalah
untuk mempelajari 𝑿 dengan mengamati 𝒀. HMM memiliki persyaratan
tambahan bahwa hasil 𝒀 pada suatu waktu 𝒕 = 𝒕𝟎 dapat "dipengaruhi" secara
eksklusif oleh hasil 𝑿 pada 𝒕 = 𝒕𝟎 dan bahwa hasil pada 𝑿 dan 𝒀 pada 𝒕 < 𝒕𝟎 tidak
boleh mempengaruhi hasil 𝒀 pada 𝒕 = 𝒕𝟎
 13

1. Definisi
Membiarkan 𝑿𝒏 dan 𝒀𝒏 menjadi proses stokastik dan 𝒏 ≥ 𝟏. Pasangan
tersebut (𝑿𝒏 , 𝒀𝒏 adalah model Markov tersembunyi jika

a. 𝒀𝒏 adalah proses Markov yang perilakunya tidak dapat diamati secara

langsung ("tersembunyi");
b. 𝐏 (𝒀𝒏 ∈ 𝑨 | 𝑿𝟏 = 𝒙𝟏 , … . , 𝑿𝒏 = 𝒙𝒏 ) = 𝐏 (𝒀𝒏 ∈ 𝑨 | 𝑿𝒏 = 𝒙𝒏 ),

untuk setiap 𝒏 ≥ 𝟏, 𝒙𝟏 , … , 𝒙𝒏 dan setiap Borel 𝑨.

Membiarkan 𝑿𝒕 dan 𝒀𝒕 menjadi proses stokastik waktu kontinu Pasangan

tersebut ( 𝑿𝒕 , 𝒀𝒕 ) adalah model Markov tersembunyi jika

a. 𝑿𝒕 adalah proses Markov yang perilakunya tidak dapat diamati secara

langsung ("tersembunyi");
b. 𝐏 (𝒀𝒕𝟎 ∈ 𝑨 |{𝑿𝒕 ∈ 𝑩𝒕 } 𝒕≤𝒕𝟎 = 𝐏(𝒀𝒕𝟎 ∈ 𝑨 |𝑿𝒕𝟎 ∈ 𝑩𝒕𝟎 ),

untuk setiap 𝒕𝟎 himpunan Borel 𝑨, dan setiap keluarga himpunan Borel

{𝑩𝒕 } 𝒕≤𝒕𝟎 .

2. Terminologi Status
proses 𝑿𝒏 (resp. 𝑿𝒕 ) disebut keadaan tersembunyi, dan 𝐏(𝒀𝒏 ∈ 𝑨 | 𝑿𝒏 = 𝒙𝒏 )
(resp. 𝐏(𝒀𝒕 ∈ 𝑨 | 𝑿𝒕 = 𝑩𝒕 ) disebut probabilitas emisi atau keluaran.

2.7. Rantai Markov Diskrit

Misal {𝑄𝑡 , 𝑡 = 0,1,2,3, … } adalah proses stokastik parameter (waktu) diskrit
dengan ruang state {𝑠1, 𝑠2 , 𝑠3, … }
Jika 𝑃( 𝑄𝑡+1 = 𝑠𝑗 |𝑄0 = 𝑠𝑖0 , 𝑄𝑖1 = 𝑠𝑖1 , … , 𝑄𝑡 = 𝑠𝑖 )
= 𝑃( 𝑄𝑡+1 = 𝑠𝑗 |𝑄𝑡 = 𝑠𝑖 )
= 𝑎𝑖𝑗
(1)
Maka proses disebut rantai Markov waktu diskrit dana 𝑎𝑖𝑗 disebut peluang transisi
dari state 𝑠𝑖 ke state 𝑠𝑗 . Apabila 𝑎𝑖𝑗 tidak tergantung pada 𝑛 maka 𝑎𝑖𝑗 disebut
∞
prluang transisi stasioner. Matriks A = [𝑎𝑖𝑗 ], dengan ∑ 𝑎𝑖𝑗 = 1 disebut matriks
𝑗=0
 14

peluang transisi.
Dengan mengetahui distribusi inisial dan peluang transisi, suatu rantai markov
dapat dikenali secara lengkap, seperti terlihat pada persamaan berikut:

𝑃( 𝑄0 = 𝑠𝑖0 , 𝑄1 = 𝑠𝑖1 , … , 𝑄𝑡 = 𝑠𝑖𝑡 )

= 𝑃( 𝑄𝑡 = 𝑠𝑖𝑡 |𝑄0 = 𝑠𝑖0 , … , 𝑄𝑡−1 = 𝑠𝑖𝑡−1 ). 𝑃(𝑄0 = 𝑠𝑖0 , … , 𝑄𝑡−1 = 𝑠𝑖𝑡−1 )

= 𝑃( 𝑄𝑡 = 𝑠𝑖𝑡 |𝑄𝑡−1 = 𝑠𝑖𝑡−1 ). 𝑃(𝑄0 = 𝑠𝑖0 , … , 𝑄𝑡−1 = 𝑠𝑖𝑡−1 )

= 𝑎𝑡−1 , 𝑃( 𝑄0 = 𝑠0 , … , 𝑄𝑖−1 = 𝑠𝑖−1

=⋯

= 𝑎𝑖𝑡−1 𝑖𝑡 , 𝑎𝑖𝑡−2 𝑖𝑡−1 … 𝑎𝑖0 𝑖1 𝑃(𝑄0 = 𝑖0 )

(2)
𝑃(𝑄0 = 𝑖0 )disebut peluang inisial. 𝜋(0) = (𝜋0 (0), 𝜋1 (0), … ) dimna 𝜋𝑗 (0) =
𝑃(𝑄0 = 𝑠𝑗 ) disebut distribusi inisial. Sebagai gambaran, perhatikan contoh berikut:
Contoh 1
Misalkan cuaca dalam satu hari dapat dikelompokan menjadi cerah,hujan,
dan berawan. Perubahan cuaca dalam hari yang beruntun di nyatakan dalam
peluang pada tabel berikut:

Cuaca besok
Cuaca Hari ini
Cerah hujan berawan
cerah 0.8 0.05 0.15

hujan 0.2 0.6 0.2

berawan 0.2 0.3 0.5

Tabel 2.1 Peluang perubahan cuaca pada hari yang berurutan

Jika cuaca pada hari pertama (𝑡 = 1) adalah cerah ,berapa peluang cuaca pada 5
hari berikutnya cerah-hujan-berawan-hujan-hujan.
 15

Jawab: Misalkan state 1(𝑠1): cerah, state 2(𝑠2): hujan, state 3(𝑠3 ): berawan.
Dengan menggunakan persamaan (2) diperoleh :
𝑃( 𝑄0 = 𝑠1, 𝑄1 = 𝑠1 , 𝑄2 = 𝑠2 , 𝑄3 = 𝑠3 , 𝑄4 = 𝑠2 , 𝑄5 = 𝑠2 )

= 𝑃 ( 𝑄0 = 𝑠1 )𝑃(𝑄1 = 𝑠1|𝑄0 = 𝑠1)𝑃 (𝑄2 = 𝑠2 |𝑄1 = 𝑠1)

𝑃(𝑄3 = 𝑠3 |𝑄2 = 𝑠2 )𝑃(𝑄4 = 𝑠2 |𝑄3 = 𝑠3 )𝑃(𝑄5 = 𝑠2 |𝑄4 = 𝑠2 )

= 𝜋1 (0). 𝑎11 . 𝑎12 . 𝑎23 . 𝑎32 𝑎22

= (1)(0.8)(0.05)(0,2)(0,3)(0,6) = 0,00144

Algoritma Viterbi didasari oleh rantai Markov yang secara umum

ditunjukkan pada Gambar 2.5.

Gambar 2.5 Algoritma Viterbi

Suatu barisan acak dikatakan sebuah rantai Markov jika memenuhi persamaan.

2.8. Flowchart
Flowchart adalah representasi grafik dari sebuah proses. Flowchart
menggambarkan langkah-langkah dari proses untuk mendeteksi wajah dan ekspresi
wajah. Diagram alir atau flowchart merupakan bagan yang memperlihatkan urutan
dan hubungan antar proses beserta intruksinya. Fungsinya adalah memberikan
gambaran garis secara garis besar untuk program atau aplikasi yang dibuat. (Vina
Sagita, 2013).
 16

Flowchart adalah penyajian yang sistematis tentang proses dan logika dari
kegiatan penanganan informasi atau penggambaran secara grafik dari langkah-
langkah dan urut-urutan prosedur dari suatu program. Flowchart menolong analis
dan programmer unruk memecahkan masalah kedalam segmen-segmen yang lebih
kecil dan menolong dalam menganalisis alternatif-alternatif lain dalam
pengoprasian. System flowchart adalah urutan proses dalam sistem dengan
menunjukan alat media input, output serta jenis media penyimpanan dalam proses
pengolahan data. Program flowchart adalah suatu bagan dengan simbol-simbol
tertentu yang menggambarkan urutan proses secara detail dan hubungan antara
suatu proses (instruksi) dengan proses lainnya dalam suatu program. Keuntungan
dari flowchart adalah:
1. Membantu untuk mengidentifikasi adanya bottleneck pada sebuah proses
secara cepat.
2. Membantu meningkatkan efisiensi sebuah proses, karena dengan adanya
flowchart maka dapat terlihat proses-proses yang kurang efisien.

2.8.1. System Flowchart

System Flowchart yaitu bagan yang memperlihatkan urutan prosedure dan
proses dari beberapa file di dalam media tertentu. Melalui flowchart ini terlihat jenis
media penyimpanan yang dipakai dalam pengolahan data. Selain itu juga
menggambarkan file yang dipakai sebagai input dan output. Tidak digunakan untuk
menggambarkan urutan langkah untuk memecahkan masalah. Hanya untuk
menggambarkan prosedur dalam sistem yang dibentuk.

2.8.2. Program Flowchart

Program Flowchart adalah bagan yang memperlihatkan urutan hubungan dan
proses dalam suatu program. Ada dua jenis metode penggambaran program
flowchart yaitu :
1. Conceptual flowchart, menggambarkan alur pemecahan masalah secara
global.
2. Detail flowchart, menggambarkan alur pemecahan masalah secara rinci.

2.8.3. Simbol-Simbol Flowchart

Flowchart menggunakan beberapa simbol yang merepresentasikan tipe dari
 17

operasi atau proses yang akan dilakukan. Simbol-simbol ini merupakan sebuah
bahasa yang digunakan untuk memvisualisasikan masalah sehingga lebih mudah
untuk dibaca dan dimengerti.
Tabel 2.2 Simbol-simbol dalam flowchart

Simbol Nama Simbol Keterangan

Menunjukkan awal atau akhir

Terminasi
dari sebuah sistem

Menunjukkan proses yang

Predifined
masih berisi proses lain
process
didalamnya.

Menunjukkan kegiatanproses
Proses
dalam sistem

Menunjukkan adanya
Kondisi keputusan atau kondisi
tertentu

Digunakan sebagai perwakilan

Input / Output data masuk, ataudata keluar

Menunjukkan arah
Garis alir
berjalannya proses
 BAB III
METODE PENELITIAN

3.1 Tempat dan Waktu Penelitian

Penelitian ini dilakukan di ditreskrimum Polda Aceh, sebagai salah satu
instansi kepolisian Indonesia yang mendukung untuk menerapkan system sidik jari
terhadap pelaku kriminal untuk medeteksi tindak kejahatan apa yang dilakukan dan
menguatkan hasil identifikasi tingkat kriminalitas melalui citra sidik jari
menggunakan metode Hidden markov model pada aplikasi sistem sidik jari kasus
kriminal yang dibuat oleh peneliti., dengan waktu penelitian dimulai dari bulan
Maret 2022.
3.2 Langkah penelitian
Adapun langkah-langkah dalam melakukan penelitian ini adalah sebagai
berikut;
3.2.1. Studi Literatur
Pada tahap pengumpulan data pada studi literatur diambil dari beberapa
sumber dari jurnal, buku, paper yang memiliki hubungan dengan penelitian
dilakukan, kemudian akan dilakukan proses evaluasi, kajian dan analisa yang dapat
dijadikan sebagai rujukan dalam melaksanakan penelitian ini.
Teori - teori pendukung untk menunjang penulisan skripsi tersebut meliputi :
b. Citra Digital
c. Pengenalan Sidik Jari (Fingerprint Recognition)
d. Thresholding
e. Metode Hidden Markov Model
f. Skeletonisasi
g. Algoritma Zhang-suen
3.2.2. Observasi
Pada tahap observasi ini berisi kegiatan pengamatan dan pengambilan data,
dimana data yang digunakan berupa data kasus dari beberapa tersangka yang
melakukan tindakan kriminal umum seperti tindak kekerasan rumah tangga,
perampokan, dan pembegalan

18
 19

3.3 Analisa Kebutuhan Sistem

Analisa kebutuhan sistem yaitu memahami dengan sesungguhnya kebutuhan
dari sistem yang akan dibangun dan mengembangkan dari sebuah sistem yang
memadai. Setelah analisa didapatkan maka langkah selanjutnya adalah membuat
sebuah hasil analisa, hasil analisa tersebut akan menjadi acuan dari perancangan
system yang akan dibangun.

3.3.1. Perangkat Keras (Hardware)

Spesifikasi Laptop/PC yang dapat digunakan yaitu;
1. RAM 4 GB
2. HDD 500 GB
3. SSD 240 GB
4. CPU Intel(R) Core(TM) i3 5005U CPU 2,00 GHz
5. Fingerprint

3.3.2. Perangkat Lunak (Sofware)

Perangkat lunak yang di gunakan yaitu;
1. Sistem Operasi Windows.
2. Delphi 7.0
3. Stempel Sidik Jari

3.4 Skema Sistem

Dalam pengenalan pola, kita bisa membagi keseluruhan proses menjadi tiga
tahap (Gambar 1), yaitu:
1. perolehan data (data acquisition), yaitu tahap saat data analog akan
dilewatkan pada penerjemah yang akan membuatnya menjadi format digital
untuk diproses oleh komputer;
2. pengolahan data (data preprocessing), yaitu tahap saat data digital yang
diperoleh dari tahap sebelumnya diekstraksi karakteristiknya dan kemudian
karakteristik tersebut menjadi data output;
3. dan pengklasifikasian keputusan (decision classification), yaitu tahap saat
karakteristik yang diperoleh pada tahap sebelumnya, digunakan untuk
mengklasifikasikan obyek.
 20

Gambar 3.1 Representasi konseptual dari sistem pengenalan pola.

Adapun tahapan yang dilakukan setelah sistem pengujian Identifikasi Sidik

Jari pertama-tama sistem akan mentransformasikan sinyal analog pada domain
waktu menjadi sinyal digital pada domain frekuensi. Sinyal-sinyal analog direkam
dan ditransformasikan menggunakan Hidden Makov Model. Selanjutnya sistem
akan melakukan komputasi magnitudo/spektrum, dan hasil dari komputasi
spektrum ini dijadikan acuan kedekatan dengan berbagai sinyal-sinyal pengujian.

3.5 Sistem yang Dibangun

Setelah proses ekstraksi fitur akan didapatkan sequence untuk pembentukan
parameter HMM pada tiap individu. Sistem yang akan dibangun terdiri dari dua
proses utama, yaitu proses pembangunan database ciri dan proses identifikasi.
Berikut penggambaran sistemnya.
Gambar akan memasuki proses post-processing dimana ciri yang salah akan
dihapuskan untuk meningkatkan akurasi sistem. Untuk pembangunan databse maka
gambar selanjutnya akan disimpan di database. Sedangkan untuk proses identifikasi
maka gambar akan memasuki proses matching yang akan dicocokan dengan
gambar sidik jari dari database menggunakan metode correlation-based dan
euclidean distance.
 21

Gambar 3.2 Flowchart Sistem

 DAFTAR PUSTAKA

Bicego, M., U. Castellani, and V. Murino, (2003) "Using Hidden Markov Models
and wavelets for face recognition." In Image Analysis and Processing,
2003. Proceedings. 12th International Conference on, pp. 52 - 56. IEEE.
Elmezain, Mahmud dkk (2009). “A Hidden Markov Model-Based Isolated and
Meaningful Hand Gesture Recognition”, International Journal of Electrical,
Computer, and Systems Engineering 3:3 2009
Fatta, Hanif Al (2007) “Konversi Format Citra RGB ke Format Grayscale
Menggunakan Visual Basic’, Yogyakarta
Fadlisyah. 2014. Sistem Pendeteksian Wajah Pada Video Menggunakan Jaringan
Adaptive Linear Neuron (ADALINE). Tesis. Universitas Sumatra Utara.
Fadlisyah & Rizal. 2011. Pemograman Computer Vision Menggunakan Delphi +
Vision Lab VCL 4.0.1. Yogyakarta: Graha Ilmu.
Prasetyo, M. Eko Budi (2010). “Teori Dasar Hidden Markov Model”. Sekolah
Teknik Elektro dan Informatika Institut Teknologi Bandung, Bandung.
Fadlisyah dan Rizal. (2011). Pemrograman Computer Vision pada Video, Penerbit
Graha Ilmu. Yogyakarta.
Imam Romanu (2017). Citra Sidik Jari Terdistorsi; Filtering; Overlapping Window;
Wavelet; Distorted Fingerprint Image; Filtering; Wavelet, Malang
Jin Fei Lim, Renee Ka Yin Chin (2013). "Enhancing Fingerprint Recognition Using
MinutiaeBased and Image-Based,"
Pandiangan, Harmuda, (2016). “Prediksi Sekuens DNA Berdasarkan Data Ekspresi
Gen Menggunakan Model Hidden Markov”. Tesis, Jurusan Matematika –
MIPA, Institut Teknologi Sepuluh Nopember, Surabaya.
Prabhakar, S. , Pankanti, S. , and Jain, A ( 2003). “Biometric Recognition: Security
and Privacy Concerns”, Proc IEEE Computer Society, IEE Press, p.33.
Sutoyo. T. et al. (2009). “Teori Pengolahan Citra Digital”, Penerbit ANDI,
Yogyakarta.

Satish L, Gururaj BI (April 2003). "Penggunaan model Markov tersembunyi untuk

pola pelepasan sebagian klasifikasi”.

22