IDENTIFIKASI SIDI JARI MENGGUNAKAN METODE HYBRID OTSU MORPHOLOGICAL

IDENTIFIKASI SIDI JARI MENGGUNAKAN METODE HYBRID (OTSU, MORPHOLOGICAL, SOBEL/CANNY/ROBERT/LOG) UNTUK MENGAMANKAN (RUMAH, RUANG SERVER, RUANG BRANGKAS, RUANG ATM, RUANG-2 RAHASIA LAINNYA). UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

KERANGKA PENELITIAN / PIKIR 1 Membaca Citra digital diperoleh dari foto mikroskopis kamera digital khusus fingerprint sehingga citra yang didapat sudah dalam bentuk file tanpa perlu dilakukan pemayaran (scanning) dengan format JPG Citra yang dipilih adalah citra 16 -bit sehingga dikenali sebagai citra RGB. Untuk menyederhanakan proses perlu diubah intensitas warnanya menjadi keabuan, dimana citra hanya memiliki tingkat atau Citra Konversi intensitas keabuan. ke Grayscale Suatu objek dapat dengan mudah dideteksi pada suatu citra jika objek cukup kontras dari latar belakangnya. Perubahan kekontrasannya dapat dideteksi dengan deteksi tepi dengan menggunakan operator Sobel, yang menciptakan suatu citra biner. Untuk menentukan citra Deteksi Tepi biner dengan menggunakan fungsi tepi. 2 3 Proses segmentasi dilakukan agar mendapatkan citra yang lebih baik, sehingga terlihat jelas objek- objek yang telah tersegmentasi, yaitu warna yang lebih kontras akan terlihat putih setelah dilakukan segmentasi. Pada citra asli, dapat terlihat Segmentasi celah pada garis yang mengelilingi objek pada gradien yang tersembunyi. Citra Proses pengolahan citra digital berakhir dengan tampilan identifikasi citra hasil pengolahan. Karena program yang dibuat untuk Identifikasi mengidentifikasi sidik jari maka analisis yang diambil adalah mengidentifikasi dari database dibandingkan dengan hasil scanning Citra langsung. . 4 5 UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

1. Pembacaan Citra yang Akan Diolah Citra digital diperoleh dari foto mikroskopis kamera digital sidik jari yang sehat dan disimpan ke dalam database (sel sidik jari), sehingga citra yang didapat sudah dalam bentuk file tanpa perlu dilakukan pemayaran (scanning), dengan penyimpanan format jpg. Dalam program (Source-01) , pemilihan citra dilakukan dengan perintah: % (Source-01) a = imread (‘nama file citra. format_citra’); imshow(a); UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

2. Pengubahan Aras Warna Menjadi Aras Keabuan Citra yang dipilih adalah citra 16 -bit sehingga dikenali sebagai citra RGB. Untuk menyederhanakan proses perlu diubah aras warnanya menjadi aras keabuan, dimana citra hanya memiliki tingkat atau kadar keabuan. Program yang dibuat mengenali sel kanker prostat dalam aras keabuan. Dengan demikian citra dengan aras warna perlu diubah ke dalam aras keabuan. Hal ini dilakukan dengan perintah Matlab sebagai berikut. % (Source-02) b = rgb 2 gray (a); imshow (b); title (‘Aras Keabuan Citra’); Perintah Source-02 akan dengan segera mengubah aras warna citra menjadi aras keabuan yang selanjutnya digunakan sebagai pendeteksi sel kanker prostat. UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

3. Proses Deteksi Tepi Suatu objek dapat dengan mudah dideteksi pada suatu citra jika objek cukup kontras dari latar belakangnya. Perubahan kekontrasannya dapat dideteksi dengan deteksi tepi dengan menggunakan operator Sobel, canny, Robert, Otsu, Lo. G dan lainnya yang menciptakan suatu citra biner. Untuk menentukan citra biner dengan menggunakan fungsi tepi. Hal ini dilakukan dengan perintah deteksi tepi sebagai berikut. % (Source-03) c = im 2 bw (b, ’graythresh’); c = edge (c, ‘sobel’); imshow (c); title (Citra dengan Deteksi Tepi); UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

4. Segmentasi Citra Proses segmentasi dilakukan agar mendapatkan citra yang lebih baik, sehingga terlihat jelas objek yang telah tersegmentasi, yaitu warna yang lebih kontras akan terlihat putih setelah dilakukan segmentasi. Pada citra asli, dapat terlihat celah pada garis yang mengelilingi objek pada gradien yang tersembunyi. Hal ini dilakukan dengan perintah: % (Source-04) d = imfill (c, ‘holes’); d = imclearborder (d, 8); se. D = strel (‘diamond’, 1); d = imerode (d, se. D); imshow(d); title(‘Segmentasi Citra’); Setelah berhasil maka citra hasil segmentasi ditampilkan dengan perintah imshow. UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

5. Identifikasi Citra Proses pengolahan citra digital berakhir dengan tampilan identifikasi citra hasil pengolahan. Karena program yang dibuat untuk mengidentifikasi sel sidik jari, maka analisis yang diambil adalah mengidentifikasi sel sidik jari yang ada dalam dayabase dan sel sidik jari hasil scanning. Untuk mendapatkan selisih jumlah piksel antara citra acuan dan citra yang akan diolah, maka perlu ditampilkan citra template atau citra acuan (dalam database). Dalam hal ini yang digunakan sebagai citra acuan adalah citra sel sidik jari yang ada dalam database. Hal ini dilakukan dengan perintah sebagai berikut. % (Source-05) tmp = imread (‘nama file citra. jpg’); tmp = rgb 2 gray(tmp); tmp = im 2 bw(tmp, ’graythresh’); tmp = edge(tmp, ’sobel’); tmp = imfill (tmp, ‘holes’); tmp = imclearborder (tmp, 8); se. D = strel (‘diamond’, 1); tmp = imerode (tmp, se. D); imshow(tmp); UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

Hasil dari citra acuan akan ditampilkan dengan perintah : imshow Dengan diketahuinya jumlah piksel maka dapat diperoleh dan ditampilkan kesimpulan mengenai jumlah piksel yang sehat dan jumlah piksel yang sakit dengan perbedaan banyaknya jumlah piksel. Proses untuk menghitung jumlah piksel putih untuk citra acuan dan citra yang akan diolah dilakukan dengan perintah: UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

Source-06. Perintah Source-06 akan dengan segera menghitung jumlah piksel putih, sehingga akan didapatkan jumlah piksel putih. Apabila jumlah piksel putih citra yang akan diolah lebih banyak dari jumlah piksel putih citra acuan, maka sel dikatakan tidak cocok, Jika jumlah piksel putih. Apabila jumlah piksel putih citra yang akan diolah sama dengan jumlah piksel putih citra acuan, maka sidik jari cocok (teridentifikasi). % Hitung Jumlah Piksel Citra Acuan [m, n, o]= size(tmp); count = 0; for i = 1 : m; for j = 1 : n; if tmp(i, j) == 1; count = count + 1; else, end end pix_ref = count; % Hitung Jumlah Piksel Citra Yang Akan Diolah [m, n, o]= size(d); count = 0; for i = 1 : m; for j = 1 : n; if d(i, j) == 1; count = count + 1; else, end end pix_proc = count; UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

No. Sidik Jumlah Pixel sidik jari Jumlah Pixel sidik Jari di database jari hasil Scanning 1 1225 1346 2 1783 1952 3 778 4 797 927 5 914 1026 6 2427 2599 7 955 1071 8 1470 1617 9 1562 1697 10 1476 Jumlah 13387 14489 Rata-rata 1338. 7 1448. 9 Prosentase kemiripan 91. 01% 91. 34% 100. 00% 85. 98% 89. 08% 93. 38% 89. 17% 90. 91% 92. 04% 100. 00% 92. 39% 92. 30% 1. Program (source 01 s. d 06) yang telah dibuat dapat mengidentifikasi sidik jari dalam database dibandingkan dengan hasil scanning dengan metode segmentasi dan menghitung jumlah piksel citra antara citra database dan citra hasil scanning. 2. Jumlah piksel minimum untuk citra sidik jari dalam database adalah 778 piksel, sedangkan jumlah piksel maksimumnya adalah 2427 piksel. Untuk citra sidik jari hasil scanning jumlah piksel minimumnya adalah 920 piksel dan jumlah piksel maksimumnya adalah 2599 piksel. 3. Prosentase hasil identifikasi sidik jari tingkat kemiripannya rata-rata : 92. 30%, hasil penelitian ini menunjukkan tingkat akurasi sangat tinggi. UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG

UNIVERSITAS PUTRA INDONESIA “YPTK” - PADANG