Sistem identifikasi sidik jari dengan menggunakan metode Wavelet untuk ekstraksi ciri dan jaringan syaraf tiruan untuk proses pencocokan

ABSTRAK

Penelitian ini mengimplementasikan dua metode untuk melakukan pemrosesan sidik jari. Metode yang pertama adalah transformasi wavelet yang digunakan untuk ekstraksi fitur sidik jari. Metode yang kedua adalah algoritma jaringan syaraf tiruan backpropagation yang digunakan untuk proses identifikasi sidik jari. Sampel ata sidik jari yang diunduh dari http://www.bias.csr.unibo.it/fvc2004.databases.asp. Secara gratis.

Transformasi wavelet berfungsi untuk mengekstrak ciri-ciri sidik jari dengan cara melakukan dekomposisi sebanyak 4 level. Dari hasil dekomposisi diambil koefisien yang memiliki magnitude terbesar (citra berfrekuensi rendah) sebesar 8x8 pixel. Ciri tersebut disimpan ke dalam database My SQL untuk dijadikan inputan pada jaringan syaraf tiruan backpropagation, yakni sebanyak 64 neuron input.

Inputan system adalah citra sidik jari sekaligus identitas pemilik sidik jari (id, nama dan alamat.). Pada awal pemrosesan sidik jari dirubah ke citra grayscale, untuk selanjutnya dirubah ke ruang warna YIQ dan hanya diambil luminance Y yang merupakan factor keabuan citra. Untuk mengetahui kombinasi parameter algoritma jaringan syaraf tiruan yang terbaik dilakukan dengan cara melakukan uji coba kombinasi parameter secara berulang-ulang. Sehingga dihasilkan sebuah kombinasi parameter terbaik dengan learning rate = 0.1 neuron hidden layer sebanyak 150 neuron dengan 15 data sidik jari.

Parameter tersebut menghasilkan unjuk pengenalan jaringan syaraf tiruan backpropagation yang cukup baik, yakni 86.6%. Dari hasil kombinasi parameter terbaik, digunakan untuk melakukan uji coba pengaruh jumlah sidik jari, dari hasil penelitian yang dilakukan unjuk kerja jaringan syaraf tiruan menurun untuk jumlah sidik jari yang banyak.

ABSTRACT

This study implements two methods to perform fingerprint processing. The first method is the wavelet transformation used for the fingerprint feature extraction. The second method is the backpropagation artificial neural network algorithm used for the process of fingerprint identification. Fingerprint data sample is obtained from the website at http://www.bias.csr.unibo.it/fvc2004.databases.asp which can be downloaded for free.

Wavelet transformation function to extract fingerprint characteristics by doing the decomposition for 4 levels. From the result of the decomposition, the coefficient having the greatest magnitude (low-frequency images) for 8x8 pixels is taken. This Characteristic is stored into the database My SQL to be inputs for backpropagation artificial neural network. They are 64 input neurons.

Input system is the fingerprints image and as the fingerprint identification of the owner (id, name, and address.). At the beginning of processing, the fingerprint is converted to be grayscale image. Then, it is changed to be YIQ color space, and only luminance Y as the gray factor of image is taken. To find the best combination of algorithm parameter of the artificial neural network, it is done by testing combination of parameters repeatedly.

The best parameter combination with learning rate = 0.1, hidden layer neurons= 125 neurons with 15 fingerprint data is good .This parameter produces the good introduction of backpropagation artificial neural network for 86.6%. From the best result of parameter combination, it is used to test the influence of the number of fingerprints toward the recognition. The result of the experiment shows that artificial neural network performance decreases along with the increasing number of fingerprint data being tested.