Local Derivative Pattern and Hamming Distance for Personal

Authentication System Using Palm Vein Features

Proposal Skripsi

KK: Intelegence Computation and Multimedia (ICM)

Elza Oktaviana

113080241

Program Studi Sarjana Teknik Informatika

Fakultas Informatika

Institut Teknologi Telkom

Bandung

2012

LEMBAR PERSETUJUAN

Local Derivative Pattern and Hamming Distance for Personal

Authentication System Using Palm Vein Features

Elza Oktaviana

113080241

Bandung, 30 November 2012

Menyetujui,

Calon Pembimbing 1 Calon Pembimbing 2

Bedy Purnama

NIK. 10790598–1 NIK.

Elza Oktaviana – 113080241

BAB I

PENDAHULUAN

A. Latar belakang

Dewasa ini, pengenalan seseorang (personal recognition) sudah menjadi

salah satu kebutuhan utama dalam dunia teknologi system informasi. Secara umum

system yang telah dilengkapi dengan pengenalan seseorang ini sering kita temukan,

misalnya saja dalam bidang security, identifikasi seseorang, dan lain – lain. Dalam

bidang security system pun ada beberapa cara pengamanan yang digunakan, dimulai

dari penggunaan pasangan username dan password sampai dengan pengamanan

dengan menggunakan physiological biometrics (pengenalan dengan fisik / biologis

tubuh manusia). Dan sekarang ini teknologi sudah mulai beralih ke pengamanan

yang menggunakan pengukuran dan analisis statistic dari data biometric tersebut.

Hal ini dikarenakan ciri biologis pada tubuh memiliki informasi yang unik yang dapat

dikaitkan dengan identifikasi masing – masing individu. Teknologi dengan

menggunakan penggenalan wajah, iris mata, sidik jari, telapak tangan (palm print)

yang mengenali garis tangan sampai dengan suara telah dikembangkan untuk

mendukung analisis biomerik tersebut.

Pengenalan seseorang dengan menggunakan garis telapak tangan bukanlah

hal baru bagi kita. Karna sebelum dikenalnya teknologi pengenalan dari telapak

tangan, dilingkungan masyarakat sudah mempercayai peramalan yang dilakukan

dengan menggunakan pembacaan garis tangan atau Palmistry (ilmu yang membaca

garis tangan). Kepercayaan seseorang terhadap ramalan memang belum bisa

diterima dengan logika sepenuhnya bagi mereka yang berpandangan melalui etika

social dan agama. Namun, tidak sedikit juga yang mempercayakan kehidupannya

pada ramanalan ini. Sehingga ada dari mereka yang memaksakan diri (dengan kata

lain mengubah nasib dengan mengubah garis tangan) untuk mendapatkan masa

depan yang lebih baik. Mitos seperti inilah yang menjadi penyebab ide pengenalan

seseorang menggunakan garis tangan berubah menjadi pengenalan seseorang

dengan urat nadi telapak tangan (Palm Vein).

Elza Oktaviana – 113080241

Vein, urat nadi yang bertugas membawa darah dari seluruh tubuh kembali ke

jantung ini, memilki keunikan tersendiri. Masing – masing manusia memiliki bentuk

atau susunan jaringan yang berbeda – beda satu sama lainnya. Dengan bantuan

infrared scanner, sangat mungkin bagi kita untuk membangun sebuat teknologi yang

dapat mengenali seseorang dengan membaca urat nadi yang ada ditelapak tangan

orang tersebut.

B. Perumusan masalah

1. Hipotesa

Dengan menggunakan gabungan metode Local Derivative Patern dan Hamming

Distance yang menangani feature extraction dan mapping, system dapat mengenali pola

urat nadi (Palm Vein) untuk mengindentifikasi pemilik dari citra dengan memberikan

performansi akurasi mencapai 90%.

2. Batasan Masalah

Penulis membatasi penelitian ini dalam beberapa hal:

a. Objek yang digunakan dalam penelitian ini adalah citra urat nadi telapak

tangan pada tangan kiri.

b. Metode penggolahan citra yang digunakan dalam penelitian ini adalah Local

Derivative Patern untuk feature extraction dan Hamming Distance yang

berperan sebagai feature matching.

c. Data citra didapat secara offline dari salah seorang pembimbing yang

memiliki dataset dimana masing – masing citra tersebut didapat dengan

bantuan scanner infrared adalah citra diam.

d. Citra garis telapak tangan yang akan diproses adalah citra yang tidak memiliki

gangguan (noise).

e. Citra yang dideteksi menggunakan format bitmap (BMP).

f. System ini menggunakan bahasa pemrograman Matlab R2009a.

Elza Oktaviana – 113080241

C. Tujuan

Tujuan akhir dari penelitian ini adalah sebuah perangkat lunak yang dapat

mengidentifikasi seseorang melalui pembacaan urat nadi telapak tangan dengan

menggunakan metode Local Derivative Patern untuk ekstraksi fitur dan metode

Hamming Distance untuk mapping image yang berperan penting dalam identifikasi

seseorang.

D. Metodelogi penelitian

a. Studi literatur

Mengumpulkan informasi dari buku, artikel, jurnal atau situs internet yang

berhubungan dengan biometric terutama tentang palm vein yang akan dibahas

dalam penelitian ini.

b. Pengumpulan Data

Dataset untuk penelitian ini akan diambil dari bank database online pada situs

http://bosphorus.ee.boun.edu.tr/hand/Home.aspx dan situs lain yang mungkin

memiliki dataset yang dapat menambah dataset penelitian menjadi lebih variatif.

c. Analisis dan perancangan sistem

Menganalisa penelitian ini dengan cermat dan menemukan rancangan terbaik

untuk system yang mengaplikasikan penelitian ini. Dalam tahap ini juga dianalisa

seberapa banyak data yang akan digunakan untuk data testing dan data untuk

validasi.

d. Implementasi dan pembangunan sistem

Menerapkan atau mengaplikasikan hasil rancangan sesuai dengan hasil analisis

sebelumnya.

e. Pengujian dan analisis

Pengujian hanya dapat dilakukan jika system telah selesai dibangun dengan

menggunakan data uji yang telah disediakan.

f. Dokumentasi

Mengambil kesimpulan dari hasil pengujian yang telah dilakukan pada tahap

akhir penelitian dan mendokumentasikannya dalam bentuk laporan Tugas Akhir.

Elza Oktaviana – 113080241

E. Jadwal penelitian

Rencana kegiatan 1 2 3 4 5 6

Mencari informasi dan membuat draft proposal

Mencari referensi dan mengumpulkan dataset

Membuat Rancangan Sistem

Realisasi

Pengujian dan analisis hasil

Pengambilan kesimpulan

F. Daftar Pustaka

[1] Michael, Gong A.K., Connie, Tee, dan Teoh, Andrew B.J. 2010. A Contactless

Biometric System Using Palm Print dan Palm Vein Features.

[2] Lukas, S., Meiliayana, Sugianto, G. 2007. Pengenalan Citra Sidik Jari Menggunakan

Metode Principal Component Analysis dan Hamming Distance. Tersedia di

http://journal.uii.ac.id/index.php/Snati/article/viewFile/1694/1476 diunduh pada

tanggal 28 November 2012.

[3] Dewangan, A.K. dan Siddhiqui, M.A. 2012. Human Identification and Verification

Using

Iris Recognition by Calculating Hamming. Tersedia di

http://www.ijsce.org/attachments/File/v2i2/B0646042212.pdf diunduh pada tanggal 29

November 2012.

[4] Zhang, Yi-Bo, Li, Q., You, J. dan Bhattacharya, P. 2007. Palm Vein Extraction and

Matching for Personal Authentication. Tersedia di

http://bcc.hitsz.edu.cn/homepage/resource/DigitalImageProcessing/DIP2/Palm%20Vein

%20Extraction%20and%20Matching%20for%20Personal%20Authentication%20.pdf

diunduh pada tanggal 28 November 2012.

[5] Mirmohamadsadeghi, Leila and Drygajlo, Andrzej. 2012. Palm Vein Recognition with

Local Binary Patterns and Local Derivative Patterns. Tersedia di

http://scgwww.epfl.ch/courses/notes/Palm-Veins-LBPs-LDPs.pdf diunduh pada tanggal

28 November 2012

[6] Reddy, P. V. N. dan Prasad, K. S. 2011. Local Derivative Patterns and their

Magnitudes for Content Based Image Retrieval. Tersedia di

Elza Oktaviana – 113080241

http://interscience.in/IJCSI_Vol1_Iss2/paper12.pdf diunduh pada tanggal 28 November

2012.

[7] Zhang, B., Gao, Y, Zhao, S. dan Liu, J. 2010. Local Derivative Pattern Versus Local

Binar Pattern: Face Recognition With High-Order. IEEE Transaction On Image Processing,

VOL. 19, NO. 2

[8] Jegathambal, P.M.G., Divya, A.C., Silviya, S.J dan Sheela, Gowr M.E. 2012. Local

Derivative Pattern for Face Recognition. International Journal of Communications and

Engineering, Volume 04– No.4, Issue: 02.

[9] http://www.mdpi.com/journal/sensors . Diakses pada tanggal 28 November 2012.

[10] http://www.maths.manchester.ac.uk/~pas/code/notes/part2.pdf. Diakses pada

tanggal 28 November 2012

BAB II

Elza Oktaviana – 113080241

LANDASAN TEORI

2.1 Pengerian Biometrik

Biometrik berasal dari bahasa Yunani yaitu, bios = “hidup” dan metron = “ukuran”.

Sedangkan biometrik adalah suatu metoda untuk mengenali manusia atau individu

berdasarkan pada satu atau lebih cirri – cirri fisik atau tingkah laku yang unik. Contohnya

sidik jari, telapak tangan, wajah, iris mata, bentuk telinga dan bentuk retina mata, serta urat

nadi atau vena. Dimana keunggulan yang dimiliki oleh sifat fisik manusia ini adalah tidak

dapat hilang atau lupa, sulit diduplikasi, dishare ataupun dipindah tangankan, dan

keasliannya lebih terjamin karena harus menghadirkan person sebagai alat validasi.

Biometric menggunakan Vena memiliki keunggulan tersendiri. Dimana seperti yang

kita ketahui bahwa jaringan vena pada tangan manusia memiliki keunikan tersendiri. Masing

– masing manusia memiliki jaringan yang berbeda – beda satu sama lainnya. Hal inilah yang

akan dikembangkan dalam penelitian ini yang menjadi suatu kunci biometric. Jika kita lihat

dari factor ke-umuman, keunikan, ketahanan terhadap penuaan, pengumpulan data,

performa, dan penerimaan biometric dengan menggunakan vena masih dalam tingkat

sedang dari ada menggunakan fisik yang lainya. Namun, dari factor keamanan vena dengan

biometric memiliki tingkat keamanan yang tinggi sejalan dengan sidik jari, iris, dan retina.

2.2 Histogram Equilization

Histogram equalization merupakan suatu metode penyesuaian kontras

menggunakan histogram dari citra. Nilai histogram equalization didapatkan dengan cara

memperlebar puncak dan memperkecil titik minimum dari histogram citra supaya

penyebaran nilai piksel untuk derajat keabuan pada tiap citra merata (uniform), sehingga

memperbaiki kekontrasan citra secara keseluruhan. Proses ini bekerja dengan cara

meyebarkan nilai - nilai intensitas piksel yang sering terjadi secara merata pada citra.

Berikut merupakan rumus yang digunakan untuk citra dengan skala keabuan k-bit:

K=round(C i (2k−1 )w .h )

Keterangan :

Elza Oktaviana – 113080241

C i : Distribusi kumulativ nilai scalar keabuan ke-I dari citra asli

round : Fungsi pembulatan bilangan terdekat, misalnya 35,4 menjadi 35

K : Nilai keabuan hasil histogram equalization

w : Lebar citra

h : Tinggi citra

2.3 Local Binary Pattren

local Binary Pattern (LBP) adalah descriptor tekstur, yaitu suatu operator non

parametric yang menggambarkan tata ruang local citra. LBP didefinisikan sebagai

perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Missal

pada sebuah citra berukuran 3 x 3, nilai biner pada pusat citra dibandingkan dengan nilai

disekelilingnya akan bernilai 1 jika nilai piksel pusat lebih kecil, dan bernilai 0 jika nilai pixel

pusat lebih besar. Setelah itu menyusun 8 nilai biner searah jarum jam atau sebaliknya dan

merubah 8 bit biner kedalam nilai decimal untuk menggantikan nilai pixel pada pusat.

.

Nilai desimal dari 8 bit dari ( LBP code ) dapat dinyatakan dalam persamaan berikut:

dan fungsi s(x) didefinisikan sebagai berikut:

Perhatikan bahwa setiap bit kode LBP memiliki tingkat signifikansi yang sama,

maksudnya dua nilai bit yang berurutan mungkin memiliki arti yang sama sekali berbeda.

Sebenarnya, kode LBP dapat diartikan sebagai struktur kernel indeks. Menurut definisi,

operator LBP tidak dipengaruhi oleh transformasi gray-scale monoton yang

mempertahankan urutan intensitas pixel dilingkungan local.

Elza Oktaviana – 113080241

LBP bertujuan untuk menghilangkan variabilitas(nilai – nilai pixel yang biasanya

berubah) yang disebabkan oleh iluminasi kontras sehingga citra dengan berbagai variasi

pencahayaan akan mendapatkan output yang hampir mirip. Dengan melakukan ekstrasi

piksel menggunakan LBP, maka didapatkan suatu nilai matrik baru yang akan dirubah

kesuatu histogram untuk memperoleh fitur vektor. Contohnya :

2.4 Local Derivative Pattern

Jika LBP adalah pengkodean pertama hasil binary yang didapat dari 8 pixel

tetangganya (local neighbour) dengan fungsi threshold sederhana seperti yang dipaparkan

diatas sebab LBP difokuskan pada konsep bahwa LBP adalah operator yang mem-polakan

tetangganya secara nondirectional first-order, maka LDP yang merupakan kepanjangan dari local

derivative pattern adalah pengkodean dengan tingkat yang lebih tinggi dari LBP atau (n−1 )th -order

derivative dan menghasilkan spesifikasi fitur – fitur (informasi) yang lebih banyak dan berbeda - beda

daripada LBP. Jika LBP adalah :

maka LDP2 (second-order directional LDP) dinotasikan:

dimana,

Elza Oktaviana – 113080241

Keterangan:

I : Image

α : sinyal, dimana α = 0o, 45o, 90o, 135o

I α' : first-order derivative

g : point / pixel

c : point pusat

p : point tetangganya, p = 1, 2, …, 8

f (…,… ): fungsi pengkodean binary yang menentukan tipe dari perubahan pola local.

Yang mana mengkodekandua sinyal pada piksel bertetangga yang berbeda.

2.5 Hamming Distance

Hamming distance adalah salah satu metoda pengujian untuk mencari seberapa

mirip sebuah vector terhadap vector lainnya berdasarkan nilai kedekatannya. Jika nilai

kedekatannya semakin kecil maka kemiripan kedua vector semakin besar, sebaliknya jika

kedekatan semakin besar artinya kemiripan kedua vector semakin kecil. Biasanya, hamming

distance ini digunakan untuk mengukur jumlah subtitusi yang diperlukan untuk mengubah

satu string menjadi string yang lain. Dua string yang sama mempinyai hamming distance nol,

dan yang benar – benar berbeda satu. Dalam penelitian ini, string yang dibandingkan adalah

pixel image.

Hamming weight dari sebuah string adalah hamming distance string tersebut dari

string kosong (string yang berisi nol) dengan panjang yang sama. Rumus hamming distance

adalah:

Dimana X j dan Y j adalah 2 template bit-wise yang akan dibandingkan. Xn j dan Yn j adalah

mask noise yang berhubungan dengan X j dan Y j. N adalah jumlah bit tiap template.

Elza Oktaviana – 113080241

BAB III

ANALISIS PERANCANGAN

3.1 Image / Citra Sistem

Dalam keadaan terang, struktur nadi pada tangan kita sulit untuk dilihat

dikarenakan komposisi biologis dari jaringan tubuh manusia. Oleh karna itu pola

vein (nadi) dapat kita lihat dibawah lampu infrared.

FIR, near infrared yaitu sinar infrared yang dapat menangkap gambar

sepanjang 0.75µm – 2µm memiliki 2 atribut special, yaitu sinar infrared yang

mampu menembus hingga jaringan tanggan sampai pada kedalaman 3mm, dan

dapat menahan /mengurangi hemoglobin didalam darah menyerap efek radiasi.

Misalnya, pola vein dekat permukaan kulit ditampilkan lebih gelap dari pada area

di sekitarnya. FIR dapat menangkap pola vein yang dibutuhkan seefektif NIR yang

memiliki jangkauan menangkap citra yang lebih panjang darinya.

Pola vein ditanggkap oleh sinar infrared berdasarkan suhu yang dikeluarkan

oleh vein, karna lebih tinggi dari pada suhu atau temperature dari jaringan

disekelilingnya. Namun, ada juga yang mempengaruhi kualitas image yang

dihasilkannya. Yaitu saat berkeringat, yang mana biasanya kondisi eksternal ini

dipengaruhi oleh temperature ambeyen dan kelembapan. Jadi, untuk

mendapatkan image/citra dengan kualitas maksimal, pastikan kondisi tubuh

berada dalam kondisi standar.

3.2 Analisis Kebutuhan Proses

3.2.1 Pelatihan

Proses yang terjadi pada system adalah sebagai berikut:

- Inisialisasi citra palm vein (nadi pada telapak tangan)

- preprocessing

- Lakukan feature extraction pada setiap citra dengan menggunakan

metode LBP

- Proses pengenalan atau klasifikasi dengan menggunakan metode

hamming distance

Elza Oktaviana – 113080241

3.2.2 Pengujian

Proses yang terjadi pada system untuk tahapan pengujian adalah sebagai

berikut:

- Inisialisasi citra palm vein (nadi pada telapak tangan)

- Lakukan feature extraction pada setiap citra dengan menggunakan

metode LBP

- Proses pencarian atau klasifikasi dengan menggunakan metode

hamming distance

3.3 Gambaran System

Berikut adalah gambaran umum system:

Flowchart system secara keseluruhan

Keterangan:

- Image / citra inputan adalah citra hasil penyinaran infrared

- Pertama kali dilakukan preprocessing citra untuk menghilangkan noise

dan mendapatkan ROI (Region of Interest)

- Kemudian dilakukan ekstraksi cirri dengan menggunakan LDP

- Setelah itu citra dikonversikan ke citra binary graycode.

- Hasil dari konversi ke binari akan dilakukan pengenalan dimana akan

dibandingkan citra dengan citra yang sudah diinisialisasi dengan

Elza Oktaviana – 113080241

menggunakan hamming disrtance (pengindentifikasian citra). Karna

hamming distance hanya bekerja untuk citra binary.

- Hasil dari system adalah pemilik citra tersebut

3.3.1 Preprocessing

Flowchart tahapan Preprocessing

3.3.2 Ekstraksi Ciri (Feature Extraction) dengan LDP

Tahapan pada ekstraksi cirri adalah sebagai berikut:

a. Load citra dan ubah ke citra grayscale, dan inisialisasi parameter -

parameternya

b. Tentukan first-order derivative dengan 0o, 45o, 90o, 135o

c. Hitung second-order LDP dengan α = 0o, 45o, 90o, 135o … 8

d. Ulangi step 3 hingga sebanyak point tetangganya, karna

menggunakan matrik 3x3, maka akan dilakukan sebanyak 8 kali

e. Kemudian gabungkan hasilnya,

Elza Oktaviana – 113080241

3.3.3 Metode Pengenalan Menggunakan Hamming Distance

Seperti yang kita ketahui bahwa hamming distance (HD) akan menguji

/ membandingkan citra inputan dengan citra yang telah diinisialisasi.

Yaitu dengan melihat seberapa mirip sebuah vector dengan vector yang

lainnya berdasarkan dengan nilai kedekatannya. Hal ini ditentukan

dengan menggunakan formula:

Dimana, Xi dan Yj dua bit yang akan dibandingkan, dan Xni dan Ynj

adalah noise masks yang korespondensi dengan Xi dan Yj. Berikut

gambaran prosesnya:

a. Citra inputan yang merupakan hasil dari ekstraksi cirri, kita sebut

saja sebagai template 1, dibandingkan dengan citra yang telah

diinisialisasi, template 2 secara langsung dengan citra yang telah

diinisialisi.

b. Ketika salah satu template dikalkulasikan, template yang lain

digeser kekiri dan kekanan bit-wise nya. Seperti pada gambar:

c. Jumlahkan nilai hamming distance dari hasil pergeseran berturut –

turut.

d. Lakukan a, b, dan c pada semua citra yang telah diinisialisasi

e. Setelah itu kalkulasikan / bandingkan hamming distance yang

diperoleh dari masing – masing template tadi, dan pilih yang

memiliki nilai hamming distance terkecil.

f. Output dari tahapan ini adalah pemilik dari citra tersebut.

Elza Oktaviana – 113080241

3.3.4 Tahapan Pengujian dan Perhitungan Performansi Sistem

Tahapan pengujian dilakukan setelah sistem terbentuk. Dalam hal ini

sistem terbentuk ketika citra sudah diinisialisasikan. Setelah selesai

diinisialisasikan, dilakukan pengujian terhadap data set terhadap masing –

masing ID (inisial/ citra tangan) dengan 10 kali perulangan terhadap

masing – masing ID. Hal ini dilakukan untuk mendapatkan performansi

dari system.

Performansi system akan dihitung dengan mengkalkulasikan berapa

error yang terjadi terhadap semua pengujian yang dilakukan (mse). Ini

juga merupakan nilai dari akurasi. Yang mana dihitung dengan rumus:

Keterangan:

mse = mean square error

Elza Oktaviana – 113080241