Proposal - 113080241
-
Upload
elza-oktaviana -
Category
Documents
-
view
217 -
download
1
description
Transcript of Proposal - 113080241
![Page 1: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/1.jpg)
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
![Page 2: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/2.jpg)
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
![Page 3: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/3.jpg)
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
![Page 4: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/4.jpg)
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
![Page 5: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/5.jpg)
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
![Page 6: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/6.jpg)
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
![Page 7: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/7.jpg)
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
![Page 8: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/8.jpg)
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
![Page 9: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/9.jpg)
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
![Page 10: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/10.jpg)
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
![Page 11: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/11.jpg)
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
![Page 12: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/12.jpg)
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
![Page 13: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/13.jpg)
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
![Page 14: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/14.jpg)
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
![Page 15: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/15.jpg)
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
![Page 16: Proposal - 113080241](https://reader036.fdocuments.net/reader036/viewer/2022062421/563dba6b550346aa9aa57828/html5/thumbnails/16.jpg)
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