IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK POST …

IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK

POST-MORTEM DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI

BERDASARKAN NILAI MOMENT – INVARIANT DAN DYNAMIC

TIME WARPING (DTW)

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana

Komputer Program Studi Teknik Informatika

Oleh :

Tommy Nugraha Manoppo

135314027

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

IDENTIFICATION OF PALATAL RUGAE FOR POST – MORTEM

FORENSIC PURPOSES BY USING EXTRACTION TECHNIQUES

BASED ON INVARIANT – MOMENTS AND DYNAMIC TIME

WARPING (DTW)

A THESIS

In Partial Fulfillment of the Requirements for Sarjana Komputer (The Degree

of Bachelor of Computer Science) in Informatics Engineering Department

By :


135314027

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


ii

HALAMAN PERSETUJUAN PEMBIMBING

SKRIPSI




TIME WARPING (DTW)

Oleh :


135314027

Telah disetujui oleh :

Pembimbing,

Dr. Cyprianus Kuntoro Adi, S.J.,M.A.,M.sc. Tanggal : ...............................


iii

HALAMAN PENGESAHAN




TIME WARPING (DTW)

Dipersiapkan dan ditulis oleh :

TOMMY NUGRAHA MANOPPO NIM : 135314027

Telah dipertahankan di depan panitia penguji

Pada tanggal 11 Januari 2018

dan dinyatakan telah memenuhi syarat

Susunan Panitia Penguji

Nama Lengkap Tanda Tangan

Ketua : Dr. Anastasia Rita Widiarti ........................

Sekretaris : Alb. Agung Hadhiatma, M.T. ........................

Anggota : Dr. C. Kuntoro Adi, S.J., M.A., M.Sc. ........................

Yogyakarta, .................................

Fakultas Sains dan Teknologi

Universitas Sanata Dharma

Dekan,

Sudi Mungkasi, S.Si.,M.Math.Sc.,Ph.D


iv

MOTTO

�When you talk, you are only repeating what you already know. But if you listen,

you may learn something new.�

—Dalai Lama—

�Old ways won�t open new doors�

—Mark Strand—


v

PERNYATAAN KEASLIAN KARYA

Saya dengan sesungguhnya menyatakan bahwa skripsi yang saya susun dan tulis

ini tidak memuat karya orang lain, kecuali yang telah disebutkan dalam kutipan dan

daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, ................................

Penulis



vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS

Yang betanda tangan dibawah ini, saya mahasiswa Universitas Sanata

Dharma :

Nama : Tommy Nugraha Manoppo

NIM : 135314027

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul :




TIME WARPING (DTW)

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya

memberikan kepada perpustakaan Universitas Sanata Dharma hak untuk

menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk

pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di

internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari

saya maupun memberikan royalty kepada saya selama tetap mencamtukan nama

saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal .............................

Yang menyatakan



vii

ABSTRAK

Teknologi Biometrik dengan teknik komputasi dapat dikembangkan untuk

menunjang identifikasi forensik, salah satunya dengan menggunakan obyek ruga

palatal. Dalam kasus khusus, dimana identifikasi individu dilakukan dengan sidik

jari atau DNA, sulit dan tidak memungkinkan, ruga palatal dapat menjadi obyek

identifikasi yang dapat membantu karena polanya yang sangat individualistik,

bentuknya yang tetap konsisten serta proses dekomposisi atau penguraian atau

kerusakan bentuk yang sangat lama dibandingkan dengan obyek biometrik lainnya

yang ada pada tubuh manusia.

Pada penelitian ini, gambar ruga palatal diambil menggunakan kamera

intra-oral sebanyak 60 file gambar yang berasal dari 15 responden atau individu,

dan kemudian gambar tersebut yang akan diolah menggunakan metode – metode

image-Processing pada tahap preprocessing, yaitu mengubah citra RGB menjadi

citra berskala keabuan, meningkatkan kualitas citra menggunakan top-hat

transformation filtering, meningkatkan kontras pada citra, menghilangkan derau

dan mempertebal obyek. Setelah gambar ruga siap untuk diolah pada tahap

selanjutnya, maka dilakukan proses segmentasi yang akan memisahkan setiap pola

pada ruga palatal yang kemudian diekstrasi dengan menghitung nilai moment

invariant pada setiap fitur, kemudian dengan menggunakan metode dynamic time

warping (dtw) nilai fitur akan dibandingkan satu-persatu dengan nilai fitur pada

pola ruga palatal yang ada dalam training data sehingga akan menghasilkan nilai

jarak terdekat untuk setiap perbandingan ruga palatal.

Percobaan terhadap penelitian dalam proses identifikasi ruga palatal dengan

teknik ekstraksi fitur menggunakan moment invariant dan pengenalan dengan

menggunakan metode dynamic time warping (dtw) menghasilkan akurasi tertinggi

sebesar 73.33 % (match rate = 73.33 % , FRR = 26.66 %).

Kata Kunci : Biometrik, Ruga Palatal, image-Processing, Pre-Processing, top-

hat, binerisasi, median-filter, dilasi, segmentasi, training data, moment invariant, dynamic

time warping (dtw), FRR.


viii

ABSTRACT

Biometric technology with computational techniques can be developed to

support forensic identification, one of them by using palatal rugae object. In special

cases, where individual identification is performed with fingerprints or DNA, it is

difficult and impossible, palatal rugae can be identifiable objects, that may be

helpful because of their highly individualistic patterns, consistent shapes and

decomposition processes makes longer compared to another biometric objects in

the human body.

In this study, a palatal rugae images was taken using an intra-oral camera

consist of 60 image files derived from 15 respondents or individuals, and then the

image will be processed using image-processing methods at the preprocessing step,

which is converts the RGB image into a grayscale, improving image quality using

top-hat transformation filtering, enhancing image contrast, eliminating noise and

dilating objects. After the ruga image was ready to be processed to the next step,

then a segmentation process that will separate each pattern on the palatal rugae got

each feature values by calculating the invariant moment each pattern, then using

the dynamic time warping method (dtw) to recognize by compared sequence from

testing data one- by one to the feature values in the palatal ruga pattern in the

training data so that it will be produce the minimum distance values for each

comparison of palatal rugae.

By using moment invariant and dynamic time warping to identify by using

respondent palatal rugaes based on this study, the result show that the highest rate

stand for 73.33 % (match rate = 73.33 % , FRR = 26.66 %).

keywords : Biometric, Palatal Rugae, Image-Processing, Pre-Processing, top-hat,

Binary Images, Median-Filter, dilate Images, segmentation, training data, moment

invariant, dynamic time warping (dtw), FRR.


ix

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, yang oleh

karena rahmat dan karunia-Nya yang berlimpah sehingga penulis dapat

menyelesaikan tugas akhir ini dengan baik. Penulis menyadari bahwa pada saat

pengerjaan tugas akhir ini penulis mendapatkan banyak bantuan dari berbagai pihak

baik berupa dukungan, perhatian, kritik, saran dan masukan serta doa yang sangat

penulis butuhkan demi kelancaran dan hasil yang baik dari tugas akhir ini. Pada

kesempatan ini penulis menyampaikan ucapan terima kasih kepada :

1.! Tuhan Yang Maha Esa yang senantiasa mencurahkan kasih, karunia dan

berkat-Nya dalam setiap langkah yang dilalui.

2.! Kedua orang tua tercinta Bapak Paulus Manoppo dan Ibu Lingsih Husain

yang selalu mendoakan, memotivasi dan memberikan dukungan moral

maupun materil kepada penulis, sehingga penulis dapat menyelesaikan

tugas akhir ini.

3.! Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku Dosen Pembimbing

tugas akhir yang telah dengan sabar dan penuh perhatian membimbing saya

dalam penyusunanan tugas akhir.

4.! Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

5.! Dr. Anastasia Rita Widiarti M.Kom selaku Ketua Program Studi Teknik

Informatika yang selalu memberikan perhatian dan dukungan kepada

mahasiswa tugas akhir dalam proses penyelesaian tugas akhir.

6.! Seluruh dosen Teknik Informatika atas ilmu yang telah diajarkan selama

masa perkuliahaan dan selalu sabar dalam menghadapi penulis.

7.! Seluruh responden yang telah memberikan data berupa foto ruga palatal dan

identitasnya untuk digunakan dalam penelitian ini.

8.! Kedua saudara kandung penulis yang selalu memberikan dukungan dalam

bentuk apapun kepada penulis.

9.! Teman – teman penulis Raymond,Jonathan,Rusdy,Fanny,Hendra dan Ruth.


x

10.!Teman – teman satu bimbingan penulis.

11.!Teman – teman Teknik Informatika 2013 Sanata Dharma.

12.!Terima kasih kepada semua pihak yang tidak dapat penulis sebutkan satu –

persatu yang telah mendukung penyelesaian tugas akhir ini baik secara

langsung maupun tidak langsung.

Penulis menyadari bahwa masih adanya kekurangan dalam penulisan

laporan tugas akhir ini. Kritik dan saran sangat penulis harapkan untuk perbaikan

kedepannya. Akhir kata penulis berharap tulisan ini dapat berguna bagi

perkembangan ilmu pengetahuan dan wawasan pembacanya.

Yogyakarta, ............................

Penulis



xi

DAFTAR ISI

TITLE PAGE ......................................................................................... i

HALAMAN PERSETUJUAN .............................................................. ii

HALAMAN PENGESEHAN ................................................................ iii

MOTTO ................................................................................................. iv

PERNYATAAN KEASLIAN KARYA ................................................ v

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS ............................... vi

ABSTRAK ............................................................................................. vii

ABSTRACT ........................................................................................... viii

KATA PENGANTAR ........................................................................... ix

DAFTAR ISI .......................................................................................... xi

DAFTAR TABEL .................................................................................. xiv

DAFTAR GAMBAR ............................................................................. xv

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

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

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

1.3.!Tujuan Penelitian ........................................................................ 4

1.4.!Batasan Masalah ......................................................................... 4

1.5.!Luaran ....................................................................................... 4

1.6.!Manfaat Penelitian ...................................................................... 5

1.7.!Metodologi Penelitian .................................................. .............. 5

1.8.!Sistematika Penulisan Proposal ................................... .............. 6


xii

BAB II LANDASAN TEORI ........................................................... 7

2.1.!Ilmu Forensik ............................................................................. 7

2.1.1.!Identifikasi Biometrik ........................................................ 7

2.1.2.!Ruga Palatal ....................................................................... 8

2.2.!Pre-processing ............................................................................ 11

2.2.1. Citra Beraras Keabuan (GrayScale) .................................. 12

2.2.2. Top-Hat Filtering Transformation .................................... 14

2.2.2.1. Operasi Opening . ................................................... 14

2.2.3. Contrast Stretching . .......................................................... 17

2.2.3.1. Contrast Stretching Tahap 1 . .................................. 17

2.2.3.2. Contrast Stretching Tahap 2 . .................................. 19

2.2.4. Citra Biner ........................................................................ 20

2.2.5. Reduksi Noise .................................................................. 21

2.2.5.1 Median Filter ............................................................ 21

2.2.5.2 Menghilangkan Obyek Kecil ................................... 22

2.2.5.3 Menghilangkan Obyek Pada Sisi ............................. 23

2.3.!Dilasi ........................................................................................... 24

2.4. Segmentasi .................................................................................. 24

2.5.!Ekstraksi Fitur ............................................................................. 26

2.5.1! Moment Invariants ......................................................... 27

2.6.!DYNAMIC TIME WARPING ................................................... 32

2.7.!Menghitung Nilai Akurasi Pada Proses Identifikasi ................... 36

2.7.1. Match Rate and FFR ................................... ..................... 36

2.7.2. Cross Validation.......................... ...................................... 37

BAB III METODE PENELITIAN ...................................................... 38

3.1.!Gambaran Penelitian .................................................................. 38

3.1.1. Data.......................... ......................................................... 39

3.1.2. PreProcessing.......................... .......................................... 40

3.1.2.1. GrayScale.......................... ....................................... 40

3.1.2.2. Top-Hat Filtering Transformation.......................... . 41


xiii

3.1.2.3. Contrast Stretching.......................... ........................ 43

3.1.2.4. Binarization............................................................. 45

3.1.2.5. Noise Removal........................................................ 47

3.1.2.6. Dilation ................................................................... 48

3.1.3. Segmentation .................................................................... 48

3.1.4. Ekstraksi Fitur .................................................................. 50

3.1.5. Dynamic Time Warping (DTW) ...................................... 55

3.1.5.1. Re-Structure ........................................................... 56

3.1.5.2. Warping and Distance ............................................ 58

3.1.6. Minimum Distance ........................................................... 61

3.1.7. Evaluation ........................................................................ 62

3.2. Kebutuhan Sistem ...................................................................... 64

3.3. Perancangan Antarmuka Sistem ................................................ 65

BAB IV IMPLEMENTASI DAN ANALISA ................................... 71

4.1. Hasil Penelitian .......................................................................... 71

4.1.1. Pengujian dengan Cross Validation ................................. 78

4.1.2. Pengujian Data Tunggal ................................................... 82

4.2. Analisa Hasil .............................................................................. 83

BAB V PENUTUP ........................................................................... 87

5.1. Kesimpulan ................................................................................ 87

5.2. Saran ........................................................................................... 88

DAFTAR PUSTAKA ............................................................................ 89


xiv

DAFTAR TABEL

2.1. Karakteristik Biometrik ............................................................. 8

2.2. Contoh Penerapan Moment Invariants....................................... 30

3.1. Nilai Hasil Moment Invariants Pada Citra Ruga Palatal............ 53

3.2. Contoh Matriks Cost dan Optimal Warping Path....................... 59

3.3. Contoh Jalur Lintasan Optimal Warping Path............................ 59

3.4. Data Set 01.................................................................................. 62

3.5. Data Set 02.................................................................................. 62

3.6. Data Set 03.................................................................................. 63

3.7. Data Set 04.................................................................................. 63

4.1. Daftar Data Responden............................................................... 71

4.2. Hasil Pengujian Set 1.................................................................. 78




4.6. Hasil Pengujian Data Tunggal.................................................... 83

4.7. Data Ruga Brian.......................................................................... 85

4.8. Data Ruga Prima......................................................................... 85


xv

DAFTAR GAMBAR

2.1. Ruga Palatal ............................................................................... 8

2.2. Pengenalan Arah Carrae Ruga Palatal ....................................... 10

2.3. Pengenalan Jarak Ruga Palatal .................................................. 10

2.4. Teori Trobo Pada Pola Ruga Palatal .......................................... 11

2.5. Contoh Citra Beraras Keabuan (GrayScale) .............................. 12

2.6. Citra Hasil Top-Hat .................................................................... 14

2.7. Elemen Penstruktur .................................................................... 15

2.8. Hasil Contrast Stretching ......................................................... 17

2.9. Histogram Hasil Penyebaran atau Normalisasi Citra ............... 18

2.10. Contoh Hasil Binerisasi ........................................................... 20

2.11. Operasi 8 Ketetanggaan ........................................................... 22

2.12. Hasil Median Filter Pada Operasi 8 Ketetanggaan .................. 22

2.13. Citra Hasil Segmentasi ............................................................. 25

2.14. Perbandingan Data Sequence ................................................... 32

2.15. Perbandingan Warping Path .................................................... 34

3.1. Diagram Block Sistem ............................................................... 38

3.2. Citra Ruga Palatal ...................................................................... 39

3.3. Block Diagram Pre-Processing .................................................. 40

3.4. Citra Ruga Palatal RGB ............................................................. 40

3.5. Citra Ruga Palatal Grayscale ..................................................... 41

3.6. Perbandingan STREL ................................................................ 42

3.7. Citra Ruga Palatal Top-Hat ........................................................ 42

3.8. Histogram Hasil Top-Hat ........................................................... 43

3.9. Histogram Hasil Contrast Stretching 2 Tahap ........................... 44

3.10.Citra Hasil Contrast Stretching Tahap 1 ................................... 44

3.11. Citra Hasil Contrast Stretching Tahap 2................................... 44


xvi

3.12. Perbandingan Threshold Citra Biner ....................................... 45

3.13. Hasil Median Filter .................................................................. 46

3.14. Perbandingan Threshold Bwaeraopen ..................................... 47

3.15. Hasil Imclearborder ................................................................. 47

3.16. Hasil Dilasi .............................................................................. 48

3.17. Hasil Segmentasi Citra Ruga Palatal ....................................... 49

3.18. Block Diagram DTW ............................................................... 55

3.19. Matriks Moment Invariants ..................................................... 57

3.20. Matriks Time Series Nilai Moment Invariants ........................ 57

3.21. Simulasi Minimum Distance 1.................................................. 61

3.22. Simulasi Minimum Distance 2.................................................. 63

3.23. Header Antarmuka Sistem ....................................................... 65

3.24. Antarmuka Tahap Pre-Processing ........................................... 66

3.25. Antarmuka Tahap Segmentasi dan Ekstraksi Fitur ................. 68

3.26. Antarmuka Tahap Hasil Pengenalan dengan DTW ................. 69

4.1. Pembuatan Data Training dan Pengenalan .............................. 73

4.2. Grafik Warping 01 ................................................................... 74

4.3. Optimal Warping Path 01 ........................................................ 75

4.4. Grafik Warping 02 ................................................................... 75


4.6. Grafik Warping 03 ................................................................... 76


4.8. Diagram Perbandingan Akurasi Memakai Cross Validasi ...... 82

4.9. Analisa Citra Ruga Palatal Individu Bernama Brian ............... 84


1

BAB. I

PENDAHULUAN

1.1. Latar Belakang

Identifikasi forensik merupakan proses yang penting dalam menentukan

identitas korban paska kematian (post-mortem). Identifikasi dilakukan dengan

mengumpulkan dan mencocokkan data-data sekunder seperti properti yang melekat

pada tubuh korban serta data primer yang khas dari struktur tubuh korban. Oleh

karena itu, proses identifikasi harus dilakukan dengan cepat dan tepat agar tidak

menimbulkan distorsi terhadap identitas korban khususnya pada suatu kejadian

dengan korban jiwa dalam jumlah yang banyak, seperti pada tragedi jatuhnya

pesawat airasia QZ8501 rute Surabaya – Singapura, pada 28 Desember 2014 lalu

dengan korban jiwa sebanyak 162 orang (Wikipedia, 12/14) proses identifikasi

diketahui memakan waktu yang cukup lama dikarenakan kondisi korban yang rata-

rata sudah membengkak dan mengalami proses dekomposisi dilautan, untuk

identifikasi dengan menggunakan sidik jari terkendala dengan struktur pola kulit

yang rusak, sedangkan identifikasi dengan menggunakan DNA hasilnya baru dapat

diketahui dua hingga tiga minggu (Kompas, 01/15).

Melihat lamanya identifikasi korban pada kasus tersebut, teknologi biometrik

dengan menggunakan teknik komputasi dapat dikembangkan untuk menunjang

identifikasi manual, dengan mempertimbangkan bahwa identifikasi manual

menjadi syarat sah dalam ilmu forensik. Biometrik adalah mekanisme verifikasi

mendasar yang mengidentifikasi individu atas dasar fitur fisiologis dan perilaku

(Saini and Kapoor, 2016). Karakteristik fisiologi berhubungan dengan bentuk fisik

tubuh misalnya wajah, sidik jari, iris mata, suara, tulisan tangan dan tidak terbatas

akan hal tersebut yang dianggap menjadi ciri khas dari pemiliknya.


2

Untuk mengembangkan proses identifikasi dengan mekanisme biometrik salah-

satunya yaitu dengan melakukan pencocokan pada pola Ruga Palatal dari korban.

Ruga Palatal merupakan bagian atas rongga rahang yang posisinya dekat dengan

gigi. Ruga Palatal juga memiliki morfologi yang sangat individualistik, bahkan

pada individu kembar tidak pernah didapatkan pola dari Ruga Palatal yang identik

(Chairani dan Auekari, 2008). Ruga Palatal merupakan salah satu bagian tubuh

yang sulit terurai dan rusak, dikarenakan posisinya yang terlindungi oleh rahang

bahkan Ruga Palatal dapat diidentifikasi hanya dari kerangka rahang sekalipun.

Oleh karena itu identifikasi forensik dengan mencocokkan citra Ruga Palatal ante-

mortem (sebelum kematian) terhadap korban, dengan citra Ruga Palatal post-

mortem (paska kematian) dapat dilakukan dengan proses ekstraksi terhadap nilai

fitur dan metode pengenalan yang sesuai. Proses ekstraksi merupakan tahapan

untuk menyaring bagian utama pada citra yang ingin diidentifikasi, struktur Ruga

Palatal sangatlah unik sebab memiliki pola – pola tertentu yang berbeda-beda pada

setiap individu.

Salah satu cara dalam melakukan ekstraksi terhadap pola-pola individualistik

dari Ruga Palatal yaitu dengan metode Moment Invariants (MI), yang akan

menghitung tujuh nilai moment pada setiap pola yang telah disegmentasi. Moment

Invariants dipilih karena sifatnya yang independensi terhadap translasi, rotasi dan

penskalaan terhadap obyek pada citra (Sholahuddin, 2012). Menurut hasil

penelitian Rizon M,dkk (2006) dengan menggunakan metode Moment Invariants

untuk deteksi obyek dengan data berupa citra buah kelapa sebanyak 50,

mengungkapkan bahwa presentase keberhasilan dalam penelitian tersebut

mencapai 90 persen. Sementara itu, Dynamic Time Warping digunakan dalam

proses pengenalan terhadap individu pada citra ruga palatal. Dynamic Time

Warping merupakan salah satu metode yang tepat digunakan pada kasus ini,

dikarenakan segmentasi berdasarkan hasil dari preprocessing untuk mendapatkan

pola terhadap citra ruga palatal dapat berbeda-beda jumlahnya pada individu yang

sama, sehingga dibutuhkan suatu metode yang dapat menyamakan dimensi jumlah

pada pola ruga palatal, seperti hal-nya Dynamic Time Warping. Dynamic Time


3

Warping berbasis Time Series, dimana data disusun berderet dan berurutan dan

berbentuk satu dimensi, pada kasus ini setiap pola pada suatu ruga palatal akan

dinormalisasi menjadi nilai yang berderet untuk setiap ketujuh nilai moment

invariant pada seluruh pola yang ada pada suatu ruga palatal tersebut. Urutan pola

ruga palatal berdasarkan hasil segmentasi diambil secara konsisten dari bagian kiri

hingga ke pola atau obyek terakhir pada bagian kanan citra. Dynamic Time Warping

akan membandingkan satu persatu hasil normalisasi ruga palatal pada data inputan

dengan data yang ada pada data training dengan cara melakukan proses warping

atau menyelaraskan dimensi panjang data tersebut berdasarkan nilai yang dipilih

pada proses membandingkan jarak terdekat untuk deretan data pada posisi atau titik

yang sama, titik terakhir pada data dengan series yang lebih pendek akan dihitung

jaraknya dengan posisi titik sebelum pada data pembandingnya , posisi yang sama

dengan data pembandingnya serta posisi sesudah data pembandingnya, sehingga

jarak terpendek akan diinisialisasi nilainya sesuai dengan posisi titik tersebut.

Menurut hasil penelitian Reza dan Parham (2012) mengenai pengenalan terhadap

tulisan tangan beraksara Persia menggunakan metode Dynamic Timer Warping

dengan menggunakan data berupa tulisan tangan dari 380 responden yang berbeda,

menyatakan bahwa hasil akurasi dikenalinya tulisan tangan tersebut sebesar 90 %.

1.2. Rumusan Masalah

Adapun rumusan masalah pada penelitian ini adalah sebagai berikut;

1.! Berapa persen tingkat akurasi yang diperoleh sehingga dapat diketahui

seberapa baik pendekatan metode ekstraksi Moment Invariants dan metode

Dynamic Time Warping (DTW) mampu mengenal identitas seseorang

berdasarkan pola Ruga Palatalnya ?


4

1.3.! Tujuan Penelitian

Berdasarkan rumusan masalah yang dikemukakan, tujuan yang ingin dicapai

dalam penelitian ini adalah sebagai berikut;

1.! Menerapkan pendekatan ekstraksi Moment Invariants dan metode Dynamic

Time Warping (DTW) dalam identifikasi forensik berdasarkan pola ruga

palatal seseorang.

2.! Mengetahui tingkat akurasi yang dihasilkan dari implementasi pendekatan

ekstraksi Moment Invariants dan metode Dynamic Time Warping dalam

identifikasi forensik berdasarkan pola ruga palatal seseorang.

1.4. Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut; 1.! Pengambilan citra input adalah bagian depan-atas rahang responden dengan

fokus pada bagian ruga palatal.

2.! Responden pada penelitian ini memiliki rentang usia yang berbeda-beda

serta tidak mempertimbangkan jenis kelaminnya.

1.5. Luaran

Luaran yang diharapkan dalam penelitian ini berupa publikasi hasil penelitian

serta dapat menjadi referensi untuk penggunaan ruga palatal sebagai obyek

identifikasi dalam bidang teknologi biometrik berdasarkan hasil tingkat akurasi

yang diperoleh nantinya.


5

1.6. Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut ;

1.!Diharapkan dapat mempercepat dan menunjang proses identifikasi post-

mortem dengan penerapan teknologi biometrik.

2.! Penggunaan ruga palatal sebagai obyek identifikasi dapat menjadi acuan

dalam proses identifikasi selain sidik jari atau DNA.

1.7. Metodologi Penelitian

Metode yang digunakan pada penelitian ini adalah sebagai berikut ;

1.!Metode Pengumpulan Data

Pada proses pengumpulan data yang diperlukan dalam penelitian ini,

awalnya penulis melakukan observasi terhadap literatur-literatur untuk

memperdalam pengetahuan dalam penerapan metode yang ingin digunakan

dengan cara mempelajari definisi dan teori-teori dari buku, jurnal dan sumber

lainnya baik itu primer ataupun sekunder. Selain itu penulis juga

mengumpulkan data citra input dari obyek penelitian yakni ruga palatal dengan

menggunakan kamera intra-oral M-989 SuperCAM dengan hasil penangkapan

gambar berupa file bertipe .png berukuran 355 x 288 piksel sebanyak 60 file

dari 15 responden beserta data-data penunjang seperti jenis kelamin dan usia.

2.! Metode Identifikasi

Metode identifikasi yang digunakan dalam penelitian ini adalah metode

Moment Invariants dan Dynamic Time Warping (DTW). Metode Moment

Invariants akan melakukan ekstraksi terhadap pola-pola pada citra ruga palatal

sedangkan Dynamic Time Warping (DTW) akan melakukan proses pengenalan

berdasarkan nilai moment invariants dari pola-pola pada ruga palatal yang telah


6

disegmentasi kemudian menganalisa data citra berhasil diidentifikasi atau

tidak.

3.!Metode Evaluasi

Untuk mengevaluasi tingkat akurasi berdasarkan metode yang digunakan,

dilakukan perhitungan presentase match rate dan FRR (False Rejection Rate)

sebagai syarat dalam penelitian identifikasi biometrik, hasil presentase match

rate dan FRR yang didapatkan merupakan implementasi dari metode cross

validasi berdasarkan dataset yang dipergunakan.

1.8.! Sistematika Penulisan

Sistematika penulisan tugas akhir ini dibagi menjadi 5 bagian utama. Bab

pertama yaitu pendahuluan berisi latar-belakang, rumusan masalah penelitian,

tujuan penelitian, batasan masalah, manfaat penelitian, metodologi penelitian dan

sistematika penulisan.

Bab kedua yaitu landasan teori yang berisi landasan teori penunjang yang

diperlukan dalam tugas akhir, khususnya pada metode – metode yang digunakan

pada penelitian ini.

Bab ketiga yaitu metode penelitian yang berisi gambaran umum teknis

persoalan penelitian, data yang akan diolah dalam penelitian, alat yang akan

dipergunakan dalam proses penelitian, keterangan rinci tahap-tahap penelitian dan

gambaran rancangan alat yang akan dibangun.

Bab keempat yaitu implementasi dan analisa yang didapat dari penelitian dan

percobaan yang telah dilakukan dalam penelitian ini.

Bab kelima yaitu kesimpulan dan saran, dari hasil analisa, implementasi dan

pengujian dari metode atau pendekatan yang digunakan dalam penelitian ini.


7

BAB. II

LANDASAN TEORI

Pada bab ini akan dijelaskan mengenai dasar teori yang digunakan, sebagai

acuan peneliti untuk mengimplementasikan penggunaan ruga palatal dalam proses

identifikasi forensik berdasarkan metode Moment Invariants dan Dynamic Time

Warping . Bab ini antara lain akan membahas mengenai gambaran umum forensik

yang salah satu bagiannya adalah identifikasi biometrik, obyek identifikasi yaitu

Ruga Palatal, metode – metode yang digunakan dalam pre-processing citra Ruga

Palatal, metode ekstraksi fitur terhadap pola Ruga Palatal yaitu Moment Invariants

, metode pengenalan terhadap individu menggunakan Dynamic Time Warping

(DTW) dan metode yang digunakan dalam menghitung tingkat akurasi kegagalan

dan keberhasilan terhadap metode yang diimplementasikan.

2.1.!Ilmu Forensik

Ilmu forensik merupakan terapan berbagai ranah keilmuan (multi disiplin)

yang penting untuk menentukan identitas korban maupun pelaku, tanda, sebab dan

cara kematian, serta perkiraan waktu kematian. Pengaplikasian forensik sangat

dibutuhkan terutama untuk mengungkap identitas korban musibah masal akibat

bencana alam, jatuhnya pesawat, tenggelamnya kapal, kecelakaan kereta dan

kebakaran (Pertiwi K., 2012). Semakin pesatnya perkembangan teknologi

memungkinkan proses dalam identifikasi seseorang berdasarkan karakter

biometriknya menjadi semakin cepat.

2.1.1.! Identifikasi Biometrik

Maltoni dkk (2003) menyatakan bahwa pengenalan biometrik atau disebut

juga identifikasi biometrik merupakan pengenalan seseorang berdasarkan

karakteristik unik dari fisiologisnya (bagian-bagian tubuh tertentu seperti sidik jari,


8

wajah, retina dan lainnya) ataupun berdasarkan perilakunya seperti tulisan tangan,

tanda-tangan dan lainnya.

Tabel 2.1 Karakteristik Biometrik (Chang Jia, 2005)

Salah satu karakteristik fisiologis yang terdapat pada manusia yang dapat

dijadikan sebagai obyek dalam identifikasi biometrik adalah Ruga Palatal.

2.1.2.! Ruga Palatal

Ruga Palatal semakin diminati dalam proses identifikasi forensik karena

polanya yang tetap stabil dan unik (Virdi dkk, 2010).

Gambar 2.1 Ruga Palatal (Armstrong)

Biometrik

Fisiologis Perilaku

•! Wajah

•! Sidik Jari

•! Iris Mata

•! DNA

•! Dan lainnya.

•! Tanda-tangan

•! Suara

•! Dan lainnya.

Ruga Palatal


9

Ruga Palatal sendiri merupakan rigde dari membran mukosa yang irregular

dan asimmetris meluas kelateral dari papila insisivus dan bagian anterior dari

median palatal raphe (Chairani dan Auekari, 2008).

Adapun fungsi dari ruga palatal adalah sebagai fasilitator transportasi

makanan dan membantu proses pengunyahan. Ruga Palatal pada manusia memiliki

fitur individualistik yang tidak akan berubah sepanjang hidup manusia tersebut.

Bentuk dari Ruga Palatal akan tetap dapat diidentifikasi karena tahan terhadap

trauma, suhu tinggi, dekomposisi oleh bibir, pipi, lidah karena posisinya yang

terlindungi oleh kerangka mulut (Bhagwath dan Chandra, 2014).

Terdapat beberapa cara yang telah dilakukan, untuk menganalisis Ruga

Palatal, yaitu ;

1.! Pemeriksaan intraoral dengan menggunakan kaca mulut, analisis

menggunakan kaca mulut sulit dilakukan karena media yang terbatas dan

waktu pemeriksaan yang cepat.

2.! Pemeriksaan cetakan bagian atas rahang dengan menggunakan irreversible

hydrocolloid, kemudian bagian ruga palatal ditandai dengan pensil atau

spidol sehingga ruga palatal dapat terlihat jelas. Analisis dengan cara ini

dapat dilakukan tetapi membutuhkan waktu yang cukup lama untuk

mencetak ruga palatal sehingga tidak efisien.

3.! Pemeriksaan gambar oral dengan menggunakan kamera intra oral. Analisis

dengan cara ini merupakan metode yang paling efisien untuk dilakukan,

gambar ruga palatal dapat dianalisis dan dibandingkan langsung serta diolah

dengan menggunakan komputer.


10

Setelah melakukan proses analisis terhadap Ruga Palatal, maka akan dilakukan

proses pengenalan pola dari Ruga Palatal berdasarkan hasil analisisnya. Terdapat

beberapa metode yang dapat dilakukan dalam proses pengenalan pola Ruga Palatal,

yaitu ;

1.! Pengenalan berdasarkan arah dari Ruga Palatal

Gambar 2.2 Pengenalan arah Carrae Ruga Palatal (Guerra, Fabrizio et al. , 2016)

Pengenalan dengan memanfaatkan arah dari ruga palatal dipakai oleh

Carrae pada tahun 1937 yang membagi arah dari ruga palatal ke dalam

empat tipe utama berdasarkan arah ruga palatal dengan bagian rongga yang

ada disekitarnya (Guerra, Fabrizio et al. , 2016).

2.! Pengenalan berdasarkan bentuk dari Ruga Palatal

Gambar 2.3 Pengenalan Bentuk Ruga Palatal (Guerra, Fabrizio et al., 2016).


11

Pengenalan dengan memanfaatkan bentuk dari ruga palatal dipakai

oleh Thomas and Kotze pada tahun 1983 dengan membagi bentuk ruga

palatal kedalam empat kategori, yaitu kurva (curved), bergelombang

(wavy), lurus (straight) dan sirkular (circular) (Chairani dan Auekari, 2008).

Gambar 2.4 Teori Trobo pada pola Ruga Palatal (Hermozilla et al , 2009)

Sementara Trobo Hermosa membagi pola dari ruga palatal menjadi enam

bagian utama yaitu point, line, curve, angle, sinous dan sirkular (Hermozilla

et al, 2009).

Pada penelitian ini, proses identifikasi terhadap Ruga Palatal dimulai

dengan melakukan proses pre-processing terlebih dahulu pada citra input

Ruga Palatal.

2.2.! Pre-Processing

Pemprosesan citra Ruga Palatal memerlukan suatu proses pre-processing agar

nantinya citra dapat digunakan lebih optimal pada langkah – langkah selanjutnya.

Pre-Processing yang dilakukan pada penelitian ini antara lain mengubah citra RGB

menjadi citra beraras keabuan, meningkatkan kualitas citra dengan menggunakan


12

top-hat filtering, meningkatkan kontras pada citra, melakukan proses binerisasi atau

mengubah citra menjadi hitam putih(black and white), menghilangkan derau

(remove noise) dan mempertebal obyek.

2.2.1.! Citra Beraras Keabuan (Grayscale)

Menurut Kadir (2013) Citra Beraras Keabuan adalah sebuah jenis citra yang

menangani gradasi warna hitam dan putih sehingga menghasilkan efek hitam putih.

Warna dinyatakan dengan intensitas antara 0 sampai dengan 255. Nilai 0

menyatakan hitam atau gelap sedangkan nilai yang menuju 255 akan semakin

menimbulkan warna putih atau terang.

Gambar 2.5 Contoh citra beraras keabuan (grayscale) (Song, et al. 2013)

Citra beraras keabuan memiliki rentang nilai antara 0 hingga 255 sesuai

dengan perhitungan komponen-kompenen warna RGBnya. Rumus yang digunakan

untuk mendapatkan citra beraras keabuan yaitu ;

! = #$. & + (. ) + *. +$,$$$$$$$$(# + ( + *) = 1 ………………………..............(2.1)

dengan ;

I :Citra Input yang telah dibaca kedalam dan berada pada workspace

Matlab.


13

a,b,c :Level masing-masing komponen warna R (red), G (green) dan B

(blue) demikian sehingga jumlah nilainya adalah 1.

R,G,B :nilai komponen warna R (red), G (green), dan B (blue) pada

masing-masing piksel pada citra I.

Nilai komponen RGB pada citra didapatkan dengan fungsi pada Matlab

sebagai berikut :

R = I(:,:,1); untuk mendapatkan komponen nilai Red atau merah pada

seluruh piksel pada citra I.

G = I(:,:,2); untuk mendapatkan komponen nilai Green atau Hijau pada

seluruh piksel pada citra I.

B = I(:,:,3); untuk mendapatkan komponen nilai Blue atau Biru pada seluruh

piksel pada citra I.

Hasil pemetaan komponen RGB tersebut pada citra I jika ditampilkan untuk

masing – masing RGB akan menghasilkan citra berskala keabuan dengan range

antara 0 sampai 255 untuk masing-masing komponen warna.

Untuk deklarasinya menggunakan fungsi matlab :

cobagrey01 = rgb2gray(‘citra ruga palatal (RGB)’);

Sehingga level pada setiap komponen warna yakni variabel a,b,c ditentukan

sebagai berikut :

a : 0.2989 ; untuk level R atau warna merah.

b : 0.5870 ; untuk level G atau warna hijau.

c : 0.1140 ; untuk level B atau warna biru.

Nilai tersebut berdasarkan nilai ketentuan Matlab (Song , et al. 2013).

Setelah melakukan konversi citra menjadi citra beraras keabuan kemudian

meningkatkan kualitas citra menggunakan transformasi top-hat filtering.


14

2.2.2.! Top-Hat Filtering Transformation

Gambar 2.6 (a) citra input (b) citra hasil top-hat (c) citra hasil peningkatan

kontras (Solomon and Breckon, 2011)

Transformasi Top-Hat didefinisikan sebagai perbedaan antara citra sebelum

dan sesudah mengalami operasi opening (Solomon and Breckon, 2011). Top-Hat

berfungsi untuk memperjelas obyek yang memiliki keterangan lebih tinggi

dibandingkan dengan bagian lainnya pada citra. Operasi Opening pada

Transformasi Top-Hat digunakan untuk memperhalus detail obyek pada citra.

2.2.2.1!Operasi Opening

Operasi Opening digunakan untuk menghaluskan kontur obyek dan

menghilangkan seluruh piksel pada area yang kecil untuk ditempati oleh elemen

penstrukturnya. Operasi Opening merupakan gabungan antara operasi Erosi dan

operasi Dilasi. Operasi Erosi dilakukan untuk mengeliminasi obyek – obyek kecil

yang terpisah dengan obyek lain yang lebih besar, sedangkan Operasi Dilasi

dilakukan untuk memperhalus tepi obyek setelah dierosi.

Elemen Penstruktur merupakan bentuk khas yang akan digunakan untuk

membentuk sebuah obyek pada citra. Elemen penstruktur ada berbagai bentuk ,

yaitu belah ketupat, cakram, garis mendatar, bujur sangkar, persegi panjang,

Oktagon dan garis tegak, seperti pada contoh berikut ini :


15

Gambar 2.7 Elemen Penstruktur

Elemen Penstruktur yang digunakan pada penelitian ini merupakan elemen

penstruktur berbentuk disk, dimana disk merupakan elemen penstruktur paling

umum yang digunakan dan membuat bentuk pada tepi yang lebih baik. Untuk

memperoleh elemen penstruktur dapat dilakukan dengan fungsi STREL pada

Matlab. Fungsi STREL dapat diimplementasikan dengan cara:

STREL (‘disk’, 25);


16

dimana :

disk : (cakram) merupakan bentuk elemen penstruktur yang digunakan.

25 : merupakan radius dari elemen penstruktur.

Operasi Opening dapat diimplementasikan dengan menggunakan fungsi

pada Matlab sebagai berikut :

imopen ( w , se );

dimana :

w : citra biner.

se : fungsi STREL yang digunakan.

Sehingga pada pengaplikasiannya di Matlab , Transformasi Top-Hat

dideklarasikan sebagai berikut :

CobaTopHat01 = imtophat(grey,STREL(‘disk’,9);

dimana :

CobatTopHat01 : hasil tophat menggunakan imtophat.

grey : citra bersakla keabuan.

Setelah mendapatkan bagian dengan kecerahan lebih tinggi pada citra, maka

akan dilakukan perenggangan atau penyebaran kontras untuk seluruh piksel pada

citra berdasarkan nilai piksel yang memiliki kecerahan lebih tinggi tersebut.


17

2.2.3.! Contrast Stretching

Gambar 2.8 hasil Contrast Stretching (Solomon and Breckon, 2011)

Pada penelitian ini, penyebaran kontras dilakukan dua tahap, yaitu tahap

pertama contras stretching berdasarkan hasil top-hat, dimana hasil top-hat akan

menghasilkan atau mendeteksi bagian citra yang memiliki nilai piksel dengan

kecerahan lebih tinggi (dominan ke 255 atau nilai maksimal dari citra) ,sedangkan

tahap kedua penyebaran kontras dilakukan menggunakan fungsi matlab imadjust

berdasarkan hasil penyebaran kontras tahap pertama agar penyebaran kontas

mendapatkan hasil yang maksimal.

2.2.3.1!Contrast Stretching Tahap 1

Penyebaran Kontras atau Contrast Stretching Tahap pertama yaitu

melakukan penyebaran kontras berdasarkan hasil top-hat, sehingga penyebaran

kontras berdasarkan nilai piksel dengan tingkat kecerahan yang paling maksimal

dari citra hasil top-hat dan nilai piksel dengan tingkat kecerahan yang paling

minimum.

Formula untuk contrast stretching (Solomon and Breckon, 2011) :

I123423(5, 6) = (I78423 5, 6 − *):;<

(=;>)+ # ................................(2.2)


18

dimana :

I123423(5, 6) = hasil penyebaran contrast(i,j).

I78423 5, 6 = input citra hasil transformasi top-hat (i,j).

a = maksimum grayscale (255).

b = minimum grayscale (0).

C = nilai maksimum dari seluruh piksel pada citra input.

d = nilai minimum dari seluruh piksel pada citra input.

Gambar 2.9 histogram hasil penyebaran atau normalisasi citra (Solomon and Breckon,

2011)

Implementasinya pada matlab adalah sebagai berikut :

rtemp = min(i); rmin = min(rtemp); rtemp = max(i); rmax = max(rtemp); m = 255/(rmax-rmin); c = 255 - m * rmax; i_new = m * i + c;


19

dimana :

i : citra hasil transformasi top-hat.

rtemp : nilai maksimum dan minimum untuk setiap kolom pada

citra i.

rmin : nilai minimum dari rtemp.

rmax : nilai maksimum dari rtemp.

m : ~ :;<(=;>)

c : selisih nilai maksimum grayscale dengan hasil (max-min).

i_new : hasil akhir dari normalisasi atau penyebaran kontras.

2.2.3.2!Contrast Stretching Tahap 2

Normalisasi atau penyebaran nilai kontras tahap kedua digunakan agar citra

hasil penyebaran kontras lebih maksimal, dikarenakan penyebaran kontras tahap

pertama berdasar hanya pada nilai piksel dengan tingkat kecerahan yang paling

maksimal dan minimum dari citra hasil top-hat. Pada Tahap kedua, bentuk struktur

dari obyek yang memiliki permukaan lebih tinggi dibandingkan lainnya pada citra

akan semakin terlihat dan terbentuk jelas. Metode yang digunakan sama halnya

dengan tahap pertama hanya menggunakan fungsi matlab yaitu imadjust.

Berikut cara menggunakan fungsi imadjust pada Matlab :

Stretched_Contrast = imadjust(i_new);

dimana :

Stretched_Contrast : Citra baru hasil penyebaran kontras (citra output).

i_new : Citra Input hasil penyebaran kontras tahap 1.


20

2.2.4.! Citra Biner

Mengubah citra beraras keabuan menjadi citra biner atau hitam-putih perlu

digunakan pada penelitian ini, agar citra dapat diproses pada ekstrasi fitur

mengingat bahwa metode ekstraksi fitur akan menganalisa berdasarkan representasi

obyek pada citra, dimana suatu obyek dapat dilihat jika obyek tersebut memiliki

kumpulan warna yang sama dan warna pada obyek berbeda dengan warna latarnya.

Gambar 2.10 Contoh hasil binerisasi citra (dokumentasi Matlab)

Menurut Kadir (2013) citra biner merupakan citra dengan setiap piksel

hanya dinyatakan dengan sebuah nilai dari dua kemungkinan, yaitu 0 dan 1. Nilai

0 menyatakan warna hitam dan nilai 1 menyatakan warna putih.

Pada pengolahan citra menjadi citra biner, level setiap nilai piksel yang telah

ditetapkan pada citra beraras keabuan dijadikan sebagai nilai ambang atau

threshold. Jika nilai piksel lebih besar sama dengan dari nilai thresholdnya maka

intensitas dari piksel tersebut dijadikan 1 atau putih, sedangkan Jika nilai piksel

lebih kecil dari nilai tresholdnya maka intensitas dari piksel tersebut dijadikan 0

atau hitam. Secara matematis, konversi dinyatakan sebagai berikut :

? 5 =0, 5 < B1, 5 ≥ B

………………………………………………………(2.2)

dengan :

w : Hasil konversi citra biner pada setiap piksel.


21

i : Nilai piksel ke i pada citra.

p : Nilai threshold atau batas ambang.

2.2.5.! Reduksi Noise

Reduksi noise digunakan untuk menghilangkan obyek – obyek yang

terbentuk dengan ukuran tertentu yang tidak digunakan. Sehingga citra dapat diolah

dengan maksimal pada proses selanjutnya dan akan memperbaiki kualitas citra

tersebut.

Terdapat 3 metode reduksi noise yang diterapkan pada penelitian ini, yaitu

median filter (menggunakan fungsi matlab medfilt2()), menghapus obyek-obyek

berukuran kecil (menggunakan fungsi matlab bwareaopen()) dan menghilangkan

obyek yang melekat pada sisi – sisi batas citra (menggunakan fungsi matlab

imclearborder()).

2.2.5.1!Median Filter

Median Filter merupakan suatu cara dalam perbaikan citra berdasarkan nilai

median atau nilai tengahnya. Menurut Kadir (2013) Median Filter yang digunakan

umumnya menerapkan klasifikasi terhadap 8 ketetanggan piksel begitupun fungsi

pada matlab berikut :

HasilMedian = medfilt2(x);

Dimana :

HasilMedian : Citra output hasil median filter.

x : citra input (bertipe biner).


22

7 3 7

8 2 8

7 9 7

Gambar 2.11 operasi 8 ketetanggaan

Misalkan pada sebuah citra terdapat nilai 8 ketetanggan terhadap bagian

citra tersebut seperti gambar diatas. Maka nilai dari setiap piksel diatas diurutkan

dari nilai terkecil hingga terbesar sebagai berikut :

2 3 7 7 7 7 8 8 9

Sehingga nilai tengahnya adalah 7, jadi piksel yang ditengah pada operasi 8

ketetanggan akan diganti nilainya menjadi 7.

7 3 7

8 7 8

7 9 7

Gambar 2.12 Hasil median filter pada operasi 8 ketetanggaan

2.2.5.2!Menghilangkan Obyek Kecil

Selain median filter, pada penelitian ini juga diterapkan metode penghilang

derau dengan menghilangkan obyek kecil yang tidak dibutuhkan dan tidak

memungkinkan untuk dapat dikategorikan sebagai sebuah obyek ruga palatal dari

individu. Obyek tersebut harus dihilangkan untuk meningkatkan kualitas hasil pre-

processing pada citra ruga palatal. Untuk menghilangkan obyek yang tidak

digunakan tersebut dapat menggunakan fungsi pada Matlab sebagai berikut :


23

HasilRemove = bwaereaopen(x, 300);

Dimana :

HasilRemove : citra output hasil penghilangan obyek yang tidak digunakan.

X : citra input bertipe biner.

300 : besar piksel pada citra.

Perlu diperhatikan bahwa metode ini dapat bekerja hanya pada citra bertipe

biner dengan nilai piksel 0 dan 1, dengan 0 adalah hitam dan 1 adalah putih.

Sehingga ketika menggunakan bwareaopen nilai piksel 1 yang saling berkaitan

(misalnya 1 1 1 1) diidentifikasi sebagai sebuah obyek dan ketika panjang atau besar

piksel tersebut kurang dari 300, maka obyek tersebut akan dihapus atau

menginisialisasikan nilai pikselnya menjadi 0.

2.2.5.3!Menghilangkan Obyek Pada Sisi

Citra Ruga Palatal pada penelitian ini tidak semata-mata hanya memuat ruga

palatal dari individu saja, tetapi bagian lain yang berada dekat dengan Ruga Palatal

juga ikut termuat pada citra seperti gigi responden. Setelah melihat keseluruhan

citra yang digunakan, kesimpulan yang didapatkan bahwa bagian gigi tersebut

berada pada sisi-sisi dari citra, sehingga tidak mustahil untuk dihilangkan. Untuk

menghilangkan obyek-obyek yang melekat pada sisi – sisi citra Ruga Palatal dapat

menggunakan fungsi Matlab yaitu imclearborder() .

Contoh penerapannya adalah sebagai berikut :

HasilCB = imclearborder(x,4);

dimana :

HasilCB : output citra setelah menghapus obyek yang melekat pada pinggiran atau

sisi-sisi pada citra.

x : citra input bertipe biner.

4 : nilai ketetanggaan yang digunakan, jika bernilai 4 maka obyek

yang dihapus akan bertahap setiap operasi 4 ketetanggan piksel.


24

2.3.!Dilasi

Dilasi pada penelitian ini digunakan untuk memperjelas obyek Ruga Palatal.

Menurut Kadir (2013) operasi dilasi merupakan operasi yang digunakan untuk

mendapatkan efek pelebaran terhadap piksel yang bernilai 1. Operasi dilasi juga

termasuk sebagai operasi opening dan dalam pengaplikasiannya juga dapat

menggunakan STREL atau elemen penstruktur yang telah dibahas pada penelitian

ini sebelumnya. Penerapan dilasi menggunakan fungsi matlab dapat dilakukan

dengan cara :

HasilDilasi = imdilate(x,STREL());

Dimana :

HasilDilasi = citra ouput hasil pengoperasian dilasi.

x = citra input bertipe biner.

STREL() = fungsi untuk membuat elemen penstruktur.

2.4.!Segmentasi

Segmentasi menurut Kadir (2013) merupakan proses yang ditujukan untuk

mendapatkan obyek – obyek yang terkandung di dalam citra atau membagi citra ke

dalam beberapa daerah dengan setiap obyek atau daerah memiliki kemiripan

atribut. Sedangkan menurut Solomon and Breckon (2011) Segmentasi menempati

peran yang sangat penting dalam proses pengolahan citra dan dapat dikatakan

bahwa proses segmentasi pada sebuah citra harus berhasil dilakukan sebelum tahap-

tahap selanjutnya seperti klasifikasi, ekstraksi fitur, deskripsi dan lainnya.


25

Gambar 2.13 (a) citra input koin (b) citra hasil binerisasi (c) hasil segmentasi

(Solomon&Breckon, 2011)

Sehingga dapat dikatakan bahwa segmentasi merupakan proses dalam memisah

obyek – obyek yang dibutuhkan pada sebuah citra untuk mendapatkan identitas dari

masing – masing obyek tersebut, dimana identitas dari sebuah obyek dapat

diperoleh berdasarkan ciri – ciri tertentu dari obyek tersebut seperti bentuk, posisi,

tekstur, warna dan lainnya yang dapat dilakukan dengan menggunakan ekstraksi

fitur pada proses selanjutnya. Jadi dapat dikatakan bahwa segmentasi dilakukan

sebelum proses ekstraksi terhadap fitur atau pola – pola yang ada pada sebuah citra.

Pendekatan pada proses segmentasi dapat dikelompokkan menjadi pendekatan

utama (Solomon and Breckon, 2011) :

1.! Metode tepi atau batas wilayah

Pendekatan ini berdasarkan proses pendeteksian tepi yang dilakukan

pada citra untuk mengidentifikasi batas daera atau wilayah.

2.! Metode berbasis area

Pendekatan ini berdasarkan deretan nilai piksel pada sebuah bagian pada

citra sehingga jika nilai dari citra tersebut tidak sama dengan 0 maka

dapat dideteksi bahwa piksel tersebut merupakan sebuah obyek hingga

nilai piksel pada deretan yang dideteksi bernilai 0.


26

2.5.!Ekstraksi Fitur

Ekstraksi fitur dilakukan untuk mengambil fitur atau ciri pada suatu pola

tertentu pada citra yang akan dianalisis untuk proses selanjutnya. Fitur atau ciri

tersebut harus unik pada suatu pola tertentu dan akan menjadi karakteristik terhadap

pola tersebut.

Menurut Kadir (2013) menyatakan pengertian fitur adalah susunan bilangan

yang dapat dipakai untuk mengidentifikasi suatu obyek.

Fitur-fitur suatu obyek mempunyai peran penting untuk berbagai aplikasi

sebagai berikut :

1)! Pencarian citra : Fitur dipakai untuk mencari obyek – obyek tertentu

yang berada di dalam data training.

2)! Penyederhanaan dan hampiran bentuk : Bentuk obyek dapat dinyatakan

dengan representasi yang lebih ringkas.

3)! Pengenalan dan klasifikasi : Sejumlah fitur diapaki untuk menentukan

jenis obyek.

Sebuah fitur hendaknya efisien, dalam artian fitur yang ada memang dapat

digunakan dan menjadi sebuah pokok dalam menentukan obyek. Menurut

Mingqiang dkk, tahun 2008 menyatakan bahwa fitur yang efisien harus memenuhi

sifat – sifat penting sebagai berikut :

1)! Dapat diidentifikasi : Fitur berupa nilai yang dapat digunakan untuk

membedakan antara suatu obyek dengan obyek lainnya. Jika kedua fitur

pada dua obyek tersebut dibandingkan, dapat ditemukan perbedaan yang

tegas antar kedua obyek tersebut.

2)! Tidak dipengaruhi oleh translasi, rotasi dan penyekalan : Dua obyek yang

sama tetapi berbeda posisi, arah pemutaran dan ukurannya pada citra


27

tetap dapat dikatakan sebagai obyek yang sama berdasarkan perhitungan

nilai fitur yang sama .

3)! Tidak dipengaruhi oleh affine : Affine merupakan ketidaksesuaian posisi

citra pada tempat seharusnya sehingga terdapat ruang yang tidak terisi

oleh citra tersebut, bisa dikarenakan perputaran , zooming dan pergeseran

citra.

4)! Tahan terhadap derau atau noise : dua obyek yang sama tetapi karena

satu obyek pada citra tidak didapatkan dengan sempurna, fitur

hendaknya tetap dapat mengenali obyek tersebut sebagai obyek yang

sama.

5)! Tidak dipengaruhi oleh obyek yang “berdempetan” atau saling tumpang-

tindih : Apabila sebuah obyek tertutupi atau berdempatan dengan obyek

lainnya seharus fitur bernilai sama dengan jika obyek tersebut terpisah.

Pada penelitian ini, ekstraksi fitur menggunakan Moment Invariants yang

berdasarkan metodenya memenuhi sifat-sifat yang dirumuskan oleh Mingqiang

pada tahun 2008 tersebut, sehingga fitur yang dihasilkan dapat dikatakan efisien

dan dapat digunakan sebagai pengenal suatu struktur obyek atau pola.

2.5.1.! Moment Invariants

Moment Invariants pertama kali diperkenalkan oleh Hu pada tahun 1962,

konsep Moment Invariants berdasarkan teori Invarian Aljabar. Konsep Moment

Invariants telah berhasil diterapkan pada berbagai bidang ilmu dan teknik

identifikasi, beberapa diantaranya adalah identifikasi pesawat terbang dan baling-

baling, klasifikasi texture dan pengenalan radar berdasarkan citra optikalnya.

Fitur Moment Invariants bermanfaat untuk menyatakan obyek dengan

memperhitungkan area obyek. Fitur Moment Invariants berdasar pada penentuan

momen pusat yang telah dinormalisasi. Moment Invariants menghasilkan fitur yang

dapat menangani translasi, penyekalaan dan rotasi pada obyek (Kadir , 2013) .


28

Untuk mendapatkan nilai fitur dengan menghitung moment invariants pada

suatu obyek , perlu dihitung menggunakan momen pusat yang ternormalisasi,

sementara momen pusat perlu dihitung menggunakan momen spasial.

Momen Spasial orde(M,N) didefinisikan sebagai berikut :

Mij = $ .GH=1 H5I6J

I=1 . ! H, I ……………………………………(2.3)

dengan,

i,j : 0,1,2,…., dengan i j menyatakan orde momen.

M : jumlah kolom pada citra.

N : jumlah baris pada citra.

x : ordinat piksel.

y : absis piksel.

I(x,y) : intensitas piksel pada posisi(x,y).

Sementara momen pusat merupakan momen spasial yang dihitung relatif

terhadap pusat massa, pusat massa dinyatakan H, I maka momen pusat

didefinisikan sebaga berikut :

K7L = $ .GH=1 H − $ H 5J

I=1 I − $ I 6!(H, I) ……………………........(2.4)

Nilai H dan I diperoleh dengan cara (Mengingat momen pusat tidak

terpengaruh oleh translasi) :

H = $MNO

MP, I = $

MON

MP ………………………………………………...........(2.5)


29

dengan,

Mij : momen spasial.

Agar momen pusat dapat bebas dari translasi, penyekalaan dan rotasi maka

momen perlu dinormalisasi. Momen pusat ternormalisasi didefinisikan sebagai

berikut :

∏7L = $RST

RUP$ , V = $

7WLWX

X .........................................................................(2.6)

Secara khusus, Hu (1962) mendefinisikan Tujuh nilai berdasarkan perhitungan

momen pusat ternormalisasi melalui orde 3 ( i dan j bernilai 0,1,2,3 ) yang invariant

( tidak terpengaruh ) terhadap translasi, penyekalaan dan rotasi. Berdasarkan

perhitungan momen pusat, ketujuh moment tersebut didefinisikan sebagai berikut :

∅Z = $∏X[ +$∏[X ……………………………………………………(2.7)

∅X = $ ∏X[ −$∏[XX + 4∏ZZ

X …………………………………….(2.8)

∅] = $ ∏][ − $3∏ZXX + 3∏XZ −$∏[]

X ……………………………(2.9)

∅_ = $ ∏][ +$∏ZXX + ∏XZ + ∏[]

X ……………………………....(2.10)

∅` = $ ∏][ −$3∏ZX . ∏][ +$∏ZX ∏][ +$∏ZXX − 3 ∏XZ +$∏[]

X +

$ 3∏XZ −$∏[] ∏XZ +$∏[] 3 ∏][ +$∏ZXX − ∏XZ +$∏[]

X

………………………………………………………………................(2.11)

∅a = $ ∏X[ −$∏[X ∏][ +$∏ZXX − ∏XZ +$∏[]

X + 4∏ZZ ∏][ +

$∏ZX ∏XZ +$∏[] …………………………………………………..(2.12)


30

∅b = $ 3∏XZ −$∏[] . ∏][ +$∏ZX ∏][ +$∏ZXX − 3 ∏XZ +$∏[]

X −

$ ∏][ − $3∏ZX . ∏XZ +$∏[] 3∏][ +$∏ZXX − ∏XZ +$∏[]

X

………………………………………………………………………..(2.13)

Berikut merupakan contoh penggunaan Moment Invariants berdasarkan ketujuh

fitur pada satu obyek dengan perubahan skala, rotasi dan translasi yang berbeda-

beda :

Tabel 2.2 Contoh Penerapan Moment Invariants

Obyek Fitur

MI01.png

m1: 0.2990 m5: 7.6002e-07

m2: 0.0313 m6: -1.8810e-05

m3: 0.0155 m7: 3.8756e-06

m4: 0.0011

MI02.png

m1: 0.2992 m5: 7.2461e-07

m2: 0.0312 m6: -1.8817e-05

m3: 0.0158 m7: 4.6040e-06

m4: 0.0012

MI03.png

m1: 0.2976 m5: 6.6682e-07

m2: 0.0308 m6: -1.8491e-05

m3: 0.0154 m7: 4.3220e-06

m4: 0.0011


31

IM04.png

m1: 0.2915 m5: 5.4317e-07

m2: 0.0287 m6: -1.7370e-05

m3: 0.0145 m7: 3.7231e-06

m4: 0.0010

IM05.png

m1: 0.2940 m5: 4.3088e-07

m2: 0.0288 m6: -2.2222e-05

m3: 0.0120 m7: -3.8025e-06

m4: 0.0011

IM06.png

m1: 0.3042 m5: -8.6811e-07

m2: 0.0332 m6: -7.4547e-05

m3: 0.0043 m7: -4.5069e-06

m4: 0.0011

IM07.png

m1: 0.2993 m5: 2.2049e-07

m2: 0.0322 m6: -3.5744e-05

m3: 0.0122 m7: 1.0998e-06

m4: 0.0011


32

Dari hasil ekstraksi fitur diatas, dapat disimpulkan bahwa momen 1 hingga

momen 4 dari ketujuh obyek tersebut nilainya tidak jauh berbeda, tetapi pada

momen 5 hingga momen 7 didapatkan nilai fitur yang lumayan berbeda bisa

dikarenakan bentuk obyeknya dan cakupan orde pada ketujuh moment invariants

yang digunakan.

Setelah ketujuh fitur berdasarkan ekstraksi fitur menggunakan moment

invariants didapatkan, maka langkah berikutnya yaitu melakukan proses

pengenalan terhadap pola –pola ruga palatal berdasarkan ketujuh fiturnya, proses

pengenalan pada penelitian ini menggunakan metode Dynamic Time Warping

(DTW).

2.6.!DYNAMIC TIME WARPING

Sakoe and Chiba (1978) memaparkan bahwa Dynamic Time Warping

merupakan suatu metode yang digunakan untuk menemukan keselarasan terhadap

dua rentetan atau urutan fitur pada vektor yang berbeda yang memungkinkan untuk

di renggangkan sehingga panjang data menjadi sama. DTW akan menghitung

warping path yang optimal antara dua rentetan data sehingga menghasilkan output

berupa nilai-nilai warping path dan jarak antara kedua rentetan tersebut. Algoritma

DTW diperkenalkan pertama kali pada tahun 1960-an, tetapi baru digunakan secara

luas pada tahun 1970-an terutama pada aplikasi pengenalan suara, pengenalan

tulisan tangan, penambangan data (data mining), pengelompokan data (clustering)

dan lainnya.

Gambar 2.14 (a) dua data sequence secara linear (b) dua data sequence secara DTW. (Strle , 2009)


33

DTW bekerja pada data berbasis time – series atau sequence, sehingga data

disusun berderetan yang diolah selalu berada pada kawasan waktu, sehingga

rentetan data dianggap bervariasi terhadap waktu , bukan hanya waktu tetapi dapat

juga berdasarkan posisi data yang akan diproses, misalnya data diambil dari posisi

kiri hingga kekanan, maka dapat disimpulkan bahwa seluruh data dalam rentang

waktu atau posisi harus disusun secara konsisten dalam sebuah rentetan data. DTW

berbeda dengan linear sequence, dikarenakan DTW bekerja secara non-statis dalam

menyamakan panjang rentetan antara dua data.

Asumsi terdapat dua buah rentetan data (H1, H2, H3, … H M) dan

(I1, I2, I3, …IN) dengan panjang data yang berbeda G ≠ J atau panjang data

yang sama G = J. Maka tahap awal yang akan dilakukan dengan menggunakan

algoritma DTW adalah menentukan matriks cost .

Matriks Cost adalah matriks yang dibuat dengan dimensi (panjang data

sequence 1 x panjang data sequence 2). Matriks Cost merupakan matriks yang

mempresentasikan selisih nilai element ke – i pada sequence 1 dengan nilai element

ke – i pada sequence 2 atau dengan kata lain menghitung jarak lokal (local distance)

untuk setiap elemen pada rentetan data dengan menggunakan euclidean distance.

f 5, 6 = H7 −$I7 $, g5h#i#$5 = 1:G, 6 = 5: J.......................(2.14)

cost untuk setiap matriksnya, digunakan untuk mencari jalur dari cost

terendah dari kolom pertama hingga ke kolom terakhir.

Setelah mendapatkan matriks cost maka akan menentukan optimal warping

path, pada tahap ini akan mencari jalur warping dengan cost terendah.

Warping Path merupakan jalur atau lintasan yang dilalui oleh matriks yang

berisi hasil perhitungan jarak minimal (minimal distance) dari elemen k 5, 6

hingga elemen k J,G yang terdiri dari elemen-elemen itu sendiri.


34

Gambar 2.15 (a) Warping Path dua sequence dengan panjang yang sama (b) Warping Path dua

sequence dengan panjang data berbeda. (Gunawan dan Salim, 2013).

Pada gambar 2.16 (a) sequence data 1 dan sequence data 2 memiliki panjang

yang sama sehingga optimal path warping berbentuk diagonal lurus berhimpitan

dengan data 1 = data 2. Sedangkan pada gambar 2.16(b) sequence data 1 dan

sequence data 2 memiliki panjang yang berbeda, sehingga terjadi beberapa warping

atau perenggangan pada optimal path warping-nya. Berdasarkan hal tersebut

disimpulkan bahwa untuk sequence data yang sama maka cost optimal path

warping-nya akan lebih rendah dibandingkan dengan cost optimal path waping

dengan sequence data yang berbeda.

Ada 3 ketentuan dalam menentukan jalur warping, yaitu :

1.! Monotonicity

Monotonicity berarti bahwa urutan data harus sesuai dengan waktu

secara monoton untuk keseluruhan data sehingga data menjadi

konsisten.


35

2.! Continuity/Step Size Condition

Continuity berarti bahwa pemrosesan data dilakukan secara

berkelanjutan dari data pada elemen awal hingga akhir tanpa

melewatkan satu data-pun dan membatasi pergeseran path atau jalur

yang terlalu jauh.

3.! Boundary Conditions

Boundary Conditions berarti bahwa batasan untuk panjang data pada

kedua sequence akan dimulai dari titik awal hingga ke titik akhir kedua

data tersebut.

Langkah berikutnya dengan membuat matriks DTW. Matriks DTW akan

menentukan jalur mana yang akan digunakan, dengan meghitung total cost

pencarian jalur yang mungkin dilewati. Semua jalur akan diakumulasi terlebih

dahulu, dengan definisi sebagai berikut :

lmn$ o, p = $qrstu(o, p)...........................(2.15)

Baris Pertama :

kvw 1, 6 = *(LxyZ HZ$, Ix),$$$$6 ∈ [1,G].............................(2.16)

Kolom Pertama :

kvw 6, 1 = *(7xyZ Hx$, IZ),$$$$5 ∈ [1, J]..............................(2.17)

Untuk Baris dan Kolom berikutnya :

kvw 5, 6 = * H7$, I7 + min kvw 5 − 1, 6 − 1 , kvw 5 −

$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$1, 6 , kvw 5, 6 − 1 ,$$$$5 ∈ 1, J , 6 ∈ [1,G] ...(2.18)


36

Setelah menghitung matriks DTW, maka untuk menentukan total dari cost

jarak yang melewati jalur warping didefinisikan sebagai berikut :

f�ÄÅ = $Z

Ç${min kvw 1,h ,kvw 2,h ,… , kvw i,h } .......................(2.19)

Dengan Cost dari Optimal Warping Path adalah cost akumulasi minimum.

Setelah melakukan proses identifikasi terhadap Ruga Palatal, langkah

selanjutnya yang harus dilakukan adalah mengetahui nilai akurasi dalam proses

identifikasi Ruga Palatal.

2.7.!Menghitung Nilai Akurasi pada Proses Identifikasi

Menghitung nilai akurasi pada proses identifikasi sangat penting dilakukan

untuk mengetahui seberapa handal metode – metode yang digunakan baik itu dalam

ekstraksi fitur maupun metode yang digunakan pada proses klasifikasi, sehingga

nantinya kita akan mengetahui apakah metode – metode tersebut sudah tepat untuk

diimplementasikan pada penelitian atau perlu pembelajaran lebih lanjut akan

metode – metode lainnya.

Metode perhitungan akurasi pada penelitian ini dilakukan dengan mencari

score False Rejection Rate (FRR) sebagai syarat yang harus dipenuhi dalam proses

identifikasi dengan menggunakan obyek biometrik dan dengan tujuan untuk proses

identifikasi forensik selain cara tersebut dilakukan juga proses perhitungan akurasi

menggunakan cross validation.

2.7.1.! Match Rate and False Rejection Rate (FRR)

False Rejection Rate (FRR) merupakan salah satu syarat yang harus

dipenuhi dalam menentukan tingkat akurasi dengan obyek biometrik untuk

keperluan identifikasi forensik. FRR akan menghitung nilai pada keadaan dimana

citra input (Ruga Palatal) dianggap bukan berasal dari Ruga Palatal yang sama,

padahal kedua gambar tersebut berasal dari Ruga Palatal dari manusia yang sama.


37

Rumus yang digunakan untuk menghitung nilai FRR adalah sebagai berikut

:

Ö&& = $Ü2Çá:à$xâL:>7:8$äâã7>â837å7x:ç7$é:á:à

Ü2Çá:à$çâá2ã2à$xâL:>7:8$H$100%..........................(2.20)

Semakin rendah nilai FRR pada suatu penelitian maka kerja sistem terhadap

metode – metode yang diberikan pada proses identifikasi akan semakin akurat dan

baik.

Sedangkan Match Rate atau akurasi keberhasilan dikenalinya individu

terhadap penelitian yang dilakukan yaitu :

h#Å*ℎ$ë#Åí = $100% − Ö&&.............................................................(2.21)

2.7.2.! Cross Validation

Cross Validation merupakan teknik untuk menilai atau memvalidasi

keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan

model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap

suatu data baru. Data yang digunakan untuk memvalidasi model disebut sebagai

data test.

Metode cross validation merupakan teknik membagi dataset menjadi

beberapa bagian (dalam hal ini membagi data menjadi 4 bagian karena data ruga

palatal yang digunakan sebanyak 4 setiap individu). Kemudian dilakukan sejumlah

4 kali eksperimen, dimana masing – masing eksperimen menggunakan data partisi

sebagai data testing dan memanfaatkan sisa partisai lainnya sebagai data training.

Untuk mendapatkan nilai akurasi dapat diambil nilai rata – rata dari seluruh

eksperimen.


38

BAB. III

METODE PENELITIAN

Pada bab ini akan dijelaskan mengenai proses penelitian yang akan

dilakukan, yang akan memuat mengenai metode – metode yang digunakan oleh

peneliti untuk memproses data yang akan dikumpulkan sehingga peneliti dapat

dengan jelas dan secara sistematis dapat mengimplementasikan metode – metode

yang digunakan pada penelitian ini. Bab ini antara lain membahas mengenai Data

yang digunakan pada penelitian, blok diagram prosedur penelitian, penerapan

metode-metode yang digunakan dari tahap preprocessing, ekstraksi fitur hingga

proses pengenalan yang dilakukan (input, proses, output), percobaan pengujian

dengan menggunakan teknik akurasi data yang digunakan pada penelitian ini, serta

rencana analisis penelitian.

3.1.! Gambaran Penelitian

Gambar 3.1 Diagram Block Sistem

Training Testing

Data

Pre-Processing

Segmentation

Feature Extraction (Moment Invariants)

Dynamic Time Warping (DTW)

Evaluation

Data

Pre-Processing

Segmentation

Feature Extraction (Moment Invariants)

Feature Vector

<database> Minimum Distance


39

3.1.1.! Data

Data yang digunakan pada penelitian ini merupakan citra ruga palatal

berukuran 355 x 288 piksel bertipe PNG (Portable Network Graphics) sebanyak 60

citra yang berasal dari 15 responden, sehingga masing – masing responden

memiliki 4 citra Ruga Palatal. Data citra didapat dengan melakukan foto terhadap

bagian ruga palatal pada rongga mulut atas responden dengan menggunakan

kamera intra-oral M-989 SuperCAM oleh peneliti. Responden merupakan individu

dengan jenis kelamin dan umur yang tidak dibatasi, agar peneliti bisa mendapatkan

informasi yang lebih luas mengenai hasil identifikasi nantinya, serta dapat menjadi

bahan penelitian untuk cakupan yang lebih mendalam pada masa – masa

selanjutnya.

Untuk mendapatkan data citra Ruga Palatal, responden perlu

menandatangani sebuah formulir persetujuan yang menyatakan bahwa responden

bersedia untuk difoto pada Ruga Palatal-nya serta informasi-informasi terkait

proses penelitian yang akan dilakukan secara umum, pada formulir tersebut,

responden juga memberikan informasi identitasnya berupa nama, umur dan jenis

kelamin (dengan batasan bahwa identitas responden dirahasiakan) .

Gambar 3.2 Citra Ruga Palatal


40

Citra diatas merupakan salah satu contoh citra Ruga Palatal responden

dengan kode responden 004-RPC-116 bernama Mrs. X yang diambil pada tanggal

08 Oktober 2017. Responden berumur 22 tahun dan berjenis kelamin perempuan.

3.1.2.! Pre-Processing

Gambar 3.3 Block Diagram Pre-Processing

3.1.2.1!Grayscale

Tahap awal dalam proses pre-processing pada penelitian ini akan terlebih

dahulu membaca data ruga palatal ke dalam workspace sehingga dapat digunakan

sebagai data input citra ruga palatal :

RugaRGB=imread(�INDIVIDU_03_01.png�);

Sehingga pada workspace sudah terdapat sebuah variable RugaRGB yang

merupakan citra Ruga Palatal bertipe RGB.

Gambar 3.4 Citra Ruga Palatal RGB

Input RGB Grayscale Top-Hat

Transformation

Contrast Stretching Binarization

Noise Removal Dilation


41

Grayscale atau citra keabuan pada ruga palatal dibutuhkan agar dapat diolah

pada metode-metode pre-processing berikutnya. Mengubah citra RGB menjadi

grayscale menggunakan fungsi matlab sebagai berikut :

GrayA = rgb2gray(a);

Gambar 3.5 Citra Ruga Palatal GrayScale

3.1.2.2!Top-Hat Filtering Transformation

Top-Hat sangat berpengaruh pada penelitian ini karena Top-Hat akan

memperjelas obyek yang memiliki keterangan lebih tinggi dibandingkan dengan

lainnya pada citra, dimana keterangan lebih tinggi berarti permukaan obyek

tersebut lebih tinggi juga dibandingkan dengan bagian lainnya sehingga dapat

mengidentifikasikan bahwa permukaan tersebut adalah ruga palatal pada citra.

Pengaplikasiannya pada matlab sebagai berikut :

CobaTopHat01 = imtophat(grayA,STREL(‘disk’,9);


42

(a)! (b) (c)

Gambar 3.6 STREL (a) disk dengan radius 8 (b) disk dengan radius 7 (b) disk dengan radius 9

STREL merupakan elemen penstruktur yang digunakan, pada penelitian ini

untuk transformasi Top-Hat peneliti menggunakan elemen penstruktur berbentuk

disk dengan ukuran 9. Ukuran tersebut berdasarkan hasil penemuan optimal, disk

dipilih karena membuat bagian yang mempunyai intensitas keterangan lebih tinggi

akan semakin tajam dan memperhalus permukaan tersebut. Ukuran radius

penstruktur sebesar 9 yang digunakan, berarti bahwa elemen penstruktur berbentuk

disk memiliki radius piksel sebesar 9 x 9. Tidak ada aturan khusus dalam

menentukan nilai radius elemen penstruktur, tetapi peneliti menggunakan radius

sebesar 9 piksel karena elemen penstruktur disk sebaiknya berjumlah ganjil dan

akan memiliki nilai median yang bulat, sehingga disk terbentuk dan terstruktur

dengan lebih jelas.

Gambar 3.7 Citra Ruga Palatal Top-Hat


43

Dapat dilihat bahwa hasil top-hat akan mendeteksi bagian permukaan yang

lebih tinggi dibandingkan lainnya, sehingga dapat disimpulkan bahwa permukaan

yang lebih tinggi tersebut merupakan ruga palatal pada citra.

3.1.2.3!Contrast Stretching

Citra hasil Top-Hat telah berhasil untuk mendeteksi bagian ruga palatal pada

citra dan memperhalus permukaannya , tetapi citra tersebut belum memperlihatkan

secara jelas bagian ruga palatal pada citra karena baru mengangkat atau

memperlihatkan permukaannya saja, maka perlu dilakukan penyebaran kontras

atau contrast stretching berdasarkan nilai kontras pada permukaan citra yang

dideteksi lebih tinggi tersebut. Pada tahap ini, penyebaran kontras dilakukan

sebanyak dua kali, untuk pertama, penyebaran kontras berdasarkan nilai kontras

hasil top-hat dan penyebaran kontras berdasarkan hasil penyebaran kontras yang

pertama sehingga nantinya akan terlihat sangat jelas struktur dari ruga palatal pada

citra. Berikut histogram sebelum dan sesudah penyebaran kontras :

Gambar 3.8 Histogram Hasil Top-Hat


44

Gambar 3.9 Histogram Hasil Contrast Stretching 2 Tahap

Sehingga hasil contrast stretching 2 Tahap dapat dilihat sebagai berikut :

Gambar 3.10 Citra hasil Contrast Stretching Tahap 1

Gambar 3.11 Citra hasil Contrast Stretching Tahap 2


45

3.1.2.4!Binarization

Setelah pola dari ruga palatal pada citra terlihat lebih jelas, maka citra

tersebut perlu dikonversi menjadi citra hitam-putih atau biner dengan nilai piksel

hanya 0 dan 1, dimana 0 merupakan hitam dan 1 merupakan putih. Citra perlu

dikonversi menjadi biner agar dapat diolah pada proses segmentasi dan ekstraksi

fitur mengingat bahwa metode yang digunakan akan menganalisa berdasarkan

representasi obyek pada citra, dimana suatu obyek dapat dilihat jika obyek tersebut

memiliki kumpulan warna yang sama dan warna pada obyek berbeda dengan warna

latarnya.

Binerisasi akan mengubah setiap nilai piksel pada citra input menjadi 0 dan

1, dimana nilai piksel tersebut 0 atau 1 bergantung dengan threshold atau batas

ambang yang diberikan. Nilai threshold berkisar antara 0 sampai 100 persen. Pada

penelitian ini, peneliti melakukan set untuk threshold sebesar 0.22 atau 22 %. Jadi

ketika nilai piksel atau nilai kontras pada piksel ke – i lebih kecil dari 0.22 maka

nilai piksel diubah menjadi 0 (hitam) atau dianggap sebagai background, sedangkan

ketika nilai piksel lebih besar sama dengan 0.22 maka nilai piksel diubah menjadi

1 (putih) atau dianggap sebagai bagian dari obyek.

Gambar 3.12 Perbandingan Threshold Citra Biner


46

Dapat dilihat pada (gambar 3.11), peneliti menggunakan threshold sebesar

0.22 karena merupakan nilai optimal berdasarkan beberapa percobaan yang

dilakukan dengan hasil binerisasi dengan threshold berbeda-beda seperti berikut,

(a) merupakan citra biner dengan threshold 0.22 seperti yang digunakan oleh

peneliti, (b) merupakan citra biner dengan threshold 0.25, (c) merupakan citra biner

dengan threshold 0.80 dan (d) merupakan citra biner dengan threshold 0.10.

Dengan menggunakan threshold sebesar 0.22, hasil citra biner berhasil tidak

menghilangkan pola dari ruga palatal dan juga nilai threshold tersebut netral untuk

seluruh data ruga lainnya.

3.1.2.5!Noise Removal

Dapat dilihat bahwa hasil binerisasi pada citra ruga palatal, terdapat obyek-

obyek yang tidak digunakan dan bukan merupakan obyek dari ruga palatal itu

sendiri, sehingga obyek-obyek tersebut harus dihilangkan, dengan demikian proses

segmentasi dan ekstraksi fitur dapat dilakukan secara maksimal.

Gambar 3.13 Hasil Median Filter

Oleh karena itu digunakan metode-metode noise removal yaitu median

filter, median filter akan memperbaiki kualitas citra dan untuk menghilangkan

obyek yang mengganggu berupa titik-titik atau biasa disebut salt and pepper noise.

Median filter menggunakan operasi 8-ketetanggaan, untuk setiap 8-ketetanggan

piksel pada citra akan diurutkan nilainya kemudian dicari nilai mediannya, nilai

median tersebut akan menggantikan nilai pada piksel ke-i .


47

Gambar 3.14 Hasil bwareaopen (a) threshold sebesar 300 (b) threshold sebesar 200

(c) threshold sebesar 500 (d) threshold sebesar 1000

Metode berikutnya yaitu menghilangkan obyek kecil yang tidak dapat

dikategorikan sebagai obyek ruga palatal sehingga dihilangkan dalam citra, untuk

pengaplikasiannya menggunakan fungsi matlab bwareaopen, bwareaopen akan

menginisialisasi rentetan piksel yang bernilai hingga besar piksel tersebut sebesar

300. Peneliti menganggap nilai kumpulan piksel sebesar kurang dari 300 adalah

optimal untuk keseluruhan data dan tidak dapat dikategorikan sebagai obyek ruga

palatal karena ukurannya yang sangat kecil.

Gambar 3.15 Hasil imclearborder

a b

c d


48

Metode selanjutnya yaitu menghilangkan border atau obyek-obyek yang

melekat pada sisi – sisi citra dimana obyek tersebut merupakan gigi responden,

dengan menggunakan fungsi matlab imclearborder dengan menghapus obyek atau

nilai piksel yang tidak bernilai 0 sepanjang 4 kotak piksel untuk masing-masing

sisi, sehingga jika terdapat piksel yang nilainya bukan 0 pada daerah tersebut, tidak

peduli seberapa panjang rentetan pikselnya akan diinisialisasi nilai pikselnya

menjadi 0.

3.1.2.6!Dilation

Gambar 3.16 Hasil Dilasi

Untuk proses berikutnya yaitu memperhalus dan mempertebal obyek pada

citra ruga palatal menggunakan dilasi, untuk penerapannya pada penelitian ini

menggunakan fungsi matlab imdilate. Dilasi akan mempertebal obyek dengan

menggunakan STREL yang telah dibahas sebelumnya.

3.1.3.! Segmentation

Setelah proses pre-processing dilakukan dan citra ruga palatal telah dapat

dideteksi, maka langkah selanjutnya adalah melakukan proses segmentasi dimana

obyek berupa pola – pola pada citra ruga palatal dipisahkan satu persatu

berdasarkan batas pada sisi – sisi obyek tersebut.


49

Berikut merupakan algoritma Pseudocode dari proses segmentasi yang

dilakukan :

Sehingga hasil Segmentasi seluruh obyek berupa pola dari ruga palatal

adalah sebagai berikut :

Gambar 3.17 Hasil Segmentasi Citra Ruga Palatal

Input : A Citra hasil Pre-Processing bertipe biner.

Inisialisasi jumlah obyek pada citra A.

For j = 1 : MLabel //perulangan sebanyak jumlah obyek pada citra A.

Inisialisasi koordinat matriks berupa indeks matriks baris dan kolom obyek ke – j.

Inisialisasi panjang dari obyek dengan menambahkan border sebesar 2 piksel.

Inisialisasi tinggi dari obyek dengan menambahkan border sebesar 2 piksel.

Target = zeros([len breadth]) //membuat matriks kosong untuk menampung obyek dengan panjang dan lebar piksel yang telah diinisialisasi.

For i = 1 : Max(Row)

Target(x,y) = PreProcessing (Row(i,1),Col(i,1)

//perulangan untuk menginisialisasi matriks kosong yang telah dibuat dengan isi merupakan nilai piksel pada citra hasil pre-processing sesuai dengan posisi baris dan kolom piksel pada citra A.

end

end

Output : Hasil Segmentasi Seluruh Obyek pada citra A


50

3.1.4.! Ekstraksi Fitur

Ekstraksi fitur menggunakan metode Moment Invariants. Setelah pola ruga

palatal hasil segmentasi didapatkan maka, dari setiap pola tersebut akan dihitung

nilai moment invariants, dimana setiap pola memiliki nilai moment invariants

sebanyak 7 berdasarkan ordo arah dari koordinat pusat pada pola tersebut.

Berikut merupakan algoritma pseudocode pada Moment Invariants :

Pseudocode Moment Spacial :

Input : F Citra hasil preprocessing berbentuk biner , p dan q merupakan orde dari momen spasial

Inisialisasi matriks m x n berdasarkan ukuran matriks citra F.

Inisialisasi nilai awal momen spasial pada orde p,q sama dengan 0.

For y = 1 : m // perulangan untuk setiap baris pada matriks citra F.

For x=1 : n // perulangan untuk setiap kolom pada matriks F.

If F(y,x) ~= 0 // kondisi jika pada piksel y,x pada citra F tidak bernilai 0

then MomenSpasial = MomenSpasial + x^p * y^q

// jumlah nilai MomenSpasial sebelumnya ditambahkan hasil kali kolom matriks F (ordinat piksel F) pangkat orde p dikali baris matriks F (absis piksel F) pangkat orde q.

end if

end for x

end for y

return MomenSpasial

Output : Nilai Momen Spasial pada citra F dengan orde p,q


51

Pseudocode Moment Pusat :

Input : F Citra hasil preprocessing berbentuk biner , p dan q merupakan orde dari momen pusat


Inisialisasi Momen Pusat orde 0,0 berdasarkan nilai Momen Spasial pada citra F berorde 0,0.

Inisialisasi pusat massa xc dengan nilai Momen Spasial pada citra F berorde 1,0 dibagi Momen Pusat orde 0.0

Inisialisasi pusat massa yc dengan nilai Momen Spasial pada citra F berorde 0,1 dibagi Momen Pusat orde 0.0

Inisialisasi nilai awal momen pusat pada orde p,q sama dengan 0.

For y = 1 : m // perulangan untuk setiap baris pada matriks citra F.

For x=1 : n // perulangan untuk setiap kolom pada matriks F.

If F(y,x) ~= 0 // kondisi jika pada piksel y,x pada citra F tidak bernilai 0

then MomenPusat= MomenPusat + (x-xc)^p * (y-yc)^q

// jumlah nilai MomenPusat sebelumnya ditambahkan hasil kali baris matriks F (absis piksel F) dikurang nilai pusat massa xc pangkat orde p dikali kolom matriks F (ordinat piksel F) pangkat orde q.

end if

end for x

end for y

return MomenPusat

Output : Nilai Momen Pusat pada citra F dengan orde p,q


52

Pseudocode Normalisasi Moment Pusat :

Input : F Citra hasil preprocessing berbentuk biner , p dan q merupakan orde dari momen spasial


Inisialisasi nilai piksel citra F ke representasi tipe double.

Inisialisasi momen pusat orde 0,0 berdasarkan nilai momen spasial pada citra F orde 0,0.

Normalisasi = m00 ^ ((p+q+2)/2,0)

// nilai Normalisasi merupakan nilai momen pusat orde 0,0 pangkat hasil penjumlahan orde p + q ditambah 2 kemudian hasil tersebut dibagi 2.

return momen_pusat orde p,q/ Normalisasi

Output : Nilai Momen Pusat ternormalisasi pada citra F dengan orde p,q


53

Pseudocode Moment Invariants :

Berikut merupakan nilai hasil ekstraksi fitur terhadap citra ruga palatal

menggunakan moment invariants :

Tabel 3.1 Nilai Hasil Moment Invariant Pada Citra Ruga Palatal

Input : F Citra hasil preprocessing berbentuk biner

Inisialisasi nilai masing – masing momen pusat ternormalisasi berorde 2,0. 0,2. 1,1. 3,0. 1,2. 2,1. 0,3 yang akan digunakan pada moment invariants.

Menghitung nilai ke tujuh moment invariants berdasarkan rumusan Hu :

∅Z = $∏X[ +$∏[X //Menghitung moment invariant pertama berdasarkan moment pusat

ternormalisasi pada orde 2 0 dan orde 0 2.

∅X = $ (∏X[ −$∏[X)X + (4∏ZZ)

X

//Menghitung moment invariant kedua berdasarkan moment pusat ternormalisasi.

∅] = $ (∏][ − $3∏ZX)X + (3∏XZ −$∏[])

X

// Menghitung moment invariant ketiga berdasarkan moment pusat ternormalisasi.

∅_ = $ (∏][ +$∏ZX)X + (∏XZ + ∏[])

X

//Menghitung moment invariant keempat berdasarkan moment pusat ternormalisasi.

∅` = $ (∏][ −$3∏ZX). (∏][ +$∏ZX)[(∏][ +$∏ZX)X − 3(∏XZ + $∏[])

X] +$(3∏XZ −

$∏[])(∏XZ + $∏[])[3(∏][ +$∏ZX)X − (∏XZ +$∏[])

X]

//Menghitung moment invariant kelima berdasarkan moment pusat ternormalisasi.

∅a = $ (∏X[ −$∏[X)[(∏][ +$∏ZX)X − (∏XZ +$∏[])

X] + 4∏ZZ(∏][ +$∏ZX)(∏XZ +$∏[])

//Menghitung moment invariant keenam berdasarkan moment pusat ternormalisasi. ∅b = $ (3∏XZ −$∏[]). (∏][ +$∏ZX)[(∏][ +$∏ZX)

X − 3(∏XZ +$∏[])X] − $(∏][ −

$3∏ZX). (∏XZ +$∏[])[(3∏][ +$∏ZX)X − (∏XZ +$∏[])

X]

//Menghitung moment invariant ketujuh berdasarkan moment pusat ternormalisasi.

Output : Nilai ketujuh moment invariants.


54


55

3.1.5.! DYNAMIC TIME WARPING (DTW)

Gambar 3.18 Block Diagram DTW

Moment Invariants

Re-Structure

Time - Series

Warping

Distance

TRAINING TESTING

Moment Invariants

Re-Structure

Time - Series


56

Setelah mengetahui nilai moment invariants untuk masing – masing obyek

pola pada Ruga Palatal maka Dynamic Time Warping (DTW) dapat digunakan

untuk mencari jarak minimum terhadap perbandingan masing-masing data antara

data testing dengan seluruh data training. Data-Set atau pembagian data

menggunakan cross validasi dibagi menjadi data testing sebanyak 15 yang

merupakan jumlah individu dan data training atau data yang akan dijadikan sebagai

knowledge berjumlah 45 dengan masing – masing individu memiliki 3 data ruga.

Sehingga total data dalam data-set sebanyak 60. Satu data testing akan

dibandingkan menggunakan dtw ke keseluruhan data training berjumlah 45.

3.1.5.1!Re-Structure

Re-Structure merupakan proses dalam mengubah struktur data menjadi

struktur data yang baru yang siap untuk digunakan atau diproses pada tahap

berikutnya, pada penelitian ini, restructure digunakan untuk mengubah dimensi

data berupa nilai moment invariants hasil ekstraksi fitur. Nilai moment invariants

seperti yang diketahui memiliki 7 nilai , sehingga jika terdapat 8 obyek atau pola

ruga palatal pada individu x, maka dimensi nilai fitur menjadi 8 x 7. Oleh karena

itu perlu dilakukan restructure sehingga nilai fitur dapat menjadi sebuah sequence

atau deretan data yang disusun konsisten mengingat karena dynamic time warping

bekerja pada data sequence. Berdasarkan hasil restructure tersebut maka data

sebagai contoh memiliki dimensi 8 x 7 akan berubah menjadi (1 x (8x7)) atau

berdimensi 1 x 56. Re-Structure pada matlab dapat dilakukan dengan memanggil

fungsi reshape sebagai berikut :

Output = reshape(A.�,1,[]) ;

Dimana :

A : Matriks Nilai Fitur Moment Invariants.


57

Berikut merupakan contoh matriks hasil moment invariants sebelum diubah

menjadi time series :

Gambar 3.19 Matriks nilai Moment Invariants

Setelah hasil moment invariants diubah menjadi time series adalah sebagai

berikut :

Gambar 3.20 Matriks Time Series Nilai Moment Invariants


58

3.1.5.2!Warping and Distance

Warping merupakan proses utama dalam dynamic time warping. Warping

adalah proses �perenggangan � data sehingga sequence pada data A akan sama

panjangnya dengan data B. Tahap dalam melakukan proses warping yaitu membuat

matriks dengan dimensi length(A) x length(B). Matriks tersebut berisi nilai cost

dengan ketentuan :

Baris Pertama :

kvw 1, 6 = *(LxyZ HZ$, Ix),$$$$6 ∈ [1,G].............................(3.1)

Kolom Pertama :

kvw 6, 1 = *(7xyZ Hx$, IZ),$$$$5 ∈ [1, J]..............................(3.2)

Untuk Baris dan Kolom berikutnya :

kvw 5, 6 = * H7$, I7 + min kvw 5 − 1, 6 − 1 , kvw 5 −

$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$1, 6 , kvw 5, 6 − 1 ,$$$$5 ∈ 1, J , 6 ∈ [1,G] ...(3.3)

Setelah mendapatkan nilai cost untuk masing – masing (i , j) maka perlu

dilakukan �perenggangan� untuk kedua data dengan mengambil nilai minimal cost

pada setiap baris pasangan, sehingga kita dapat mengetahui data ke – i pada data A

akan mengikuti nilai pada data B dengan indeks yang mana, tergantung nilai cost

minimumnya.

Sebagai contoh terdapat data 2 data sequence dengan 5 ≠ 6 adalah sebagai

berikut :

Sequence A : { 1,2,3,4,5 }

Sequence B : { 1,2,3,4,5,6,7 }


59

Maka matriks cost akan menjadi :

Tabel 3.2 Contoh Matriks Cost dan Optimal Warping Path

1 2 3 4 5 6 7

1 0 1 3 6 10 15 21

2 1 0 1 3 6 10 15

3 3 1 0 1 3 6 10

4 6 3 1 0 1 3 6

5 10 6 3 1 0 1 3

|4-1| + min(Cost(i-1,1))

Setelah mendapatkan seluruh nilai cost maka optimal path dapat ditentukan

sesuai dengan nilai minimum kolom j, dengan jalur w sebagai berikut :

Tabel 3.3 Contoh jalur lintasan Optimal Warping Path

w1 w2

1 1

2 2

3 3

4 4

5 5

5 6

5 7

Setelah kita dapat menemukan nilai cost minimum maka untuk menghitung

distance atau jarak antar kedua data sequence A dan B dengan menjumlahkan

seluruh optimal path pada cost(i,j), maka nilai distance-nya adalah

0+0+0+0+0+1+3 = 4.

|1-4| + min(Cost(1,j-1))

|2-2| + min (Cost(i-1,j-1),Cost(i-1,j),Cost(I,j-1))


60

Berikut merupakan algoritma pseudocode dari dynamic time warping :

Input : A merupakan time series nilai moment invariants testing, B time series merupakan nilai moment invariants training.

Deklarasi matriks cost dengan orde merupakan panjang maksimal dari time series atau sequence gabungan A dan B dengan nilai untuk setiap m,n masih kosong.

A(x,y) – B(x,y) .^2 \\Deklarasi matriks jarak untuk menghitung nilai jarak antara tome series A dan time series B menggunakan Euclidean distance.

For m = 2 : M

// perulangan untuk inisialisasi nilai matriks cost pada baris pertama, M merupakan jumlah kolom pada time series A. nilai matriks cost (m,1) merupakan jarak dari kolom pertama atau data awal dari time series A.

end

For n = 2 : N

// perulangan untuk inisialisasi nilai matriks cost pada kolom pertama, N merupakan jumlah kolom pada time series B. nilai matriks cost (1,n) merupakan jarak dari kolom pertama atau data awal dari time series B.

end

For m = 2 : M

For n = 2 : N

//perulangan untuk inisialisasi nilai matriks cost pada baris dan kolom selanjutnya.

end

end

while (n+m) ~= 2

// perulangan untuk mencari nilai warping pada data length + 1 hingga panjang data maksimal , data length + 1 merupakan data untuk time series yang lebih pendek diantara kedua time series (A dan B). Nilai warping merupakan nilai minimum pada posisi matriks cost (m-1,n),(m,n-1),(m-1,n-1).

end

output : nilai jarak minimum antara 2 sequence, path atau jalur minimum antara 2 sequence, nilai warping (hasil warped) time series A, nilai warping (hasil warped) time series B.


61

3.1.6.! Minimum Distance

Dari hasil warping kita telah mengetahui dan mendapatkan sebuah nilai

distance atau jarak minimum antar kedua data. Karena data testing akan di warping

satu – persatu dengan data yang ada pada training maka minimum distance

merupakan distance paling minimum dari jumlah distance dari setiap 3 data untuk

1 individu. Simulasi dapat dilihat sebagai berikut :

Contoh, data set adalah sebagai berikut :

Terdapat 12 data dalam data-set.

1 2 3 4 5 6 7 8 9 10 11 12

Gambar 3.21 Simulasi Minimum Distance 1

Sehingga proses testing untuk individu 1 adalah sebagai berikut :

Gambar 3.22 Simulasi Minimum Distance 2

2

3

4

6

7

8

10

11

12

1

Testing Testing Testing

Training Training Training

Individu 1

Individu 2

Individu 3

Testing Training

∑ k5ÄÅ#i*í$!ig5î5gï$1



Min(D1,D2,D3)


62

3.1.7.! Evaluation

Terdapat sebanyak 45 data jarak hasil warping, mengingat bahwa data

training yang digunakan sebanyak 45 citra ruga palatal dari total 60 data, dimana

15 data lainnya digunakan sebagai testing. Pada data training, setiap 3 data yang

ada mewakili satu individu atau responden yang sama, sehingga nilai jarak hasil

warping akan dijumlah setiap 3 data, jadi setiap individu telah diwakili oleh nilai

jumlah hasil warping-nya, dimana terdapat 15 individu. Dari jumlah hasil warping

ke 15 individu tersebut akan dicari nilai terendah yang mengindikasi bahwa nilai

tersebut merupakan nilai jarak minimum dari hasil warping untuk setiap individu

dan dapat dikatakan bahwa ruga palatal tersebut cenderung lebih mirip

dibandingkan ruga palatal individu lainnya.

Pembagian data dengan menggunakan cross validation adalah sebagai

berikut :

1.! Data Set 01 (jumlah data = 60) :

Tabel 3.4 Data Set 01

Testing Training

1-15

(sesuai jumlah

individu)

16-60

(terdapat 3 data setiap

individu)



Testing Training

16-30

(sesuai jumlah

individu)

1-15 dan 31-60


individu)


63



Testing Training

31-45

(sesuai jumlah

individu)

1-30 dan 46-60


individu)



Testing Training

46-60

(sesuai jumlah

individu)

1-45


individu)

Ö&&$ = $ñïhó#ℎ$òí6#g5#i$víë5gíiÅ5ô5ò#Ä5$ö#ó#ℎ

ñïhó#ℎ$Äíóïëïℎ$òí6#g5#i$H$100%

G#Å*ℎ$&#Åí$ = $100% − Ö&&

Untuk masing – masing Data – Set akan dihitung akurasi berdasarkan match

rate dan FRR (False Reject Rate). Match rate akan menghitung nilai akurasi

berdasarkan data ruga yang berhasil diidentifikasi secara benar oleh sistem,

sedangkan FRR akan menghitung nilai akurasi berdasarkan data ruga yang

diidentifikasi secara salah oleh sistem.


64

3.2.!Kebutuhan Sistem

Alat yang digunakan dalam penelitian ini antara lain adalah :

1.! Perangkat Keras (Hardware)

Komputer yang digunakan memiliki spesifikasi sebagai berikut :

1)! Processor : AMD Turion X2, 2.0Ghz

2)! Memory : 4 GB

3)! Hard Drive : 500 GB

Kamera yang digunakan dalam proses pengumpulan data ruga palatal

adalah sebagai berikut :

1)! Jenis : Kamera Intra-Oral khusus mulut dan rahang

2)! Tipe : M-989 SuperCAM

3)! Output : Picture with maximum 720x576.

2.! Perangkat Lunak (Software)

Perangkat lunak yang digunakan adalah sebagai berikut :

1)! Sistem Operasi : Mac OS X.10

2)! Penghubung Kamera : VLC (untuk screenshot gambar ruga)

3)! Implementasi Sistem : MATLAB R2015a


65

3.3.!Perancangan Antarmuka Sistem

Gambar 3.23 Header Antarmuka Sistem

Pada gambar 3.23 merupakan antarmuka bagian header pada sistem, terdapat

beberapa komponen di dalamnya antara lain :

1)! Logo dan Judul

Merupakan Logo Universitas Sanata Dharma dan Judul mengenai

penelitian yang dilakukan serta nama dan nim peneliti.

2)! Tombol Browser

Sebuah action Button yang berfungsi untuk melakukan pengambilan sebuah

gambar testing ruga palatal responden pada penyimpanan komputer.

3)! Tombol Identify

Sebuah action Button yang berfungsi untuk melakukan proses identifikasi

terhadap citra testing ruga palatal dan melakukan seluruh tahap proses

penelitian pada sistem.

4)! Tab Pre-Processing, Segmentasi dan Ekstraksi Fitur dan DTW

Tab tersebut berfungsi untuk menampilkan antarmuka pada panel pre-

processing, segmentasi dan ekstraksi fitur dan dtw sebagai seluruh tahap yang

dilakukan dalam penelitian ini.


66

Gambar 3.24 Antarmuka Tahap Pre-Processing

Pada gambar 3.24 merupakan antarmuka untuk hasil sesuai tahap pre-

processing pada penelitian yang dilakukan, yaitu :

1)! Input Image

Tampilan gambar untuk citra testing yang dipilih bertipe RGB.

2)! GrayScale

Tampilan gambar untuk hasil proses menjadi citra keabuan.

3)! TopHat

Tampilan gambar untuk hasil proses menggunakan metode top-hat.

4)! Countour Based

Tampilan gambar untuk hasil contrast stretching tahap 1.

5)! Saturated

Tampilan gambar untuk hasil constrast stretching tahap 2.


67

6)! Binary

Tampilan gambar untuk hasil proses menjadi citra hitam-putih atau biner.

7)! Median Filter

Tampilan gambar untuk hasil proses menghilangkan noise menggunakan

Median Filter.

8)! Remove Noise

Tampilan gambar untuk hasil proses penghilangan noise berupa obyek –

obyek tertentu yang tidak digunakan dalam penelitian.

9)! Dilasi

Tampilan gambar untuk hasil proses penebalan obyek ruga palatal

menggunakan metode dilasi.

10)!Final Pre-Processing

Tampilan untuk hasil akhir proses pre-processing dengan menghilangkan

obyek yang melekat pada bagian sisi – sisi pada citra.


68

Gambar 3.25 Antarmuka Tahap Segmentasi dan Ekstraksi Fitur

Pada gambar 3.25 merupakan antarmuka pada hasil dari tahap segmentasi dan

esktraksi fitur yang dilakukan, adapun komponen pada antarmuka tersebut adalah

sebagai berikut :

1)! Hasil Segmentasi

Terdapat beberapa slot tempat untuk menampilkan gambar hasil segmentasi

yang dilakukan pada citra input atau testing hasil pre-processing.

2)! Hasil Ekstraksi Fitur

Merupakan tampilan untuk hasil perhitungan setiap fitur yang merupakan

hasil segmentasi untuk masing – masing obyek ruga palatal dengan

menggunakan metode moment invariants.


69

Gambar 3.26 Antarmuka Tahap Hasil Pengenalan dengan menggunakan DTW

Pada gambar 3.26 merupakan antarmuka untuk hasil pengenalan terhadap ruga

palatal menggunakan metode Dynamic Time Warping (DTW), adapun komponen

pada antarmuka tersebut adalah sebagai berikut :

1)! Panel Data-Set

Pada bagian antarmuka ini, terdapat option untuk memilih data-set yang

digunakan dalam proses identifikasi, selain itu terdapat info tabel mengenai

dimensi data untuk jumlah ruga dan jumlah nilai moment invariants setiap data

yang ada pada data training untuk data set yang dipilih serta hasil perubahan

bentuk nilai moment – invariants untuk masing-masing data pada data training

menjadi bentuk time-series.

2)! Panel DTW

Pada bagian antarmuka ini, terdapat hasil warping menggunakan DTW

untuk individu dengan nilai jarak paling minimum . Dikarenakan pada data

training setiap individu memiliki 3 data maka pada bagian antarmuka ini


70

terdapat info masing - masing untuk ketiga data mengenai jalur atau path yang

dilalui dalam proses warping dan terdapat button untuk menampilkan grafik

sebelum dan sesudah warping serta grafik untuk optimal warping path yang

dilalui.

3)! Panel Identity

Pada bagian antarmuka ini, terdapat info mengenai nilai jarak minimum

yang diperoleh dari 15 responden dan info mengenai nama, umur dan jenis-

kelamin serta citra input atau testing untuk responden dengan nilai jarak

minimum tersebut. Terdapat juga tombol reset untuk memuat ulang sistem.


71

BAB. IV

IMPLEMENTASI DAN ANALISA

Bab ini membahas uraian implementasi sistem berupa hasil penelitian dengan

menggunakan metode moment invariants dan dynamic time warping berdasarkan

pengujian kombinasi data-set dengan metode cross validasi yang digunakan serta

pengujian terhadap data tunggal dan uraian mengenai analisa hasil luaran terkait

perolehan akurasinya.

4.1.! Hasil Penelitian

Peneliti menggunakan data berupa citra atau foto rongga mulut bagian rahang

atas pada responden dengan menggunakan kamera intra-oral dan tambahan light

stick led agar cahaya dapat menyebar kedalam rongga mulut responden. Terdapat

total sebanyak 15 responden dan masing – masing responden memiiki 4 citra ruga

palatal yang digunakan, sehingga total data yang digunakan dalam penelitian ini

sebanyak 60 citra dengan data sebagai berikut :

Tabel 4.1 Daftar Data Responden

INDIVIDU NAMA UMUR JENIS

KELAMIN NAMA FILE

01 OKTOVIANUS 26 LAKI-LAKI

INDIVIDU_01_01.png

INDIVIDU_01_02.png

INDIVIDU_01_03.png

INDIVIDU_01_04.png

02 MARCELLINUS 22 LAKI-LAKI

INDIVIDU_02_01.png

INDIVIDU_02_02.png

INDIVIDU_02_03.png

INDIVIDU_02_04.png


72

03 JONATHAN 20 LAKI-LAKI

INDIVIDU_03_01.png

INDIVIDU_03_02.png

INDIVIDU_03_03.png

INDIVIDU_03_04.png

04 TOMMY 22 LAKI-LAKI

INDIVIDU_04_01.png

INDIVIDU_04_02.png

INDIVIDU_04_03.png

INDIVIDU_04_04.png

05 AGUS 21 LAKI-LAKI

INDIVIDU_05_01.png

INDIVIDU_05_02.png

INDIVIDU_05_03.png

INDIVIDU_05_04.png

06 BRIAN 23 LAKI-LAKI

INDIVIDU_06_01.png

INDIVIDU_06_02.png

INDIVIDU_06_03.png

INDIVIDU_06_04.png

07 PRIMA 22 LAKI-LAKI

INDIVIDU_07_01.png

INDIVIDU_07_02.png

INDIVIDU_07_03.png

INDIVIDU_07_04.png

08 WIWIS 20 PEREMPUA

N

INDIVIDU_08_01.png

INDIVIDU_08_02.png

INDIVIDU_08_03.png

INDIVIDU_08_04.png

09 ANTONIO 22 LAKI-LAKI

INDIVIDU_09_01.png

INDIVIDU_09_02.png

INDIVIDU_09_03.png

INDIVIDU_09_04.png

10 RIKA 22 PEREMPUA

N

INDIVIDU_10_01.png

INDIVIDU_10_02.png

INDIVIDU_10_03.png

INDIVIDU_10_04.png

11 MARIO 30 LAKI-LAKI INDIVIDU_11_01.png

INDIVIDU_11_02.png


73

INDIVIDU_11_03.png

INDIVIDU_11_04.png

12 SANDY 20 LAKI-LAKI

INDIVIDU_12_01.png

INDIVIDU_12_02.png

INDIVIDU_12_03.png

INDIVIDU_12_04.png

13 RIZKY 16 LAKI-LAKI

INDIVIDU_13_01.png

INDIVIDU_13_02.png

INDIVIDU_13_03.png

INDIVIDU_13_04.png

14 VALENTINO B. 19 LAKI-LAKI

INDIVIDU_14_01.png

INDIVIDU_14_02.png

INDIVIDU_14_03.png

INDIVIDU_14_04.png

15 RICHARDO 19 LAKI-LAKI

INDIVIDU_15_01.png

INDIVIDU_15_02.png

INDIVIDU_15_03.png

INDIVIDU_15_04.png

Gambar 4.1 Pembuatan data training dan Pengenalan

Pada prosesnya, hal pertama yang dilakukan adalah pembuatan data training

terlebih dahulu berdasarkan data set yang digunakan. Data training merupakan

nilai moment invariants untuk setiap data pada kelompok data training yang telah


74

di re-struktur menjadi satu dimensi berbentuk time series, setelah itu memuat file

berupa foto atau citra ruga palatal pada kelompok data testing, kemudian menekan

tombol identify untuk memproses data testing tersebut, hal yang dilakukan ketika

menekan tombol identify yaitu melakukan proses pre-processing pada data testing,

melakukan proses segmentasi dan ekstraksi fitur kemudian melakukan pengenalan

berdasarkan nilai fiturnya menggunakan dtw, nilai fitur pada data testing akan di

warping terhadap data training yang telah dibuat satu – persatu sehingga

menghasilkan jarak minimum untuk masing – masing perbandingan data. Terdapat

45 nilai minimum dengan masing – masing 3 nilai minimum hasil warping untuk

mewakili satu individu. Maka oleh karena itu setiap 3 jarak minimum dijumlahkan

nilainya untuk mendapatkan total jarak minimum untuk satu individu, maka

terdapat 15 total jarak minimum untuk 15 individu, data testing tadi akan dikenali

berdasarkan total jarak paling minimum yang diperoleh dari ke – 15 individu.

a)! Hasil Warping Individu yang Dikenali sebagai Data Testing Ruga - 1

Gambar 4.2 Grafik Warping 01


75

Gambar 4.3 Optimal Warping Path 01

b)! Hasil Warping Individu yang Dikenali sebagai Data Testing Ruga – 2



76


c)! Hasil Warping Individu yang Dikenali sebagai Data Testing Ruga – 3



77


Gambar (4.2), gambar (4.4) dan gambar (4.6) merupakan grafik mengenai

time-series antar kedua sequence data, dimana grafik sebelah kiri merupakan grafik

time-series antar kedua data yang belum diwarping, dapat kita lihat bahwa panjang

antar sequence data A dan B memiliki panjang atau dimensi yang berbeda. Pada

grafik sebelah kanan merupakan grafik time-series antara kedua data yang telah di

warping, dimensi atau panjang antar data menjadi sama dengan jalur path yang

dinamis sesuai dengan nilai minimum cost yang telah dihitung. Sedangkan pada

gambar (4.3), gambar (4.5) dan gambar (4.6) merupakan optimal warping path atau

jalur optimal antara data sequence A dan B, dimana bagian sisi kanan (baris)

menandakan data sequence A dan sisi bawah (kolom) merupakan data sequence B.

Garis putih merupakan path atau jalur yang dilewati pada optimal warping path

data A dan B, dimana cara mendapatkan garis adalah 1 – nilai optimal path.


78

4.1.1.!Pengujian dengan Cross Validation

a)!Hasil Pengujian Data Set 01

Tabel 4.2 Hasil Pengujian Set 1

Berdasarkan hasil identifikasi pada data-set 01 maka dapat diketahui

akurasi yang diperoleh adalah :

G#Å*ℎ$&#Åí = $ õZ`= 53.33$%

Ö&& = 100% − 53.33% = 46.67%

Match Rate atau akurasi sistem mampu mengidentifikasi secara benar

individu tersebut adalah sebesar 53.33% dan False Rejection Rate atau akurasi

sistem mengidentifikasi secara salah individu tersebut adalah 46.67%.

No. Data Testing Dikenali Sebagai : Teridentifikasi

01 INDIVIDU_01_01.png Oktovianus Agus Salah

02 INDIVIDU_02_01.png Marcellinus Marcellinus Benar

03 INDIVIDU_03_01.png Jonathan Jonathan Benar

04 INDIVIDU_04_01.png Tommy Brian Salah

05 INDIVIDU_05_01.png Agus Tommy Salah

06 INDIVIDU_06_01.png Brian Brian Benar

07 INDIVIDU_07_01.png Prima Tommy Salah

08 INDIVIDU_08_01.png Wiwis Antonio Salah

09 INDIVIDU_09_01.png Antonio Antonio Benar

10 INDIVIDU_10_01.png Rika Rika Benar

11 INDIVIDU_11_01.png Mario Mario Benar

12 INDIVIDU_12_01.png Sandi Agus Salah

13 INDIVIDU_13_01.png Rizky Rizky Benar

14 INDIVIDU_14_01.png Valentino Valentino Benar

15 INDIVIDU_15_01.png Richardo Oktovianus Salah


79

b)! Hasil Pengujian Data Set 02


Berdasarkan hasil identifikasi pada data-set 02 maka dapat diketahui akurasi

yang diperoleh adalah :

G#Å*ℎ$&#Åí = $ ZZZ`= 73.33$%

Ö&& = 100% − 73.33% = 26.67%





01 INDIVIDU_01_02.png Oktovianus Antonio Salah



04 INDIVIDU_04_02.png Tommy Brian Salah

05 INDIVIDU_05_02.png Agus Agus Benar


07 INDIVIDU_07_02.png Prima Brian Salah

08 INDIVIDU_08_02.png Wiwis Wiwis Benar




12 INDIVIDU_12_02.png Sandi Rika Salah



15 INDIVIDU_15_02.png Richardo Richardo Benar


80

c)! Hasil Pengujian Data Set 03




G#Å*ℎ$&#Åí = $ bZ`= 46.67$%

Ö&& = 100% − 46.67% = 53.33%






02 INDIVIDU_02_03.png Marcellinus Rizky Salah


04 INDIVIDU_04_03.png Tommy Tommy Benar

05 INDIVIDU_05_03.png Agus Rika Salah


07 INDIVIDU_07_03.png Prima Tommy Salah

08 INDIVIDU_08_03.png Wiwis Antonio Salah



11 INDIVIDU_11_03.png Mario Rizky Salah

12 INDIVIDU_12_03.png Sandi Brian Salah



15 INDIVIDU_15_03.png Richardo Mario Salah


81

d)! Hasil Pengujian Data Set 04




G#Å*ℎ$&#Åí = $ bZ`= 46.67$%

Ö&& = 100% − 46.67% = 53.33%







03 INDIVIDU_03_04.png Jonathan Richardo Salah

04 INDIVIDU_04_04.png Tommy Tommy Benar

05 INDIVIDU_05_04.png Agus Agus Benar

06 INDIVIDU_06_04.png Brian Tommy Salah

07 INDIVIDU_07_04.png Prima Agus Salah

08 INDIVIDU_08_04.png Wiwis Marcellinus Salah

09 INDIVIDU_09_04.png Antonio Rizky Salah



12 INDIVIDU_12_04.png Sandi Rizky Salah



15 INDIVIDU_15_04.png Richardo Marcellinus Salah


82

Gambar 4.8 Diagram Perbandingan akurasi menggunakan Cross Validation

Berdasarkan perolehan nilai akurasi pada keseluruhan kombinasi data-set

yang digunakan, total match rate adalah (53.33% + 73.33% + 46.67% + 46.67%)/4

= 55 % dan total FRR adalah 100% - 55% = 45%. Akurasi sistem mampu

melakukan pengenalan paling baik terjadi pada data-set 02 dimana perolehan match

rate sebesar 73.33 % dan FRR sebesar 26.66 % dan akurasi terendah sekaligus

terbesar individu diidentifikasi secara salah oleh sistem pada data-set 03 dan data-

set 04 dengan match rate sebesar 46.66 % sedangkan FRR sebesar 53.33 %.

4.1.2.!Pengujian Data Tunggal

Pada pengujian data tunggal, data yang diuji merupakan data citra ruga palatal

pada individu yang sama tetapi bukan merupakan data yang digunakan dalam data

testing maupun data training pada kombinasi data-set.

Pengujian data tunggal pada penelitian ini menggunakan 15 data citra ruga

palatal untuk 15 individu, sehingga 1 data citra mewakili 1 individu. Berikut

merupakan hasil pengujian data tunggal :


83

Tabel 4.6 Hasil Pengujian Data Tunggal

4.2.!Analisa Hasil

Berdasarkan hasil pengujian terhadap data citra ruga palatal yang digunakan

baik itu dalam kombinasi data set yang ada dan juga data yang tidak ada dalam data

set, kesalahan dalam proses identifikasi atau data dikenali salah, sering dikenali

atau bahkan mengarah ke citra ruga palatal pada satu individu, sebagai contoh,

kebanyakan data input citra yang salah identifikasi dikenali sebagai ruga palatal

milik individu bernama brian. Setelah peniliti melakukan analisa terhadap data ruga

palatal individu bernama brian yang dapat kita perhatikan sebagai berikut :


01 TUNGGAL_01.png Oktovianus Antonio Salah

02 TUNGGAL_02.png Marcellinus Marcellinus Benar

03 TUNGGAL_03.png Jonathan Jonathan Benar

04 TUNGGAL_04.png Tommy Tommy Benar

05 TUNGGAL_05.png Agus Rizky Salah

06 TUNGGAL_06.png Brian Brian Benar

07 TUNGGAL_07.png Prima Prima Benar

08 TUNGGAL_08.png Wiwis Rika Salah

09 TUNGGAL_09.png Antonio Rizky Salah

10 TUNGGAL_10.png Rika Tommy Salah

11 TUNGGAL_11.png Mario Rika Salah

12 TUNGGAL_12.png Sandi Rika Salah

13 TUNGGAL_13.png Rizky Prima Salah

14 TUNGGAL_14.png Valentino Valentino Benar

15 TUNGGAL_15.png Richardo Agus Salah


84

Gambar 4.9 Analisa Citra Ruga Palatal Individu Bernama Brian

Dapat kita lihat bahwa ruga yang berhasil disegmentasi berdasarkan hasil pre-

processing-nya terhadap keempat data citra ruga milik Brian, dimensi atau

jumlahnya sangat sedikit, hanya berkisar 5 – 8 obyek ruga, sementara data lainnya

rata – rata memiliki jumlah antara 10 – 13 obyek ruga. Sehingga panjang sequence

atau time series-nya cenderung pendek dibandingkan data lainnya dan setelah


85

meneliti lebih lanjut data input yang digunakan pada testing yang salah tersebut

dimensi atau jumlah obyek ruganya juga hampir sama dengan obyek ruga pada

individu brian, sehingga dapat dipastikan ruga tersebut akan diidentifikasi sebagai

ruga palatal brian.

Sebagai contoh :

Ruga Palatal brian memiliki jumlah sebagai berikut (Ruga Brian 02 , 03 dan

04 digunakan dalam training) :

Tabel 4.7 Data Ruga Brian

Data Ruga Obyek Ruga (hasil

segmentasi)

Ruga Brian 01 8

Ruga Brian 02 7

Ruga Brian 03 5

Ruga Brian 04 7

Ruga Palatal prima memiliki jumlah sebagai berikut (Ruga Prima 01 digunakan

sebagai testing) :

Tabel 4.8 Data Ruga Prima

Data Ruga Obyek Ruga (hasil

segmentasi)

Ruga Prima 01 5

Ruga Prima 02 6

Ruga Prima 03 8

Ruga Prima 04 11

Sehingga ketika citra input atau testing merupakan citra ruga Prima pada set

01 yang mana obyek ruga-nya berjumlah 5 maka jarak terdekat merupakan data

citra ruga Brian 03. Selain mengenai dimensi atau panjang data yang sangat pendek

, nilai hasil ekstraksi fitur yang mirip pada individu yang berbeda juga berpengaruh,


86

hal ini dapat terjadi ketika bentuk obyek ataupun besar obyek ruga palatal hampir

sama.


87

BAB. V

PENUTUP

5.1.!Kesimpulan

Berdasarkan hasil penelitian identifikasi ruga palatal untuk keperluan forensik

post-mortem dengan menggunakan teknik ekstraksi berdasarkan nilai moment

invariant dan dynamic time warping (DTW) dapat disimpulkan bahwa :

1.!Hasil percobaan berdasarkan data ruga palatal yang diambil secara manual

dengan menggunakan metode cross validation untuk 4 data set yang ada,

masing – masing menghasilkan :

a)!Data set 1 memiliki presentase keberhasilan sebesar 56.66 % dengan

rincian match rate sebesar 56.66 % dan FRR sebesar 46.66 %.

b)!Data set 2 memiliki presentase keberhasilan sebesar 73.33 % dengan


c)!Data set 3 memiliki presentase keberhasilan sebesar 46.66 % dengan


d)!Data set 4 memiliki presentase keberhasil sebesar 46.66 % dengan


Sehingga total akurasi untuk match rate adalah sebesar 55 % dan FRR

sebesar 45 % pada keseluruhan data yang ada.

2.!Akurasi tertinggi berada pada data set 2 dengan presentase keberhasilan

sebesar 73.33 % .


88

3.! Terdapat beberapa data yang dikenali secara salah, dan berdasarkan

kesimpulan peneliti hal ini terjadi karena :

a)! Jumlah obyek ruga hasil segmentasi yang dimensinya signifikan pada

individu yang berbeda.

b)!Ada hasil ekstraksi fitur yang hampir sama (baik itu keseluruhan nilai

moment invariant atau jumlah obyek ruganya) antara individu yang

berbeda.

5.2. Saran

Dari hasil penilitian ini, ada beberapa saran yang peneliti dapat berikan untuk

penelitian selanjutnya pada pengaplikasian pola ruga palatal dalam proses

pengenalan menggunakan teknik komputasi digital seperti pemrosesan citra,

ekstraksi fitur, pengenalan pola maupun data-mining adalah sebagai berikut :

1.!Dalam proses pengambilan gambar atau data harus ada tambahan alat untuk

membuat jarak dan cahaya pada rongga mulut konsisten.

2.! Penggunaan kamera intra-oral yang memiliki spesifikasi lebih baik

dibandingkan dengan kamera intra-oral yang digunakan pada penelitian ini,

baik itu dari segi resolusi maupun intensitas piksel-nya.

3.!Kedua hal tersebut yang telah disebutkan pada point pertama dan kedua

sangat mempengaruhi dalam implementasi metode – metode pemrosesan citra

dan mengingat bahwa pre-processing merupakan tahap riskan dan paling

berpengaruh untuk proses atau tahap – tahap selanjutnya hingga hasil akhir dari

penelitian.


89

DAFTAR PUSTAKA

Afsar F. A., Arif M., and Hussain M. (2004). Fingerprint Identification and

Verification System using Minutiae Matching. Islamabad, Pakistan.

Armstrong, Eric. Articulation : The Palates – Hard and Soft. Diambil kembali dari

yorku : http://www.yorku.ca/earmstro/journey/palates.html. (access :

Desember,2016).

Basauri. (1961). C Forensic odontology and identification, 16: 45.

Bhagwath, S. & Chandra, L. (2014). Rugae pattern in a sample of population of

Meerut - An institutional study. J. Forensic Dent. Sci., 6(2):122-5.

Bing Li, Wu Xiu Ping, Feng Yin, Wang Yu-Jin, Liu Hong-Chen. (2014). Palatal

Rugae for the Construction of Forensic Identification. Int. J. Morphol., 32(2)

: 546-550.

Chairani Shanty, Auekari Elza I. (2008). Pemanfaatan Ruga Palatal untuk

Identifikasi Forensik. Indonesian Journal of Dentistry, 15 (3) : 261-269.

Guerra, Fabrizio et al. (2016). Electronic Palatal Rugae Impression : A Potentially

Relevant Technology In Personal Identification . University of Rome, Italy.

Gunawan, A.S. Alexander dan Salim Ashadi. (2013). Pembelajaran Bahasa Isyarat

dengan Kinect dan Metode Dynamic Time Warping. Binus University :

Mathematics and Statistics Department, Computer Science.

Kadir, Abdul dan Susanto, Adhi. (2013). Teori dan Aplikasi Pengolahan Citra.

Kesri Rituraj, Das Gautam, Das Jyoti and Thakur Priyanka. (2014). Rugoscopy

Science of Palatal Rugae : A Review . International Journal of Dental Medical

Research (Vol. 1, Issue 4).


90

Kristensen, Terje. (2012). Two Different Regimes of Fingerprint Identification : a

Comparison. American Journal of Computational and Applied Mathematics,

2(2) : 1-9.

Lima OC. (1968). Rugoscopia [Rugoscopy (Correia Lima’s process)].

RevBrasMed, 25 : 806-807.

Martin, Dos Santos. (1946) . Revista Brasileira de Odontologia, (v. 4, n. 1), p. 36-

42.

Mico, Pau. (2008, April). DTW Function For Matlab. diambil kembali dari

Mathworks : https://www.mathworks.com/matlabcentral/fileexchange/

16350- continuous-dynamic-time-warping .

Mochyagi n.d. (2012). Pengolahan Citra (Tugas 4). Diambil kembali dari

Mochamadyagi: https://mochamadyagiwordpress.com/2012/04/17

/pengolahan-citra-tugas-4/ .

Prasetyo, Eko (ed.I). (2012) Data Mining : Konsep dan Aplikasi menggunakan

MATLAB. Yogyakarta-Indonesia : ANDI OFFSET, pp : 4.

Reza Ravani dan Parham Nooralishahi. (2012) . Using Dynamic Time Warping

Persian Handwriting Recognition. Department of Computer Engineering,

Islamic azad university , Central Tehran branck, Tehran, Iran.

Rizon Mohamed, Yazid Haniza, Saad Puteh. (2006). Object Detection using

Geometrical Invariant Moment. American Journal of Applied Sciences.

Saini’, Monika and Kapoor, Anup Kumar. (2016). Biometrics in Forensic

Identification : Applications and Challenges. University Of Delhi, Delhi,

India : Journal of Forensic Medicine (1:2).


91

Solomon, C. & Breckon, T. (2011). Fundamentals of Digital Image Processing : A

Practical Aproach with Examples in MATLAB. Wiley-Blackwell : United

Kingdom.

Strle Blazˇ, Mozˇina Martin and Bratko Ivan. (2009). Qualitative Approximation to

Dynamic Time Warping Similarity Between Time Series Data. Slovenia :

University of Ljubljana.

Thomas CJ, Kotze TJvW. (1983). The palatal rugae pattern: a new classification.

J Dent Assoc South Africa, 38:153-7.

Venegas Valeria Hermosilla, Valenzuela Jaime San Pedro, López Mario Cantín and

Galdames Iván Claudio Suazo. (2009). Palatal Rugae: Systematic Analysis

of its Shape and Dimensions for Use in Human Identification. International

Journal Morphol, 27(3):819-825 .

Virdi, M. S.; Singh, Y. & Kumar, A. (2010). Role of palatal rugae in forensic

identification of the pediatric population. Internet J. Forensic Sci.,.

Wikipedia. (2014). Indonesia Airasia Flight 8501. Diambil kembali dari Wikipedia

: https://en.wikipedia.org/wiki/Indonesia_AirAsia_Flight_8501.

Zhu Yong, Tan Tieniu and Wang Yunhong. Biometric Personal Identification

Based on Iris Patterns. National Laboratory of Pattern Recognition (NLPR),

Institute of Automation, Chinese Academy of Sciences, Beijing.


Documents

IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK POST …