IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK POST …
Transcript of 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 :
Tommy Nugraha Manoppo
135314027
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2018
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
HALAMAN PERSETUJUAN PEMBIMBING
SKRIPSI
IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK
POST-MORTEM DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI
BERDASARKAN NILAI MOMENT – INVARIANT DAN DYNAMIC
TIME WARPING (DTW)
Oleh :
Tommy Nugraha Manoppo
135314027
Telah disetujui oleh :
Pembimbing,
Dr. Cyprianus Kuntoro Adi, S.J.,M.A.,M.sc. Tanggal : ...............................
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PENGESAHAN
IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK
POST-MORTEM DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI
BERDASARKAN NILAI MOMENT – INVARIANT DAN DYNAMIC
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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—
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tommy Nugraha Manoppo
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
IDENTIFIKASI RUGA PALATAL UNTUK KEPERLUAN FORENSIK
POST-MORTEM DENGAN MENGGUNAKAN TEKNIK EKSTRAKSI
BERDASARKAN NILAI MOMENT – INVARIANT DAN DYNAMIC
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
Tommy Nugraha Manoppo
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Tommy Nugraha Manoppo
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
4.3. Hasil Pengujian Set 2.................................................................. 79
4.4. Hasil Pengujian Set 3.................................................................. 80
4.5. Hasil Pengujian Set 4.................................................................. 81
4.6. Hasil Pengujian Data Tunggal.................................................... 83
4.7. Data Ruga Brian.......................................................................... 85
4.8. Data Ruga Prima......................................................................... 85
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
4.5. Optimal Warping Path 02 ........................................................ 76
4.6. Grafik Warping 03 ................................................................... 76
4.7. Optimal Warping Path 03 ........................................................ 77
4.8. Diagram Perbandingan Akurasi Memakai Cross Validasi ...... 82
4.9. Analisa Citra Ruga Palatal Individu Bernama Brian ............... 84
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 ?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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) .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Pseudocode Moment Pusat :
Input : F Citra hasil preprocessing berbentuk biner , p dan q merupakan orde dari momen pusat
Inisialisasi matriks m x n berdasarkan ukuran matriks citra F.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Pseudocode Normalisasi Moment Pusat :
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 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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 }
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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$1
∑ k5ÄÅ#i*í$!ig5î5gï$2
∑ k5ÄÅ#i*í$!ig5î5gï$3
Min(D1,D2,D3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
3.1.7.! Evaluation
Terdapat sebanyak 45 data jarak hasil warping, mengingat bahwa data
training yang digunakan sebanyak 45 citra ruga palatal dari total 60 data, dimana
15 data lainnya digunakan sebagai testing. Pada data training, setiap 3 data yang
ada mewakili satu individu atau responden yang sama, sehingga nilai jarak hasil
warping akan dijumlah setiap 3 data, jadi setiap individu telah diwakili oleh nilai
jumlah hasil warping-nya, dimana terdapat 15 individu. Dari jumlah hasil warping
ke 15 individu tersebut akan dicari nilai terendah yang mengindikasi bahwa nilai
tersebut merupakan nilai jarak minimum dari hasil warping untuk setiap individu
dan dapat dikatakan bahwa ruga palatal tersebut cenderung lebih mirip
dibandingkan ruga palatal individu lainnya.
Pembagian data dengan menggunakan cross validation adalah sebagai
berikut :
1.! Data Set 01 (jumlah data = 60) :
Tabel 3.4 Data Set 01
Testing Training
1-15
(sesuai jumlah
individu)
16-60
(terdapat 3 data setiap
individu)
2.! Data Set 02 (jumlah data = 60) :
Tabel 3.5 Data Set 02
Testing Training
16-30
(sesuai jumlah
individu)
1-15 dan 31-60
(terdapat 3 data setiap
individu)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
3.! Data Set 03 (jumlah data = 60) :
Tabel 3.6 Data Set 03
Testing Training
31-45
(sesuai jumlah
individu)
1-30 dan 46-60
(terdapat 3 data setiap
individu)
4.! Data Set 04 (jumlah data = 60) :
Tabel 3.7 Data Set 04
Testing Training
46-60
(sesuai jumlah
individu)
1-45
(terdapat 3 data setiap
individu)
Ö&&$ = $ñïhó#ℎ$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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
Gambar 4.3 Optimal Warping Path 01
b)! Hasil Warping Individu yang Dikenali sebagai Data Testing Ruga – 2
Gambar 4.4 Grafik Warping 02
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Gambar 4.5 Optimal Warping Path 02
c)! Hasil Warping Individu yang Dikenali sebagai Data Testing Ruga – 3
Gambar 4.6 Grafik Warping 03
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
Gambar 4.7 Optimal Warping Path 03
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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$%
Ö&& = 100% − 53.33% = 46.67%
Match Rate atau akurasi sistem mampu mengidentifikasi secara benar
individu tersebut adalah sebesar 53.33% dan False Rejection Rate atau akurasi
sistem mengidentifikasi secara salah individu tersebut adalah 46.67%.
No. Data Testing Dikenali Sebagai : Teridentifikasi
01 INDIVIDU_01_01.png Oktovianus Agus Salah
02 INDIVIDU_02_01.png Marcellinus Marcellinus Benar
03 INDIVIDU_03_01.png Jonathan Jonathan Benar
04 INDIVIDU_04_01.png Tommy Brian Salah
05 INDIVIDU_05_01.png Agus Tommy Salah
06 INDIVIDU_06_01.png Brian Brian Benar
07 INDIVIDU_07_01.png Prima Tommy Salah
08 INDIVIDU_08_01.png Wiwis Antonio Salah
09 INDIVIDU_09_01.png Antonio Antonio Benar
10 INDIVIDU_10_01.png Rika Rika Benar
11 INDIVIDU_11_01.png Mario Mario Benar
12 INDIVIDU_12_01.png Sandi Agus Salah
13 INDIVIDU_13_01.png Rizky Rizky Benar
14 INDIVIDU_14_01.png Valentino Valentino Benar
15 INDIVIDU_15_01.png Richardo Oktovianus Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
b)! Hasil Pengujian Data Set 02
Tabel 4.3 Hasil Pengujian Set 2
Berdasarkan hasil identifikasi pada data-set 02 maka dapat diketahui akurasi
yang diperoleh adalah :
G#Å*ℎ$&#Åí = $ ZZZ`= 73.33$%
Ö&& = 100% − 73.33% = 26.67%
Match Rate atau akurasi sistem mampu mengidentifikasi secara benar
individu tersebut adalah sebesar 73.33% dan False Rejection Rate atau akurasi
sistem mengidentifikasi secara salah individu tersebut adalah 26.67%.
No. Data Testing Dikenali Sebagai : Teridentifikasi
01 INDIVIDU_01_02.png Oktovianus Antonio Salah
02 INDIVIDU_02_02.png Marcellinus Marcellinus Benar
03 INDIVIDU_03_02.png Jonathan Jonathan Benar
04 INDIVIDU_04_02.png Tommy Brian Salah
05 INDIVIDU_05_02.png Agus Agus Benar
06 INDIVIDU_06_02.png Brian Brian Benar
07 INDIVIDU_07_02.png Prima Brian Salah
08 INDIVIDU_08_02.png Wiwis Wiwis Benar
09 INDIVIDU_09_02.png Antonio Antonio Benar
10 INDIVIDU_10_02.png Rika Rika Benar
11 INDIVIDU_11_02.png Mario Mario Benar
12 INDIVIDU_12_02.png Sandi Rika Salah
13 INDIVIDU_13_02.png Rizky Rizky Benar
14 INDIVIDU_14_02.png Valentino Valentino Benar
15 INDIVIDU_15_02.png Richardo Richardo Benar
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
c)! Hasil Pengujian Data Set 03
Tabel 4.4 Hasil Pengujian Set 3
Berdasarkan hasil identifikasi pada data-set 03 maka dapat diketahui
akurasi yang diperoleh adalah :
G#Å*ℎ$&#Åí = $ bZ`= 46.67$%
Ö&& = 100% − 46.67% = 53.33%
Match Rate atau akurasi sistem mampu mengidentifikasi secara benar
individu tersebut adalah sebesar 46.67% dan False Rejection Rate atau akurasi
sistem mengidentifikasi secara salah individu tersebut adalah 53.33%.
No. Data Testing Dikenali Sebagai : Teridentifikasi
01 INDIVIDU_01_03.png Oktovianus Antonio Salah
02 INDIVIDU_02_03.png Marcellinus Rizky Salah
03 INDIVIDU_03_03.png Jonathan Jonathan Benar
04 INDIVIDU_04_03.png Tommy Tommy Benar
05 INDIVIDU_05_03.png Agus Rika Salah
06 INDIVIDU_06_03.png Brian Brian Benar
07 INDIVIDU_07_03.png Prima Tommy Salah
08 INDIVIDU_08_03.png Wiwis Antonio Salah
09 INDIVIDU_09_03.png Antonio Antonio Benar
10 INDIVIDU_10_03.png Rika Rika Benar
11 INDIVIDU_11_03.png Mario Rizky Salah
12 INDIVIDU_12_03.png Sandi Brian Salah
13 INDIVIDU_13_03.png Rizky Rizky Benar
14 INDIVIDU_14_03.png Valentino Valentino Benar
15 INDIVIDU_15_03.png Richardo Mario Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
d)! Hasil Pengujian Data Set 04
Tabel 4.5 Hasil Pengujian Set 4
Berdasarkan hasil identifikasi pada data-set 04 maka dapat diketahui
akurasi yang diperoleh adalah :
G#Å*ℎ$&#Åí = $ bZ`= 46.67$%
Ö&& = 100% − 46.67% = 53.33%
Match Rate atau akurasi sistem mampu mengidentifikasi secara benar
individu tersebut adalah sebesar 46.67% dan False Rejection Rate atau akurasi
sistem mengidentifikasi secara salah individu tersebut adalah 53.33%.
No. Data Testing Dikenali Sebagai : Teridentifikasi
01 INDIVIDU_01_04.png Oktovianus Antonio Salah
02 INDIVIDU_02_04.png Marcellinus Marcellinus Benar
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
10 INDIVIDU_10_04.png Rika Rika Benar
11 INDIVIDU_11_04.png Mario Mario Benar
12 INDIVIDU_12_04.png Sandi Rizky Salah
13 INDIVIDU_13_04.png Rizky Rizky Benar
14 INDIVIDU_14_04.png Valentino Valentino Benar
15 INDIVIDU_15_04.png Richardo Marcellinus Salah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
No. Data Testing Dikenali Sebagai : Teridentifikasi
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
hal ini dapat terjadi ketika bentuk obyek ataupun besar obyek ruga palatal hampir
sama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
rincian match rate sebesar 73.33 % dan FRR sebesar 26.66 %.
c)!Data set 3 memiliki presentase keberhasilan sebesar 46.66 % dengan
rincian match rate sebesar 46.66 % dan FRR sebesar 56.66 %.
d)!Data set 4 memiliki presentase keberhasil sebesar 46.66 % dengan
rincian match rate sebesar 46.66 % dan FRR sebesar 56.66 %.
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 % .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI