Kemarin sore teman-teman saya yang berkantor di Gedung Teknologi 3 BPPT Puspiptek Serpong mengalami masalah dengan mesin absensi. Banyak sekali yang gagal absen. Banyak rekan-rekan yang mencoba ulang, sehingga mengakibatkan antrian saat pulang mengular. Ada juga rekan yang terpaksa ketinggalan bus jemputan. Hal ini terjadi setelah ada penggantian mesin absensi dari Biro SDM, di gedung teknologi III. Dari penjelasan di milis, memang ada perbedaan spesifikasi dari mesin absensi yang lama dan yang baru. Untuk itu bulan Desember 2012 yang lalu, sidik jari kami diambil ulang untuk mengantisipasi adanya perbedaan karakteristik (fitur/minutiae) sidik jari yang dicapture di database lama dan yang akan dicapture saat absensi dengan mesin baru. Mestinya, tidak ada kasus gagal absen yang terjadi pada jumlah cukup signifikan. Kegagalan bisa saja terjadi karena biometric identification adalah statistical process. Tidak ada jaminan bisa 100% berhasil absen, karena untuk sebagian populasi, fitur sidik jarinya sulit terambil. Tapi itu bisa dikendalikan/diminimisir lewat setting matching threshold yang optimal.
Yang terjadi sore kemarin adalah banyak keluhan kesulitan absen. Pagi ini pun saya kembali gagal absen. Kebetulan saya sempat merekam gagal absensi pada pagi ini
Mengapa saya dan banyak teman gagal absen ? Proses absensi dapat dijelaskan lewat bagan berikut:
- Proses perekaman data sidik jari (enrollment)
Dalam proses perekaman data sidik jari, data citra dicapture dengan fingerprint scanner. Selanjutnya data citra sidik jari tersebut akan mengalami serangkaian proses. Dalam tahap preprocessing, dilakukan segmentasi (mengekstrak area sidik jari dan menghapus data citra selain area yang diinginkan tersebut) diikuti dengan image enhancement (noise filtering, histogram equalization, dan berbagai proses) untuk membuat citra lebih informatif. Selanjutnya dilakukan ekstraksi fitur sidik jari. Fitur sidik jari terbagi dalam 3 level : fitur global (pola ridge), fitur lokal minutiae dan fitur yang lebih detail seperti pores. Dalam proses matching, informasi yang paling utama dipakai adalah fitur pada level 2 yaitu minutiae. Minutiae adalah posisi (koordinat) spasial dimana alur ridge berhenti (ridge ending) atau bercabang (bifurcation). Jumlah titik minutiae pada sebuah sidik jari bervariasi, tergantung orangnya maupun cara pengambilannya. Adakalanya bisa terambil 30, 40, bisa lebih dan bisa berkurang. Data ini lah yang disimpan dalam database sidik jari pegawai, dan akan dipakai sebagai acuan saat seorang pegawai melakukan absensi. - Proses absensi (verification)
Dalam proses absensi, alurnya sama seperti saat pengambilan data. Tetapi dataset minutiae yang diperoleh saat seseorang melakukan absensi, akan dibandingkan dengan data sidik jari yang diperoleh pada proses perekaman, yaitu yang tersimpan dalam database pegawai. Proses matching ini bisa dilakukan dengan berbagai cara, antara laian generalized Hough Transform. Dengan algoritma ini, walaupun pada saat absensi, banyaknya data minutiae berbeda, harusnya tetap bisa dikenali sebagai orang yang sama. Algoritma ini juga mampu mengantisipasi apabila ada sebagian minutiae yang tidak terambil, atau sidik jari mengalami translasi (pergeseran posisi dibandingkan saat pengambilan), maupun rotasi.
Gambar di atas menunjukkan titik-titik minutiae (dot warna merah pada gambar kanan) diperoleh sebagai hasil ekstraksi minutiae terhadap citra masukan kiri.
Apabila proses absensi gagal, maka penyebabnya ada bermacam-macam:
- Pegawai yang absen memang memiliki karakteristik sidik jari yang tidak mudah dibaca. Hal ini karena pola ridge di sidik jarinya sudah rusak, atau terlalu tipis sehingga tidak bisa tertangkap oleh scanner. Tukang batu, petani, dan para pekerja kasar sering mengalami hal ini. Pekerjaan mereka membuat ridge pada kulit sidik jari rusak. Sekretaris pun demikian juga, karena sering memegang kertas. Serbuk kertas dapat mengakibatkan pola ridge rusak, seperti misalnya gambar sidik jari dibawah, yang kiri. Sidik jari kiri memiliki pola ridge yang rusak, sedangkan sidik jari kanan relatif jelas. Dalam proses ekstraksi fitur, ada tahapan yang disebut thinning, yaitu mengambil skeleton dari alur hitam ridge. Sidik jari yang di sebelah kiri tidak akan menghasilkan skeleton yang bagus. Sedangkan sidik jari yang kanan akan menghasilkan skeleton yang bagus. Sebagai akibatnya, orang yang memiliki sidik jari kiri akan mengalami kesulitan saat absensi, sedangkan orang yang memiliki sidik jari kanan tidak ada masalah.
- Kegagalan dikarenakan scanner yang dipakai berbeda. Apabila scanner yang dipakai berbeda, maka citra sidik jari yang diperoleh bisa jadi berbeda kualitasnya. Ini akan berdampak pada kualitas minutiae yang diperoleh.
- Kegagalan saat absensi, karena sidik jari terlalu basah, kering, berminyak dan kotor.
- Perbedaan pada sisi algoritma, yang meliputi enhancement dan ekstraksi minutiae. Ini terjadi apabila vendor software sidik jari tersebut berbeda. Kualitas minutiae yang diperoleh pada tahap enrollmet akan berbeda dengan saat absensi.
- Penetapan matching treshold yang tidak optimal.
- Hal-hal lain
Saya tidak tahu, manakah dari berbagai kemungkinan ini yang terjadi sehingga proses absensi pegawai tidak dapat berjalan semulus sebelumnya. Kemungkinan no.1 saya kira tidak tepat jadi penyebab kegagalan. Karena saat masih memakai mesin absensi lama, tidak ada masalah dan tetap bisa absen. Tetapi setelah memakai mesin absensi yang baru, para pegawai tsb. gagal absen. Hal ini menunjukkan bahwa mereka gagal absen bukan karena sidik jarinya rusak. Tetapi lebih ke arah yang sifatnya teknis.
Kemudian, dari penjelasan di milis, diketahui vendornya sama. Apabila vendornya sama, mestinya algoritma enhancement, ekstraksi minutiae dan matching tidak akan terpengaruh. Ataukah fingerprint scannernya yang kurang bagus hasilnya ? Sayang, saya tidak dapat menganalisa lebih jauh tanpa melihat proses yang terjadi di dalamnya.
. Jalan yang macet, hujan lebat, dsb menghantui. Shg saya berangkat dari kos2an, ba’da Dluhur. Alhamdulillah, sampai di bandara jam 3.15 sore. Kecepetan sih. Masih nunggu 5 jam lagi u/ take off (20.20). Gak apa2 daripada telat. Banyak bekal khopinghoo di laptop 
Tugas kami sebagai moderator lancar. Hanya sayangnya saya tidak sempat menemani Vania yang presentasi pengembangan Indonesian Automated Document Reader, karena bentrok dengan sesi Dian. Yang saya dengar, Nia cukup banyak mendapat masukan dari partisipan lain yang sepertinya ekspert di bidang Image Processing. Salah satu masukan adalah benchmarking untuk text segmentation berbasis bahasa Indonesia. Setahu kami, tidak ada database yang bisa dipakai sebagai bench mark untuk mencoba text segmentation pada bahasa Indonesia. Segmentasi teks sebenarnya language independent, sehingga bisa saja diuji pada text berbahasa Inggris.
