Publisher

UMSUMS

Journal Emitor: Jurnal Teknik ElektroEmitor: Jurnal Teknik Elektro Abstract

Sistem pengenalan sidik jari banyak digunakan dalam bidang biometrik untuk berbagai keperluan pada beberapa tahun terakhir ini. Pengenalan sidik jari digunakan karena memiliki pola yang rumit yang dapat mengenali seseorang dan merupakan identitas setiap manusia. Sidik jari juga banyak digunakan sebagai verifikasi maupun identifikasi. Permasalahan yang dihadapi dalam penelitian ini adalah komputer sulit melakukan klasifikasi objek salah satunya pada sidik jari. Dalam penelitian ini penulis menggunakan deep learning yang menggunakan metode Convolutional Neural Network (CNN) untuk mengatasi masalah tersebut. CNN digunakan untuk melakukan proses pembelajaran mesin pada komputer. Tahapan pada CNN adalah input data, preprocessing, proses training. Implementasi CNN yang digunakan library tensorflow dengan menggunakan bahasa pemrograman python. Dataset yang digunakan bersumber dari sebuah website kompetisi verifikasi sidik jari pada tahun 2004 yang menggunakan sensor bertipe optical sensor “V300 by crossMatch dan didalamnya terdapat 80 gambar sidik jari. Proses pelatihan menggunakan data yang berukuran 24x24 pixel dan melakukan pengujian dengan membandingkan jumlah epoch dan learning rate sehingga diketahui bahwa jika semakin besar jumlah epoch dan semakin kecil learning rate maka semakin baik tingkat akurasi pelatihan yang didapatkan. Pada penelitian ini tingkat akurasi pelatihan yang dicapai sebesar 100%.

Conclusion

Penelitian ini berhasil mengimplementasikan Deep Learning dengan menggunakan metode Convolutional Neural Network dan menghasilkan tingkat akurasi pelatihan yang baik dengan akurasi training sebesar 100%.Proses training yang dilakukan menggunakan beberapa perbandingan antaranya jumah epoch dan jumlah learning rate.Sehingga dapat disimpulkan bahwa jika semakin banyak epoch dan semakin kecil learning rate maka semakin baik hasil akurasi pelatihan yang didapatkan.

Future Research

Berdasarkan hasil penelitian, ada beberapa saran yang dapat dikembangkan lebih lanjut. Pertama, penelitian ini dapat dieksplorasi lebih lanjut dengan menggunakan dataset yang lebih besar dan beragam, sehingga dapat meningkatkan akurasi dan ketepatan sistem pengenalan sidik jari. Kedua, penelitian ini dapat dikembangkan dengan menambahkan fitur-fitur keamanan tambahan, seperti sistem autentikasi multi-faktor, untuk meningkatkan keamanan sistem. Ketiga, penelitian ini dapat diuji coba pada perangkat yang lebih canggih, seperti smartphone atau perangkat wearable, untuk melihat efektivitas dan efisiensi sistem dalam aplikasi nyata.

Metadata

File size	690.5 KB
Pages	6
DMCA	Report