Fingerprints Image Recognition by Using Perceptron Artificial Neural Network
Abstrak
Sistem keamanan yang menggunakan password atau kartu identitas dapat diretas dan disalahgunakan. Salah satu alternatif untuk sistem keamanan adalah menggunakan identifikasi biometrik. Sistem biometrik yang populer digunakan adalah sidik jari karena sistem ini aman dan nyaman. Sidik jari memiliki pola yang khas untuk setiap individu dan hal tersebut mengakibatkan sidik jari relatif sulit untuk dipalsukan, maka sistem ini aman. Nyaman karena proses verifikasi mudah dilakukan. Permasalahan yang sering kali terjadi pada sistem fingerprint scanner adalah didapatkan kesalahan dan pengguna mengalami kesulitan saat akses. Untuk menangani permasalahan tersebut telah berkembang sistem kecerdasan buatan. Salah satu bidang kecerdasan buatan dalam identifikasi pola adalah jaringan saraf tiruan (JST). Dari beberapa hasil penelitian sebelumnya menunjukkan bahwa metode JST cukup handal dalam identifikasi pola. Bedasarkan pada fakta tersebut, dalam penelitian ini digunakan metode JST perceptron dengan nilai learning rate bervariasi. Pada penelitian ini program diimplementasikan pada aplikasi Matlab R2017a. Dari hasil penelitian yang dilakukan dengan menguji 20 sampel menunjukkan bahwa kinerja metode JST perceptron merupakan metode yang relatif baik dalam pengenalan citra sidik jari. Hal ini bisa terindikasikan dari nilai accuracy (0,95), precision (0,83), TP rate (1), dan FP rate (0,07). Selain itu, letak koordinat titik (FP rate; TP rate) yaitu (0,07; 1) pada ROC graphs terletak pada sebelah kiri atas (wilayah classifier sempurna).
##plugins.generic.usageStats.downloads##
Referensi
[2] Santi R.C.N., 2008, Identifikasi Biometrik Sidik Jari dengan Metode Fraktal, Jurnal Teknologi Informasi DINAMIK, Vol. XIII, No.1, pp. 68-72.
[3] Gapar I K.K., Widagda I G.A dan Suarbawa K.N., 2018, Pengenalan Suara Manusia dengan Menggunakan Metode Jaringan Saraf Tiruan Hebb, Buletin Fisika, Vol. 19, No. 1, pp. 16-22.
[4] Yanti N., Rachman F.Z., Jamal N., Purwanto E. dan Fachrurozy, 2018, Jaringan Saraf Tiruan untuk Pengenalan Citra Sidik Jari pada Smart Home, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 5, No. 5, pp. 597-604.
[5] Alqurni R.P. dan Muljono, 2016, Pengenalan Tanda Tangan Menggunakan Metode Jaringan Saraf Tiruan Perceptron dan Backpropagation, Techno.COM, Vol. 15, No. 4, pp. 352-363.
[6] Tambunan F., 2015, Pengenalan Aksara Batak dengan Metode Perceptron, IT Jurnal, Vol. 2, No. 2, pp. 1-11.
[7] Pujiyanta A., 2009, Pengenalan Citra Objek Sederhana dengan Jaringan Saraf Tiruan Metode Perceptron, Jurnal Informatika, Vol. 3, No. 1, pp. 268-277.
[8] Husen R, Sutikno T., dan Pujianta A., 2015, Pengenalan Pola Sidik Jari Berbasis Jaringan Saraf Tiruan Perambatan Balik, Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, Vol. 1, No. 1, pp. 1-20.
[9] Ariana A. A. G. B., 2016, Perbandingan Metode SOM/Kohonen dengan Adaptive Resonance Theory 2 pada Data Mining Perusahaan Retail, Magister Teknik Elektro Fakultas Teknik Universitas Udayana, Denpasar, pp. 20-24.
[10] Siang J.J, 2005, Jaringan Saraf Tiruan dan Pemrogamannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, pp. 2-60.
[11] Fausett L., 1994, Fundamentals of Neural Networks Architectures, Algoritms, and Application, Prentice Hall.Inc., Upper Saddle River, pp. 59-80.
[12] Widagda I G.A. dan Suyanto H., 2019, Klasifikasi Pola Berbentuk Primitif dengan Menggunakan Metode Principal Component Analysis (PCA), Buletin Fisika, Vol. 20, No. 2, pp. 12-21.
