7607040010_m
-
Upload
-eq-wahyou- -
Category
Documents
-
view
216 -
download
2
Transcript of 7607040010_m
SISTEM SEKURITI KENDARAAN BERMOTOR MENGGUNAKAN FINGERPRINT
SEBAGAI AUTHENTICATION ACCESS CONTROL BERBASIS EMBEDDED PC
Ridho Robby Gayuhaneki(1)
, A.R. Anom Besari S.ST, M.Kom (2)
, Dwi Kurnia Basuki S.Si, M.Kom(2)
(1)
Mahasiswa Program Studi Teknik Komputer, (2)
Dosen Program Studi Teknik Komputer
Politeknik Elektronika Negeri Surabaya – Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Kampus ITS, Sukolilo, Surabaya 60111
ABSTRAK
Dewasa ini, teknologi intelligent security system sudah menyentuh segala aspek kehidupan
termasuk dalam aspek transportasi. Dalam hal transportasi, teknologi pintar ini diharapkan dapat
membantu mengurangi resiko gangguan keamanan. Penggunaan kartu pengaman, password, dan
verifikasi wajah, telah banyak diketahui. Saat ini sistem pengaman menggunakan kartu sudah handal
namun proyek akhir ini merupakan sebuah pilihan lain untuk sistem pengamanan. Seiring dengan
perkembangan teknologi saat ini dituntut untuk dapat menciptakan suatu sistem yang lebih
memudahkan pengguna (user) dengan tujuan mengurangi kesalahan yang mungkin di timbulkan oleh
beberapa faktor baik berupa kesalahan alat maupun user sendiri, seperti smart card tertinggal atau
hilang.Untuk itu pada proyek akhir ini dikembangkan teknik deteksi dan verifikasi sidik jari
(fingerprint) menggunakan metode PCA berbasis Embedded PC yang terintegrasi dengan sistem
Central lock sebagai salah satu pilihan dalam sistem pengaman untuk pembuka pintu dan akses
operasi kendaraan.
Sedangkan untuk update database user dapat melakukan identifikasi pola sidik jari baru
menggunakan komputer atau pada Embedded PC yang akan ditanamkan pada kendaraan. Aplikasi
sistem ini diharapkan dapat menjadi sistem pembantu (assistance sistem) bagi user sehingga dapat
memberikan peningkatan pada sistem pengaman jika user melakukan keteledoran, terjadi gangguan,
perusakan atau bahkan pencurian.
Kata Kunci : Sistem Keamanan, Finger Print ,PCA, Embedded PC.
1. PENDAHULUAN
Seiring dengan perkembangan zaman,
teknologi intelligent security system sudah
menyentuh segala aspek kehidupan termasuk
dalam aspek transportasi. Dalam hal transportasi,
teknologi pintar ini diharapkan dapat membantu
risiko gangguan keamanan baik itu karena faktor
luar atau faktor dari pengendara itu sendiri.
Pendeteksian sidik jari wanusia merupakan salah
satu bidang penelitian yang penting, penelitian
tersebut telah banyak dilakukan dengan
kelebihan dan kekurangan tertentu, misalnya
penelitian mengenai metode untuk melakukan
pendeteksian suatu objek dalam lingkungan real-
time, penelitian tentang usaha meningkatkan
kecepatan proses sistem deteksi sidik jari
maupun pengembangan untuk implementasi dari
sistem deteksi ini.
Pada proyek akhir ini, sistem deteksi dan
verifikasi sidik jari dibuat berdasarkan faktor
keamanan sebuah kendaraan, dimana
menggunakan pengaman pintu atau central lock,
seperti halnya menggunakan kartu (smart card).
Sebenarnya sistem pengamanan menggunakan
kartu sekarang sudah handal, namun proyek akhir
ini merupakan sebuah pilihan lain untuk suatu
sistem pengamanan. Seiring dengan
perkembangan teknologi saat ini dituntut untuk
dapat menciptakan suatu sistem yang lebih
memudahkan bagi pengguna (user). Untuk
mewujudkan hal tersebut maka dibuatlah suatu
sistem yang bekerja secara otomatis, dengan
tujuan mengurangi kesalahan yang mungkin di
timbulkan oleh beberapa faktor, baik berupa
kesalahan alat maupun user itu sendiri, seperti
smart card tertinggal atau hilang. Oleh dasar
tersebut dibuatlah sistem pengamanan dengan
menggunakan sistem cadangan namun lebih
efisien. Proses pendeteksian sidik jari pada
sistem keamanan ini menggunakan metode
deteksi berdasarkan pola sidik jari yaitu PCA [1].
Selanjutnya melakukan proses pengelompokkan
fitur citra referensi berdasarkan nilai kedekatan
dan probabilitas distribusi. Sehingga didapatkan
nilai bobot yang mewakili data referensi dari
setiap kelas. Kemudian dilanjutkan dengan
proses verifikasi menggunakan metode
Backpropagation[1]. Proses verifikasi dilakukan
untuk membedakan objek yang terdeteksi apakah
merupakan sidik jari terdaftar atau bukan sidik
jari terdaftar. Pada kasus ini digunakan
fingerprint scanner sebagai alat pendeteksi dan
verifikasi sidik jari.
2. LANDASAN TEORI
Finger Print Recognition [2] atau
otentifikasi sidik jari mengacu pada metode
otomatis untuk memverifikasi kecocokan antara
dua sidik jari manusia. Otentifikasi sidik jari
adalah proses untuk membandingkan sidik jari
yang dikenal telah menurut pola kerutan dari
kulit jari atau untuk menentukan apakah pola
kerutan dari kulit jari tersebut berasal dari jari
yang sama atau tidak.
Sebuah scanning pola sidik jari adalah
pencetakan secara langsung dari pola kerutan
jari, biasanya dengan tinta hitam dan dicetak
pada media dengan latar belakang berwarna
putih, atau biasanya sebuah kartu putih. Pola
sidik jari juga dapat direkam atau dicetak secara
digital dengan menggunakan teknik yang disebut
Live-Scan menggunakan Fingerprint Scanner.
2.1. Pola sidik jari Berdasarkan hasil analisa, untuk
mencocokan sidik jari membutuhkan beberapa
perbandingan fitur dari pola sidik jari itu sendiri,
dimana termasuk diantaranya adalah
karakteristik jumlah pola kerutan dan titik
minutia, yang merupakan suatu fitur unik yang
dapat ditemukan dalam pola sidik jari. Hal ini
diperlukan untuk mengetahui struktur dan sifat
kulit jari manusia agar berhasil melakukan
beberapa teknik pencitraan.
Tiga pola dasar sidik jari adalah
lengkungan atau arch, loop, dan lingkaran atau
whorl.
Arch adalah suatu pola di mana pola masuk
dari satu sisi jari, naik ke tengah membentuk
sebuah busur, dan kemudian keluar dari sisi
lain jari.
Loop adalah pola dimana kerutan masuk dari
satu sisi jari, berbentuk kurva, dan cenderung
untuk keluar dari sisi yang sama ketika
masuk.
Whorl atau pola lingkaran berbentuk sirkular
seperti pegunungan titik tengah jari.
Para ilmuwan juga telah menemukan
bahwa anggota keluarga sering berbagi sidik jari
dengan pola umum yang sama, yang mengarah
pada keyakinan bahwa pola-pola ini diwariskan.
Arch Loop Whorl
Gambar 2.1 Pola sidik jari
2.2. Karakteristik sidik jari Identifikasi oleh sidik jari juga memiliki
karakteristik pola tertentu, ada tiga karakteristik
pola dasar, ridge ending, bifurkasi, titik,dan
pulau.
Gambar 2.2 Karakteristik
Dan berikut adalah variasi dari ke empat
karakter dasar tersebut.
Gambar 2.1 Karakter pola sidik jari
3. PERANCANGAN SISTEM
Pada perancangan sistem ini, terdapat 2
proses utama yang harus dilakukan. Proses
tersebut adalah proses database dan proses
pengenalan. Berikut adalah blok diagram
pengenalan plat nomor.
Gambar 3.1 Blok diagram PCA
Gambar 3.11 menunjukkan cara kerja sistem ini
dalam melakukan sebuah proses pengenalan.
sebelum proses pengenalan terlebih dahulu
melakukan proses data pelatihan yaitu proses
database.
3.1 Proses Database
Pengumpulan Data yang dimaksud ini
adalah mengumpulkan data gambar capture
image fingerprint (50 data sampel user) yang
berbeda-beda, dan ini nantinya akan di gunakan
untuk data pada database. Data gambar
fingerprint yang digunakan pada sistem ini
adalah gambar fingerprint dengan background
putih dan object berwarna hitam.
Data gambar fingerprint terlebih dahulu semua
gambar database dilakukan proses cropping dan
binerisasi menggunakan mfc C++ menjadi
ukuran dimensi 100 x 100 supaya bila dilakukan
proses pengenalan dapat berjalan dan dapat di
proses.
Data gambar fingerprint yang kami ambil adalah
50 gambar, diambil dari gambar fingerprint
dimana setiap 1 user 5 macam sidik jari yang
berbeda , jadi 5 gambar x 10 user = 50,
Gambar 3.2 contoh sebagian gambar database
yang sudah di crop.
Gambar 3.2 contoh beberapa bentuk gambar
database yang berbeda dan masih dalam satu
numeric
proses pembuataan database yang dilakukan
pada program database. Berikut adalah
prosesnya :
1. Load semua gambar yang ada pada
forder database
2. Cari fitur baru ciri semua gambar
dengan menggunakan metode PCA.
3. Masukkan fitur ciri baru PCA ke dalam
file *.txt, setiap 1 gambar 1 txt sejumlah
kontribusi yang di inginkan.
3.2 Tahap Pengenalan
Pada Recognition ini Fitur Ciri Hasil
Segmentasi dengan Database di padukan dengan
menggunakan Metode backpropagation. Yang
mana proses ini adalah mencari nilai kesalahan
yang paling minimum antara data yang akan
dikenali dengan database dan proses
Bacpropagation ini membutuhkan ukuran
gambar yang sama antara data yang akan
dikenali dengan database maka dari itu saya
sengaja membuat gambar dengan ukuran yang
sama.
Berikut adalah blok diagram dari proses
pengenalan :
Gambar 3.3 Blok Diagram Pengenalan
Menggunakan Euclidean Distance
Gambar 3.3 menunjukkan proses
pengenalan dengan menggunakan
Backpropagation. Berikut adalah keterangan dari
gambar :
1. Data test memakai image fingerprint
2. Data Test diambil langsung dari scanner.
3. Setelah itu di capture dan gambar
dirubah menjadi threshold biner.
4. Setelah itu dicari dimana letak pola sidik
jarir lalu di lakukan segmentasi karakter.
5. Selajutnya, Ekstraksi ciri dengan
menggunakan PCA.
6. Setelah nilai PCA ketemu, Masukkan
juga nilai PCA ke dalam file *.txt
sejumlah kontribusi yang diinginkan.
Maka jadilah fitur ciri baru pada data test.
7. Apabila fitur baru PCA dari database dan
datatest sudah ketemu maka dilakukan
pengenalan terhadap database dengan
data test menggunakan metode
Backpropagation.
8. Pengenalan ini dicari nilai yang paling
mendekati untuk didefinisikan sebagai
hasil output dari pengenalan .
4 UJI COBA DAN ANALISA
Dalam hal ini Kami melakukan
pengujian menggunakan 2 sidik jari yang sudah
mewakili semua numeric dan diambil sebagian
untuk alphabet. Berikut adalah berbagai
pengujian yang kami lakukan.
4.1 Pengujian Ke-1
Gambar 4.1 : Pengujian menggunakan
finger print
Jadi, untuk nilai prosentase
keberhasilannya secara keseluruhan pada
pengujian sidik jari ke-1 ini yang dilakukan
sebanyak 10x dan tidak ada noise yang
dihasilkan adalah 9 %.
4.2 Pengujian Ke-2
Gambar 4.2 : Pengujian menggunakan
finger print
Jadi, untuk nilai prosentase
keberhasilannya secara keseluruhan pada
pengujian sidik jari ke-2 ini yang dilakukan
sebanyak 10x adalah 10 %. Keberhasilan
pengenalan yang dicapai ini lebih bagus dari
pengujian yang pertama
5. KESIMPULAN
Dari Proyek Akhir yang telah dilakukan
maka dapat diambil beberapa kesimpulan yaitu:
1. Modul eBox dapat bekerja dengan
baik pada sistem operasi windosw xp.
2. PCA sangat baik digunakan untuk
mereduksi dimensi citra sehingga
mengurangi kompleksitas citra tetapi
tidak mengurangi informasi penting
yang ada pada setiap citra.
3. Dengan menggunakan teknik PCA
dan metode backpropagation, sidik
jari telah dapat dikenali dengan baik,
walaupun sidik jari tersebut belum
terdapat pada database.
4. Berdasarkan penelitian yang telah
dilakukan, dapat diketahui bahwa
pengenalan sidik jari dengan matriks
data referensi berukuran 100x100
belum menghasilkan fitur yang cukup
unik untuk proses pembelajaran
sehingga menghasilkan tingkat
pengenalan yang masih cukup rendah
yaitu dengan persentase pengenalan
mencapai 10%.
5. Rangkaian mikrokontroler dapat
dengan baik berkerja menggerakkan
simulasi pintu kendaraan dengan
membaca karakter yang dikirim
menggunakan serial port.
6. Software dapat berjalan dengan cukup
baik. Namun masih selalu bisa
dikembangkan lagi.
6. REFERENSI
[1] Samuel Lukas, Meiliayana, Gunawan
Sugianto, 2007 Pengenalan citra sidik
jari menggunakan metode Principal
component anallisis dan hamming
distance Fakultas Ilmu Komputer,
Universitas Pelita Harapan, Tangerang,
Indonesia .
[2] Vinay Gupta, Rohit Singh, 2006
Fingerprint Recognition- Image
Processing and Computer Vision IIT
Kanpur , India
[3] Nugroho,Ph.D., Sigit. Statistika
MultiVariat Terapan Edisi Pertama.
Universitas Bengkulu, Bengkulu.
[4] Setiawardhana, S.T.,M.T. Principal
Component Analysis – PCA Politeknik
Elektronika Negeri Surabaya, Surabaya
[5] Chen Yu, Zhang jian ,Yi Bo, Chen Deyun
2009 , A Novel Principal Component
Analysis Neural Network Algorithm for
Fingerprint Recognition in Online
Examination System Information and
Computer Engineering Institute Northeast
Forestry University Harbin , China
[6] Smith, Lindsay I. A tutorial on Principal
Components Analysis.
[7] Mark S. Nixon,Alberto S. Aguado, 2002,
feature extraction and image
precessing .
[8] Anggi Purnama, 2007, Backpropagation
Neural Network as a Method of
Forecasting on Calculating Infiltration
Rate in Surabaya and Jakarta
Undergraduate Program, Computer
Science, Gunadarma Universiy
[9] Kartika Gunadi, 2007, Pembuatan
Perangkat Lunak Pengenalan Wajah
Menggunakan PCA Juruasan Teknik
Informatika UNIKA Petra. Surabaya
[10] Junwei Tao, Wei Jiang. 2007, Improved
two-dimensional principal component
analysis based on the palmprint
identification. Optical Technology