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