SISTEM IDENTIFIKASI SIDIK JARI BERBASIS CONVOLUTIONAL NEURAL NETWORK
Ameytia Rizka Aulia, Hera Hikmarika, Bhakti Yudho Suprapto, Suci Dwijayanti · Prosiding Applicable Innovation of Engineering and Science Research · 2019
Sidik jari merupakan tanda pengenal unik yang dimiliki setiap individu manusia dan tidak akan sama denganmanusia lainnya, sehingga penggunaan sidik jari dapat dimanfaatkan sebagai biometrik khususnya dalam bidangkeamanan. Telah banyak penelitian yang dilakukan dalam mengembangkan sidik jari sebagai biometrik, akan tetapialgoritma yang digunakan belum dapat mengatasi permasalahan nilai error yang tinggi dan rendahnya akurasisegmentation. Oleh karena itu, penelitian ini berfokus pada implementasi algoritma Convolutional Neural Network(CNN) dalam mengidentifikasi sidik jari dan memperbaiki tingkat akurasi identifikasi tersebut. Penelitian inimenggunakan data primer berjumlah 1484 yang diambil dari 106 orang mahasiswa yang terdaftar melakukan praktikumdi Laboratorium Kendali dan Robotika, Jurusan Teknik Elektro Fakultas Teknik Universitas Sriwijaya. Data latih yangdiproses pada pelatihan Convolutional Neural Network mencakup jari jempol kanan dan kiri mahasiswa, dengan posisipengambilan sisi depan, sisi kanan, sisi kiri, sisi atas dan sisi bawah jempol. Arsitektur CNN yang dirancang padapenelitian ini menggunakan convolutional layer, pooling layer dan softmaxloss sebagai klasifikasi dengan parameterlearning rate 0.01, batch size 200, dan dropout 0.825. Proses pengujian dilakukan dengan data citra sidik jari baru yangberbeda dengan data pada saat pelatihan. Terdapat tiga kondisi yang digunakan dalam proses pengujian, yaitu kondisiawal, kondisi dropout dan kondisi batchnormalization. Hasil pengujian yang dilakukan menunjukkan sistem yang dibuatmampu mengidentifikasi sidik jari dengan akurasi mencapai 91.89% dalam kondisi awal dan 91.52% setelah ditambahkanfungsi dropout. Namun, ketika network dilatih dengan menggunakan kondisi batchnormalization, akurasi CNN dalammengidentifikasi data baru turun menjadi 18.21%. Hal ini menunjukkan batch normalization belum dapat melakukangeneralisasi pada data sidik jari baru.