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 realtime, 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].
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.
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.
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.
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.
Tiga pola dasar sidik jari adalah lengkungan atau arch, loop, dan lingkaran atau whorl.
2.
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
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.
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 2.1 Karakter pola sidik jari
Gambar 3.2 contoh sebagian gambar database yang sudah di crop.
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 3.2 contoh beberapa bentuk gambar database yang berbeda dan masih dalam satu numeric
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
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 :
untuk alphabet. Berikut adalah pengujian yang kami lakukan.
berbagai
4.1 Pengujian Ke-1
Gambar 4.1 : Pengujian menggunakan finger print
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
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 RecognitionImage 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
