A FUSION METHODOLOGY OF AKAZE AND NEURAL NETWORK FOR PARTIAL FINGERPRINT RECOGNITION

FARCHAN HAKIM RASWA, Drs. Agus Harjoko, M.Sc., Ph.D

2021 | Tesis | MAGISTER ILMU KOMPUTER

Dalam beberapa tahun terakhir, perangkat seluler seperti laptop, smartphone, dan tablet telah menjadi bagian dari aktivitas manusia. Diperlukan suatu metode untuk menjamin kerahasiaan data pada perangkat mobile. Sidik jari adalah salah satu ciri biometrik unik yang digunakan untuk mengotentikasi individu. Sidik jari dapat digunakan untuk masalah keamanan, termasuk pembayaran, perbankan, kehadiran, dan mengamankan barang-barang. Mengenali citra sidik jari pada perangkat seluler sulit dilakukan karena sensor sidik jari hanya berukuran 10 x 10 mm2 . Sensor hanya menangkap beberapa bagian dari keseluruhan sidik jari. Penelitian ini mengusulkan metodologi untuk pengenalan sidik jari parsial. Fitur sidik jari direpresentasikan menggunakan AKAZE. Fitur-fitur ini dipilih karena dapat mempertahankan noise, skala, dan orientasi citra sidik jari. Selain itu, kami merumuskan tahapan pencocokan menggunakan sliding window. Sliding window bertujuan untuk membandingkan citra penuh dan citra sebagian secara menyeluruh. Sebagai tambahan dari penelitian ini, kami juga mengganti metode heuristik untuk menghitung presentase hasil dengan neural network. Neural network telah terbukti mampu membedakan berbagai data tanpa perlu melakukan banyak tuning parameter. Sebagai validasi, kami bereksperimen menggunakan modifikasi dari FVC2002 database. Metode kami mencapai hasil yang memadai dalam hal evaluasi biometrik. Nilai EER dan FRR@FAR 1/5000 berhasil mencapai presentase kurang dari 9%. Tingkat keberhasilan tertinggi tercatat di DB1, EER mencapai 4,95%, dan FRR@FAR 1/50000 mencapai 6,06%. Namun, metode ini hanya optimal pada citra berukuran 184x184 piksel. Kami belum bisa mengenali sidik jari saat resolusinya diperkecil. Sebagai penelitian masa depan, kami harus memastikan metode kami bekerja dalam berbagai resolusi citra. Deep learning dapat membantu mempertahankan kinerja di seluruh resolusi. Deep learning telah terbukti berhasil dalam memecahkan masalah yang kompleks.

Dalam beberapa tahun terakhir, perangkat seluler seperti laptop, smartphone, dan tablet telah menjadi bagian dari aktivitas manusia. Diperlukan suatu metode untuk menjamin kerahasiaan data pada perangkat mobile. Sidik jari adalah salah satu ciri biometrik unik yang digunakan untuk mengotentikasi individu. Sidik jari dapat digunakan untuk masalah keamanan, termasuk pembayaran, perbankan, kehadiran, dan mengamankan barang-barang. Mengenali citra sidik jari pada perangkat seluler sulit dilakukan karena sensor sidik jari hanya berukuran 10 x 10 mm2 . Sensor hanya menangkap beberapa bagian dari keseluruhan sidik jari. Penelitian ini mengusulkan metodologi untuk pengenalan sidik jari parsial. Fitur sidik jari direpresentasikan menggunakan AKAZE. Fitur-fitur ini dipilih karena dapat mempertahankan noise, skala, dan orientasi citra sidik jari. Selain itu, kami merumuskan tahapan pencocokan menggunakan sliding window. Sliding window bertujuan untuk membandingkan citra penuh dan citra sebagian secara menyeluruh. Sebagai tambahan dari penelitian ini, kami juga mengganti metode heuristik untuk menghitung presentase hasil dengan neural network. Neural network telah terbukti mampu membedakan berbagai data tanpa perlu melakukan banyak tuning parameter. Sebagai validasi, kami bereksperimen menggunakan modifikasi dari FVC2002 database. Metode kami mencapai hasil yang memadai dalam hal evaluasi biometrik. Nilai EER dan FRR@FAR 1/5000 berhasil mencapai presentase kurang dari 9%. Tingkat keberhasilan tertinggi tercatat di DB1, EER mencapai 4,95%, dan FRR@FAR 1/50000 mencapai 6,06%. Namun, metode ini hanya optimal pada citra berukuran 184x184 piksel. Kami belum bisa mengenali sidik jari saat resolusinya diperkecil. Sebagai penelitian masa depan, kami harus memastikan metode kami bekerja dalam berbagai resolusi citra. Deep learning dapat membantu mempertahankan kinerja di seluruh resolusi. Deep learning telah terbukti berhasil dalam memecahkan masalah yang kompleks.

Kata Kunci : AKAZE feature representation, sliding window, decision scoring, partial fingerprint recognition