IDENTIFIKASI POLA CITRA VENA JARI MENGGUNAKAN TRANSFER LEARNING RESIDUAL NETWORK

GHOZI MURTADHO, Ir. Nazrul Effendy, S.T., M.T., Ph.D., IPM.

2022 | Skripsi | S1 TEKNIK FISIKA

Keamanan data pribadi menjadi hal yang sangat penting dalam kehidupan saat ini. Teknologi pengamanan saat ini yang cukup efektif dan menjadi perhatian peneliti akhir ini adalah teknologi biometrik. Pada teknologi biometrik seseorang dikenali melalui karakter biologisnya. Salah satu teknologi biometrik yang memiliki tingkat keamanan yang tinggi adalah vena jari. Penelitian ini akan melakukan pengenalan pola vena jari dengan menggunakan transfer learning. Pengenalan pola vena jari pada penelitian ini menggunakan transfer learning Residual Network 50 layer (ResNet-50). Penelitian dilakukan dengan variasi hyperparameter, berupa arsitektur ResNet, image preprocessing dan learning rate. Image preprocessing yang dilakukan adalah dengan ekstraksi region of interest (ROI) dan peningkatan citra dengan Contrast Limited Adaptive Histogram Equalization (CLAHE). Hasil dari penelitian ini menunjukkan hasil kinerja yang baik, di mana model ResNet mampu mengenali pola vena jari dari dataset Shandong University Machine Learning and Application Homologous Multi-modal Traits (SDUMLAHMT). Model variasi terbaik diperoleh pada model variasi ketiga dengan hyperparameter, yaitu arsitektur 1, image preprocessing dan learning rate 0,0001. Hasil yang diperoleh dari model ini adalah akurasi sebesar 99,056 %, F1-score sebesar 98,959% dan AUROC sebesar 99,997%.

Personal data security is very important in today's life. The current security technology that is quite effective and has become the attention of recent researchers is biometric technology. In biometric technology a person is known through his biological character. One of the biometric technologies that have a high level of security is finger veins. This study will perform finger vein pattern recognition using transfer learning. Finger vein pattern recognition in this study uses a Residual Network 50 layer transfer learning (ResNet-50). The research was conducted with hyperparameter variations, in the form of ResNet architecture, image preprocessing and learning rate. Image processing is done by region of interest (ROI) extraction and image enhancement with Conrast Limited Adaptive Histogram Equalization (CLAHE). The results of this study show good performance results, where the ResNet model can recognize finger vein patterns from the Shandong University Machine Learning and Application Homologous Multi-modal Traits (SDUMLA-HMT) dataset. The best variation model is obtained in the third variation model with hyperparameters, namely architecture 1, image processing and learning speed of 0.0001. The results obtained from this model are accuracy of 99.056%, F1-score of 98.959% and AUROC of 99.997%.

Kata Kunci : Biometrik, vena jari, identifikasi, transfer learning, residual network