Uji Performa Metode Komposisi Eigenface-CNN Pada Model Biometric Mobile App
Abstract
The development of information and communication technology has increased the need for more secure and efficient authentication systems on mobile devices, given the growing cases of data breaches and identity theft. This research employs the Eigenface-CNN composition method to enhance the performance of biometric authentication models. The Eigenface method uses Principal Component Analysis (PCA) to reduce data dimensions and extract key features from facial images, while CNN is used to identify more complex facial features. The results show that this method can recognize faces with high accuracy, achieving an average confidence value of 87.95% and a highest value of 97.53%. It also demonstrates robustness against variations in lighting and facial poses. These findings suggest that the Eigenface-CNN composition method is feasible for implementation in biometric authentication systems on mobile devices, thereby enhancing user security and convenience.
Kata kunci: Face Recognition; Eigenface; CNN; Biometric
Abstrak
Perkembangan teknologi informasi dan komunikasi telah meningkatkan kebutuhan akan sistem autentikasi yang lebih aman dan efisien pada perangkat mobile, mengingat kasus kebocoran data dan pencurian identitas yang semakin marak. Penelitian ini menggunakan metode komposisi Eigenface-CNN untuk meningkatkan performa model autentikasi biometrik. Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan untuk mengidentifikasi fitur wajah yang lebih kompleks. Hasil penelitian menunjukkan bahwa metode ini mampu mengenali wajah dengan akurasi tinggi, dengan nilai confidence rata-rata mencapai 87.95% dan nilai tertinggi 97.53%, serta menunjukkan ketahanan terhadap variasi pencahayaan dan pose wajah. Temuan ini menunjukkan bahwa metode komposisi Eigenface-CNN layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.
Kata kunci: Pengenalan Wajah; Eigenface; CNN; Biometrik
References
N. Nursiah, M. Ferils, and J. Kamarudin, “Analisis minat menggunakan mobile banking,” AKUNTABEL: Jurnal Akuntansi dan Keuangan , vol. 19, no. 1, pp. 91–100, 2022, doi: 10.29264/jakt.v19i1.10711.
E. Ubam, I. Hipiny, and H. Ujir, “User Interface/User Experience (UI/UX) Analysis & Design of Mobile Banking App for Senior Citizens: A Case Study in Sarawak, Malaysia,” in 2021 International Conference on Electrical Engineering and Informatics (ICEEI), 2021, pp. 1–6. doi: 10.1109/ICEEI52609.2021.9611136.
L. Fitria and M. Hermansyah, “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Implementasi Face Recognition pada Absensi Kehadiran Mahasiswa Menggunakan Metode Haar Cascade Classifier,” vol. 4, no. 2, 2020, doi: 10.30743/infotekjar.v4i2.2333.
H. Muchtar and R. Apriadi, “Implementasi Pengenalan Wajah Pada Sistem Penguncian Rumah Dengan Metode Template Matching Menggunakan Open Source Computer Vision Library (Opencv),” RESISTOR (elektRonika kEndali telekomunikaSI tenaga liSTrik kOmputeR), vol. 2, no. 1, 2019, doi: 10.24853/resistor.2.1.39-42.
L. B. Adrianto, M. I. Wahyuddin, and W. Winarsih, “Implementasi Deep Learning untuk Sistem Keamanan Data Pribadi Menggunakan Pengenalan Wajah dengan Metode Eigenface Berbasis Android,” Jurnal Teknologi Informasi dan Komunikasi), vol. 5, no. 1, p. 2021, 2021, doi: 10.35870/jti.
Y. N. Yenusi, Suryasatriya Trihandaru, and A. Setiawan, “Comparison of Convolutional Neural Network (CNN) Models in Face Classification of Papuan and Other Ethnicities,” JST (Jurnal Sains dan Teknologi), vol. 12, no. 1, Mar. 2023, doi: 10.23887/jstundiksha.v12i1.46861.
M. C. Wujaya and L. W. Santoso, “Klasifikasi Pakaian Berdasarkan Gambar Menggunakan Metode YOLOv3 dan CNN,” Jurnal Infra, vol. 9, no. 1, 2021, doi: https://doi.org/10.21456/vol6iss1pp1-10.
I. Perlindungan and Risnawati, “Pengenalan Tanaman Cabai Dengan Teknik Klasifikasi Menggunakan Metode CNN,” Seminar Nasional Mahasiswa ilmu Komputer dan Aplikasinya (SENAMIKA), vol. 1, no. 2, pp. 15–22, 2020.
L. W. K. Lim, “Implementation of Artificial Intelligence in Aquaculture and Fisheries: Deep Learning, Machine Vision, Big Data, Internet of Things, Robots and Beyond,” Journal of Computational and Cognitive Engineering, vol. 3, no. 2, pp. 112–118, Apr. 2023, doi: 10.47852/bonviewJCCE3202803.
N. N. Prakash, V. Rajesh, D. L. Namakhwa, S. Dwarkanath Pande, and S. H. Ahammad, “A DenseNet CNN-based liver lesion prediction and classification for future medical diagnosis,” Sci Afr, vol. 20, Jul. 2023, doi: 10.1016/j.sciaf.2023.e01629.
A. Mochammad Satrio, M. Mujirudin, and H. Ramza, “Identifikasi Citra Wajah Menggunakan Algoritma Eigenface,” Seminar Nasional Teknoka, vol. 4, no. 1, pp. 9–14, 2019, doi: 10.22236/teknoka.v%vi%i.4107.
Dafid and Dorie, “Metode MCDA Untuk Pengukuran Tingkat Kesadaran Keamanan Informasi Pada Mahasiswa,” Jurnal Teknik Informatika dan Sistem Informasi , vol. 7, no. 1, pp. 11–20, 2020.
N. K. A. Wirdiani, T. Lattifia, I. K. Supadma, B. J. K. Mahar, D. A. N. Taradhita, and A. Fahmi, “Real-Time Face Recognition with Eigenface Method,” International Journal of Image, Graphics and Signal Processing, vol. 11, no. 11, pp. 1–9, Jan. 2019, doi: 10.5815/ijigsp.2019.11.01.
P. Sukhija, S. Behal, and P. Singh, “Face Recognition System Using Genetic Algorithm,” in Procedia Computer Science, Elsevier B.V., 2016, pp. 410–417. doi: 10.1016/j.procs.2016.05.183.
J. Teye Brown and W. Zgallai, “Deep EEG: Deep learning in biomedical signal processing with EEG applications,” Biomedical Signal Processing and Artificial Intelligence in Healthcare, vol. 1, no. 7, pp. 113–151, 2020, doi: 10.1016/b978-0-12-818946-7.00005-6.
How To Cite This :
Refbacks
- There are currently no refbacks.
