Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Perkembangan biometrik sebagai alternatif untuk menggantikan proses otentikasi konvensional seperti pin, password, code mengalami peningkatan yang cukup significant. Peningkatan adopsi teknologi biometrik dalam industri e-commerce juga mendorong pasar biometrik semakin berkembang beberapa tahun ke depan. Vein merupakan salah satu biometric feature yang dapat diadaptasi sebagai suatu alat identifikasi pengenalan individu yang sedang banyak dikembangkan hingga saat ini, karena memiliki pola dan struktur vein khas serta memiliki kehandalan tersendiri jika dibandingkan dengan ciri biometrik lainnya, seperti terletak pada bagian dibawah kulit, sulit untuk dilihat dengan mata telanjang ataupun kamera biasa dan sulit untuk rusak dan memiliki liveness detection yang tidak dimiliki biometrik lainnya.

Local Binary Pattern (LBP) dikenal salah satu deskriptor pengenalan gambar yang paling banyak digunakan gambar berbasis tekstur karena keunggulannya. Selain itu LBP merupakan salah satu pendekatan yang paling umum karena kesederhanaan komputasi, yang invarian terhadap perubahan pencahayaan dan kehandalan dalam klasifikasi citra karena menangkap sebagian besar fitur visual penting dari gambar. Local Binary Pattern (LBP) telah diimplementasikan secara luas untuk fitur ekstraksi tangan, mata, wajah, mata, dan gambar lainnya. Meskipun LBP memiliki banyak keuntungan, akan tetapi dari modifikasi LBP yang telah banyak dikembangkan masih menghasilkan deskriptor besar 8-bit untuk setiap piksel dan sensitif terhadap rotasi gambar. Pengembangan yang ada juga belum memiliki fungsi hybrid yakni mengurangi vektor ciri tetapi sekaligus meningkatkan kemampuan diskriminasi.Dalam disertasi ini, deskriptor baru diusulkan berasal dari LBP original yang dikembangkan oleh Ojala, yang disebut Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) yang berhasil menangkap primitif sifat gambar seperti tepi, sudut, garis-ujungnya, bintik-bintik, daerah datar, dan lokal lainnya karakteristik seperti garis, yang belum dibahas dalam LBP konvensional.

Konsep dasar dari Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) dalam penelitian ini mengusulkan teknik ekstraksi ciri dengan operasi yang bisa mengakomodir masalah rotasi yang sering terjadi pada pengenalan vein dengan fungsi representasi bilangan biner. Fitur gambar harus mengambil variasi piksel diagonal serta variasi piksel horizontal dan vertikal di piksel sekitarnya, sehingga dapat berfungsi dengan baik bahkan dalam kasus rotasi dalam gambar. Kelebihan lain dari descriptor yang diusulkan adalah mempertimbangkan rata-rata/mean dari piksel pusat. Teknik ini menganalisis perbedaan intensitas antara piksel pusat dengan piksel tetangganya, dengan membandingkan pusat piksel dengan sepasang piksel berlawanan dalam diagonal yang sama. Dari beberapa skema multidirectional yang dilakukan yakni pada 8 matriks ketetanggan didapat pola biner yang tadinya 8-bit dalam LBP asli menjadi hanya 4-bit dalam DVHLBP. Selain itu penambahan mekanisme uniform pattern untuk proses feature selection juga dilakukan dimana secara otomatis hal tersebut mengurangi panjang histogram mengingat hanya ciri diskriminan yang diambil dan hal ini berdampak pula pada kebutuhan penyimpanan (storage) untuk hasil ekstraksi, hal ini berpengaruh pula pada kompleksitas ruang sistem yang dibangun O(n).

Deskriptor yang diusulkan tetap mempertahankan informasi penting gambar sebuah vein (discrimination feature), invarian terhadap perubahan pencahayaan dan memiliki sifat rotasi invariant. DVHLBP yang diusulkan telah disimulasikan dan dilakukan analisis, dimana simulasi yang dilakukan menggunakan PUT Vein Data set dan CASIA Multispectral Data Set. Hasil simulasi menunjukkan bahwa usulan sistem dapat mencapai kinerja yang lebih baik dengan State-of-The Art dimana error rate (ERR) dari teknik yang diusulkan adalah sebesar 0,08 untuk telapak tangan (palm vein) dan 0.22 untuk pergelangan tangan (wrist vein) dengan akurasi rate sebesar 99,6 % pada palm vein dan 99.4% pada wrist vein. Dan dilihat dari sisi kompleksitas sistem O(n) mengalami efisiensi yang mencapai 50% dibuktikan dalam bentuk matematis.

---

ABSTRACT
The development of biometrics as an alternative to replacing conventional authentication processes such as pins, passwords, code experienced a significant increase. Increasing the adoption of biometric technology in the e-commerce industry also drives the biometric market to grow in the next few years. Vein is one of the biometric features that can be adapted as an individual identification identification tool which is being developed to date, because it has a distinctive vein pattern and structure and has its own reliability compared to other biometric features, such as located under the skin, it is difficult to seen with the naked eye or ordinary camera and difficult to damage and have liveness detection that other biometrics do not have.

Local Binary Pattern (LBP) is known as one of the most widely used image recognition descriptors based on texture because of its superiority. In addition LBP is one of the most common approaches due to computational simplicity, which is invariant of lighting changes and reliability in image classification because it captures most important visual features of images. Local Binary Pattern (LBP) has been widely implemented for extraction features of hands, eyes, face, eyes and other images. Although LBP has many advantages, however, the LBP modification that has been widely developed still produces a large 8-bit descriptor for each piksel and is sensitive to image rotation. The existing development also does not have a hybrid function, namely reducing feature vectors but also increasing discrimination capabilities. In this dissertation, a new descriptor is proposed from the original LBP developed by Ojala, called the Diagonal Vertical Horizontal Local Binary pattern (DVHLBP) that successfully captures primitive traits images such as edges, angles, edges, spots, flat areas, and other local characteristics such as lines, which have not been discussed in conventional LBP.

The basic concept of Diagonal Vertical Horizontal Local Binary Pattern (DVHLBP) in this study proposes feature extraction techniques with operations that can accommodate rotation problems that often occur in the introduction of veins with binary number representation functions. The image feature must take diagonal pixels variations as well as horizontal and vertical pixels variations in the surrounding pixels, so that it can function properly even in the case of rotations in the image. Another advantage of the proposed descriptor is considering the mean / mean of center pixel. This technique analyzes the difference in intensity between the central piksel and neighboring piksels, by comparing the center of the piksel with a pair of opposite piksels in the same diagonal. From several multidirectional schemes on 8 neighboor that are carried out, binary patterns are obtained which were 8-bits in the original LBP to be only 4-bits in DVHLBP. In addition, the addition of the uniform pattern mechanism for the feature selection process is also done where it automatically reduces the length of the histogram considering that only discriminant characteristics are taken and this also affects the storage requirements for extraction results, this also affects the complexity of the system space built O (n).

The proposed descriptors retain important information on a vein image (discrimination feature), invariance of lighting changes and have rotational invariant properties. The proposed DVHLBP has been simulated and analyzed, where simulations were carried out using the PUT Vein Data set and CASIA Multispectral Data Set. The simulation results show that the proposed system can achieve better performance with State-of-the-Art where the error rate (ERR) of the proposed technique is 0.08 for the palm (palm vein) and 0.22 for the wrist (wrist vein) with an accuracy rate of 99.6% on the palm vein and 99.4% on the wrist vein. And in terms of system complexity O (n) has an efficiency that reaches 50% as evidenced in mathematical form.

Abstrak :
Pencurian identitas menjadi ancaman kejahatan di dunia maya pada masa kini, khususnya transaksi online. Untuk mengatasi masalah tersebut, voice biometrics dikembangkan untuk keamanan identitas. Penelitian ini mengusulkan skema voice biometrics pada algoritma deep learning Convolutional Neural Network (CNN) Residual dan CNN Depthwise Separable Convolution (DSC) dengan fitur ekstraksi \hybrid Discrete Wavelet Transform (DWT) dan Mel Frequency Cepstral Coefficients (MFCC) serta mengembangkan pembuatan data suara untuk pengguna ber-Bahasa Indonesia dalam waktu 25 menit. Skema tersebut ditargetkan untuk meningkatkan kinerja akurasi. Penelitian ini mengembangkan 2 model simulasi yang terpisah, yaitu model CNN Residual dan CNN DSC. Untuk setiap pengujian model, hasilnya dibandingkan dengan CNN Standard. Hasil pengujian pertama menunjukkan kinerja terbaik, model CNN Residual ini mampu meningkatkan kinerja validasi akurasi training voice biometrics 98.6345%, presisi 99,91% dan akurasi 99,47% pada speaker recognition (siapa yang bicara?), serta akurasi speech recognition (apa yang diucapkan?) 100%. Hasil pengujian kedua menunjukkan kinerja terbaik, model CNN DSC ini mampu mengurangi kinerja training parameter dan mampu mempercepat kinerja waktu proses training voice biometrics menjadi 5,12 detik. Sehingga hasil kinerja tersebut dapat mengurangi beban komputasi dan lebih baik dalam kinerja akurasinya. Dapat disimpulkan bahwa CNN Residual dan CNN DSC telah mengungguli CNN Standard. Sehingga pengembangan skema voice biometrics dapat diaplikasikan untuk identifikasi dan verifikasi/autentikasi suara user secara akurat, efisien dan cepat untuk aplikasi keamanan identitas dalam transaksi perbankan. ......Theft of identity is a threat to cybercrime today, especially online transactions. To overcome this problem, voice biometrics was developed for identity security. This research proposes a voice biometrics scheme on deep learning algorithms the CNN Residual and CNN Depthwise Separable Convolution (DSC) with Hybrid of Discrete Wavelet Transform (DWT) and Mel Frequency Cepstral Coefficients (MFCC) Feature Extraction and develops voice data establishment for Indonesian users within a short period of time 25 minutes. The scheme is targeted to improve accuracy performance. This research developed 2 separate models, i.e. CNN Residual and CNN DSC model. For each model testing, the results are compared with the CNN Standard. The results of the first testing show the best performance, the CNN Residual model is able to improve the performance of training accuracy validation on voice biometrics of 98.6345%, precision of 99.91% and accuracy of 99.47% on speaker recognition (who is speaking?), and accuracy on speech recognition (What is uttered?) of 100%. The results of the second testing show the best performance, the CNN DSC model is able to reduce the performance of training parameters and is able to accelerate the performance of the voice biometrics training process time to 5.12 seconds. So that the performance results can reduce the computational load and and better in its accuracy performance. It can be concluded that CNN Residual and CNN DSC have outperformed CNN Standard. So that the development of voice biometrics schemes can be applied for identification and verification/authentication of the user's voice accurately, efficiently and quickly for identity security applications in banking transactions.

Abstrak :
Compressive sensing (CS) adalah teknik yang menghasilkan pengurangan dimensi pada akuisisi sinyal dengan cara mengalikan suatu matriks proyeksi dengan sinyal. Sparse Synthesis Model Based (SSMB) memodelkan sebuah sinyal sebagai kombinasi linier kolom-kolom pada matriks synthesis dictionary menggunakan sedikit koefisien. Cosparse Analysis Model Based (CAMB) memberikan model alternatif di mana koefisien cosparse didapatkan dengan mengalikan analysis dictionary (operator) dengan sinyal. Matriks proyeksi yang digunakan pada CS dapat dioptimasi untuk meningkatkan kualitas sinyal rekonstruksi. Optimasi matriks proyeksi banyak dilakukan pada SSMB-CS sedangkan optimasi matriks proyeksi pada CAMB-CS sejauh yang diketahui sampai saat ini belum ada yang mengusulkan. Di dalam penelitian ini diusulkan metode optimasi matriks proyeksi pada CAMB- CS dengan memperhitungkan parameter amplified Cosparse Representation Error (CSRE) dan relative amplified CSRE, di samping parameter mutual coherence. Matriks proyeksi teroptimasi pada CAMB-CS diperoleh menggunakan algoritma alternating minimization dan metode nonlinear conjugate gradient. Matriks acak Gaussian digunakan sebagai matriks proyeksi mula-mula dalam algoritma optimasi tersebut. Matriks proyeksi teroptimasi yang dihasilkan menurunkan average mutual coherence rata-rata sebesar 35,62% dari matriks acak Gaussian. Matriks proyeksi teroptimasi pada CAMB-CS memiliki average mutual coherence rata-rata sebesar 12,47% lebih kecil dari matriks proyeksi teroptimasi pada SSMB-CS. Matriks proyeksi teroptimasi pada CAMB-CS juga memberikan relative amplified CSRE berorde 10-6 – 10-5, lebih kecil dibandingkan dengan matriks acak Gaussian CAMB-CS (10-4 – 10-2) dan relative amplified Sparse Representation Error (SRE) matriks proyeksi teroptimasi SSMB-CS (10-3 – 10-1). Penurunan average mutual coherence dibarengi dengan relative amplified CSRE yang kecil akan meningkatkan kualitas citra rekonstruksi yang diukur menggunakan Peak Signal to Noise Ratio (PSNR) dan Structural Similarity Index Measure (SSIM). Hasil-hasil simulasi menunjukkan peningkatan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 15,22% dan 9,24%, dibandingkan matriks acak Gaussian. Dibandingkan matriks proyeksi teroptimasi SSMB-CS, metode yang dikembangkan meningkatkan PSNR dan SSIM citra rekonstruksi masing-masing sampai dengan 23,66% dan 17,11%. ......The Compressive Sensing (CS) technique provides a signal acquisition dimensional reduction by multiplying a projection matrix with the signal. Sparse Synthesis Model Based (SSMB) models a signal as a linear combination of columns on the synthesis dictionary matrix using a few coefficients. The projection matrix used in CS can be optimized to improve the quality reconstructed signal. The projection matrix optimization is mostly done in SSMB-CS, while the optimization of the projection matrix in CAMB-CS as far as is known has not yet been proposed. In this research, the projection matrix optimization method in CAMB-CS is proposed by taking into account the amplified Cosparse Representation Error (CSRE) parameter and the relative amplified CSRE to optimize the projection matrix, in addition to the mutual coherence parameter. The optimized projection matrix in CAMB-CS is obtained using an alternating minimization algorithm and nonlinear conjugation gradient method. In the optimization algorithm, the Gaussian random matrix is used as the initial projection matrix. The resulting optimized projection matrix reduces average mutual coherence by 35.62% from the Gaussian random matrix. The optimized projection matrix in CAMB-CS has average mutual coherence, 12.47% less than the optimized projection matrix in SSMB- CS. The optimized projection matrix in CAMB-CS also provides a relative amplified CSRE of order 10-6 – 10-5, which is smaller than the Gaussian random matrix in CAMB-CS (10-4 – 10-2) and relative amplified Sparse Representation Error (SRE) of the optimized projection matrix in SSMB-CS (10-3 – 10-1). The decrease in average mutual coherence and a small relative amplified CSRE will improve the reconstructed image quality as measured using the Peak Signal to Noise Ratio (PSNR) and the Structural Similarity Index Measure (SSIM). The simulation results showed an increase in the PSNR and SSIM of the reconstructed image up to 15.22% and 9.24%, respectively, compared to the Gaussian random matrix. Compared to the SSMB-CS optimized projection matrix, the developed method increases the PSNR and SSIM of the reconstructed image up to 23.66% and 17.11%, respectively.