Abstract:
Pengenalan sidik jari merupakan metode autentikasi biometrik yang banyak digunakan karena keamanan dan kemudahan penggunaannya. Namun, terdapat kasus di mana pola sidik jari dapat berubah karena penyakit kulit ataupun modifikasi secara sengaja untuk mengelabui sistem pengenalan sidik jari. Untuk mengatasi tantangan ini, dapat digunakan model Residual Convolutional Neural Networks (ResNet) yang sangat efektif dalam tugas-tugas klasifikasi yang kompleks. Penelitian ini menggunakan salah satu varian ResNet, yaitu ResNet-50, yang telah menunjukkan performa yang baik dalam berbagai tugas pengenalan gambar. Dengan demikian, penelitian ini bertujuan untuk menganalisis performa model ResNet-50 dalam mengklasifikasikan gambar sidik jari yang telah dimodifikasi. Himpunan data yang digunakan pada penelitian ini adalah Sokoto Coventry Fingerprint (SOCOFing) yang menyediakan gambar sidik jari asli dan gambar yang telah dimodifikasi. Modifikasi dibagi menjadi tiga jenis (obliteration, Z-cut, dan central rotation) dengan tiga tingkat kesulitan (easy, medium, hard). Dalam menghadapi kenyataan di dunia nyata di mana basis data yang dimiliki berisi gambar sidik jari asli yang baik keadaannya, gambar sidik jari asli digunakan untuk melatih model, sedangkan gambar sidik jari yang telah dimodifikasi digunakan untuk validasi. Hasil penelitian menunjukkan bahwa model ResNet-50 berhasil diimplementasikan untuk mengenali sidik jari yang telah dimodifikasi. Tingkat modifikasi pada gambar sidik jari secara signifikan memengaruhi kinerja model, di mana tingkat modifikasi yang lebih tinggi menyebabkan penurunan kemampuan model untuk mengklasifikasikan gambar sidik jari dengan benar. Model juga menunjukkan sensitivitas terhadap jenis modifikasi tertentu. Implementasi model ResNet-50 menunjukkan potensi dalam pengenalan sidik jari yang telah dimodifikasi, terutama dalam aplikasi di bidang keamanan dan forensik.
