Dokumen tersebut merangkum proses pengembangan sistem keamanan pada server komputer menggunakan biometrika detak jantung. Prosesnya meliputi penentuan tujuan dan ruang lingkup, identifikasi masalah keamanan, merumuskan masalah, persiapan dan pengolahan data, pemilihan algoritma KNN, pelatihan model, dan pengujian model untuk mencocokkan detak jantung pengguna dengan target akurasi 90% yang berhasil dicapai sebesar 90,35%.
3. Project AI
Menentukan tujuan, Menentukan ruang lingkup
masalah,Mengidentifikasi masalah, Merumuskan masalah
Asking the right question
:
Preparing data
data quality, data cleaning, data integration
data reduction, transformation data
Selecting the algorithm
Menentukan algoritma yang tepat
untuk proses pembelajaran mesin.
Selecting the algorithm
Menggunakan specific data untuk
mengajarkan machine learning.
01
02
04
04
03
05
Testing the model
Mengetahui performa algoritma
yang sudah dilatih sebelumnya
ketika menemukan data baru yang
belum pernah dilihat sebelumnya.
4. Latar Belakang
Komputer server merupakan salah satu tempat penyimpanan asset bagi sebuah
perusahaan atau kantor besar pada umumnya berupa data-data yang bernilai tinggi bagi
perusahaan, pada penelitian ini penulis mengambil studi kasus pada komputer server
Institusi Politeknik Bombana, karena di dalam komputer ini terdapat aplikasi dan data
kantor yang semakin hari akan semakin bernilai bagi instansi yang bersifat vital dan
rahasia, oleh karena itu komputer ini harus selalu dalam kondisi yang aman. Sebuah
komputer server harus memiliki standar keamanan dan akses dari orang-orang tidak
berkepentingan yang hendak mengoperasikan komputer server. Jadi, hanya ad seseorang
yang dapat mengakses dan mengoperasikan komputer server.
5. Asking the right question
Menentukan tujuan
Membuat sistem keamanan
pada komputer server sebuah
Institusi Politeknik Bombana
menggunakan Pemindai
Detak Jantung
Cakupan Dan Sumber Data
Data yang digunakan berupa radar Doppler
tingakat rendah untuk memantau jantung
pengguna..
Mengidentifikasi masalah
Ancaman keamanan berupa
penyamaran identitas telah
banyak diatasi dengan
menggunakan suatu pengenalan
identitas dengan metode
tradisional
Merumuskan masalah
Bagaimna membangun suatu
sistem keamanan yang baru
dengan menggunakan
biometrika
01
03 04
02
6. Preparing Data
Preprocessig
Preprocessing yang dilakukan untuk pengolahan citra yang dapat memperbaiki
kualitas citra, dimana citra yang dihasilkan dapat memberikan informasi yang jelas.
Preproecessing yang dilakukan terdiri dari grayscale (aras keabuan), bertujuan untuk
mempermudah pengolahan citra warna yang rumit
Deteksi Tepi Canny
Setelah preprocessing langkah selanjutnya adalah deteksi tepi, deteksi
tepi yang di gunakan adalah deteksi tepi canny. Dalam proses deteksi
canny akan dihasilkan matrik-matrik yang memiliki nilai sehingga di
gunakan dalam proses ekstraksi fitur untuk penilihan fitur terbaik yang
akan digunakan dalam proses pendeteksian
01
02
7. Preparing Data
Ekstraksi Fitur
Ekstraksi fitur adalah salah satu proses penting dalam pengenalan iris, yang
digunakan untuk mendapatkan ciri atau informasi atau fitur dari citra iris. Ciri atau
informasi atau fitur yang diperoleh digunakan untuk proses selanjutnya dalam
pengenalan iris.
Data integration
Building training sets sebesar 80% dan testing sets sebesar 20%data
reduction
03
04
transformation data
data set akan dijadikan data training dan bertarnsformasi menjadi
model
05
8. Seleting the
Algorithm
Hasil dari ekstraksi fitur kemudian dikelompokkan ke dalam dua kelompok
(cluster) berdasarkan nilai cirri yang terdekat dengan nilai tertentu, Proyek
AI ini dilakukan untuk klasifikasi input iris mata dalam proses dalam
membuka akses mengoperasikan komputer server pada suatau Institusi.
Dalam hal ini, algoritma yang baik dalam melakukan pengklasifikasian
adalah algortima klasifikasi yaitu algoritma KNN. Algoritma ini cukup
akurat bila digunakan untuk memprediksi menjadi 2 kelas. Yaitu kelas
cocok dan kelas tidak cocok. Jika hasilnya cocok, maka pintu terbuka, dan
jika tidak maka pintu tidak terbuka
9. Training the
model
Sebelum dilakukan pengklasifikasian, terlebih dahulu dilakukan training
model menggunakan K-Fold Cross Validation agar dapat diketahui tingkat
akurasi sebuah model machine learning dan training data. Adapun hasil dari
K-Fold Cross Validation adalah :Akurasi model SVM untuk tiap fold:
[0.94736842 0.92982456 0.97368421 0.92105263 0.95575221]Rata-rata
Akurasi model SVM dengan 5-Fold Cross Validation: 0.9455364073901569
Selanjutnya data training di proses menggunakan algortima KNN untuk
dilakukan pengklasifikasian dan dihitung tingkat akurasinya. Tingkat akurasi
dihitung menggunakan python yang mana telah terdapat library yang
memungkinkan untuk menghitung akurasi sebuah algoritma. Hasil akurasi
algoritma KNN menggunakan python adalah 90,35%.
10. Testing the model
Pada proses testing, akan dibandingkan tingkat akurasi algoritma
terhadap target akurasi yang telah ditentukan
Dengan demikian, algoritma KNN cukup baik dalam melakukan klasifikasi atau
pencocokan iris mata, dengan tingkat akurasi diatas target yaitu 90,35%.
Target Akurasi Hasil Akurasi KNN
90% 90,35%
11. CREDITS: This presentation template was created by Slidesgo, including
icons by Flaticon, infographics & images by Freepik and illustrations by
Stories
Thanks!
andisyahrulramdana@students.amikom.ac.id
+62 812 20778381