Autentikasi
merupakan proses identifikasi dan verifikasi subjek sebagai sosok yang diklaim
oleh subjek tersebut. Proses autentikasi pada umumnya menggunakan username
dan password. Namun, penggunaan username dan password
rentan terhadap serangan phising. Adapun dalam beberapa layanan yang melibatkan
proses transmisi data pengguna, autentikasi menjadi tantangan tersendiri untuk
mengamankan data selama proses transmisi. Untuk mengatasi masalah ini, dapat
diterapkan metode autentikasi dengan fitur biometrik dan pengamanan data dengan
teknik kriptografi. Salah satu fitur biometrik yang dapat digunakan sebagai
media autentikasi yaitu citra wajah karena mudah untuk dianalisis dengan
algoritme deep learning. Adapun teknik kriptografi yang dapat diterapkan
untuk pengamanan data yaitu teknik kriptografi homomorfis karena dapat
diterapkan fungsi komputasi tertentu pada data terenkripsi.
Salah
satu algoritme deep learning yang dapat diterapkan untuk analisis citra
wajah yaitu convolutional neural network (CNN). CNN mampu
melakukan klasifikasi sekaligus ekstraksi fitur data citra sehingga cocok
diterapkan pada autentikasi wajah. Namun, salah satu kelemahan CNN yaitu
penggunaan biaya komputasi yang besar. Kelemahan ini dapat diatasi dengan
penerapan principal component analysis (PCA) sebagai teknik
prapemrosesan data. PCA mengurangi dimensi data dengan mengubah variabel
data asli menjadi himpunan variabel baru. Adapun teknik kriptografi homomorfis
yang dapat diterapkan yaitu enkripsi Paillier. Enkripsi Paillier bersifat homomorfis
dan semantic secure sehingga mampu mengamankan proses komputasi dan
transmisi data dalam autentikasi. Tujuan penelitian ini adalah untuk menerapkan
algoritme PCA-CNN dan enkripsi Paillier pada autentikasi wajah.
Data
penelitian yang digunakan yaitu dataset citra wajah Yale Face yang berisi 165
citra grayscale berukuran 243 × 320
piksel dari 15 subjek berbeda. Setiap subjeknya memiliki sebelas citra. Sebelum
pengolahan data, dilakukan pembagian data menjadi 120 data training dan
45 data testing, cropping dan resizing citra menjadi
ukuran 160
× 160
piksel, dan one-hot encoding. Pada penelitian ini, PCA digunakan
untuk mereduksi data citra dari ukuran 160 ×160 piksel menjadi matriks
berukuran 9 × 9. CNN digunakan untuk pengenalan
wajah dan ekstraksi fitur sehingga diperoleh running time proses training
selama 33.983 detik, akurasi pengenalan mencapai 82%, dan vektor fitur wajah
dengan panjang 64. Enkripsi Paillier diterapkan pada setiap vektor fitur wajah
lalu ditentukan Euclidean distance untuk diukur terhadap threshold
h
sebagai proses autentikasi. Akurasi autentikasi tertinggi diperoleh dengan h
= 2.6×1012. Penerapan algoritme PCA-CNN
dan enkripsi Paillier dalam sistem autentikasi wajah menghasilkan sistem
autentikasi wajah dengan akurasi sebesar 97.926%.
