Implementasi Finger Vein Recognition pada Sistem Keamanan Brankas

Implementasi Finger Vein Recognition pada Sistem

Keamanan Brankas

Haryadi Amran Darwito, Akuwan Saleh, Yophiza Tulus Ichwansyah Program Studi Teknik Telekomunikasi

Politeknik Elektronika Negeri Surabaya Surabaya

amran@pens.ac.id, akuwan@pens.ac.id

Abstrak—Pengenalan vena jari (finger vein recognition)

merupakan salah satu teknologi pengenalan biometrik yang menjanjikan, dimana verifikasi identitas diperoleh melalui pola vena di dalam jari. Dibandingkan dengan pengenalan biometrik lain, pengenalan vena jari memiliki beberapa keunggulan. Salah satunya adalah tingkat keamanan yang tinggi karena pola vena jari terletak di dalam tubuh manusia sehingga hampir tidak dapat diperoleh oleh orang lain. Karena tingkat keamanan serta keunikannya, pengenalan vena jari sangat sesuai untuk diimplementasikan sebagai sistem keamanan. Citra pola vena jari hanya dapat diperoleh menggunakan perangkat pemindai yang dibuat khusus untuk memindai pola vena pada jari. Pada penelitian ini, dibuat perangkat pemindai vena jari menggunakan infrared LED, Mikrokontroler Arduino dan kamera near-infrared. Citra pola vena jari diproses menggunakan metode integral proyeksi dengan algoritma region-based axis projection untuk mendapatkan histogram pola vena jari. Histogram tersebut disimpan pada database SQLite sebagai template dan digunakan sebagai parameter untuk proses pengenalan. Proses pengenalan pola vena jari ditentukan menggunakan metode histogram intersection. Pengujian menunjukkan bahwa sistem telah berhasil mengenali pemilik brankas yang melakukan pemindaian vena jari terhadap dirinya sendiri dengan rata-rata tingkat keberhasilan 64% dan menolak pengguna lain yang melakukan pemindaian vena jari terhadap pemilik brankas dengan tingkat keberhasilan 100%. Selain itu, algoritma RAP yang diterapkan mempengaruhi ketelitian sistem dalam melakukan evaluasi pengenalan. Semakin besar pembagian citra yang diterapkan, maka semakin besar tingkat ketelitian sistem dalam melakukan evaluasi pengenalan.

Kata kunci — vena jari, citra digital, integral proyeksi, region-based axis projection.

I. PENDAHULUAN

Sebagian besar tempat penyimpan barang berharga telah dilindungi dengan berbagai macam sistem keamanan seperti kata sandi, nomor pin atau menggunakan sistem pengenalan biometrik. Sistem pengenalan biometrik dibagi menjadi dua kategori yaitu, berdasarkan pola perilaku seperti tulisan tangan, cara berjalan dan tanda tangan, dan berdasarkan pola fisiologis seperti wajah, mata dan sidik jari [1]. Namun, sebagian sistem pengenalan biometrik masih memiliki beberapa kelemahan.

Contohnya adalah pengenalan iris mata yang dianggap sebagai biometrik yang mahal dan sulit digunakan. Sistem pengenalan iris mata rawan untuk dipalsukan melalui foto iris mata atau foto wajah yang memiliki resolusi tingkat tinggi. Contoh yang lain adalah sistem pengenalan wajah yang memiliki tingkat keakuratan yang rendah karena sangat sensitif terhadap pencahayaan, ekspresi wajah, aksesoris pada wajah, dan kemiripan wajah[2].

Sejak satu dekade terakhir, metode pengenalan biometrik berdasarkan pola vena telah mendapat banyak perhatian di kalangan peneliti dan teknolog [3]. Hal tersebut dikarenakan teknologi pengenalan pola vena memiliki tingkat keamanan yang sangat menjanjikan, dimana pola vena hanya bisa didapatkan menggunakan perangkat yang dirancang khusus untuk menangkap citra pola vena. Selain itu pola vena yang terdapat didalam jari hampir tidak dapat diperoleh oleh orang lain karena terletak di dalam tubuh dan dilindungi oleh kulit [1][2].

Pada penelitian ini dibuat sebuah sistem keamanan yang memanfaatkan keunikan pola vena jari sebagai sistem keamanan brankas. Citra pola vena jari diperoleh dengan perangkat pemindai vena jari yang dibuat menggunakan NIR-LED (Near-Infrared Light Emitting Diode), Mikrokotroler Arduino dan kamera near-infrared [4]. Citra pola vena jari tersebut diproses dengan teknik pengolahan citra digital (digital image processing) menggunakan metode integral proyeksi dengan algoritma RAP (Region-Based Axis Projection) untuk mendapatkan histogram pola vena jari. Histogram tersebut disimpan pada database SQLite sebagai template dan digunakan sebagai parameter untuk proses pengenalan. Proses pengenalan pola vena jari ditentukan menggunakan metode histogram intersection untuk mengevaluasi kesamaan citra [5][6]. Sistem kemanan tersebut selanjutnya diuji dengan penentuan metode dan jumlah NIR-LED yang digunakan pada perangkat pemindai vena jari, penentuan jumlah template yang tersimpan pada database, menghitung berapa besar tingkat keberhasilan pemilik brankas ketika membuka brankas nya, dan menghitung berapa besar tingkat keberhasilan pengguna lain ketika membuka brankas [7]. Sehingga dapat diketahui kualitas dari sistem yang dibuat.

II. METODEPENELITIAN

A. Integral Proyeksi

Integral proyeksi adalah suatu metode yang digunakan untuk memproyeksikan citra kedalam bentuk dokumen teks. Dokumen teks tersebut dapat berupa huruf, angka maupun simbol dan dapat dikatakan sebagai karakter. Metode ini juga dapat digunakan untuk mencari suatu daerah atau lokasi objek tertentu dalam sebuah citra [9].

Metode integral proyeksi bisa disebut sebagai integral baris dan kolom dari piksel, karena pada dasarnya integral proyeksi adalah sebuah metode yang menjumlahkan piksel pada setiap baris dan kolom [5][9]. Jika dimisalkan terdapat citra hasil

feature extraction, 𝑃 yang berukuran 𝐼 × 𝐽 piksel. Setiap piksel

pada koordinat (𝑖, 𝑗), memiliki nilai biner, 𝑃_𝐹𝐸. maka nilai integral proyeksi secara matematis dapat dituliskan menggunakan persamaan (1) dan (2) [5].

𝐵ℎ(𝑖) = ∑𝐼𝑖=1𝑃𝐹𝐸(𝑖, 𝑗) 1 ≤ 𝑗 ≤ 𝐽 (1)

Bv(j) = ∑Jj=1PFE(i, j) 1 ≤ i ≤ I (2)

Sehingga didapatkan nilai 𝐵_ℎ(𝑖)yang merupakan hasil integral proyeksi secara horizontal pada baris 𝑖 dan nilai 𝐵_𝑣(𝑗)yang merupakan hasil integral proyeksi secara vertical pada kolom 𝑗. Oleh karena itu, dokumen teks dapat digambarkan atau diproyeksikan menggunakan sebuah diagram yang mendistribusikan jumlah piksel pada setiap baris dan kolom. Metode integral proyeksi ini diilustrasikan pada Gambar 1.

B. Algoritma Region-based Axis Projection

Region-Based Axis Projection (RAP) merupakan algoritma pengenalan citra berbasis integral proyeksi. Secara umum algoritma RAP memiliki langkah langkah sebagai berikut [5]:

1. Citra input diolah sedemikian rupa hingga menjadi citra hitam dan putih (threshold image).

2. Citra disimpan kedalam bentuk matriks biner (feature extraction). Warna hitam mewakili nilai biner 0 dan warna putih mewakili nilai biner 1 atau sebaliknya. 3. Matriks biner dibagi menjadi beberapa bagian. 4. Setiap bagian diproses menggunakan integral proyeksi

sehingga menghasilkan diagram distribusi baris dan kolom.Diagram distribusi tersebut mewakili karakteristik dari citra input.

5. Diagram distribusi pada setiap bagian digabungkan menjadi satu kesatuan sehingga menghasilkan diagram distribusi baru yang disebut diagram gabungan (concatenated histogram).

6. Digram gabungan citra input dapat disimpan sebagai template baru atau dibandingkan dengan diagram gabungan yang sebelumnya telah tersimpan pada database.

Jika dimisalkan terdapat citra hasil feature extraction, 𝑃 yang berukuran 𝐼 × 𝐽 piksel. Setiap piksel pada koordinat (𝑖, 𝑗), memiliki nilai biner, 𝑃 . Apabila matriks biner tersebut dibagi

sebanyak 𝑇 bagian, maka nilai integral proyeksi dengan algoritma RAP secara matematis dapat dituliskan menggunakan persamaan (3) dan (4) [5].

Bh(k) = ∑ ∑Ii=1PFE(i, j) j+T j=(k−1)∗T+1 1 ≤ k ≤ J T (3) B_v(k) = ∑i+T ∑J_j=1P_FE(i, j) i=(k−1)∗T+1 1 ≤ k ≤ I T (4)

Gambar 1. Ilustrasi integral poyeksi [5]_.

Gambar 2. Ilustrasi algoritma RAP [5]_.

Sehingga didapatkan nilai 𝐵ℎ(𝑘)yang merupakan hasil integral

proyeksi secara horizontal pada bagian 𝑘 dan nilai 𝐵𝑣(𝑘)yang

merupakan hasil integral proyeksi secara vertical pada bagian 𝑘. Nilai 𝐵ℎ(𝑘) dan 𝐵𝑣(𝑘) tersebut selanjutnya digabungkan

menjadi satu diagram sehingga didapatkan diagram gabungan. Algoritma RAP diilustrasikan seperti pada Gambar 2.

C. Perancangan Sistem

Sistem pada penelitian ini memliki dua tahap proses yang sama dengan hasil akhir yang berbeda yaitu, proses pendaftaran pengguna dan proses pengenalan pengguna. Pendaftaran pengguna merupakan proses untuk mendaftarkan dan menambahkan pengguna ke dalam database. Proses tersebut akan diakhiri dengan penyimpanan identitas, citra pola vena jari dan histogram pola vena jari milik pengguna ke dalam database.

Sedangkan pengenalan pengguna merupakan proses mengenali identitas pengguna yang sudah didaftarkan sebelumnya ke database. Proses ini akan diakhiri dengan output berupa sebuah keputusan dengan kondisi benar yang diwakili dengan data 1 atau kondisi salah yang diwakili dengan data 0. Garis besar rancangan sistem ditunjukkan oleh diagram blok pada Gambar 3.

Gambar 3. Diagram Blok Peracangan Sistem.

D. Pengambilan Citra

Citra pola vena jari hanya dapat diperoleh menggunakan perangkat pemindai yang didesain khusus untuk memindai vena jari. Perangkat pemindai vena jari pada penelitian proyek akhir ini akan dibuat menggunakan metode light transmission dan side lighting. Memanfaatkan 6 buah NIR-LED yang dikendalikan oleh Arduino Uno dan dimodulasi menggunakan PWM (Pulse Width Modulation) pada Arduino. Ilustrasi alat pemindai ini ditunjukkan pada gambar 4.

Kamera CCD diletakkan di bawah NIR-LED dan diberi jarak yang cukup untuk menempatkan jari. Kamera akan disambungkan ke komputer melalui kabel USB dan diatur untuk terus menyala. Sehingga kamera akan terus meng-input-kan citra yang ditangkap ke komputer. Pada proses ini citra yang ditangkap memiliki ukuran 640 x 480 piksel dan menjadi citra input untuk proses selanjutnya. Ketika kamera mendeteksi objek sesuai dengan parameter ROI (Region of Interest), maka dilakukan image cropping dan selanjutnya melakukan image capturing. Metode dalam pengambilan ROI pada penelitian ini menggunakan inter-phalangeal joint prior [8] dan metode edge detection.

Gambar 4. Ilustrasi perangkat pemindai.

III. HASIL PENGUJIAN

Pengujian yang dilakukan pada penelitian ini adalah pengujian metode pengambilan citra, pengujian jumlah template pada database, pengujian pemilik brankas terhadap dirinya sendiri, dan pengujian pengguna lain terhadap pemilik database. Pengujian dilakukan menggunakan beberapa jari dari beberapa pengguna yang berbeda. Terdapat total 15 jari dari 15 orang berbeda yang digunakan untuk pengujian sistem pada penelitian ini. Sampel data pengujian dari masing-masing pengguna seperti ditunjukkan pada Gambar 1.

Pola vena jari dikatakan berhasil dikenali apabila persentase kesamaan antara template yang tersimpan pada database dan raw data yang diuji memiliki tingkat kesamaan lebih dari atau sama dengan 82.5%, dan dinyatakan gagal dikenali apabila kurang dari 82.5%.

(a) Pola vena jari dengan ROI

Pengambilan Citra

Pengolahan

Citra Integral Poyeksi

Pendaftaran Pengguna Pengenalan Pengguna Keluaran Mikrokontroler

(b) Hasil pemotongan ROI dan grayscale

(c) Hasil treshold setelah size normalization

Gambar 5. Sampel citra pola vena jari pengguna untuk bahan penelitian

A. Pengujian Metode Pengambilan Citra

Pada pengujian ini, diuji bagaimana performansi dari metode pengambilan citra yang digunakan yaitu, metode light

transmission dan side lighting. Jumlah NIR-LED yang

digunakan pada pengujian metode light transmission ini diubah-ubah yaitu dengan jumlah 1, 2, 3, 4, 5 dan 6. Untuk setiap perubahan jumlah NIR-LED diuji menggunakan 4 jari dari 4 pengguna yang berbeda. Setiap pengguna mendaftarkan 1 jari sebanyak 5 kali pendaftaran sehingga terdapat 5 template pola vena jari yang tersimpan pada database. Hasil dari pengujian ditunjukkan oleh Tabel I dan Tabel II.

Hasil pengujian menunjukkan dengan jelas bahwa rata-rata tingkat keberhasilan tertinggi untuk perangkat pemindai vena jari yang telah dibuat adalah menggunakan metode side lighting dengan jumlah NIR-LED 3 pasang. Selain memiliki nilai rata-rata tertinggi, hasil tersebut juga memiliki tingkat keberhasilan paling stabil dalam mengenali pengguna yang melakukan pengenalan terhadap dirinya sendiri.

TABEL I. PENGUJIAN METODE LIGHT TRANSMISSION

Jumlah NIR-LED

Metode Light Transmission

Tingkat Keberhasilan (%) Rata-rata (%) Dona Rofiul Intan Megaris

1 buah 2 0 0 25 26 2 buah 0 80 50 5 38 3 buah 44 0 16 64 33 4 buah 40 0 16 21 33 5 buah 0 0 0 46 0 6 buah 2 0 2 25 26

TABEL II. PENGUJIAN METODE SIDE LIGHTING

Jumlah NIR-LED

Metode Side Lighting Tingkat Keberhasilan (%) Rata-rata (%) Don a Rofiul Intan Megari s 1 buah 0 0 0 100 25 2 buah 0 0 18 0 5 3 buah 80 60 42 74 64 4 buah 80 4 0 0 21 5 buah 74 10 0 100 46 6 buah 0 76 24 0 25

Gambar 6. Grafik hasil pengujian jumlah template pada database

B. Pengujian Jumlah Template pada Database

Pada pengujian ini, diuji bagaimana performansi dari jumlah template yang tersimpan pada database. Jumlah template tersebut diubah-ubah yaitu dengan jumlah 2, 4, 5, 6, 8, dan 10. Untuk setiap perubahan jumlah template pada database diuji menggunakan 5 jari dari 5 pengguna yang berbeda. Pengujian dilakukan untuk mendapatkan berapa jumlah template yang paling tepat untuk disimpan pada database. Hasil dari pengujian ini ditunjukkan pada Gambar 6

Hasil pengujian menunjukkan bahwa tingkat keberhasilan sistem dalam melakukan pengenalan pengguna terhadap dirinya sendiri stabil pada jumlah 5 template yang tersimpan pada database. Meskipun hasil rata-rata tingkat keberhasilan tertinggi dari sistem dalam melakukan pengenalan pengguna terhadap dirinya sendiri adalah pada jumlah 4 template,namun hal tersebut belum menunjukkan kestabilan sistem, karena pengguna Sugi tidak mencapai tingkat keberhasilan 50%. Selain itu, selisih tingkat keberhasilan pengguna Dean dengan pengguna lain yang cukup jauh sehingga sangat berpengaruh terhadap hasil rata-rata.

C. Pengujian Pemilik Brankas oleh Dirinya Sendiri Terhadap

Perubahan Pembagian RAP

Pada pengujian ini, diuji bagaimana performansi dari algoritma RAP untuk sistem yang telah dibuat dalam mengenali pemilik brankas yang melakukan pemindaan vena jari. Pembagian citra yang diterapkan pada algoritma RAP diubah-ubah dengan membagi citra menjadi beberapa baris X kolom yaitu, 1X1, 2X1, 4X2, 6X3, 8X4, dan 10X5. Setiap perubahan

0 20 40 60 80 100 2 4 5 6 8 10 T in gka t K ebe rha sil an (% ) Jumlah Template

Grafik Perbandingan Tingkat Keberhasilan dan Perubahan Jumlah Template pada

Database

pembagian RAP diuji menggunakan 5 jari dari 5 pengguna yang berbeda. Setiap pengguna mendaftarkan 1 jari sebanyak 5 kali pendaftaran sehingga terdapat 5 template pola vena jari yang tersimpan pada database. Hasil dari pengujian ini ditunjukkan grafik perbandingan tingkat keberhasilan dan perubahan pembagian RAP pada Gambar 7 dan grafik perbandingan tingkat kesamaandan perubahan pembagian RAP pada Gambar 8.

Gambar 7.Grafik tingkat keberhasilan pengujian pemilik brankas oleh dirinya sendiri terhadap perubahan pembagian RAP.

Gambar 8.Grafik hasil tingkat kesamaan pengujian pemilik brankas oleh dirinya sendiri terhadap perubahan pembagian RAP.

Dari hasil pengujian tampak bahwa tingkat keberhasilan sistem dalam melakukan pengenalan pengguna terhadap dirinya sendiri terus menurun seiring bertambahnya pembagian RAP yang dilakukan. Selain itu rata-rata tingkat kesamaan antara citra input hasil pemindain pola vena jari dengan template pada database juga terus menurun seiring bertambahnya pembagian RAP yang dilakukan. Hal tersebut disebabkan karena semakin besar pembagian yang dilakukan pada citra dalam penerapan algoritma RAP, maka semakin besar pula ketelitian sistem dalam melakukan evaluasi pada citra dan semakin besar pula kepekaan sistem terhadap

pergeseran dan rotasi pada jari saat melakukan pemindaian pola vena jari.

D. Perubahan Jumlah LED Terhadap dirinya sendiri

Pada pengujian ini, diuji bagaimana performansi dari algoritma RAP untuk sistem yang telah dibuat dalam menolak pengguna lain yang bukan pemilik brankas ketika melakukan pemindaian vena jari. Pembagian citra yang diterapkan pada algoritma RAP diubah-ubah dengan membagi citra menjadi beberapa baris X kolom yaitu, 1X1, 2X1, 4X2, 6X3, 8X4, dan 10X5. Pengujian dilakukan dengan cara setiap pengguna yang telah terdaftar (pemilik brankas) diuji oleh pengguna lain yang melakukan pengenalan terhadap pemilik brankas menggunakan jari yang sama sebanyak 10 kali percobaan. Hasil dari pengujian ini ditunjukkan pada Gambar 9.

Dari hasil pengujian ini, dapat diketahui bahwa bahwa masing-masing pengguna lain yang melakukan pengujian terhadap pemilik brankas memiliki tingkat keberhasilan 0%. Ketika algoritma RAP menerapkan pembagian citra 1X1, 2X1, maupun yang lebih besar, tingkat keberhasilan tetap 0%. Tingkat kesamaan antara citra input hasil pemindain pola vena jari dengan template pada database untuk setiap pengguna terus mengalami penurunan seiring bertambahnya pembagian RAP yang dilakukan. Hal ini menunjukkan bahwa sistem sudah berhasil dan stabil melakukan penolakan terhadap pengguna lain yang melakukan pengenalan terhadap pemilik brankas.

Gambar 9. Grafik hasil tingkat kesamaan pengujian pemilik brankas oleh pengguna lain terhadap perubahan pembagian RAP.

IV. KESIMPULAN

Dari hasil implementasi sistem, pengujian dan pembahasan yang telah dilakukan pada penelitian ini, dapat disimpulkan bahwa:

a. Metode pengambilan citra yang paling sesuai digunakan untuk perangkat pemindai vena jari yang telah dibuat adalah metode side lighting dengan jumlah NIR-LED 3 pasang. b. Jumlah template pada database yang strabil dan efisien

untuk digunakan pada sistem yang telah dibuat adalah lima buah template. 0 20 40 60 80 1X1 2X1 4X2 6X3 8X4 10X5 T in gka t K ebe rha il an (% ) Pembagian RAP

Grafik Perbandingan Tingkat Keberhasilan dan Perubahan Pembagian RAP

Dean Roff Sugi Mega Novi

0 20 40 60 80 100 1X1 2X1 4X2 6X3 8X4 10X5 T in gka t K es ama an (% ) Pembagian RAP

Grafik Perbandingan Tingkat Kesamaan dan Perubahan Pembagian RAP

Dean Roff Sugi Mega Novi

0 20 40 60 80 1X1 2X1 4X2 6X3 8X4 10X5 T in gka t K es ama an (% ) Pembagian RAP

Grafik Perbandingan Tingkat Kesamaan dan Perubahan Pembagian RAP

c. Hasil terbaik dari sistem dalam mengenali pemilik brankas adalah menerapkan pembagian RAP 1X1 dengan rata-rata tingkat keberhasilan 64%.

d. Hasil terbaik dari tingkat kesamaan (matching score) antara citra input hasil pemindain vena jari dengan template adalah menerapkan pembagian RAP 1X1 dengan rata-rata tingkat kesamaan 83.1%.

e. Tingkat keberhasilan dan tingkat kesamaan sistem dalam melakukan pengenalan pemilik brankas menurun seiring bertambahnya pembagian RAP yang diterapkan.

f. Semakin besar pembagian RAP yang diterapkan maka semakin besar tingkat ketelitian sistem dalam melakukan evaluasi pada citra.

g. Semakin besar tingkat ketelitian sistem maka semakin besar kepekaan sistem terhadap pergeseran dan rotasi pada jari ketika melakukan pemindaian vena jari.

h. Sistem telah berhasil menolak pengguna lain yang melakukan pemindaian vena jari terhadap pemilik brankas dengan tingkat keberhasilan 100%.

i. Tingkat kesamaan (matching score) sistem citra input hasil pemindain vena jari dengan template dalam melakukan penolakkan pengguna lain menurun seiring bertambahnya pembagian RAP yang diterapkan.

j. Semakin besar pembagian RAP yang diterapkan maka semakin sulit pengguna lain untuk dikenali ketika melakukan pemindaian vena jari terhadap pemilik brankas.

UCAPAN TERIMA KASIH

Kami sampaikan terima kasih kepada Kepala P3M PENS yang telah memberikan pendanaan untuk bisa mengikuti konferensi ini.

REFERENSI

[1] K. Syazana-Itqan, A. R. Syafeeza, N. M. Saad, Norihan Abdul Hamid, dan Wira Hidayat bin Mohd Saad, “A Review of Finger-Vein Biometrics Identification Approaches”, Indian Journal of Science and Technology, 2016.

[2] Rupinder Saini dan Narinder Rana, “Comparison of Various Biometric Methods”, International Journal of Advances in Science and Technology, 2014.

[3] Junichi Hashimoto, “Finger Vein Authentication Technology and Its Future”, Symposium on VLSI Circuits - Digest of Technical Papers, 2006. [4] R. Syafeeza, K. Faiz, K. Syazana-Itqan, Y. C. Wong, Zarina Mohd Noh, M. M. Ibrahim, dan N. M. Mahmod, “Design of Finger-vein Capture Device with Quality Assessment using Arduino Microcontroller”, Journal of Telecommunication, Electronic and Computer Engineering, 2017. [5] Rongyang Xiao, Gongping Yang, Yilong Yin, dan Lu Yang, “A Novel

Matching Strategy for Finger Vein Recognition”, Intelligent Science and Intelligent Data Engineering Lecture Notes in Computer Science, 2013. [6] Michael J. Swain, Dana H. Ballard, “Color indexing”. International

Journal of Computer Vision, 1991.

[7] James L. Wayman, “Error Rate Equations for the General Biometric System”, IEEE Robotics & Automation Magazine, 1999.

[8] Jinfeng Yang dan Xu Li, “Efficient Finger Vein Localization and Recognition”, 20th International Conference on Pattern Recognition, 2010.

[9] Dewi Suryani, Setiawardhana, Nana Ramadijanti, “Pengenalan Huruf Hiragana dan Katakana dengan Integral Proyeksi”, Proyek Akhir Teknik Elektronika, Politeknik Elektronika Negeri Surabaya, 2010.