Pengenalan pola sidik jari menggunakan multi class support vector machine berdasarkan ekstraksi ciri tekstur dengan gray level co-occurence matrix

Agus Andreansyah, (NIM. 1021511003) (2019) Pengenalan pola sidik jari menggunakan multi class support vector machine berdasarkan ekstraksi ciri tekstur dengan gray level co-occurence matrix. skripsi thesis, Universitas Bangka Belitung.

[img]
Preview
Text
Halaman Depan.pdf

Download (1MB) | Preview
[img]
Preview
Text
BAB I.pdf

Download (431kB) | Preview
[img] Text
BAB II.pdf
Restricted to Registered users only

Download (2MB) | Request a copy
[img] Text
BAB III.pdf
Restricted to Registered users only

Download (835kB) | Request a copy
[img] Text
BAB IV.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img]
Preview
Text
BAB V.pdf

Download (313kB) | Preview
[img] Text
Daftar Pustaka.pdf
Restricted to Repository staff only

Download (317kB) | Request a copy

Abstract

Dalam mengungkap tindak kriminal, diperlukan adanya suatu alat bukti yang konkret salah satunya dengan menggunakan peranan sidik jari. Dalam mengidentifikasi sidik jari menggunakan suatu alat pendukung seperti INAFIS Portable System (IPS). Proses pembacaan sidik jari menggunakan alat ini, biasanya mengalami penurunan kualitas citra yang menimbulkan kendala dalam pembacaan ataupun analisis pada pola sidik jari. Sehingga, diperlukan adanya aplikasi pengenalan pola sidik jari. Dalam penelitian ini, dirancang suatu interface untuk pengenalan pola sidik jari menggunakan Multi – Class Support Vector Machine berdasarkan ekstraksi ciri tekstur dengan Gray Level Co-Occurence Matrix. Penelitian dimulai dengan mengambil citra sidik jari menggunakan alat IPS sebanyak 274 untuk data latih dan 177 data uji. Citra yang berupa RGB ini dikonversi menjadi citra grayscale. Selanjutnya, citra sidik jari diketahui ciri tekstur dengan menggunakan metode GLCM. Parameter GLCM yang digunakan ada 9 fitur yaitu mean, skewness, kurtosis, contrast, correlation, entropy, homogeneity, energy, dan variance. Berdasarkan penelitian menggunakan data uji dikenali dan data tidak dikenali yang terdiri dari 5 kelas yaitu pola arch, left loop, plain whorl, right loop, dan twinted loop menunjukkan bahwa tingkat akurasi tertinggi terdapat pada pola arch, left loop, dan plain whorl yaitu sebesar 100% sedangkan pola right loop dan twinted loop sebesar 30% untuk data dikenali. Pada data tidak dikenali tingkat akurasi pola arch sebesar 100% dan yang paling kecil didapat pada pola right loop dan twinted loop sebesar 30%

Item Type: Thesis (skripsi)
Uncontrolled Keywords: pengenalan pola, sidik jari, inafis portable system, GLCM, dan Multi-SVM.
Subjects: T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions: SKRIPSI > Fakultas Teknik > Teknik Elektro
Depositing User: Mrs Nia Erawati
Date Deposited: 13 Apr 2020 07:01
Last Modified: 13 Apr 2020 07:01
URI: http://repository.ubb.ac.id/id/eprint/2952

Actions (login required)

View Item View Item