PERBANDINGAN KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK pada DUA DATASET

• FITRI YANI NURHASANAH
• 14002630

---

ABSTRAK

 

ABSTRAK Nama : Fitri Yani Nurhasanah NIM : 14002630 Fakultas : Teknologi Informasi Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua (S2) Konsentrasi : Image Processing Judul : “Perbandingan Klasifikasi Pola Sidik Jari Menggunakan Metode
Convolutional Neural Network Pada Dua Dataset” Diketahui terdapat keragaman dari pola sidik jari. Dengan kemajuan teknologi dapat dilakukan proses pengklasifikasian dengan menggunakan algoritma
Convolusion Neural Network (CNN). Namun CNN sendiri pun tidak bekerja sendiri, CNN memiliki berbagai macam arsitektur yang berguna untuk menunjang performa kerja dari algoritma itu sendiri. Penelitian ini menggunakan model arsitektur Iception V3, Inception ResNet V2, Mobile Net, Nasnet, ResNet 50, ResNet
152, dan VGG 16. Menggunakan dua dataset yang berbeda, yaitu dataset publik dan dataset privat yang masing masing memiliki jumlah 500 citra dan 416 citra.
Dataset ini menggunakan ukuran piksel yang kecil yaitu 150 x 150. Hasil akurasi terbaik diperoleh untuk dataset privat sebesar 71% ketika menggunakan model arsitektur VGG 16, sementara untuk dataset publik hasil akurasi terbaik ketika menggunakan model Mobile Net dan VGG 16, dengan nilai arsitektur nya sebesar 96%, dan ketika kedua dataset ini digabung akurasi terbaik ketika menggunakan arsitektur VGG 16. Kata Kunci: CNN, klasifikasi, sidik jari, VGG 16, Mobile Net
 

KATA KUNCI

Analisa Perbandingan,Klasifikasi Pola Sidik Jari,Convolutional Neural Network

---

DAFTAR PUSTAKA

 

DAFTAR REFERENSI [1] I. G. S. E. Putra, D. I. K. G. Putra, and P. A. Bayupati, “Klasifikasi Sidik Jari Dengan Metode Fuzzy Learning Vector Quantization Dan Fuzzy Backpropagation,” Semin. Nas. Sist. Inf. Indones. 22 Sept. 2014, no. September, pp. 1 –6, 2014. [2] Fanani Hidayati, “Variasi Pola Sidik Jari pada Populasi Jawa dan Papua,” 2015. [3] T. Fahmi, “Peningkatan Kualitas Citra Sidik Jari Menggunakan Fft (Fast Fourier Transform),” Van Nostrand’s Sci. Encycl. , Pp. 74–78, 2007, doi: 10.1002/0471743984.vse9348. [4] V. D. A. Kumar, V. D. A. Kumar, G. K. Rajeswari, and M. Anitha, “Human Character Identification Based on a New Biometric Pattern-A Contemporary Approach,” Procedia Comput. Sci., vol. 133, pp. 99–107, 2018, doi: 10.1016/j.procs.2018.07.013. [5] Y. Wang, Z. Wu, and J. Zhang, “Damaged fingerprint classification by Deep Learning with fuzzy feature points,” Proc. - 2016 9th Int. Congr. Image
Signal Process. Biomed. Eng. Informatics, CISP-BMEI 2016, pp. 280–285, 2017, doi: 10.1109/CISP-BMEI.2016.7852722. [6] R. Wang, C. Han, Y. Wu, and T. Guo, “Fingerprint Classification Based on Depth Neural Network,” no. 1998, pp. 1 –14, 2014, [Online]. Available: http://arxiv.org/abs/1409.5188. [7] A. I. Gustisyaf and A. Sinaga, “Implementation of convolutional neural network to classification gender based on fingerprint,” Int. J. Mod. Educ.
Comput. Sci., vol. 13, no. 4, pp. 55–67, 2021, doi: 10.5815/IJMECS.2021.04.05. [8] Hariyanto, S. A. Sudiro, and S. Lukman, “Keakuratan Deteksi Keaslian Sidik Jari Menggunakan Metode CNN,” Semin. Nas. Teknol. Inf. dan Komun.
STI&K, vol. 3, pp. 247–252, 2019. [9] N. F. Mustamin, Y. Sari, and H. Khatimi, “Klasifikasi Kualitas Kayu Kelapa Menggunakan Arsitektur Cnn,” Klik - Kumpul. J. Ilmu Komput., vol. 8, no. 1, p. 49, 2021, doi: 10.20527/klik.v8i1.370. [10] M. H. H, “Perbandingan Model Logistic Regression Dan Neural Network Pada Kelahiran Bayi Dengan Berat Badan Rendah,” J. INSTEK (Informatika
Sains dan Teknol. , vol. 6, no. 1, p. 75, 2021, doi: 10.24252/instek.v6i1.18639. [11] M. Purnama, S. H. Sitorus, and M. Diponegoro, “Identifikasi Sidik Jari Menggunakan Metode Principal Component Analysis (Pca) Dan Mahalanobis Distance Pada Pemilihan Presiden Mahasiswa,” J. Komput.
Dan Apl., vol. 07, no. 02, pp. 11 –21, 2019. [12] I. H. Pradana, “Klasifikasi Citra Sidik Jari Berdasarkan Enam Tipe Pattern Menggunakan Metode Euclidean Distance,” Inform. Jur. Tek. Komputer,
Fak. Ilmu Nuswantoro, Univ. Dian, pp. 1–5, 2015. [13] M. Afif, A. Fawwaz, K. N. Ramadhani, and F. Sthevanie, “Klasifikasi Ras pada Kucing menggunakan Algoritma Convolutional Neural Network(CNN),” J. Tugas Akhir Fak. Inform., vol. 8, no. 1, pp. 715–730, 2020. [14] E. N. Arrofiqoh and H. Harintaka, “Implementasi Metode Convolutional
55
Program Studi Ilmu Komputer (S2) Universitas Nusa Mandiri Neural Network Untuk Klasifikasi Tanaman Pada Citra Resolusi Tinggi,”
Geomatika, vol. 24, no. 2, p. 61, 2018, doi: 10.24895/jig.2018.24-2.810. [15] G. Thiodorus, A. Prasetia, L. Afrizal, and N. Yudistira, “Klasifikasi citra makanan / nonmakanan menggunakan metode Transfer Learning dengan model Residual Network Classification of food / non-food images using Transfer Learning method with Residual Network model,” vol. 11, no. 2, pp. 74–83, 2021. [16] N. Rochmawati, H. B. Hidayati, Y. Yamasari, H. P. A. Tjahyaningtijas, W. Yustanti, and A. Prihanto, “Analisa Learning rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam,”
J. Inf. Eng. Educ. Technol. , vol. 5, no. 2, pp. 44–48, 2021, doi: 10.26740/jieet.v5n2.p44-48. [17] E. G. Winarto et al., “Implementasi Arsitektur Inception ResNet-V2 untuk Klasifikasi Kualitas Biji Kakao,” pp. 132–137, 2021. [18] S. Manna, “Building Inception-ResNet-V2 in Keras from scratch.” https://medium.com/the-owl/building-inception-ResNet-v2-in-keras-fromscratch-a3546c4d93f0. [19] S. in S. Venkatesh, Nagaraju Y, sSiddhanth U Hegde, “Fine-tuned MobileNet Classifier for Classification of Strawberry and Cherry Fruit Types.” [20] Darmatasia, “Analisis Perbandingan Performa Model Deep Learning untuk Mendeteksi Penggunaan Masker,” J. IT, vol. 11, no. 2, pp. 101 –107, 2020. [21] F. Nashrullah, S. A. Wibowo, and D. G. Budiman, “Investigasi Parameter Epoch Pada Arsitektur ResNet-50 Untuk Klasifikasi Pornografi,” J. Comput.
Electron. Telecommun. [22] W. Hastomo, “Diagnosa COVID-19 Chest X-Ray Dengan Convolution Neural Network Arsitektur ResNet-152,” KERNEL J. Ris. Inov. Bid. Inform.
dan Pendidik. Inform., vol. 2, no. 1, pp. 26–33, 2021, doi: 10.31284/j.kernel.2021.v2i1.1884. [23] S. R. Reynaldi, J. Apri, and S. A. Wahyu, “Klasifikasi Penyakit Kanker Kulit Menggunakan Metode Convolutional Neural Network,” Data Inst. Teknol.
Telkom Purwokerto, vol. 2, no. 1, pp. 52–57, 2022.