Pengenalan Telapak Tangan Menggunakan Convolutionall Neural Network (CNN)
DOI:
https://doi.org/10.31294/reputasi.v4i1.1951Abstract
Berbeda dengan atribut perilaku biometrik yang lainnya, telapak tangan (Palmprint) merupakan atribut yang cukup baru dalam biometrics. Pada mode sekarang, personal recognition system atau bahasa lainnya yaitu sistem pengenalan diri secara semakin hari semakin hari semakin menarik banyak peminat, sehingga kebutuhannyapun ikut meningkat khususnya dalam penerapan di sektor keamanan. Sistem pengenalan guna dijadikan sistem keamanan sudah banyak dikembangkan dengan menggunakan berbagai jenis atribut biometrik salah satunya dengan menggunakan pengenalan telapak tangan (Palmprint). Penelitian yang dilakukan memiliki tujuan guna melakukan Pengenalan Palmprint menggunakan Convolutionall Neural Network (CNN). CNN yang diterapakan pada penelitian ini yaitu metode Alexnet. Pada metode Alexnet diterapkan 3 tahapan yaitu tahap pertama diawali dengan pengumpulan dataset yang kemudian dilakukan proses Pre-processing sehingga citra yang dihasilkan ukurannya menjadi 64x64px. Tahap selanjutnya adalah Ekstraksi Fitur dengan 3 layer yaitu Convolutionall Layer, Pooling Layer, Fully Connected Layer, Pada implementasi implementasi Convolutionall Neural Network menggunakan 10 epoch. Hasil akurasi dari penelitian pengenalan Palmprint menggunakan metode Convolutionall Neural Network paling tinggi ditemukan pada epoch ke-9 yaitu 0,9701 atau jika diubah kedalam bentuk proporsi yaitu 97,01%.
References
R. Ajita, D. Reza, and R. Arun, Selfie
Biometrics. Advances and Challenges. 2019.
S. Rahman and M. Ulfayani, “Perancangan
Aplikasi Identifikasi Biometrika Telapak
Tangan Menggunakan Metode Freeman
Chain Code,” CESS (Journal Comput. Eng.
Syst. Sci., vol. 2, no. 2, pp. 64–73, 2017.
N. Fajriani, “Pengenalan Pola Garis Telapak
Tangan Menggunakan Metode Fuzzy K-
Nearest Neighbor,” Edutic - Sci. J.
Informatics Educ., vol. 4, no. 1, pp. 36–43,
, doi: 10.21107/edutic.v4i1.3385.
I. Purnamasari and T. Sutojo,
“PENGENALAN CIRI GARIS TELAPAK
TANGAN MENGGUNAKAN
EKSTRAKSI FITUR (GLCM) DAN
METODE K-NN Palm Characteristic
Recognition Using Feature Extraction
(GLCM) and K-NN Method,” J. VOI (Voice
Informatics), vol. 6, no. 1, pp. 221–229,
, [Online]. Available: https://voi.stmik-
tasikmalaya.ac.id/index.php/voi/article/view/
G. T. Situmorang, A. W. Widodo, and M. A.
Rahman, “Penerapan Metode Gray Level
Co-occurrence Matrix ( GLCM ) untuk
ekstraksi ciri pada telapak tangan,” J.
Pengemb. Teknol. Inf. dan Ilmu Komput.,
vol. 3, no. 5, pp. 4710–4716, 2019.
S. Sazmita, Dyah Tri;Rusdi, Efendi;Boko,
“Pengolahan Citra Telapak Tangan Manusia
Menggunakan Histogram Equalization Dan
Homomorphic Filtering,” Rekursif J.
Inform., vol. 8, pp. 1–12, 2020, [Online].
Available:
https://ejournal.unib.ac.id/index.php/rekursif
/article/view/9904.
B. Pradinta, E. Ernawati, and E. P.
Purwandari, “Identifikasi Citra Garis
Telapak Tangan Menggunakan Metode
Linear Discriminant Analysis Dengan
Probabilitas Naïve Bayesian,” Pseudocode,
vol. 4, no. 2, pp. 156–167, 2017, doi:
33369/pseudocode.4.2.156-167.
S. Ilahiyah and A. Nilogiri, “Implementasi
Deep Learning Pada Identifikasi Jenis
Tumbuhan Berdasarkan Citra Daun
Menggunakan Convolutional Neural
Network,” JUSTINDO (Jurnal Sist. dan
Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–
, 2018.
M. R. Alwanda, R. P. K. Ramadhan, and D.
Alamsyah, “Implementasi Metode
Convolutional Neural Network
Menggunakan Arsitektur LeNet-5 untuk
Pengenalan Doodle,” J. Algoritm., vol. 1, no.
, pp. 45–56, 2020, doi:
35957/algoritme.v1i1.434.
Reputasi: Jurnal Rekayasa Perangkat Lunak, Volume 4 No. 1 Mei 2023
ISSN 2747-1799
http://jurnal.bsi.ac.id/index.php/reputasi 15
A. S. Riyadi, I. P. Wardhani, D. S. Widayati,
and K. Kunci, “Klasifikasi Citra Anjing Dan
Kucing Menggunakan Metode
Convolutional Neural Network (Cnn),”
Pros. SeNTIK, vol. 5, no. 1, pp. 307–311,
I. B. L. M. Suta, R. S. Hartati, and Y.
Divayana, “Diagnosa Tumor Otak
Berdasarkan Citra MRI (Magnetic
Resonance Imaging),” Maj. Ilm. Teknol.
Elektro, vol. 18, no. 2, 2019, doi:
24843/mite.2019.v18i02.p01.
B. Nugroho, E. Y. Puspaningrum, and M. S.
Munir, “Kinerja Algoritma Optimasi Root-
Mean-Square Propagation dan Stochastic
Gradient Descent pada Klasifikasi
Pneumonia Covid-19 Menggunakan CNN,”
J. Edukasi dan Penelit. Inform., vol. 7, no. 3,
p. 420, 2021, doi: 10.26418/jp.v7i3.49172.
N. C. Kuncoro, S. A. Wibowo, K. Usman, F.
T. Elektro, U. Telkom, and T. S.
Recognition, “Analisis Kinerja Prototipe
Traffic Sign Recognition Untuk Sistem
Autonomous Car Menggunakan You Only
Look Once Performance Analysis of
Prototyping Traffic Sign Recognition,” vol.
, no. 3, pp. 8872–8878, 2020.
F. Nashrullah, S. A. Wibowo, and D. G.
Budiman, “COMPLETE Journal of
Computer, Electronic, and
Telecommunication Investigasi Parameter
Epoch Pada Arsitektur ResNet-50 Untuk
Klasifikasi Pornografi,” J. Comput.
Electron. Telecommun., vol. 1, no. 1, 2020
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Nila Hardi, Jenie Sundari
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.