TAMA ASRORY RIDHANA (2018) PENERAPAN PRINCIPAL COMPONENT ANALYSIS (PCA) DAN BACKPROPAGATION NEURAL NETWORK (BPNN) UNTUK IDENTIFIKASI FINGER KNUCKLE PRINT BERBASIS ANDROID. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_201870TIF.pdf Download (251kB) | Preview
Preview	Text 2. PENGESAHAN_201870TIF.pdf Download (186kB) | Preview
Preview	Text 3. ABSTRAK_201870TIF.pdf Download (169kB) | Preview
Preview	Text 4. KATA PENGANTAR_201870TIF.pdf Download (170kB) | Preview
Preview	Text 5. DAFTAR ISI_201870TIF.pdf Download (159kB) | Preview
Preview	Text 6. BAB I_201870TIF.pdf Download (166kB) | Preview
Preview	Text 7. BAB II_201870TIF.pdf Download (364kB) | Preview
Preview	Text 8. BAB III_201870TIF.pdf Download (236kB) | Preview
Preview	Text 9. BAB IV_201870TIF.pdf Download (2MB) | Preview
	Text 10. BAB V_201870TIF.pdf Restricted to Repository staff only Download (3MB)
Preview	Text 11. BAB VI_201870TIF.pdf Download (150kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_201870TIF.pdf Download (152kB) | Preview

Abstract

Finger Knuckle Print (FKP) merupakan biometrik dengan pola kulit kaya tekstur, terlihat jelas dan tidak mudah terkelupas, sehingga dapat digunakan sebagai identifikasi biometrik bersifat contactless. Kelebihan FKP tersebut dapat menutupi kelemahan dari sidik jari sulit dikenali dan rentan phising. Pada penelitian ini diterapkan pengolahan citra digital dengan Principal Component Analysis (PCA) untuk ekstraksi ciri FKP dan jaringan syaraf tiruan dengan Backpropagation Neural Network (BPNN) untuk training dan identifikasi FKP. Citra FKP yang digunakan berukuran 40 x 40 piksel setelah dilakukan resize, variabel inputan BPNN berjumlah K diperoleh dari hasil ekstraksi ciri PCA dengan output adalah hasil identifikasi berupa id dan nama pemilik. Data FKP diperoleh secara langsung dari 10 mahasiswa sebanyak 100 data, dengan pembagian (90:10) 9 citra latih dan 1 citra uji masing-masing mahasiswa. Pengujian dilakukan adalah whitebox, nilai K dan parameter BPNN dengan auto dan non-auto treshold. Nilai K yang digunakan adalah 9 dan 20, Parameter BPNN yang digunakan adalah maksimum epoch 100.000,learning rate (α) 0,09; 0,05; 0,01 dan target error 0,001 dengan fungsi aktivasi linear. Berdasarkan hasil penelitian menghasilkan akurasi rata-rata 100% dengan auto treshold dan 48,33% dengan non-auto treshold. Dengan demikian penerapan PCA dan BPNN tepat diimplemantasikan untuk kasus identifikasi FKP berbasis android. Kata Kunci: android, finger knuckle print, backpropagation, principal component analysis

Actions (login required)

View Item