KLASIFIKASI SIDIKJARI DENGAN PEMROSESAN AWAL

Teknik identifikasi konvensional untuk
mengenali identitas seseorang dengan menggunakan
password atau kartu tidak cukup handal, karena sistem
keamanan dapat ditembus ketika password dan kartu
tersebut digunakan oleh pengguna yang tidak
berwenang. Teknik
identifikasi biometrik didasarkan pada karakteristik
alami manusia, yaitu karakteristik fisiologis dan
karakteristik perilaku seperti wajah, sidikjari, suara,
telapak tangan, iris dan retina mata, DNA, dan
tandatangan. Identifikasi biometrik memiliki
keunggulan dibanding dengan metode konvensional
dalam hal tidak mudah dicuri atau digunakan oleh
pengguna yang tidak berwenang. Sistem pengenalan
sidikjari lebih sering digunakan. Hal ini disebabkan
sidikjari telah terbukti unik, akurat, aman, mudah, dan
nyaman untuk dipakai sebagai identifikasi bila dibanding
dengan sistem biometrik lainnya.
Berbagai teknik klasifikasi sidikjari telah
dikembangkan. Pengenalan dan klasifikasi sidikjari
dengan cara mendeteksi jumlah titik fokal, whorl, core,
dan parameter gradien antara dua titik fokal tersebut.
Ade Chopie Novira meneliti pengenalan pola
sidikjari berbasis jaringan syaraf tiruan (JST). Elvayandri
melakukan penelitian pengenalan pola sidikjari berbasis
jaringan syaraf tiruan yang menggabungkan dua
arsitektur JST yaitu arsitektur Jaringan Widrow-Hoff
(JWH) dan Jaringan Propagasi-Balik (JPB). Keduanya
mengekstraksi ciri dengan menguraikan ciri minusi
cabang (bifurcation). Kusworo Adi melakukan penelitian
sistem verifikasi sidik jari dengan ekstraksi ciri berbasis
filter bank Gabor.
Transformasi wavelet telah digunakan sebagai
ekstraksi ciri yang merupakan input bagi sistem
klasifikasi. Hal ini disebabkan wavelet mempunyai
kemampuan membawa keluar ciri-ciri (feature) khusus
pada suatu citra yang diteliti.
Saat ini jaringan syaraf tiruan berkembang dengan
pesat dan telah diupayakan untuk berbagai aplikasi, salah
satu aplikasinya adalah pengenalan pola sidikjari.
Learning Vector Quantizations (LVQ) merupakan suatu
metode klasifikasi pola yang masing-masing unit
mewakili kategori atau kelas tertentu.
Dalam penelitian ini dilakukan pengembangan
Jaringan LVQ dalam mengklasifikasi sidikjari dengan
pemrosesan awal transformasi wavelet.



. Daftar Pustaka
1. D. Maltoni, D. Maio, A.K. Jain, S. Prabakhar, “
Handbook of Fingerprint Recognition”,
Springer, New York, 2003.
2. Chui, C. K., “ Wavelets: A Mathematical Tool for
Signal Analysis”, SIAM, 1997.
3. Fausett, L., “Fundamentals of Neural Networks:
Architectures, Algorithms, and Applications”,
Prentice-Hall, New Jersey, 1994.
4. Adi, Kusworo, “ Ekstraksi Ciri Berbasis Filter
Gabor sebagai Sistem Verifikasi Sidikjari’, Tesis
Magister, ITB, 2002.
5. Daubechies, I., “Ten Lectures on Wavelets”,