Hasil Pencarian  ::  Simpan CSV :: Kembali

"Metode pengenalan sidik jari semakin berkembang pesat don banyak digunaknn saat ini. Baik untuk bidang keamunan ataupun untuk pembuatan kartu identitas lainnya. Tetapi kadangkala pada proses pangenalan jari tidak tepat peletakannya di scanner. Ketidaktepatan ini dapat berupa jari tidak benar-benar lurus pada bidang scanner (jari membentuk sudut terhadap sumbu y), atau pengguna meletakkan jarinya terbalik pada scanner. Berbagai metode telah dikembangkan untuk mengatasinya diantaranya metode yang menggunakan indeks grayscale untuk mengenalinya.Pada skripsi ini metode pengenalan diuji untuk mengetahui sampai berapa jauh sidik jari dapat bergeser don masih dapat dikenali dengan baik. Pergeseran ini dinyatakan dalam satuan derajat (sudut). Untuk menyesuaikan dengan keadaan yang sebenarnya, pada system ini juga diuji nilai hasil korelasinya jika terdapat noise.Dari hasil pengujian diperoleh bahwa sidik jari masih dapat dikenali dengan baik dan benar hanya sampal pergeseran maksimum 7.5°. Lebih besar dari 7.5° sidik jari masih dapat dikenali. Tetapi unluk beberapa image yang memiliki susunan warna yang rapat, sudah tidak dapat dikenali lagi."

"ABSTRAKDalam bidang kriminal, pengenalan sidik jari membutuhkan banyak waktu dan tenaga, karena itu Lerbagai cara otomatisasi dilakukan untuk mempermudah serta mempercepat proses pengenalan sidik jari tersebut. Salah satu teknik otomatisasi untuk pengenalan sidik jari ini adalah dengan menggunakan komputer dan pemanfaatan aplikasi dad jaringan saraf buatan.Dalam skripsi ini digunakan proses otomatisasi dengan menggunakan gabungan dari proses-proses pengolahan citra dan jaringan saraf buatan. Citra sidik jari hasil scanning diolah dan diproses sehingga didapatkan ciri-ciri sidik jari bersangkutan, berupa kode arah rata-rata dan jumlah bifurkasi. Ciri-ciri ini kcmudian dimasukkan ke dalam suatu sistem jaringan saraf buatan untuk- proses pelatihan sehingga jaringan saraf tersebut dapat digunakan sebagai standar pembanding untuk proses identifikasi.Jaringan saraf yang dirancang dan diterapkan dalam skripsi ini adalah salah satu dari topologi jaringan saraf mulliiayer dengan algoritma pelatihan propagasi balik, karena dari hasil yang diperoleh telah menunjukkan proses pengenalan yang cukup akurat dan memakan waktu yang singkat.

---

"

"ABSTRAKDi era teknologi saat ini, peningkatan keamanan merupakan salah satu hal yang sangat penting dilakukan. Untuk dapat mengakses suatu area tertentu, dibutuhkan metode keamanan yang dapat memastikan hanya orang yang telah terverifikasi saja yang bisa mengaksesnya. Dalam pengembangannya, metode keamanan berupa pin atau password sebagai metode verifikasi pengguna digantikan oleh metode keamanan berbasis biometrik. Metode keamanan berbasis biometrik mengandalkan karakteristik biologis manusia yang unik dan sulit untuk dipalsukan. Sidik jari merupakan salah satu karakteristik biometrik manusia yang digunakan sebagai bagian dari metode keamanan saat ini. Metode keamanan sidik jari umumnya mengandalkan suatu modul yang akan mengambil sampel sidik jari pengguna, menganalisa, dan membandingkan data yang diterima dengan database yang telah ada. Pengembangan yang akan dilakukan pada tugas akhir ini berfokus pada pengembangan metode komparasi yang tidak dilakukan di dalam module fingerprint reader, namun berada di perangkat komputer, sehingga data sidik jari yang telah tersimpan serta metode komparasi yang dilakukan akan lebih aman dan terpercaya. Dengan menggunakan metode komparasi yang ada, didapatkan nilai recognition rate untuk minimum distance = 0 senilai 100 menggunakan database Neurotechnology dan data yang diperoleh dari fingeprint reader module, dengan kecepatan pemrosesan terbaik sebesar 9,4 detik untuk proses komparasi 80 database.

---

ABSTRACTIn today 39 s era of technology, increased security is one of the most important things to do. In order to access a particular area, a security method is required that ensures only verified people can access it. In its development, the security method of pin or password as a method of user verification is replaced by a biometric based security method. Biometric based security methods rely on unique and difficult to forge human biological characteristics. Fingerprint is one of the human biometric characteristics used as part of the current security method. The Fingerprint security method generally relies on a module that will take a user 39 s Fingerprint sample, analyze, and compare data received with an existing database. The development that will be carried out in this final project focuses on the development of comparative methods that are not done in the Fingerprint reader module, but reside in the computer device, so that the Fingerprint data that has been stored and the comparation method will be safer and more reliable. Using the existing comparative method, the value of Recognition rate for minimum distance 0 is 100 using Neurotechnology database and data obtained from fingerprint reader module, with the best processing speed of 9.4 seconds for 80 database comparation process. "

"Sidik jari merupakan salah satu bagian tubuh manusia yang unik, artinya mempunyai karakteristik tertentu yang dapat diberdakan. Pengenalan sidik jari (fingerprint recognition) menggunakan pola bukit (ridge) dan lembah (valley) pada sidik jari. Ada 2 struktur sidik jari yang dapat diambil untuk pengenalan, yaitu struktur lokal dan struktur global. Pada pengenalan sidik jari dengan menggunakan struktur global, perlu dicari letak titik referensi yang merupakan titik pusat (core point) dari pola sidik jari. Titik ini akan digunakan sebagai titik referensi untuk tahap pengolahan citra sidik jari berikutnya. Jika sistem melakukan kesalahan pendeteksian titik referensi tersebut, maka sistem pengenalan sidik jari akan gagal melakukan proses pencocokan (matching). Sistem pengenalan sidik jari berdasarkan struktur global menggunakan set filter Gabor untuk mengekstrak sidik jari dengan pola orientasi bukit tertentu. Sistem ini juga dikenal sebagai pengenalan sidik jari berbasiskan Filterbank. Hasil dari pemfilteran dengan filter Gabor dihitung rata-rata deviasi mutlaknya untuk mendapatkan feature yang dijadikan template. Pengujian dilakukan dengan menguji sidik jari yang berasal dari Unibo dan Neurotechnologija. Berdasarkan hasil pengujian, untuk database Unibo diperoleh FMR sebesar 2,143 %, 2,143 % dan 2,857 % serta FNMR sebesar 13,571 %, 11,428 % dan 7,857 %. Untuk database Neurotechnologija diperoleh FMR 0 %, 1,086 % dan 3,260 % serta FNMR sebesar 27,173 %, 16,204 % dan 13,043 %. Masing-masing berurutan untuk threshold sebesar 1000, 1100 dan 1200. Hasil sistem pengenalan sidik jari ini cukup memuaskan untuk dapat diaplikasikan pada sisem pengamanan."

"Penggunaan citra sidik jari untuk berbagai macam aplikasi telah banyak dikembangkan, antara lain untuk sistem keamanan, klasifikasi sidik jari, identifikasi manusia dan digunakan oleh kepolisian untuk mengidentikasi orang yang dicurigai atau terlibat dalam suatu kejahatan. Pada identifkasi tersebut masih sering digunakan metode konvensional, yaitu dilihat secara visual berdasarkan pada parameter yang ada pada buku pedoman dan petunjuk identifkasi di kepolisian. Dari beberapa metode yang telah dikembangkan untuk mengganti metode konvensional tersebut, diperlukan parameter pengontrol yaitu nilai bobot yang sesuai agar kesalahan (error) pelatihan dan pengecekan mendekati nol. Sehingga dalam mendapatkan nilai parameter yang sesuai tersebut dilakukan dengan coba-coba (trial and error) dan epoch yang besar serta dibutuhkan waktu yang lama.Dalam penelitian ini, mengembangkan pemrograman modul pemrosesan citra menggunakan software Matlab versi 6.5 untuk mendapatkan data sudut rata-rata alur sidik jari (code arah) dan bifurkasi, serta proses pengenalan pola sidik jari menggunakan sistem penalaran adaptif yaitu sistem yang dapat mengontrol kesalahan (error) pelatihan dan pengecekan berbasis jaringan saraf dan logika fuzzy (neurofuzzy) dengan menggunakan tools Adaptive Neuro Fuzzy Inference System (ANFIS) yang ada di Matlab. Adapun sistem pengenalan pola sidik jari dilakukan dalam dua modul yaitu modul pemrosesan dan modul pengenalan. Pada modul pemrosesan terdiri dari proses pengambilan data citra yang berbeda dengan menggunakan scanning, proses perubahan citra sidik jari menjadi citra hitam-putih (biner), prosess penipisan (thinning) dan selanjutnya dilakukan ekstraksi citra sidik jari. Dalam modul pengenalan, dilakukan proses pengenalan data-data kode arah dan bifurkasi dari citra sidik jari yang berbeda menggunakan sistem penalaran adaptif berbasis neuro fuzzy.Dari hasil penelitian, waktu untuk proses pengenalan dan pengecekan pola sidik jari menggunakan sistem penalaran adaptif berbasis neuro-fuzzy 6 detik dan epoch 100, lebih cepat dibandingkan dengan pengenalan pola sidik jari berbasis jaringan saraf (neural network) selama 14 detik Semakin kecil error rata-rata pengenalan pola sidik jari maka prosentase kemiripan watt kecocokan dengan citra target semakin besar. Prosentase kemiripan pada pengenalan pola sidik jari berdasarkan data kode arah mencapai 99%, jauh lebih tinggi dan lebih baik prosentasenya dibandingkan dengan pengenalan pola sidikjari berdasarkan data bifukasi yang hanya mencapai 76%.

---

Fingerprint images that used for divers kinds of application has been developed among others for security system, classification of fingerprint, identification of human being and also used by the police to identify any suspects or those engaged in a crime. The conventional identification method is frequently used, namely by means of visual identification based on the existing parameters in the directory of identification book From some methods that have been developed to replace the conventional method, appropriate control parameters are needed so error in training and checking is close to zero, therefore trial and error is carried out to get such appropriate parametric values and great epoch with time is longer.

In this research, we developed programming of the image processing module used Matlab software version 6.5 to have bifurcation code data and bifurcation data, and fingerprint pattern recognition process using adaptive reasoning system, namely a system which can control error of training and checking close to zero based on neural network and fuzzy logic with used Adaptive Neuro Fuzzy Inference System (ANFIS) tools in Matlab. The fingerprint pattern recognition system is carried out in two modules, that is processing module and recognition module. The processing module consists of a process of image data collection, which is different from the one, which uses scanning; a process of changing fingerprint images to black and white (binary) images, followed then by a process of thinning and then fingerprints extraction. In the recognition module, a process of identification of data on code of direction and bifurcation of fingerprint images, which is different from the one, which uses adaptive reasoning system, based on neuro-fuzzy.

From the result of research, we have time of fingerprint recognition using adaptive reasoning system based on neuro-fuzzy is 6 second and epoch 100, it is faster then fingerprint recognition using neural network If average errors is small then percentage of similarity input images with target fingerprint images are bigger. Percentage of similarity fingerprint recognition based on direction code is 99%, it is higher and most good then percentage fingerprint recognition based on bifurcation data that just result is 76%."

"Tujuan: Tujuan dari penelitian ini adalah mendapatkan model jaringan saraf tiruan dengan algoritma pembelajaran backpropagation berdasarkan data masukan dari pola sidik jari penderita obesitas. Diharapkan model JST yang diperoleh dapat menjadi alat bantu diagnosis bagi para klinisi dalam mengidentifikasi kasus obesitas berdasarkan keturunan. Metode: Data dari pola sidik jari penderita obesitas dan data penunjang lainnya diuraikan menjadi variabel masakan Variabel keluaran ditentuknn berdasarkan kasus obesitas yang diderita oleh pasien. Kemudian data sampel dibagi dua yaitu data untuk training dan data untuk testing. Dengan menggunakan data training maka Metode Jaringan syaraf tiruan mempelajari pola sidik jari pendarita obesitas yang kemudian digunakan untuk memprediksi data testing. Akurasi identifikssi atau pengenalan pola sidik jari penderita obesitas akan sangat ditentukan oleh hasil prediksi algoritma jaringan syaraf tiruan terhadap data testing. Hasil: Dalam proses pemhelajaran dengan metode jaringan berbasil melakukan pengenal terhadap data training dengan error sebesar O,QI berhasil dicapai. Untuk prediksi polo sidik jari melalui data testing rata-rata keberhasilan adalah 71,82%. Angka prosentasi keberbasilan ini cukup baik dan depat dijadikan alat bantu bagi para praktisi medis di bidang obesitas dalam menentukan faktor keturunan dari penyakit obesitas. Kesimpulan: Percobaan ini menghasilkan model JST yang dapat diaplikasikan pada pengelan pola sidik jari pendarita obesitas. Rata-rata keberhasilan prediksi sebesar 71,82% dapat ditingkat dengan menambah data training bagi Metode Jaringan Saraf Tiruan.

---

Objective: The objective of this research is to obtain an artificial neural network model with backpropagation learning algorithm based on input data from the fingerprint pattern of the obese patients. It is expected that ANN models can be obtained as diagnostic tool for clinicians in identifying cases of obesity based on descent.

Methods: Data from the fingerprint pattern of obesity and other supporting data is decomposed into input variables. Output variable is determined on a case-obesity suffered by the patient Then the sampled data is divided into two data. One for training and other for testing. By using training data. the method of artificial neural networks learn the patterns of the obese fingerprint which is then used to predict the testing data. Accuracy of fingerprint pattern recognition of obesity will be detemined by the results of neural network algorithm prediction against testing data.

Results: In the learning process stage, Artificial Neural Network succceded in identifying a network of training with error 0.01 was achieved. For the prediction of fingerprint patterns through data testing success rate was 80%. The rate for the percentage of success is quite good and can be used as a tool for medical practitioners in the field of obesity in determining obesity cases base of genetic factor.

Conclusion: This experiment resulted ANN model that can be applied to the fingerprint pattern recognition of obese patients. The average prediction success of 71,82% would be increase if we can add more data for 1raining process for Neural Network Method."