KLASIFIKASI GENDER DARI SIDIK JARI MENGGUNAKAN SISTEM KLASIFIKASI SUPPORT VECTOR MACHINE DENGAN FITUR EKSTRAKSI GLCM

AIRELL ARISTO SUBAGIA (2024) KLASIFIKASI GENDER DARI SIDIK JARI MENGGUNAKAN SISTEM KLASIFIKASI SUPPORT VECTOR MACHINE DENGAN FITUR EKSTRAKSI GLCM. Final Year Projects (S1) thesis, Universitas Kristen Duta Wacana.

	Text (Skripsi Informatika) 71200609_bab1_bab5_daftarpustaka.pdf Download (2MB)
	Text (Skripsi Informatika) 71200609_bab2-sd-bab4_lampiran.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Penelitian ini bertujuan untuk mendapatkan tingkatan akurasi dari model Support Vector Machine (SVM) dengan menggunakan 13 fitur dari Gray Level Co-occurrence Matrix (GLCM), dengan sidik jari dipilih sebagai objek penelitian yang digunakan sebagai klasifikasinya. Metode GLCM digunakan untuk mengekstraksi fitur dari sidik jari, yang kemudian digunakan sebagai data untuk model SVM. Data sidik jari diperoleh dari basis data publik yaitu Kaggle. Model SVM dilatih menggunakan dataset latih yang mencakup berbagai jenis sidik jari dari kedua jenis kelamin. Proses pelatihan melibatkan penggunaan berbagai parameter dan kernel untuk mengoptimalkan performa model. Performa sistem dikaji menggunakan metrik evaluasi klasifikasi seperti akurasi, presisi, F1-score, dan recall. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mendapatkan akurasi sebesar 61%. Meskipun akurasi ini tidak sangat tinggi, namun menunjukkan bahwa kombinasi antara SVM dan ekstraksi fitur GLCM merupakan pendekatan yang cukup efektif dalam mengatasi masalah klasifikasi gender dari sidik jari. Kesimpulan dari penelitian ini adalah bahwa metode ini memiliki potensi untuk dikembangkan lebih lanjut dengan peningkatan fitur atau optimasi parameter untuk mencapai performa yang lebih baik.

Actions (login required)

View Item