REKAYASA FITUR SIDIK JARI BERBASIS HISTOGRAM SEBAGAI DASAR KLASIFIKASI GENDER

Sri Suwarno

doi:10.47002/seminastika.v5i1.772

Sri Suwarno Fakultas Teknologi Informasi, Universitas Kristen Duta Wacana, Yogyakarta

DOI: https://doi.org/10.47002/seminastika.v5i1.772

Keywords: fitur, sidik jari, histogram, SVM, gender

Abstract

Fitur sidik jari merupakan ciri atau pola unik pada sidik jari yang dapat digunakan sebagai acuan untuk mengidentifikasi atau memverifikasi pemiliknya. Pengambilan atau pemisahan fitur dari sidik jari disebut ekstraksi fitur. Secara teknis proses esktraksi fitur ada dua model pendekatan, yaitu berdasarkan posisi relatif setiap piksel dan berdasarkan frekwensi kemunculan setiap nilai intensitas piksel pada sidik jari. Penelitian ini membangun fitur sidik jari berdasarkan frekwensi kemunculan nilai-nilai intensitas piksel yang disusun dalam bentuk histogram. Mula-mula dipilih posisi ROI (Region of Interest) yang berada tepat ditengah-tengah citra sidik jari. Ukuran ROI ditentukan 1616 dan 3232 piksel. Selanjutnya nilai-nilai intensitas piksel dalam ROI tersebut disusun dalam bentuk histogram dengan ukuran bin bervariasi dari 2 sampai 16. Banyaknya piksel pada setiap bin disusun dalam bentuk vektor dan digunakan sebagai fitur. Penelitian ini menggunakan dataset sidik jari dari NIST (National Institute of Standart and Technology), terdiri dari 500 sidik jari pria dan 500 sidik jari wanita. Sebagai tolok ukur kwalitas fitur yang dihasilkan, fitur diuji untuk klasifikasi gender dengan algoritma SVM (Support Vector Machine). Dari penelitian yang dilakukan, fitur yang dibangun dapat menghasilkan akurasi klasifikasi maksimal 60.9%. Penelitian ini masih dapat dikembangkan dengan memilih lokasi dan ukuran ROI yang berbeda-beda.

References

“Feature engineering explained,” 2023. [Online]. Available: https://ai-jobs.net/insights/feature-engineering-explained/. [Accessed: 03-Feb-2024].

Mark A. Acree, “Is There a Gender Difference in fingerprint density ?,” Forensic Sci. Int., vol. 102, pp. 35–44, 1999.

P. Gnanasivam and R. Vijayarajan, “Gender classification from fingerprint ridge count and fingertip size using optimal score assignment,” Complex Intell. Syst., vol. 5, no. 3, pp. 343–352, 2019.

L. C. Lee, M. Y. Adam, S. N. A. Sanih, and N. I. Bohari, “Forensic Gender Discrimination in Malaysian Population Using Machine Learning Methods,” in 2020 International Conference on Innovation and Intelligence for Informatics, Computing and Technologies, 3ICT 2020, 2020.

I. Boucherit, M. O. Zmirli, H. Hentabli, and B. A. Rosdi, “Finger vein identification using deeply-fused Convolutional Neural Network,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 3, pp. 646–656, 2022.

N. D. Miranda, L. Novamizanti, and S. Rizal, “Convolutional Neural Network Pada Klasifikasi Sidik Jari Menggunakan Resnet-50,” J. Tek. Inform., vol. 1, no. 2, pp. 61–68, 2020.

B. Pandya, G. Cosma, A. A. Alani, A. Taherkhani, V. Bharadi, and T. M. McGinnity, “Fingerprint classification using a deep convolutional neural network,” 2018 4th Int. Conf. Inf. Manag. ICIM 2018, pp. 86–91, 2018.

I. Dagher, “Improving the SVM gender classification accuracy using clustering and incremental learning,” no. July 2018, pp. 1–17, 2019.

M. A. Chandra and S. S. Bedi, “Survey on SVM and their application in image classification,” Int. J. Inf. Technol., vol. 13, no. 5, pp. 1867–1877, 2021.

L. Berriche, “Comparative Study of Fingerprint-Based Gender Identification,” Genet. Res. (Camb)., vol. 2022, 2022.