Keywords
biometrik
iris mata
How to Cite
Abstract
Kemajuan teknologi berdampak terhadap semua lini termasuk dalam lini sistem keamanan. Disamping itu berkembangnya sistem teknologi menimbulkan kasus tindak kejahatan seperti pemalsuan identitas seseorang, mengambil informasi penting yang dimiliki seseorang dan sebagainya yang berkaitan dengan identitas diri seseorang. Suatu sistem yang dapat mengatasi tindak kejahatan tersebut yaitu sistem biometrik. Iris mata merupakan bagian dari objek biometrik yang memiliki fitur unik untuk dijadikan proses identifikasi untuk mengatasi pemalsuan data dan pembobolan akun. Salah satu metode yang dapat digunakan dalam sistem identifikasi iris mata yaitu CNN. Pengujian dilakukan dengan menggunakan 8 kelas yang telah dilatih. Dan menghasilkan tingkat akurasi sebesar 87% untuk dataset iris CasiaV4.
References
M. G Alaslani and L. A. Elrefaei, “Convolutional Neural Network Based Feature Extraction for IRIS Recognition,” Int. J. Comput. Sci. Inf. Technol., vol. 10, no. 2, pp. 65–78, 2018, doi: 10.5121/ijcsit.2018.10206.
M. S. Ramadhan, L. Novamizanti, and E. Susatio, “Sistem Pengenalan Individu Berbasis Citra Wajah 3D dengan Jaringan Syaraf Tiruan,” Techné J. Ilm. Elektrotek., vol. 18, no. 01, pp. 1–14, 2019, doi: 10.31358/techne.v18i01.180.
S. Devella, “Pengenalan Iris Menggunakan K – Nearest Neighbors dengan Ekstraksi Fitur Dicrete Cosine Transform,” www.ojs.stmikpringsewu.ac.id, vol. 02, 2019, [Online]. Available: http://www.ojs.stmikpringsewu.ac.id/index.php/jtksi/article/view/698.
F. E. Alfian, I. G. P. S. Wijaya, and F. Bimantoro, “Identifikasi Iris Mata Menggunakan Metode Wavelet Daubechies dan K-Nearest Neighbor,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 2, no. 1, pp. 1–10, 2020, doi: 10.29303/jtika.v2i1.76.
K. Mujib, A. Hidayatno, and T. Prakoso, “Pengenalan Wajah Menggunakan Local Binary Pattern (Lbp) Dan Support Vector Machine (Svm),” Transient, vol. 7, no. 1, p. 123, 2018, doi: 10.14710/transient.7.1.123-130.
W. Supriyatin, “Perbandingan Metode Sobel, Prewitt, Robert dan Canny pada Deteksi Tepi Objek Bergerak,” Ilk. J. Ilm., vol. 12, no. 2, pp. 112–120, 2020, doi: 10.33096/ilkom.v12i2.541.112-120.
T. NurHikmat, “IMPLEMENTASI DEEP LEARNING UNTUK IMAGE CLASSIFICATION MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) PADA CITRA WAYANG GOLEK,” UNIVERSITAS ISLAM INDONESIA, vol. 10, no. 2. 2018.
I. W. S. E. Putra, A. Y. Wijaya, and R. Soelaiman, “Klasifikasi Citra Menggunakan Convolutional Neural Network ( Cnn ) Pada Caltech 101 Image Classfication Using Convolution Neural Network ( Cnn ) on Caltech 101,” Inst. Teknol. Sepuluh Novemb., vol. 5, no. 1, 2016.
E. Rasywir, R. Sinaga, and Y. Pratama, “Analisis dan Implementasi Diagnosis Penyakit Sawit dengan Metode Convolutional Neural Network (CNN),” Paradig. - J. Komput. dan Inform., vol. 22, no. 2, pp. 117–123, 2020, doi: 10.31294/p.v22i2.8907.
J. W. G. Putra, “Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” Comput. Linguist. Nat. Lang. Process. Lab., vol. 4, pp. 1–235, 2019, [Online]. Available: https://www.researchgate.net/publication/323700644.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2022 Afizza Fikri Kurniawan; Resty Wulanningrum, Daniel Swanjaya