<![CDATA[Klasifikasi pola sidik jari ke dalam kategori struktural sebelum pencocokan minutiae membantu menyederhanakan sistem verifikasi identitas. Meskipun model deep learning seperti Convolutional Neural Network mampu mencapai akurasi tinggi, pendekatan tersebut umumnya memerlukan dataset besar dan sumber daya komputasi besar, sehingga mendorong eksplorasi alternatif berbasis fitur handcrafted yang lebih ringan. Penelitian ini mengusulkan model klasifikasi pola sidik jari yang menggabungkan deskriptor Histogram of Oriented Gradients (HOG) dan Local Binary Pattern (LBP), diklasifikasikan menggunakan Support Vector Machine (SVM) berkernel Radial Basis Function (RBF). Sebanyak 2.401 citra sidik jari dari repositori publik Kaggle digunakan, mencakup tiga kelas pola: Arch, Loop, dan Whorl. Setelah konversi grayscale, resize ke 128×128 piksel, dan peningkatan kontras CLAHE, citra dibagi menjadi 1.679 data latih, 479 data validasi, dan 243 data uji. Vektor fitur gabungan HOG-LBP berdimensi 8.110 distandardisasi sebelum melatih SVM, dengan hyperparameter dioptimalkan melalui grid search pada data validasi. Konfigurasi terbaik (C = 1, gamma = 0,001, kernel RBF) selanjutnya digunakan untuk menghasilkan akurasi uji sebesar 89,71% dan weighted average F1-score sebesar 89,75%. Whorl mencatatkan F1-score tertinggi (91,82%), sedangkan Arch mencatatkan recall terendah (88,89%), terutama akibat kesalahan klasifikasi dengan kelas Loop. Hasil ini menunjukkan bahwa kombinasi HOG-LBP-SVM merupakan solusi yang efisien secara komputasi dan kompetitif untuk klasifikasi pola sidik jari, meskipun penyempurnaan lebih lanjut seperti reduksi dimensi dan validasi silang k-fold masih berpotensi meningkatkan kemampuan diskriminasi model pada kelas dengan kemiripan struktural.]]>
