Article Per Year (5 Year)
p-Index From 2021 - 2026
1.77
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika Pixel : Jurnal Ilmiah Komputer Grafis Jurnal Keperawatan Jurnal Ilmu Komputer dan Bisnis J-ADIMAS (Jurnal Pengabdian kepada Masyarakat) Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Jurnal Esensi Infokom: Jurnal Esensi Sistem Informasi dan Sistem Komputer Jurnal Teknologi Informasi Indonesia Jurnal Lentera Sehat Indonesia KOMPUTASI
Pontoh, Fransisca Joanet
Unknown Affiliation
Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Health Professions Languange, Linguistic, Communication & Media Library & Information Science Nursing Public Health

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : KOMPUTASI

 1 
Identifikasi Pembuluh Darah Jari Tangan, Menggunakan Bahasa Pemrograman Python Pontoh, Fransisca Joanet; Sengkey, Rizal; Saputro, Pujo Hari
Jurnal Esensi Infokom : Jurnal Esensi Sistem Informasi dan Sistem Komputer Vol 8 No 2 (2024)
Publisher : Institut Bisnis Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55886/infakom.v8i2.918

Abstract

Sistem biometrika secara otomatis mengidentifikasi orang berdasarkan karakteristik perilakunya. Pembuluh darah jari tangan lebih aman sebagai data biometrika dibandingkan data biometrika lainnya. Pola pembuluh darah jari tangan sulit dipalsukan karena berada di bawah permukaan kulit. Supaya pola pembuluh darah jari tangan terlihat di kulit, diperlukan metode khusus untuk mengidentifikasinya. Penelitian ini bertujuan untuk mengembangkan sistem pengenalan pembuluh darah jari menggunakan metode Convolutional Neural Network (CNN) yang diimplementasikan dalam bahasa Python, dengan tujuan menggantikan sistem absensi karyawan berbasis sidik jari di rumah sakit. Metode ini menawarkan keamanan yang lebih tinggi dan resistensi terhadap pemalsuan, mengingat pembuluh darah jari sulit diakses dari luar tubuh. Penelitian ini menggunakan dataset pembuluh darah dari Kaggle dan melalui tiga tahap utama: preprocessing, training, dan testing. Model CNN yang dilatih menunjukkan performa tinggi dengan akurasi 99,99% dalam mengenali pola-pola pada gambar pembuluh darah jari. Hasil penelitian ini menegaskan bahwa sistem yang dikembangkan dapat memberikan prediksi yang akurat dan konsisten, diharapkan dapat meningkatkan keamanan, kenyamanan, dan efisiensi operasional rumah sakit secara signifikan.
Co-Authors Adinata, Harni Seven Kainde, Henry V.F. Lumenta, Arie Salmon Matius Nababan, Adi Pandu Rahmat Olivia Maria Tumurang, Olivia Maria Pondaag, Ferlan Ansye Pujo Hari Saputro Rindengan, Yaulie Deo Rizal Sengkey Rooroh, Victor Giovannie Xaverison Sembiring, Erika Emnina Tielung, Maria Veronica Jaegueline Toar, Juwita Moreen Yuri Vanli Akay