<![CDATA[Biometrics is a method of recognition of an identity based on human physical characteristics such as the face, fingerprint, hand geometry, retina, and voice. Biometric identification that commonly used is the fingerprint recognition. Fingerprint identification process can be accelerated by reducing the number of fingerprint comparisons, splitting fingerprint databases into a number of classes based on pre-defined classes, such as fingerprint patterns. Fingerprint patterns are divided into five categories: Whorls, Right Loops, Left Loops, Arch, and Tented Arch. One of the pattern recognition techniques (fingerprint) is using neural network. This research developed a RBF (Radial Basis Function) neural network, which is known as SLFNs (Single Hidden Layer Feed-forward Neural Networks) that reliable in pattern recognition. The use of ELM (Extreme Learning Machine) algorithm on RBF network is an alternative to avoid long computation in the absence of adjustment weights during the training process so that the computing time relatively short. OLS (Orthogonal Least Square) is used to optimize the weights and RBF network simplification. The preprocessing of fingerprint images are grayscalling, histogram equalization, and image sequences block operation. Feature extraction method that used based on the orientation of the dominant direction of the image. One fingerprint image is represented by a value of 256 dominant angle in radians unit. From the results indicate that the ELM-RBF and OLS system can recognize fingerprint patterns with 100% accuracy on the training process, and 60% accuracy in the testing process. Keywords: Fingerprint Pattern Recognition, Extreme Learning Machine, Radial Basis Function, Orthogonal Least Square Biometrik merupakan metode pengenalan identitas seseorang berdasarkan karakteristik fisik manusia misalnya wajah, sidik jari, struktur telapak tangan, letak retina mata, dan suara. Identifikasi biometrik yang umum digunakan saat ini adalah pengenalan sidik jari. Proses identifikasi sidik jari dapat dipercepat dengan cara mereduksi sejumlah sidik jari pembanding, seperti membagi database sidik jari ke dalam sejumlah kelas berdasarkan kelas yang telah didefinisikan sebelumnya, misalnya pola sidik jari. Pola sidik jari dibagi ke dalam lima kategori, yaitu: Whorls, Right Loops, Left Loops, Arch, dan Tented Arch. Salah satu teknik pengenalan pola (sidik jari) adalah dengan jaringan saraf tiruan. Penelitian ini mengembangkan jaringan saraf tiruan RBF (Radial Basis Function), yang dikenal sebagai SLFNs (Single Hidden Layer Feed-forward Neural Networks) yang handal dalam pengenalan pola. Penggunaan algoritma ELM (Extreme Learning Machine) pada jaringan RBF merupakan salah satu alternatif untuk menghindari adanya komputasi yang lama karena tidak adanya penyesuaian bobot selama proses training sehingga waktu komputasi berlangsung relatif lebih singkat. OLS (Orthogonal Least Square) digunakan untuk optimalisasi bobot dan penyederhanaan jaringan RBF. Sebagai proses pengolahan awal citra sidik jari dilakukan proses normalisasi grayscalling, perataan histogram, dan operasi blok. Metode ekstraksi fitur ciri yang digunakan berbasis orientasi arah dominan citra. Satu citra sidik jari diwakili oleh 256 nilai sudut dominan dalam satuan radian. Dari hasil uji coba program menunjukkan bahwa ELM-RBF dan OLS dapat mengenali pola sidik jari dengan akurasi 100% pada proses training dan 60% pada proses testing. Kata kunci: Pengenalan Pola Sidik Jari, Extreme Learning Machine, Radial Basis Function, Orthogonal Least Square]]>
