Identifikasi Biometrik Dengan Ekstraksi Fitur Telapak Tangan Berbasis Machine Learning

Kusumadewa Tutuko, Aryo Bagus
Astiningrum, Mungki
Suarjuna Batubulan, Kadek

Jurnal Teknologi Informasi dan Ilmu Komputer
Vol 13 No 3: Juni 2026

Perkembangan teknologi memungkinkan akses cepat dan aman ke berbagai layanan dan perangkat melalui identifikasi biometrik yang mengandalkan fitur unik manusia seperti sidik jari, retina, wajah, dan telapak tangan. Penelitian ini bertujuan untuk mengidentifikasi telapak tangan menggunakan metode ekstraksi fitur garis telapak tangan dengan pendekatan ROI (Region of Interest). Ekstraksi fitur garis telapak tangan diharapkan menjadi suatu fitur dari identifikasi telapak tangan sehingga mendapatkan hasil dengan akurasi yang tinggi dengan bantuan pembelajaran mesin. Metode yang digunakan dalam penelitian ini adalah Neural Network. Studi ini membahas bagaimana ROI diterapkan untuk memfokuskan pada area tertentu dari citra telapak tangan yang berisi informasi biometrik relevan seperti garis utama, kerutan, dan punggung bukit. Hasil penelitian menunjukkan banyaknya fitur ekstraksi yang ada dalam telapak tangan dapat meningkatkan akurasi dalam proses identifikasi telapak tangan. Penelitian ini berkontribusi dalam pengembangan sistem identifikasi biometrik dengan memperkenalkan metode ekstraksi fitur garis telapak tangan berbasis ROI yang mampu meningkatkan akurasi identifikasi hingga 80% melalui penerapan Neural Network.   Abstract Technological developments enable quick and secure access to various services and devices through biometric identification that relies on unique human features such as fingerprints, retina, face, and palm. This research uses the palm line feature extraction method with the ROI (Region of Interest) approach to identify palms. Palm line feature extraction is expected to be a feature of palm identification to get results with high accuracy with the help of machine learning. The method used in this research is Neural Network. This study discusses how ROI is applied to focus on specific areas of the palm image that contain relevant biometric information, such as main lines, wrinkles, and ridges. The results show that the number of extracted features present in the palm can increase the accuracy in the palm identification process. This research contributes to the development of biometric identification systems by introducing an ROI-based palm line feature extraction method that is able to increase identification accuracy up to 80% through the application of Neural Network.