Identifikasi Telinga Berdasarkan Fitur Geometrik dan KNN

Alda Cendekia Siregar (teknik informatika universitas muhammadiyah pontianak)

CYBERNETICS
Vol 1, No 01 (2017): CYBERNETICS

Sistem identifikasi saat ini telah menjadi kebutuhan untuk keamanan sistem.Salah satu metode sistem identifikasi yang memiliki tingkat keamanan yang tinggi dan akurat adalah biometrik. Biometrik menggunakan bagian tubuh manusia yang dianggap unik dan dapat membedakan antar individu satu dan yang lainnya. Salah satu biometrik yang baru dan menjadi perhatian dalam dunia penelitian tentang biometrik adalah telinga. Telinga memiliki beberapa kelebihan yang tidak dimiliki oleh biometrik lainnya salah satunya adalah tidak terpengaruh oleh perubahan usia. Bentuk telinga manusia akan tetap sama mulai dari lahir hingga lanjut usia, yang mengalami perubahan hanyalah ukurannya saja sehingga fitur telinga yang dapat digunakan sebagai pembeda adalah bentuk geometriknya. Fitur yang digunakan dalam penelitian ini adalah nilai perbandingan antara panjang long axis dengan titik-titik fitur yang tidak terpengaruh terhadap perputaran, penskalaan, dan perpindahan sedangkan classifier yang digunakan sebagai tolak ukur akurasi sistem identifikasi telinga adalah KNN. Nilai akurasi yang dihasilkan dari sistem identifikasi telinga dengan menggunakan fitur geometrik dan KNN adalah sebesar 97%, nilai akurasi ini lebih tinggi bila dibandingkan dengan menggunakan classifier JST MLP Backpropagation yang menghasilkan akurasi 79,67%.Kata kunci: Biometrik, Identifikasi telinga, Fitur geometrik, KNN.Nowadays, needs for identification system is increasing. Biometric is considered as one of the most robust human identification method due to its high level of security and accuracy. Ear has been introduced as biometric recently. Ear has distinct feature that possess unique value for every individuals. One of ear features which can be used to differentiate one person from another is geometrical feature. Feature extraction produces the ratio of long axis to each feature point. This ratio are invariant to rotation, scaling and translation. System performance is evaluated using accuracy measure. Result of this research shows that KNN has 97% accuracy. Accuracy comparison is conducted among other classifier i.e. MLP backpropagation. KNN has 97% accuracy and MLP backropagation has 79,67% accuracy. KNN’s accuracy higher then MLP’sKeywords: Biometric, Ear identification, Geometrical feature, KNN.