IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK PADA PENGENALAN VARIASI POLA CITRA SIDIK JARI BEBASIS CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN FILTER GABOR

Jasman, Muhammad Azis Budi (2025) IMPLEMENTASI METODE CONVOLUTIONAL NEURAL NETWORK PADA PENGENALAN VARIASI POLA CITRA SIDIK JARI BEBASIS CONTRAST LIMITED ADAPTIVE HISTOGRAM EQUALIZATION DAN FILTER GABOR. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 2_Cover_123190035_Muhammad Azis Budi Jasman.pdf Download (110kB)
	Text 4_Halaman Pengesahan_123190035_Muhammad Azis Budi Jasman.pdf Download (740kB)
	Text 3_Abstrak_123190035_Muhammad Azis Budi Jasman.pdf Download (13kB)
	Text 5_Daftar Isi_123190035_Muhammad Azis Budi Jasman.pdf Download (47kB)
	Text 6_Daftar Pustaka_123190035_Muhammad Azis Budi Jasman.pdf Download (103kB)
	Text 1_Skripsi full_123190035_Muhammad Azis Budi Jasman.pdf Restricted to Repository staff only Download (2MB)

Abstract

Klasifikasi pola dasar sidik jari merupakan salah satu langkah penting dalam sistem
identifikasi biometrik. Namun, kualitas citra yang buruk menjadi tantangan utama dalam
proses ekstraksi fitur. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi pola
sidik jari dengan mengimplementasikan metode Convolutional Neural Network (CNN)
berbasis arsitektur ResNet-50, yang didukung oleh teknik pra-pemrosesan citra berupa
Contrast Limited Adaptive Histogram Equalization (CLAHE) dan Filter Gabor. Penelitian
ini bertujuan untuk meningkatkan akurasi pengenalan pola sidik jari terdistorsi dengan
menggunakan Convolutional Neural Network (CNN) berbasis ResNet-50 yang dipadukan
dengan teknik pra-pemrosesan seperti CLAHE (Contrast Limited Adaptive Histogram
Equalization) dan Filter Gabor. Penelitian ini menggunakan arsitektur CNN dengan ResNet
50, menerapkan CLAHE untuk peningkatan kontras dan Filter Gabor untuk ekstraksi fitur
tekstur. Model ini dilakukan fine-tuning dengan learning rate 1e-4 dan dilatih selama 15
epoch menggunakan dataset 2.401 citra sidik jari yang diklasifikasikan ke dalam tiga pola:
Arch, Loop, dan Whorl. Pendekatan yang diusulkan mencapai akurasi keseluruhan 98,35%,
dengan hanya empat kesalahan prediksi dari 243 data uji. CLAHE meningkatkan kontras
lokal pada citra terdistorsi, sementara Filter Gabor menonjolkan fitur tekstur, mengurangi
noise, dan meningkatkan kinerja klasifikasi. Model menunjukkan stabilitas selama pelatihan,
menghindari overfitting, dan memperoleh performa yang kuat dalam berbagai kondisi.
Penelitian ini memberikan kontribusi dengan menunjukkan kombinasi efektif antara
CLAHE dan Filter Gabor untuk pra-pemrosesan citra sidik jari sebelum klasifikasi
menggunakan ResNet-50. Penelitian ini menyediakan kerangka kerja yang dioptimalkan
untuk menangani citra sidik jari terdistorsi dalam sistem identifikasi biometrik dan
menunjukkan kinerja model yang kuat pada aplikasi dunia nyata.
Kata kunci : CNN, Sidik Jari, ResNet-50, CLAHE, Filter Gabor, Klasifikasi Pola

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Muhammad Azis Budi Jasman (Penulis-123190035) ; Dessyanto Boedi Prasetyo (Pembimbing)
Uncontrolled Keywords:	CNN, Sidik Jari, ResNet-50, CLAHE, Filter Gabor, Klasifikasi Pola
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	UPA Perpustakaan
Date Deposited:	15 Oct 2025 06:32
Last Modified:	15 Oct 2025 06:32
URI:	http://eprints.upnyk.ac.id/id/eprint/44412

Actions (login required)

View Item