Firmansyah, Husni (2013) IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENGIDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION. S1 thesis, Universitas Pendidikan Indonesia.
|
Text
S_KOM_0608681_TITTLE.pdf Download (267kB) | Preview |
|
|
Text
S_KOM_0608681_ABSTRACT.pdf Download (180kB) | Preview |
|
|
Text
S_KOM_0608681_TABLE OF CONTENT.pdf Download (214kB) | Preview |
|
|
Text
S_KOM_0608681_CHAPTER1.pdf Download (260kB) | Preview |
|
![[img]](http://repository.upi.edu/style/images/fileicons/text.png) |
Text
S_KOM_0608681_CHAPTER2.pdf Restricted to Staf Perpustakaan Download (401kB) |
|
|
Text
S_KOM_0608681_CHAPTER3.pdf Download (292kB) | Preview |
|
|
Text
S_KOM_0608681_CHAPTER4.pdf Restricted to Staf Perpustakaan Download (963kB) |
|
|
Text
S_KOM_0608681_CHAPTER5.pdf Download (175kB) | Preview |
|
|
Text
S_KOM_0608681_BIBLIOGRAPHY.pdf Restricted to Staf Perpustakaan Download (255kB) |
Abstract
Identifikasi telapak tangan dapat berpengaruh untuk keamanan data. Identifikasi telapak tangan diimplementasikan dengan menggunakan metode Jaringan Syaraf Tiruan Learning Vector Quantization. Ada 4 langkah dalam mengidentifikasi telapak tangan. Langkah pertama dimulai dengan menggunakan metode image processing grayscalling dari data gambar berwarna dan menghasilkan data gambar grayscale sebagai input untuk langkah kedua. Langkah kedua yaitu menggunakan metode image processing edge detection dan menghasilkan beberapa piksel edge dalam data gambar grayscale sebagai input untuk langkah ketiga. Langkah ketiga yaitu menggunakan metode image processing thresholding dan menghasilkan data array biner. Langkah keempat yaitu menggunakan metode Jaringan Syaraf Tiruan Learning Vector Quantization pada data array biner dan menghasilkan data array bobot. Data array bobot ini yang dihitung untuk mengidentifikasi telapak tangan. Studi kasus dilakukan dengan menggunakan maksimal 240 buah data pembelajaran, 160 buah data pengujian, dan 4 buah parameter sensitity yang menghasilkan akurasi keberhasilan sebesar 37,25% untuk perubahan epoh, 35% untuk perubahan jumlah data pembelajaran, 32,625% untuk perubahan learning rate, 24,22% untuk perubahan nilai threshold. Akurasi keberhasilan yang kecil dikarenakan posisi telapak tangan yang berubah-ubah. Kata Kunci: identifikasi telapak tangan, Learning Vector Quantization, grayscalling, edge detection, thresholding, biometrik.
| Item Type: | Thesis (S1) |
|---|---|
| Subjects: | Universitas Pendidikan Indonesia > Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer |
| Divisions: | Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam > Program Studi Ilmu Komputer |
| Depositing User: | Riki N Library ICT |
| Date Deposited: | 23 Aug 2013 04:16 |
| Last Modified: | 23 Aug 2013 04:16 |
| URI: | http://repository.upi.edu/id/eprint/678 |
Actions (login required)
 |
View Item |