Pengenalan Pembuluh Darah pada Telapak Tangan menggunakan Ekstraksi Fitur berbasis Convolutional Neural Network dan Metode Klasifikasi Support Vector Machine

Yuliana, Nuzul Ristyantika (2019) Pengenalan Pembuluh Darah pada Telapak Tangan menggunakan Ekstraksi Fitur berbasis Convolutional Neural Network dan Metode Klasifikasi Support Vector Machine. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000078-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (2MB)

Abstract

Machine learning telah menjadi bagian dari kehidupan sehari-hari bagi banyak orang. Salah satu pengaplikasian machine learning adalah pengenalan pembuluh darah pada telapak tangan. Pengenalan pembuluh darah telapak tangan manusia mengkategorikan gambar pembuluh darah menjadi satu dari banyak kelas kode pembuluh darah berdasarkan fitur gambar tersebut. Banyak perusahaan, badan riset dan universitas yang terus mengembangkan machine learning agar mendapat hasil yang lebih akurat dan cepat. Dari situlah lahir algoritma deep learning, yang merupakan bagian dari machine learning. Convolutional Neural Network (CNN) adalah salah satu deep neural network yang cocok digunakan untuk mengolah data yang berbentuk 2 dimensi, seperti gambar dan video. Pada tugas akhir ini, penulis mengusulkan sebuah algoritma Inner Borer Tracing untuk mendapatkan ROI dari telapak tangan dan beberapa algoritma preprocessing yang meliputi Median Filter, Adaptive Histogram Equalization, Adaptive Noise Removal, Anistropic Diffusion Filter, Morfologi Closing. Tujuannya adalah untuk memperbaiki pola pembuluh darah telapak tangan guna meningkatkan performa pengenalan pembuluh darah telapak tangan. Sebelum dilakukan proses klasifikasi maka dolakukan proses ekstraksi fitur menggunakan Convolutional Neural Network pada Arsitektur Alex-Net dan VGG-16 dan untuk metode klasifikasi menggunakan Support Vector Machine. Data pelatihan dan uji coba yang digunakan diambil dari dataset “CASIA Multi-Spectral Palmprint V1.0” yang terdiri dari 600 data dengan 100 kelas yang berbeda berdasarkan kode untuk setiap individu. Metode Augmentasi Rotasi juga dilakukan untuk memperbanyak jumlah data pada setiap kelas setelah preprocessing gambar. Dan hasil uji coba didapatkan nilai f1-score dari skenario terbaik sebesar 99% pada AlexNet-SVM dengan input data hasil dari layer fc6.
===================================================================================================================================
Machine learning has become a part of the daily life of people around the world. One of the applications of machine learning is human facial expression recognition. Palm Vein recognition categorizes an image of palm vein into one of many palm vein classes based on the features extracted from the image. Many companies, researchers and universities keep improving the machine learning to get a better and faster result. And from those improvements, deep learning algorithm is born. Convolutional Neural Network (CNN) is one of the deep neural networks that suitable to process 2 dimentional data like image and video. In this undergraduate thesis, the writer proposed the Inner Border Tracing algorithm for ROI detection in Palm Vein and some preprocessing algorithm namely Median Filter, Adaptive Histogram Equalization, Adaptive Noise Removal, Anistropic Diffusion Filter, Morfologi Closing. The purpose of this method is to improve palm vein pattern for increase performance palm vein recognition. Before classification process we should do feature extraction using Convolutional Neural Network in AlexNet and VGG-16 architecture, whereas Support Vector Machine was used for classification method. Training dan testing data used were taken from the “CASIA Multi-Spectral Palmprint V1.0” consisting of 600 data with 100 different classes (individu). The Rotate and Scalling augmentation method is also done to increase the amount of data in each class after image preprocessing. And from testing report obtained the best f1-score from the best scenario is 99% on the AlexNet-SVM with input data from fc6 layer.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Convolutional Neural Network, Inner Border Tracing, Support Vector Machine, AlexNet, VGG-16.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > T Technology (General) > T58.5 Information technology. IT--Auditing
Divisions:	Faculty of Information and Communication Technology > Informatics > 55201-(S1) Undergraduate Thesis
Depositing User:	Nuzul Ristyantika Yuliana
Date Deposited:	23 Jul 2026 06:26
Last Modified:	23 Jul 2026 06:26
URI:	http://repository.its.ac.id/id/eprint/66382

Actions (login required)

View Item