Hasil Pencarian  ::  Simpan CSV :: Kembali

"In the recent years, palm vein recognition has been studied to overcome problems in conventional systems in biometrics technology (finger print, face, and iris), such as convenience and performance. However, due to the image of palm vein that is not always clear, the veins are not segmented pro-perly, therefore, the recognition accuracy may be degraded. To overcome this problem, we propose a palm vein recognition system using Local Line Binary Pattern (LLBP) method that can extract robust features from the palm vein images that has unclear veins. LLBP is an advanced method of Local Binary Pattern (LBP), a texture descriptor based on the gray level comparison of a neighborhood of pixels. There are four major steps in this paper, Region of Interest (ROI) detection, image preprocess-sing, features extraction using LLBP method, and matching using Fuzzy k-NN classifier. The propo-sed method was applied on the CASIA Multi-Spectral Image Database. Experimental results show that the proposed method using LLBP has a good performance with recognition accuracy 97.3%. In future, experiments will be conducted to observe which parameter can affect processing time and rec-ognition accuracy of LLBP is needed.

---

Saat ini penelitian tentang pengenalan pembuluh darah pada telapak tangan (palm vein recognition) telah banyak dilakukan untuk mengatasi masalah dalam teknologi biometrika yang lainnya (pengenalan sidik jari, wajah dan iris) seperti ketidaknyamanan pengguna saat akusisi citra maupun tingkat keakuratan pengenalannya. Namun masalah yang sering muncul dalam sistem pengenalan pembuluh darah pada telapak tangan (palm vein) adalah fitur tekstur pembuluh darah (vein) yang kurang jelas. Untuk mengatasi masalah tersebut, paper ini mengusulkan sistem pengenalan palm vein menggunakan metode Local Line Binary Pattern (LLBP) yang telah teruji dapat mengekstraksi fitur pembuluh darah pada gambar dengan jelas. LLBP merupakan metode pengembangan dari Local Binary Pattern (LBP), metode yang menggunakan kombinasi nilai-nilai biner dari piksel kete-tanggaannya. Empat tahapan utama dalam penelitian ini yaitu deteksi Region of Interest (ROI), pre-processing yang terdiri dari resize, penghilangan noise dan subtract citra, ekstraksi fitur menggunakan metode LLBP dan pengenalan menggunakan Fuzzy k-NN. Metodologi yang diusulkan telah diuji pada database citra palm vein CASIA Multi-Spectral. Hasil percobaan menunjukkan bahwa meto-dologi yang diusulkan dapat mencapai akurasi sampai dengan 97.3%. Untuk penelitian selanjutnya, diperlukan observasi untuk mengetahui parameter yang mempengaruhi waktu proses dan akurasi pengenalan dari metode LLBP"

"Curse of dimensionality merupakan masalah yang sering dihadapi pada proses klasifikasi. Trans-formasi fitur dan seleksi fitur sebagai metode dalam reduksi fitur bisa diterapkan untuk mengatasi masalah ini. Terlepas dari performanya yang baik, transformasi fitur sulit untuk diinterpretasikan ka-rena ciri fisik dari fitur-fitur yang asli tidak dapat diperoleh kembali. Di sisi lain, seleksi fitur dengan proses komputasinya yang sederhana bisa mereduksi fitur-fitur yang tidak diperlukan dan mampu me-representasikan data untuk memudahkan pemahaman terhadap data. Pada penelitian ini diajukan metode seleksi fitur baru yang berdasarkan pada dua pendekatan filter, yaitu similarity (kemiripan) dan entropi untuk mengatasi masalah data berdimensi tinggi. Tahap awal metode ini adalah meng-hitung nilai similarity antara fitur dengan vektor kelas dari 6 data berdimensi tinggi. Kemudian diperoleh nilai similarity maksimum yang digunakan untuk menghitung nilai entropi untuk setiap fitur. Fitur yang dipilih adalah fitur yang memiliki nilai entropi lebih tinggi daripada entropi rata-rata seluruh fitur. Fuzzy k-NN diterapkan untuk tahap klasifikasi data hasil seleksi fitur. Hasil percobaan menunjukkan bahwa metode yang diajukan mampu mengklasifikasi data berdimensi tinggi dengan rata-rata akurasi 80.5%.

---

Curse of dimensionality is a major problem in most classification tasks. Feature transformation and feature selection as a feature reduction method can be applied to overcome this problem. Despite of its good performance, feature transformation is not easily interpretable because the physical meaning of the original features cannot be retrieved. On the other side, feature selection with its simple com-putational process is able to reduce unwanted features and visualize the data to facilitate data understanding. We propose a new feature selection method using similarity based entropy to over-come the high dimensional data problem. Using 6 datasets with high dimensional feature, we com-puted the similarity between feature vector and class vector. Then we find the maximum similarity that can be used for calculating the entropy values of each feature. The selected features are features that having higher entropy than mean entropy of overall features. The fuzzy k-NN classifier was im-plemented to evaluate the selected features. The experiment result shows that proposed method is able to deal with high dimensional data problem with mean accuracy of 80.5%."