Implementasi Metode Convolutional Neural Network dalam Pengolahan Citra Digital Sidik Bibir
Abstract
Penelitian ini membahas pengembangan sistem identifikasi individu berbasis sidik bibir menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Sidik bibir dipilih sebagai alternatif biometrik karena memiliki pola unik dan dapat digunakan baik pada individu hidup maupun korban, sehingga relevan dalam bidang forensik dan keamanan. Dataset diperoleh melalui pengambilan GAMBAR langsung terhadap sepuluh individu (total 200 citra), yang kemudian diproses melalui segmentasi U-Net, konversi grayscale, peningkatan kontras menggunakan CLAHE, ekstraksi fitur dengan Gabor filter, binarisasi adaptif, operasi morfologi, normalisasi, dan augmentasi data untuk meningkatkan kemampuan generalisasi. MobileNetV2 digunakan sebagai feature extractor dengan bobot awal ImageNet, diikuti dense layer tambahan untuk klasifikasi multikelas. Proses pelatihan dilakukan dengan optimasi hyperparameter meliputi augmentasi, batch size, optimizer, learning rate, dan jumlah epoch. Hasil pengujian menunjukkan konfigurasi terbaik pada optimizer Adam dengan learning rate 0,001 dan pelatihan selama 200 epoch, yang mampu mencapai akurasi, presisi, recall, dan F1-score sebesar 100% pada data uji. Sistem yang dikembangkan terbukti efektif dalam mengenali pola sidik bibir, menunjukkan potensi tinggi sebagai metode identifikasi biometrik alternatif. Pengembangan lebih lanjut direkomendasikan dengan memperluas variasi dataset dan menguji data untuk meningkatkan kemampuan generalisasi.
Kata kunci— CNN, MobileNetV2 Identifikasi Individu, Klasifikasi Biometrik, Pengolahan Citra, Sidik Bibir.
References
E. Novita Shandra, B. Darma Setiawan, and Y. Arum Sari, “Klasifikasi Pola Sidik Bibir Untuk Menentukan Jenis Kelamin Manusia Dengan Metode Gray Level Co-Occurrence Matrix Dan Support Vector Machine,” 2019. [Online]. Available: http://jptiik.ub.ac.id
W. Farrukh and D. van der Haar, “Lip print-based identification using traditional and deep learning,” IET Biom, vol. 12, no. 1, pp. 1–12, Jan. 2023, doi: 10.1049/bme2.12073.
I. A. Priyambudi, H. Fauzi Tresna, N. Kumalasari, and C. Pratiwi, “IDENTIFIKASI JENIS KELAMIN INDIVIDU MELALUI POLA SIDIK BIBIR BERBASIS SMARTPHONE ANDROID IDENTIFICATION OF GENDER THROUGHT LIPS PRINT PATTERN BASED ON SMATRPHONE ANDROID.”
N. Ghimire et al., “Lip print pattern: an identification tool,” Health Renaissance, vol. 11, no. 3, pp. 229–233, Jan. 2014, doi: 10.3126/hren.v11i3.9637.
R. M. Haralick, S. R. Sternberg, and X. Zhuang, “Image Analysis Using Mathematical Morphology,” 1987.
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” May 2015, [Online]. Available: http://arxiv.org/abs/1505.04597
A. K. Jain, N. K. Ratha, and S. Lakshmanan, “Object detection using Gabor filters,” Pattern Recognit, vol. 30, no. 2, pp. 295–309, 1997, doi: 10.1016/S0031- 3203(96)00068-4.
“Adaptive Histogram Equalization and Its Variations,” 1987.
I Made Subrata Sandhiyasa and Devi Valentino Waas, “Real Time Face Recognition for Mobile Application Based on Mobilenetv2,” Jurnal Multidisiplin Madani, vol. 3, no. 9, pp. 1855–1864, Sep. 2023, doi: 10.55927/mudima.v3i9.5924.
K. Azmi, S. Defit, and U. Putra Indonesia YPTK Padang Jl Raya Lubuk Begalung-Padang-Sumatera Barat, “Implementasi Convolutional Neural Network (CNN) Untuk Klasifikasi Batik Tanah Liat Sumatera Barat,” vol. 16, no. 1, p. 2023.
