Biometrik iris recognition menggunakan lbp dengan menggunakan klasifikasi knn

Abstract

Abstrak Iris recognition untuk mendeteksi dan mengenali sesuatu yang lebih baik dalam sistem biometrik. Oleh karena itu, banyak peneliti telah berusaha untuk meningkatkan algoritma untuk pengenalan diri iris. Namun, masalah terbesar yang terjadi dalam melakukan penelitian adalah untuk melakukan irisokalisasi dengan baik. Selain itu, kelopak mata dan bulu mata juga merupakan masalah lain dalam pengenalan iris karena mereka dapat menutupi iris atau mata, dan mungkin ada beberapa gangguan yang mempengaruhi citra iris dengan baik. Dalam Tugas Akhir ini telah dilakukan pengujian dengan sistem iris recognition yang mampu mengidentifikasi dengan mengunakan iris mata sistem berkarja dengan menggunakan Algoritma K-Nearest Neighbor (KNN) sebagai klasifikasi dan DWT sebagai ektrasi ciri. Setelah dilakukan pengujian dengan jumlah data 30 gambar iris di peroleh tingkat akurasi 54% dengan beberapa parameter diantaranya parameter level DWT dan parameter jarak pada KNN serta noise yang di ujikan. Dari hasil pengujian didapatkan tingkat akurasi tersebut masih handal untuk noise pad nilai variansi 0,1, localvar noise pada nilai 0,1, salt and paper noise pada nilai 0,1, dan poison noise nilai langsung kemungkinan error. Kata kunci: Algoritma K-NN, Iris identification, DWT Abstract iris recognition to detect and recognize something better in biometric systems. Therefore, many researchers have tried to improve the algorithm for iris self-recognition. However, the biggest problem that occurs in conducting research is to do the irisocalization well. In addition, the eyelids and eyelashes are also another problem in iris recognition because they can cover the iris or eyes, and there may be some disorders that affect the iris image well. In this Final Project, the iris recognition system has been tested which is able to identify using the iris system using a K-Nearest Neighbor (KNN) algorithm as a classification and DWT as the extraction feature. After testing with a total of 30 iris images obtained an accuracy rate of 54% with several parameters including DWT level parameters and distance parameters on the noise KNN that were tested. From the test results it was found that the accuracy level was still reliable for noise pad 0.1 variance value, localvar noise at value 0.1, salt and paper noise at value 0.1, and poison noise direct value possible error. -NN, Iris identification, DWT