PERBANDINGAN METODE JARINGAN SYARAF TIRUAN SELF ORGANIZING MAP KOHONEN DAN LEARNING VECTOR QUANTIZATION DALAM IDENTIFIKASI TELAPAK TANGAN MANUSIA

Identifikasi manusia dengan menggunakan cara tradisional misalnya pin,
password, kunci, dan lainnya dinilai kurang aman dikarenakan dapat terjadi
kecurangan misalnya diduplikasi, hilang, dicuri, atau terlupakan. Untuk
mengatasinya dapat menggunakan teknologi biometrika karena antara manusia
yang satu dengan lainnya tidak memiliki pola data biometrika yang sama. Data
biometrika yang digunakan pada penelitian ini adalah citra telapak tangan
manusia. Penggunaan telapak tangan dikarenakan telapak tangan memiliki
karakteristik yang unik, sulit dipalsukan dan cenderung stabil. Penelitian ini
menerapkan metode jaringan syaraf tiruan Self Organizing Map Kohonen dan
Learning Vector Quantization yang digunakan untuk klasifikasi citra. Penelitian
ini bertujuan membandingkan kedua metode tersebut untuk mendapatkan metode
mana yang lebih baik dalam mengindentifikasi telapak tangan manusia. Sistem ini
dibangun dalam bahasa pemrograman Matlab dan dirancang dengan Data Flow
Diagram (DFD). Metode pengembangan sistem yang digunakan adalah waterfall.
Pengujian fungsional sistem dengan menggunakan metode Black Box telah
berhasil 100 % dengan 25 skenario yang telah dibuat. Berdasarkan eksperimen
yang telah dilakukan nilai akurasi sistem ini yaitu (1) Metode SOM memiliki nilai
akurasi sebesar 100% terhadap citra uji yang telah dilatih dan 36.67% terhadap
citra uji non latih, (2) Metode LVQ memiliki nilai akurasi sebesar 68.67%
terhadap citra uji yang telah dilatih dan 36.67% terhadap citra uji non latih, (3)
Waktu eksekusi rata-rata metode SOM selama 5.83596 detik terhadap citra uji
yang telah dilatih dan 5.28589 detik terhadap citra uji non latih. (4) Waktu
eksekusi rata-rata metode LVQ selama 9.74955 detik terhadap citra uji yang telah
dilatih dan 10.66257 detik terhadap citra uji non latih.
Kata Kunci : Perbandingan, Identifikasi, Telapak Tangan, Self Organizing Map
Kohonen, Learning Vector Quantization