Klasifikasi Gambar Palmprint Berbasis Multi-Kelas Menggunakan Convolutional Neural Network

Abstract

Abstract—Biometric technology is developing to be the most relevant mechanism in identity identification. The main purpose of an identity management system is to be able to establish a relationship between individuals and their identities when needed under certain conditions. Among the newly proposed identity verification and personal identification technologies, biometrics is rapidly becoming the most relevant mechanism for identity recognition. This study proposes a new biometric recognition method for authentication and personal identification. Palm image recognition based on image processing for authentication and personal identification is proposed, namely competitive coding using the Convolutional Neural Network (CNN) and Local Binary Pattern (LBP) texture extraction with hyperparameter modifications. The dataset used comes from the Birjand University Mobile Palmprint Database (BMPD) which consists of 20 classes with a total of 800 palm images. The research was conducted using a data distribution of 80% training data and 20% validation data. The tests carried out resulted in a good accuracy value of the proposed model of 93.3% for the training process and 90.6% for the validation process. Keywords: Biomethric, CNN, LBP Intisari— Teknologi biometrik berkembang menjadi mekanisme paling relevan dalam pengidentifikasi identitas. Tujuan utama dari sistem manajemen identitas adalah untuk dapat membangun hubungan antara individu dan identitas mereka ketika dibutuhkan dalam kondisi tertentu. Di antara verifikasi identitas yang baru diusulkan dan teknologi identifikasi pribadi, biometrik dengan cepat menjadi mekanisme yang paling relevan untuk pengenalan identitas. Penelitian ini mengusulkan metode pengenalan biometrik terbaru untuk otentikasi dan identifikasi pribadi. Pengenalan citra telapak tangan berbasis image processing untuk otentikasi dan identifikasi pribadi yang diusulkan yaitu pengkodean kompetitif menggunakan metode Convolutional Neural Network (CNN) dan ekstraksi tekstur Local Binary Pattern (LBP) dengan modifikasi hyperparameter. Dataset yang digunakan berasal dari Birjand University Mobile Palmprint Database(BMPD) yang terdiri dari 20 kelas dengan total 800 citra telapak tangan. Penelitian dilakukan dengan menggunakan distribusi data sebesar 80% data training dan 20% data validasi. Pengujian yang dilakukan menghasilkan nilai akurasi yang baik dari model yang diusulkan sebesar 93,3% untuk proses training dan 90,6% untuk proses validasi. Kata Kunci: Biometrik, CNN, LBP

Hyperparamaters Fine Tuning for Bidirectional Long Short Term Memory on Food Delivery

“…RNN is deep learning because it has many layers [14].LSTM complements the shortcomings of RNN in predicting past words over a long time period. LSTM has the selective ability to recall or delete information [15]. LSTM has a large memory and is suitable for data sequences [16].…”