Perpustakaan Digital ITB

ris merupakan salah satu bagian tubuh yang unik dan stabil sehingga dapat dimanfaatkan untuk pengenalan manusia. Pengenalan manusia melalui iris merupakan masal ah klasifi kasi yang dapat diselesaikan dengan menggunakan jari ngan syaraf tiruan (JST). JST membutuhkan algoritma pembel ajaran untuk mendapatkan bobot-bobot optimal yang berguna dalam proses klasifi kasi dan pada penel itian ini digunakan algoritma quickprop sebagai algoritma pembelajaran. Pada algoritma quickprop, perubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot sehingga dapat mempercepat proses belajar pada JST. Dalam riset ini, input dari JST (neuron input) dapat berupa sel uruh pixel dari citra iris yang di proses. Tetapi dengan ukuran citra yang besar, maka di perl ukan proses ekstraksi ciri. Ekstraksi ciri dilakukan dengan menggunakan principal component analysis (PCA) untuk mendapatkan ciri spesifi k dari citra yang diproses. PCA dapat mengurangi dimensi dari citra iris sehingga dapat mengurangi jumlah neuron input pada proses klasifi kasi. Berdasarkan pengujian yang telah dilakukan, kombi nasi parameter terbaik adalah pada saat digunakan 40 principal component, 27 hidden neuron, learning rate dengan nilai 0,03, maximum epoch dengan nilai 375 dan maximum growth factor dengan nilai 1. Dari 30 kali pelatihan dan pengujian menggunakan kombinasi parameter terbaik ini, didapatkan rata-rata akurasi pengenalan pada data latih sebesar 100% dan pada data uji sebesar 92,1%.