Deteksi Klas Pola Sidik Jari dengan Self-Organizing Map

Klasifikasi sidik jari merupakan proses yang sangat penting sebelum dilakukan proses identifikasi maupun proses verifikasi. Pencarian pola sidik jari pada suatu klas tertentu jauh lebih cepat dibandingkan dengan pencarian pada seluruh basis data. Sidik jari memiliki dua fitur penting yang disebut fitur lokal (minutiae) dan fitur global (singularities). Fitur lokal biasanya digunakan sebagai dasar pencocokan sidik jari, sedangkan fitur global biasanya dipakai sebagai dasar klasifikasi. Pada umumnya klasifikasi didasarkan pada keberadaan dan posisi core dan delta. Pada penelitian ini komposisi sudut kemiringan alur diteliti, dengan harapan dapat dipakai sebagai dasar klasifikasi yang lebih sederhana dan lebih cepat proses komputasinya. Pertama, citra grayscale sidik jari dikonversi menjadi citra biner, kemudian dilakukan proses thinning. Kedua, diambil blok-blok citra berukuran 3x3 piksel. Nilai dari piksel-piksel pada blok tersebut digunakan sebagai input pelatihan bagi jaringan Self Organizing Map (SOM) dengan arsitektur 9 neuron input dan 10 neuron output. Dengan memproses setiap blok berukuran 3x3 piksel dari citra sidik jari dengan SOM maka akan diperoleh komposisi cluster untuk sidik jari yang bersangkutan. Sistem yang dibuat mampu mendeteksi klas LOOP dengan baik