A new detection method of singular points of fingerprints based on neural network

Yong-xia, Liu; Qi, Jin; Xie, Rui

doi:10.1109/iccsit.2010.5564760

Cited by 2 publications

(3 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Ciri bobot ini selanjutnya dipakai pada proses klasifikasi atau pengujian (testing). Metode JST telah dipakai untuk pengenalan pola dalam penelitian [6][7]. Dari hasil penelitian ini secara eksplisit dapat dilihat bahwa metode JST bisa mengenali pola yang mengandung noise.…”

Section: Pendahuluanunclassified

“…Sampel ini dibagi menjadi dua bagian yaitu: sampel pelatihan (30) dan sampel uji (20). Sampel ini dikatagorikan menjadi 10 kelas yaitu: kelelawar (1), kumbang (2), burung (3), kupu-kupu (4), onta (5), kijang (6), gajah (7), lalat (8), kodok (9) dan kuda (10). Sampel citra pelatihan dan sampel citra uji diperlihatkan, secara berurutan, dalam Tabel 1 dan Tabel 2.…”

Section: Data Penelitianunclassified

“…Matrik ini merupakan matrik dua dimensi dengan ukuran n x n, dimana n menunjukkan jumlah kelas atau label yang dipakai. Dalam penelitian kita memakai 10 kelas yaitu: kelelawar (1), kumbang (2), burung (3), kupu-kupu (4), onta (5), kijang (6), gajah (7), lalat (8), kodok (9), kuda (10). Jumlah sampel uji tiap kelas yaitu 2, sehingga total sampel uji yaitu 2 x 10 = 20.…”

Section: Evaluasi Kinerja Pcaunclassified

See 2 more Smart Citations

The Classification of Primitive-Shaped Patterns by Using Principal Component Analysis Method

Widagda

Suyanto

2019

BULETIN FISIKA

View full text Add to dashboard Cite

Abstrak -Pengenalan atau klasifikasi pola merupakan masalah utama dalam sistem penginderaan komputer (computer vision). Banyak metode telah diaplikasikan seperti: invarian momen, Jaringan Syaraf Tiruan (JST), K-mean, Support Vector Machine (SVM) dan lain-lain. Metode-metode ini memiliki beberapa kelemahan. Metode invarian momen sangat rentan terhadap noise. Metode JST memerlukan waktu komputasi yang lama (terutama JST banyak lapis) selama proses pelatihan. Disamping itu, dimensi ciri (feature) yang dihasilkan dari metode tersebut relatif tinggi sehingga memerlukan ruang penyimpanan (memori) yang besar. Selain itu, hal ini berpengaruh pada waktu komputasi yang lama ketika proses pengujian dilaksanakan. Berdasarkan pada fakta tersebut, dalam penelitian ini dipergunakan metode yang bisa mengurangi dimensi ciri yaitu metode Principal Component Analysis (PCA). Dalam metode PCA ini dimensi citra sampel dikonversi menjadi principal component (facespace), yang dimensinya jauh lebih kecil dari dimensi citra sampel itu sendiri. Hasil penelitian yang kami lakukan menunjukkan bahwa metode PCA sangat efektif dalam melakukan proses klasifikasi pola. Hal ini bisa terindikasi dari nilai Predictive Accuracy, Precision dan Recall yang relatif tinggi (mendekati 1) sedangkan FP Rate yang rendah (mendekati 0). Selain itu, lokasi koordinat titik (FP Rate, TP Rate) pada ROC graphs terletak pada wilayah kiri atas (mendekati wilayah classifier sempurna). (ANN), K-mean, Support Vector Machine (SVM) and others. These methods have a few limitations. The moment invariant fashion is highly vulnerable to noise. ANN methods require a long computing time (especially multilayer ANN) during the training process. On the other hand, the dimensions of the features generated from the methods are relatively high, which requires large storage space (memory). In addition, this leads to the long computing time when the testing process is carried out. Based on these facts, this research makes use of methods that being able to reduce the feature dimensions, namely the Principal Component Analysis (PCA). In the PCA method the dimensions of the sample image are converted to principal components (face space), whose dimensions are much smaller than the dimensions of the sample image itself. Our works exhibit that the PCA method is highly effective in carrying out the pattern classification process. This can be indicated by the relatively high values of Predictive Accuracy, Precision and Recall (close to 1) while the FP Rate is low (close to 0). Moreover, the location of the point coordinates (FP Rate, TP Rate) in ROC graphs is fallen in the upper left region (approaching the perfect classifier region). Abstract -The recognition or classification of patterns is a major problem in computer vision. Many methods have been applied such as: moment invariant, Artificial Neural Networks

show abstract

Section: Pendahuluanunclassified

Section: Data Penelitianunclassified

Section: Evaluasi Kinerja Pcaunclassified

See 1 more Smart Citation