ABSTRAKSI: Support Vector Machine (SVM) pertama kali diperkenalkan oleh Vapnik pada tahun 1992 sebagai rangkaian harmonis konsep-konsep unggulan dalam bidang pattern recognition. Sebagai salah satu metode pattern recognition, usia SVM ini terbilang masih muda. Walaupun demikian, evaluasi kemampuannya dalam berbagai aplikasi menempatkannya sebagai state of the art dalam pattern recognition dan domain ini merupakan salah satu metoda pengenalan pola yang berkembang pesat.
Pengenalan sidik jari merupakan salah satu contoh yang menarik untuk menguji kemampuan metode SVM ini. Pendekatan yang digunakan dalam pengenalan sidik jari ini adalah mengklasifikasi masukan kedalam dua kelas, yaitu +1 dan -1. Persoalan klasifikasi dapat diterjemahkan dengan usaha menemukan garis (hyperplane) yang memisahkan antara kedua kelas tersebut. Hyperplane pemisah terbaik antara kedua kelas dapat ditemukan dengan mengukur margin hyperplane tersebut dan mencari titik maksimalnya. Margin adalah jarak antara hyperplane tersebut dengan pola terdekat dari masing-masing kelas. Pola yang paling dekat ini disebut sebagai support vector.
Pengujian identifikasi sidik jari menggunakan Support Vector Machine (SVM) dengan pemakaian kernel RBF (Gaussian) diperoleh hasil terbaik sebesar 92.1739%. Sedangkan pemakaian kernel Polynomial hanya menghasilkan nilai akurasi sebesar 4.3478%. Dari hasil yang diperoleh ini, kernel yang paling cocok digunakan dalam identifikasi sidik jari adalah kernel RBF (Gaussian).Kata Kunci : Pattern recognition, state of art, hyperplane, margin hyperplane, support vector, kernel Gaussian, kernel PolynomialABSTRACT: Support Vector Machine (SVM) introduced by Vapnik in 1992 as one of the best concept in pattern recognition. As one of method in pattern recognition, SVM is too young than others. Eventhought it, evaluate of SVM in difference applications makes SVM as state of art in pattern recognition and for the future, it will be increase to use SVM.
Fingerprint identification is one of the applications to evaluate SVM system. SVM consist in two classes, +1 and -1. Classification problems can determine using hyperplane. Hyperplane is separate line between one class to each others. To find hyperplane, we use margin hyperplane and the short distance between pattern and margin we called support vector.
The best accuration achived is 92.1739% for image with RBF (Gaussian) kernel and 4.3478% when image use Polynomial kernel. From the result, RBF (Gaussian) kernel is compatible in fingerprint classification.Keyword: Pattern recognition, state of art, hyperplane, margin hyperplane, support vector, RBF (Gaussian) kernel, Polynomial Kernel