ABSTRAKSI: Kemajuan teknologi menuntut segalanya mampu ditangani oleh sebuah sistem, seperti pada proses identifikasi seseorang. Pada tugas akhir ini dilakukan analisis untuk pengenalan telapak tangan secara otomatis. Citra inputan akan dipreprocessing secara automatic region untuk mendapatkan area penting dari citra telapak tangan. Selanjutnya akan dicari ciri dari citra tersebut menggunakan Principal Component Analysis (PCA) dan diklasifikasikan menggunakan Support Vector Machine (SVM).
Metoda PCA memiliki kemampuan mereduksi dimensi data namun tetap mempertahankan informasi dan karakteristik data tersebut. Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. SVM secara konsep merupakan linear classifier, tetapi SVM dapat dimodifikasi dengan menggunakan kernel trick, sehingga bisa digunakan untuk menyelesaikan permasalahan non-linear.
Berdasarkan hasil pengujian yang telah dilakukan terhadap 500 data latih dan 500 data uji, sistem ini mampu mengidentifikasi telapak tangan secara otomatis dengan tingkat akurasi mencapai 98% (480 data berhasil dikenali).
Kata Kunci : preprocessing, automatic region, klasifikasi, Principal Component Analysis (PCA), Support Vector Mechine (SVM)ABSTRACT: Technological advances demanded everything can be handled by a system, as in the process of identifying a person. At this final tasks conducted the analysis for the introduction of the palmprint automatically. Preprocessing input image will be automatic in the region to get the important area of the image of the palm. Furthermore, we will look for characteristics of the image using the Principal Component Analysis (PCA) and classified using a Support Vector Machine (SVM).
PCA method has the ability to reduce the dimensions of data while still maintaining the information and data characteristics. The concept of SVM can be explained simply as an attempt to find the best hyperplane which serves as a separator of two classes in the input space. The concept of a linear SVM classifier, but the SVM can be modified by using the kernel trick, which can be used to solve non-linear problems.
Based on the results of tests conducted on 500 training data and test data 500, the system is capable of automatically identifying the palm of the hand with an accuracy of 98% (480 data has been identified).Keyword: preprocessing, automatic region, clasification, Principal Component Analysis (PCA), Support Vector Mechine (SVM)