Studi Akurasi Karakteristik Retina sebagai Future Identification dengan Euclidean Distance Metrics
Abstract
Penelitian ini menghasilkan sistem keamanan menggunakan biometrik, dengan menggunakan retina sebagai identitas pengenalan yang akurat, serta efektif untuk meningkatkan proses identifikasi pada retina dimasa depan (future identification). Hal ini sangat penting untuk menentukan keakuratan sifat biometrik apa yang paling baik di dalam proses mengidentifikasi di masa depan, sekaligus membangun suatu sistem aplikasi atau tools yang dapat digunakan untuk mengetahui karakteristik distance meterics untuk mengukur akurasi retina sebagai identitas dimasa depan (future identification). Penggunaan retina dapat menjadi salah satu alternatif identifikasi manusia seperti untuk pengganti PIN ATM Bank, Paspor dan bidang-bidang lain yang memerlukan tingkat keamanan tinggi atau mustahil untuk dapat dipalsukan. Hasil dari penelitian ini ialah berbentuk pengujian untuk membuktikan tingkat akurasi CBIR dengan menggunakan citra query dengan dibangun database sebanyak 5.000 citra retina. Metode yang akan digunakan dalam menentukan similarity dan identification dengan menggunakan fitur warna. Histogram warna untuk pencarian citra dikerjakan dengan mengitung jumlah koefisien DCT dari setiap warna. Hasil penelitian menunjukan bahwa akurasi algoritma mendekati nilai 90%, akurasi ini cukup bagus di bidang image retrieval. Di lihat dari kecepatan proses retrieval juga cukup cepat dimana rata –rata kecepatan proses dengan menggunakan 2.000 citra digital adalah kurang dari 10 detik.
Keywords
Full Text:
PDFReferences
Alsmadi, M. K. (2017). An efficient similarity measure for content based image retrieval using memetic algorithm. Egyptian Journal of Basic and Applied Sciences, 4(2), 112–122. https://doi.org/10.1016/j.ejbas.2017.02.004
Besançon, R., Hède, P., Moellic, P. A., & Fluhr, C. (2005). Cross-media feedback strategies: Merging text and image information to improve image retrieval. Lecture Notes in Computer Science, 3491, 709–717. https://doi.org/10.1007/11519645_69
Deepak, K. S., Joshi, G. D., & Sivaswamy, J. (2010). Content-based retrieval of retinal images for maculopathy. IHI’10 - Proceedings of the 1st ACM International Health Informatics Symposium, 135–143. https://doi.org/10.1145/1882992.1883013
Delac, K., Grgic, M., & Grgic, S. (2009). Face recognition in JPEG and JPEG2000 compressed domain. Image and Vision Computing, 27(8), 1108–1120. https://doi.org/10.1016/j.imavis.2008.10.007
Esnaashari, M., Monadjemi, S. A., & Naderian, G. (2011). A Content-based Retinal Image Retrieval Method for Diabetes- Related Eye Diseases Diagnosis. 2(6), 1222–1227.
Hasibuan, M. S., & Nugroho, H. W. (2015). Pemanfaatan Teknik Content Based Image Retrieval Berbasis Sketsa Untuk Pengenalan Wajah Dengan Pose Normal. 9–10.
He, Y., Tian, J., Luo, X., & Zhang, T. (2003). Image enhancement and minutiae matching in fingerprint verification. Pattern Recognition Letters, 24(9–10), 1349–1360. https://doi.org/10.1016/S0167-8655(02)00376-8
Irianto, S. Y., Galih, M., Agus, I., Darmawan, A., & Lindar. (2020). Content Based Image Retrieval on Natural and Artificial Images. IOP Conference Series: Materials Science and Engineering, 917(1). https://doi.org/10.1088/1757-899X/917/1/012061
Jaafar, H. F., Nandi, A. K., & Al-Nuaimy, W. (2011). Automated detection and grading of hard exudates from retinal fundus images. European Signal Processing Conference, (Eusipco), 66–70.
Jain, A. K., Flynn, P., & Ross, A. A. (2007). Handbook of Biometrics Handbook of Biometrics. Retrieved from http://www.springer.com/computer/image+processing/book/978-0-387-71040-2
Karnila, S., Irianto, S., & Kurniawan, R. (2019). Face Recognition using Content Based Image Retrieval for Intelligent Security. International Journal of Advanced Engineering Research and Science, 6(1), 91–98. https://doi.org/10.22161/ijaers.6.1.13
Karnila, S., Kurniawan, R., Lestari, S., & Irianto, S. Y. (2017). Aplikasi Pengenalan Wajah Menggunakan Teknik CBIR untuk Objek Tampak Depan. 1, 2–6.
Kynkäänniemi, T., Karras, T., Laine, S., Lehtinen, J., & Aila, T. (2019). Improved precision and recall metric for assessing generative models. ArXiv, (NeurIPS).
Madhavi, K. V., Tamilkodi, R., & Sudha, K. J. (2016). An Innovative Method for Retrieving Relevant Images by Getting the Top-ranked Images First Using Interactive Genetic Algorithm. Procedia Computer Science, 79, 254–261. https://doi.org/10.1016/j.procs.2016.03.033
Nedjah, N., Wyant, R. S., Mourelle, L. M., & Gupta, B. B. (2019). Efficient fingerprint matching on smart cards for high security and privacy in smart systems. Information Sciences, 479, 622–639. https://doi.org/10.1016/j.ins.2017.12.038
Raja, N. S. M., Rajinikanth, V., Fernandes, S. L., & Satapathy, S. C. (2017). Segmentation of breast thermal images using kapur’s entropy and hidden markov random field. Journal of Medical Imaging and Health Informatics, 7(8), 1825–1829. https://doi.org/10.1166/jmihi.2017.2267
Y.Irianto, S. (2014). Content based Image Retrieval in the Compressed Domain. International Journal of Computer Applications, 99(13), 18–23. https://doi.org/10.5120/17434-8221
DOI: http://dx.doi.org/10.30872/jim.v16i1.5136
Refbacks
- There are currently no refbacks.
Copyright (c) 2021 Informatika Mulawarman : Jurnal Ilmiah Ilmu Komputer
Editor Informatika Mulawarman Address:
ISSN 1858-4853 (Print) | ISSN 2597-4963 (Online)
Published by: Mulawarman University
Managed by : Informatika Department
Jalan Sambaliung No.9 Sempaja Selatan Samarinda Utara,
Kalimantan Timur 75117 - Indonesia
E-mail: jim.unmul@gmail.com
OJS: http://e-journals.unmul.ac.id/index.php/JIM
Contact Person: Gubtha Mahendra Putra
Informatika Mulawarman by http://e-journals.unmul.ac.id/index.php/JIM/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Under the CC BY-SA license, authors and other users are able to reprint, distribute or use the material for commercial purposes so long as they give attribution to the journal Informatika Mulawarman and license the republished material under the same license.