PENGENALAN CITRA TELAPAK TANGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR ALEXNET, EFFICIENTNET DAN MOBILENETV3

Manikam, Komang Ratna Mutu (2026) PENGENALAN CITRA TELAPAK TANGAN MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR ALEXNET, EFFICIENTNET DAN MOBILENETV3. Undergraduate thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2215101022-COVER.pdf
Download (10MB)
[img] Text (ABSTRAK)
2215101022-ABSTRAK.pdf
Download (263kB)
[img] Text (BAB 1 PENDAHULUAN)
2215101022-BAB 1 PENDAHULUAN.pdf
Download (9MB)
[img] Text (BAB 2 KAJIAN TEORI)
2215101022-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (9MB) | Request a copy
[img] Text (BAB 3 METODOLOGI PENELITIAN)
2215101022-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (9MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2215101022-BAB 3 METODOLOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (9MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2215101022-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (9MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2215101022-DAFTAR PUSTAKA.pdf
Download (9MB)
[img] Text (LAMPIRAN)
2215101022-LAMPIRAN.pdf
Download (9MB)

Abstract

Tujuan penelitian ini adalah mengembangkan model penganalan citra telapak tangan dengan arsitektur AlexNet, EfficientNet dan MobileNetV3, kemudian membandingkan ketiganya dari segi akurasi sehingga model terbaik dari penelitian ini dapat menjadi referensi di masa depan dalam pemilihan model CNN yang andal dan praktis. Telapak tangan (palm print) merupakan salah satu pendekatan biometrik yang mulai banyak dikembangkan untuk mengatasi kelemahan biometrik wajah dan sidik jari yang rentan terhadap pemalsuan. Dibandingkan pembuluh vena telapak tangan yang memerlukan perangkat khusus seperti kamera near-infrared, citra palm print memiliki keunggulan dari sisi fleksibilitas, biaya rendah, dan kemudahan akuisisi citra. Teknologi Convolutional Neural Network (CNN) seperti AlexNet, EfficientNet, dan MobileNetV3 telah menunjukkan performa yang baik pada berbagai tugas pengenalan citra, namun performanya pada klasifikasi citra palm print masih perlu dibandingkan secara langsung pada kondisi dan skenario dataset yang sama. Pengujian dilakukan menggunakan tiga skenario dataset, yaitu BMPD, DP, dan dataset gabungan. Model dikembangkan menggunakan metode K Fold Cross Validation untuk memperoleh evaluasi kinerja yang lebih andal, dengan akurasi sebagai metrik utama. Hasil penelitian menunjukkan bahwa EfficientNet memperoleh performa terbaik dengan rata-rata akurasi sebesar 95,54% dan mencapai akurasi tertinggi pada dataset DP dan Gabungan. MobileNetV3 memperoleh rata-rata akurasi sebesar 95,01% dan mencapai performa tertinggi pada dataset BMPD, sedangkan AlexNet memperoleh rata-rata akurasi sebesar 88,52% dengan performa yang relatif lebih rendah dan kurang stabil. Hasil penelitian menunjukkan bahwa pemilihan arsitektur CNN berpengaruh signifikan terhadap performa klasifikasi palm print, di mana arsitektur yang lebih modern dan efisien cenderung menghasilkan akurasi yang lebih tinggi dan stabil.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: pengenalan citra telapak tangan, AlexNet, EfficientNet, MobileNetV3, K-Fold Cross Validation
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Fakultas Teknik dan Kejuruan > Jurusan Teknik Informatika > Program Studi Ilmu Komputer (S1)
Depositing User: Komang Ratna Mutu Manikam
Date Deposited: 08 Jul 2026 02:42
Last Modified: 08 Jul 2026 02:42
URI: http://repo.undiksha.ac.id/id/eprint/30623

Actions (login required)

View Item View Item