PENERAPAN METODE NAIVE BAYES CLASSIFIER BERBASIS ...jurnal.sttdb.ac.id/save.php?file=v2n3...
Transcript of PENERAPAN METODE NAIVE BAYES CLASSIFIER BERBASIS ...jurnal.sttdb.ac.id/save.php?file=v2n3...
JUS TEKNO VOL. 02 NO. 03 (2018) 352
ISSN 2580-2801
JUS TEKNO Jurnal Sains & Teknologi
PENERAPAN METODE NAIVE BAYES CLASSIFIER
BERBASIS FINGERPRINT UNTUK KLASIFIKASI GENDER
Cindhy Herumawan
Program Studi Teknik Informatika
Sekolah Tinggi Teknologi Duta Bangsa
Abstrak
Fingerprint adalah hal yang unik dimana setiap orang mempunyai ciri tersendiri dan tidak
ada yang sama. Karena itu fingerprint dapat dijadikan alat bukti di pengadilan dan untuk
keamanan fingerprint juga di gunakan sebagai identitas, dibagian forensik sangat membantu
untuk mengurangi jumlah dugaan tersangka.
Permasalahan fingerprint melakat pada citra fingerprint itu sendiri, dimana pengukuran
lebar bukit dan lembah terdapat penyimpangan apabila citra tidak dapat menunjukkan nilai yang
tepat. Untuk klasifikasi SVM yang pernah di di gunakan mengalami masalah terhadap imbalance
data sehingga diperlukan metode klasifikasi yang individual.
Perlunya penganalisaan citra yang layak untuk di lakukan pengukuran dan pengambilan
data serta mencegah data yang mempunyai penyimpangan agar data training dan data testing
hasilnya maksimal, analisa grayscale dan pengukuran distribusi normal digunakan untuk tujuan
tersebut. Untuk klasifikasi menggunakan naive bayes classifier yang mempunyai sifat
kemandirian atribut untuk mengurangi kekurangan pada data imbalance seperti yang terjadi pada
metode SVM.
Kata kunci: Naive bayes classifier, distribusi normal, deviasi.
JUS TEKNO VOL. 02 NO. 03 (2018) 353
1. Pendahuluan
Sidik jari setiap orang adalah unik dan tidak ada yang sama, dan cenderung untuk tidak
berubah dalam pertumbuhan manusia.
“Setiap orang memiliki struktur sidik jari yang unik.” [Samta Gupta, A. Prabhakar Rao , 2014] ,
“Sidik jari adalah suatu bukti yang tidak diragukan lagi dan yang paling dapat diandalkan dan
tidak berubah dari lahir sampai meninggal” [S.Sudha Ponnarasi, M.Rajaram , 2012 ].
Kerena sifat itulah maka sidik jari dapat digunakan sebagai bukti dalam persidangan di seluruh
dunia. ”Sidik jari adalah salah satu teknologi biometrik yang paling matang dan dianggap bukti
yang sah bukti di pengadilan di seluruh dunia” [Samta Gupta, A. Prabhakar Rao , 2014]. Dan
dalam bidang forensic dapat sebagai alat bantu untuk mengurangi jumlah para tersangka, dan di
bidang keamanan sidik jari digunakan sebagai identitas dari suatu individu. Salah satu
pengembangan dari penelitian sidik jari adalah menganalisa sidik jari untuk menentukan gender.
Agrawal, H. (2014). Telah melakukan penelitian sidik jari berdasarkan gender dengan
menganalisa Features extracted : Kepadatan lembah, lebar bukit, lebar lembah dengan
ditambahkan classifier : SVM (Support Vector Machine). Metode lain untuk menganalisa citra
sidik jari adalah dengan citra transformasi, seperti DWT (Discrete Wavelet Transform) yang
sudah di gunakan oleh Chand, P., & Sarangi, S. (2013), dan dikembangkan juga oleh peneliti
yang lain dengan kombinasi pada classifiernya.
Metode analisa citra yang lain seperti FFT (Fast Fourier Transform), DCT (Discrete
Cosin Transform) pada Kaur, R., & Mazumdar, S. G. (2012).
Dan metode kombinasi lainnya.
Metode Features extracted : Kepadatan lembah, lebar bukit, lebar lembah dengan
ditambahkan classifier : SVM (Support Vector Machine) yang telah dilakukan oleh Agrawal, H.
(2014) sudah menghasilkan akurasi 91%. Kelebihan dari klasifikasi SVM adalah non linier
classifier dan sering digunakan untuk memproduksi klasifikasi yang sangat bagus menurut
Ponnarasi, S. S. (2012). Kelemahannya adalah untuk data yang imbalance untuk data minoritas
akurasinya akan menurun Siagian, Rina.Y.(2011). Untuk mengatasi masalah ini maka dibutukan
classifier yang mengasumsikan semua atribut berdiri sendiri. NBC ( naïve bayes Classifier)
JUS TEKNO VOL. 02 NO. 03 (2018) 354
adalah suatu classifier yang mengasumsikan semua atribut berdiri sendiri [Patil, T. R., &
Sherekar, S. S, 2013].
Oleh karena itu pada penelitian ini akan menggunakan NBC sebagai
pengklasifikasiannya yang bertujuan untuk meningkatkan akurasi dari analisa sidik jari.
2. Tinjauan Pustaka dan Teori
Tinjauan Pustaka
Tabel 2.1.
Data Journal Penelitian sidik jari untuk penentuan gender
No Author / Title Method Method of
Classification Result
1
Agrawal, H. (2014).
Fingerprint Based Gender
Classification using
multi- class SVM, 3(8),
2575–2580.
Features
extracted :
Kepadatan
lembah, lebar
bukit, lebar
lembah.
SVM
male :
91%
female :
91%
2
Chand, P., & Sarangi, S.
(2013). A Novel
Method for Gender
Classification Using
DWT and SVD
Techniques.
Int.J.Computer
Technology &
Applications, 4(3),
445–449.
DWT : discrete
wavelet
transform SVD :
Singular Value
Decomposition
K nearest
neighbour
Success
rate: 80%
JUS TEKNO VOL. 02 NO. 03 (2018) 355
3
Dct, B. (2015).
Fingerprint Based
Gender
Classification Using,
1611–1618.
DCT : Discrete
Cosine Transorm
K nearest
neighbour
Female :
65.25%,
Male :
45.25%,su
ccess rate :
55.25%
4
Gnanasivam, P., &
Muttan, D. S.
(2012). Fingerprint
gender classification
using wavelet
transform and
singular value
decomposition.
IJCSI International
Journal of Computer
Science Issues, 9(2).
DWT : discrete
wavelet
transform SVD :
Singular Value
Decomposition
SVM Female :
91.67%,
Male :
84.89%
5
Gornale, S. S. (2013).
ANALYSIS OF
FINGERPRINT
IMAGE FOR
GENDER
CLASSIFICATION
USING SPATIAL
AND FREQUENCY
DOMAIN, (2008),
46–50.
FFT : Fast fourier
transform,
Eccentricity,
Major Axis
Length
None Male :
80%,
Female :
78%
6
Gornale, S. S.,
Basavanna, M., &
Kruthi, R. (2015).
DWT : discrete
wavelet
Transform
SVM SVM(RBF
_sigma)(si
gma=2) :
JUS TEKNO VOL. 02 NO. 03 (2018) 356
Gender-
Classification-
Using-Fingerprints-
Based-On-Support-
Vector-
Machines.doc, 6(7),
588–593.
91% ,
SVM(poly
nomial) :
89%
7
Gupta, S., & Rao, A. P.
(2014). Fingerprint
Based Gender
Classification Using
Discrete Wavelet
Transform &
Artificial Neural
Network, 3(4),
1289–1296.
DWT : discrete
wavelet
Transform
NN : Artificial
Neural
Network
Rate :
91.45%
8
Kaur, R., & Mazumdar,
S. G. (2012).
F INGERPRINT B
ASED G ENDER I
DENTIFICATION
USING, 3(1), 295–
299.
FFT : Fast
Fourier
Transform
DCT : Discrete
Cosine
Transform
PSD : Power
Spectral Density
None Male :
90%,
Female :
79.07%
Dari table di atas bahwa metode Features extracted : Kepadatan lembah, lebar bukit,
lebar lembah, akurasinya cukup tinggi yaitu 91% seperti yang sudah dilakukan oleh Agrawa, H.
(2014). Oleh karena itu dalam penelitian ini
masih menggunakan dasar metode tersebut.
JUS TEKNO VOL. 02 NO. 03 (2018) 357
Landasan Teori
Gambar 2.1. Gambar umum sidik Jari
Secara umum sidik jari mempunyai beberapa kriteria pada pola sidik jarinya. Pada
gambar 2.1. menjelaskan kriteria kriteria tersebut.
1. Bukit adalah deretan garis yang berwarna hitam yang berarti bagian dari punggung
sidik jari yang menyentuh objek.
2. Lembah adalah deretan garis yang berwarna putih yang berarti bagian dari punggung
jari yang tidak terkena objek.
Nois
Endin
g Bifurcation
Fork
Crossover
g Bukit
Lembah
JUS TEKNO VOL. 02 NO. 03 (2018) 358
3. Nois adalah bagian dari citra sidik jari yang tidak diperlukan atau tidak berhubungan
dengan pola sidik jari.
4. Bifurcation atau percabangan adalah suatu garis dari bukit yang bercabang.
5. Fork atau garpu adalah suatu lembah di dalam garis bukit.
6. Ending atau akhir adalah ujung atau akhir dari garis bukit.
7. Crossover adalah suatu garis lembah atau bukit yang di lewati oleh garis bukit atau
lembah.
Asumsi bahwa sidik jari perempuan cenderung memiliki lebih tipis epidermal bukit
dibandingkan laki-laki. Hal ini akan menyebabkan perempuan memiliki kepadatan bukit lebih
tinggi dibandingkan dengan laki-laki. Studi ini menemukan bahwa kepadatan punggungan secara
statistik signifikan dalam perbedaan antara pria dan wanita [S.Sudha Ponnarasi, M.Rajaram ,
2012 ].
Naive Bayes Classifier
Naïve bayes di perkenalkan pertama kali oleh Thomas Bayes (1702-1761). Teori
dasarnya adalah untuk mendapatkan peluang besyarat P(H∣X),dimana H adalah posrterior dan X
adalah prior, dimana posterior adalah karakteristik yang di duga akan terjadi dan prior adalah
karakteristik yang di dapat dari masa lampau atau sebuah teori.
Bayes adalah teknik prediksi yang berdasarkan perhitungan probabilitas atau
kemungkinan. Dengan asumsi indepedensi yang kuat (naive) sehingga tidak ada ketergantungan.
Rumus umumnya adalah :
y(x) = max p(Ck) П p(xi Ck) (2 1)
Keteranagan:
y(x) adalah nilai posterior atau probabilitas akhir
p(Ck) adalah nilai prior atau probabilitas awal
p(xi Ck) adalah nilai probabilitas (x) dari kelas (k)
Sehingga akan dihasilkan nilai probabilitas akhir dari tiap tiap kelas, sedangkan nilai keputusan
kelas diambil dari nilai probabilitas yang terbesar di antara kelas.
Karena atribut dalam penganalisaan fingerprint ini datanya berupa numeric dan bersifat
continue sehingga perhitungan probability menggunakan teori Gaussian Naïve Bayes.
JUS TEKNO VOL. 02 NO. 03 (2018) 359
Gaussian Naïve Bayes didasari atas kurva distribusi normal.
Gambar 2.2 Kurva Normal distribusi
Hal hal yang menjadi dasar kurva ini adalah
1. Data atribut akan di nilai rata rata (µ) dan dan nilai deviasinya (δ).
2. f(x) adalah nilai probability dalam suatu atribut x.
3. f(x) mempunyai nilai maximum apabila x= µ.
4. Titik belok di x= µ+ δ.
5. Kurfa mendekati nol secara asimptosis semakin x jauh dari x= µ.
6. Luas kurva lonceng adalah 1.
7. x adalah nilai suatu data
8. µ adalah rata rata data training dalam suatu kelas
9. δ adalah standar deviasi data training suatu kelas
Dari keterangan diatas nilai probabilitas dari suatu data x akan menurun menuju nol apabila
semakin menjauh dari nilai µ.
Distribusi Normal
JUS TEKNO VOL. 02 NO. 03 (2018) 360
Dalam pentuan sebuah data dalam distribusi normal atau tidak, dilihat dari kurva distribusi
normal.
Gambar 2.3 Kurva distribusi normal dan luas α
Keterangan :
1. Daerah yang diarsir pada kurva memiliki luas sebesar nilai α .
2. Daerah yang diarsir ini disebut juga sebagai Rejection Region
(Daerah Penolakan), sehingga apabila nilai t di hitung berada
di dalam luasan ini, maka akan memberikan kesimpulan
statistika “TOLAK Ho “.
3. Atau jika luas daerah yang luasnya < 0.05
Dimana,
Ho (Null Hipotesa) = Data berdistribusi normal
Ha (alternative hipotesA) = Data tidak berdistribusi normal
Tingkat kepercayaan = 95%
α = 0.05
t = Nilai titik kritis distribusi ( Tabel titik kritis distribusi).
Artinya dianggap suatu data yang berdistribusi normal apabila nilai luas α lebih besar dari 0.05.
3. Metode Penelitian
JUS TEKNO VOL. 02 NO. 03 (2018) 361
1. Pengambilan Data
Pengambilan data Dilakukan dengan menarik garis pada citra sidik jari, maka akan
didapat grafik nilai grayscale pada tiap tipa pixel garis
Citra yang bagus memiliki amplitudo cenderung datar dan tidak ditemukan riak pada
ujung gelombang.
Hanya citra yang bagus yang diambil
2. Data Biner dengan Threshold
Nilai threshold di ambil dari nilai rata rata tinggi gelombang.
Setelah mendapatkan nilai threshold, data dirubah dari nilai grayscale menjadi nilai 1
dan 0, 1 mewakili nilai putih dan 0 nilai hitam (gambar 3.4). Nilai 0 apabila nilai
grayscale < threshold, dan 1 untuk sebaliknya.
3. Pengechekan Normality
Untuk memastikan data yang kita dapat tidak mempunyai penyimpangan maka data
tersebut kita lakukan test normality, menggunakan minitab untuk melihat nilai P (P
value), apabila P value > 0.05 maka data tersebut normal atau tidak ada penyimpangan
data yang besar.
4. Pengambilan data Rasio
p
JUS TEKNO VOL. 02 NO. 03 (2018) 362
Gambar 3.1. Grafik Pengukuran
Dari gambar 3.6. dimana B = panjang bukit (pixel)
L = Panjang lembah (pixel)
T = panjang periode (pixel)
P = Panjang data (pixel)
Sehingga Rasio bukit adalah =
Rata rata panjang periode =
5. NBC (Naive Bayes Classifier) Analisa
NBC digunakan untuk mendapatka Y (output klasifikasi) dari variable X. Output
klasifikasi adalah gender atau laki laki, perempuan.
Sedangkan variable X adalah nilai rata rata rasio bukit dan rata rata panjang periode.
Pertama variabel X data harus dirubah menjadi data nilai rata rata / mean (µ) dan standar
deviasi (σ) dari data training. Dan untuk prior masing masing kelas adalah:
P(Ck) Prior tiap kelas
∑(Ck) Jumlah data suatu kelas
∑n Jumlah semua data
Dan penghitungan Probalities Gaussian masing masing X / likelihood adalah :
Posterior masing masing kelas adalah
1. Perempuan/Female
𝐵
𝑇
𝑃
𝜮𝑇
p(Ck) = 𝜮(Ck)
𝜮𝑛
JUS TEKNO VOL. 02 NO. 03 (2018) 363
p(Female|rasio bukit=Xb,periode=Xt)
=p(Female)p(rasio bukit=Xb|Female)p(periode=Xt|Female)
2. Laki laki / Male
p(Male|rasio bukit=Xb,periode=Xt)
=p(Male)p(rasio bukit=Xb|Male)p(periode=Xt|Male)
Hasil kelas akan dilihat pada nilai probilitas yang paling tinggi.
Untuk nilai akurasinya ;
4. Hasil Penelitian dan Pembahasan
Tabel 4.1.
Tabel Hasil testing
No. of Image
Gender Rasio
(%) Period (pixel)
Prior F
Prior M
Likelihood Ratio-F
Likelihood Period-F
Posterior F
Likelihood Ratio-M
Likelihood Period-M
Posterior M
Result
f0001_01 M 55.96 13.38 0.34 0.66 0.0009 0.1200 3.71E-05 0.1148 0.0506 0.003834 Male
f0015_01 M 54.64 11.25 0.34 0.66 0.0047 0.1712 0.000272 0.1382 0.3269 0.02981 Male
f0047_01 M 53.91 11.78 0.34 0.66 0.0102 0.1695 0.000589 0.1397 0.2753 0.02538 Male
f0125_01 M 51.60 10.11 0.34 0.66 0.0639 0.1468 0.003188 0.0937 0.2457 0.015187 Male
f0137_01 M 61.85 9.89 0.34 0.66 0.0000 0.1388 6.33E-10 0.0036 0.2103 0.000504 Male
f0223_01 M 59.58 10.92 0.34 0.66 0.0000 0.1679 1.15E-07 0.0228 0.3301 0.004965 Male
f0252_01 M 52.20 11.18 0.34 0.66 0.0436 0.1708 0.00253 0.1106 0.3296 0.024057 Male
f0270_01 M 50.83 10.71 0.34 0.66 0.0951 0.1641 0.005308 0.0709 0.3196 0.014949 Male
f0376_01 M 57.42 11.57 0.34 0.66 0.0001 0.1712 5.92E-06 0.0725 0.3012 0.014422 Male
f0382_01 M 55.06 10.00 0.34 0.66 0.0029 0.1428 0.000139 0.1333 0.2277 0.020031 Male
f0402_01 M 52.09 13.36 0.34 0.66 0.0468 0.1208 0.001923 0.1077 0.0521 0.003704 Male
f0473_01 M 54.91 9.89 0.34 0.66 0.0035 0.1386 0.000163 0.1354 0.2093 0.01871 Male
f0604_01 M 51.54 11.63 0.34 0.66 0.0664 0.1709 0.003855 0.0917 0.2951 0.017861 Male
f0650_01 M 53.22 9.08 0.34 0.66 0.0195 0.1040 0.000691 0.1328 0.0879 0.007705 Male
f0675_01 M 52.15 11.38 0.34 0.66 0.0452 0.1716 0.002634 0.1092 0.3194 0.02302 Male
Akurasi Rasio = 𝐽𝑢𝑚𝑙𝑎ℎ ℎ𝑎𝑠𝑖𝑙 𝑦𝑎𝑛𝑔 𝑏𝑒𝑛𝑎𝑟
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 X 100%
JUS TEKNO VOL. 02 NO. 03 (2018) 364
f0687_01 M 51.90 12.33 0.34 0.66 0.0533 0.1586 0.002872 0.1023 0.1866 0.012591 Male
f0723_01 M 55.83 10.00 0.34 0.66 0.0011 0.1428 5.26E-05 0.1180 0.2277 0.017732 Male
f0764_01 M 55.15 12.20 0.34 0.66 0.0026 0.1620 0.000142 0.1319 0.2089 0.018186 Male
f0802_01 M 53.86 10.22 0.34 0.66 0.0107 0.1506 0.000548 0.1395 0.2628 0.024191 Male
f0814_01 M 51.51 9.31 0.34 0.66 0.0674 0.1141 0.002615 0.0909 0.1171 0.007023 Male
f0821_01 M 52.09 11.71 0.34 0.66 0.0468 0.1701 0.002706 0.1078 0.2839 0.020198 Male
f0136_01 F 49.20 9.13 0.34 0.66 0.1568 0.1063 0.005665 0.0307 0.0940 0.001904 Female
f0215_01 F 46.25 8.50 0.34 0.66 0.1159 0.0784 0.003091 0.0030 0.0354 6.93E-05 Female
f0240_01 F 49.95 14.50 0.34 0.66 0.1321 0.0709 0.003183 0.0471 0.0053 0.000165 Female
f0302_01 F 48.32 11.25 0.34 0.66 0.1684 0.1712 0.009801 0.0171 0.3269 0.003682 Female
f0735_01 F 42.37 10.22 0.34 0.66 0.0074 0.1506 0.000377 0.0000 0.2628 4.59E-06 Female
f0790_01 F 47.58 9.43 0.34 0.66 0.1607 0.1194 0.006524 0.0097 0.1347 0.000861 Female
f0895_01 F 49.89 13.38 0.34 0.66 0.1345 0.1196 0.005468 0.0456 0.0498 0.001498 Female
f0932_01 F 50.52 15.64 0.34 0.66 0.1088 0.0327 0.001209 0.0618 0.0002 9E-06 Female
f0979_01 F 48.59 12.40 0.34 0.66 0.1671 0.1567 0.008904 0.0207 0.1755 0.0024 Female
f1244_01 F 48.06 11.26 0.34 0.66 0.1675 0.1713 0.009756 0.0142 0.3264 0.003051 Female
f1328_01 F 50.58 9.78 0.34 0.66 0.1061 0.1342 0.004841 0.0636 0.1907 0.008 Male
Keterangan:
Prior M : Prior male
Prior F : Prior female
Likelihood ratio M : probabilitas dari X =ratio bukit dari kelas male
Likelihood ratio F : probabilitas dari X =ratio bukit dari kelas female
Likelihood period M : probabilitas dari X =panjang periode dari kelas male
Likelihood period F : probabilitas dari X =panjang periode dari kelas female
Posterior M : Nilai kemungkinan dari kelas male
Posterior F : Nilai kemungkinan dari kelas female
Result adalah Hasil akhir, diambil dari nilai kemungkinan yang terbesar dari masing masing
kelas.
Dari hasil testing di temukan satu record yang hasilnya tidak sesuai. Sehingga Akurasi rasio
adalah:
Akurasi rasio = = 96.87%.
Atau dari 32 data yang di test, 31 data benar dan 1 salah.
Kesimpulan
31
32
JUS TEKNO VOL. 02 NO. 03 (2018) 365
Penerapan metode NBC berbasis fingerprint untuk klasifikasi gender di bagi menjadi 3
proses. Pertama adalah memastikan apakah citra yang akan di proses adalah citra yang
berkualitas baik. Hal ini dapat dilihat dengan kosistennya nilai grayscale, sehingga tidak menjadi
bias ketika akan dirubah menjadi citra biner. Kedua adalah pemilihan data yang tidak mengalami
deviasi atau penyimpangan data, hal ini juga mengakibatkan kesalahan dalam proses klasifikasi
selanjutnya. Ketiga dengan adanya machine learning akan didapat rumusan untuk pengukuran
dari kelas melalui training.
Dari tiga proses ini didapat kesimpulannsebagai berikut.
1. Pemilihan citra dengan visual digunakan untuk mencegah citra yang buruk yang
memungkinkan kegagalan dalam penelitian.
2. Mencegah deviasi data dengan normality test untuk memastikan data dalam distribusi
normal atau tidak.
3. Dengan menggunakan NBC menjadi lebih baik dalam proses klasifikasi walau dengan
data imbalance.
Saran
Saran yang perlu diharapka adalah:
1. Karena permasalahan utama adalah kerena citra yang kurang baik maka perlu adanya
perbaikan metode pengambilan citra. Jangan menggunakan media tinta dan kertas,
usahakan menggunakan metode baru yang lebih baik.
2. Perlu adanya penelitian yang lebih dalam yang berhubungan dengan umur atau
regionnya. Seberapa pengaruhnya.
3. Kombinasi metode pengolahan ctra yang lain yang mungkin lebih efektive dan efisien.
DAFTAR PUSTAKA
[1] Agrawal, H., & Choubey, S. (2014). A Short Assessment on Male-Female Categorization
Derived From Fingerprints, 2(03), 26–28.
[2] Agrawal, H. (2014). Fingerprint Based Gender Classification using multi- class SVM, 3(8),
2575–2580.
JUS TEKNO VOL. 02 NO. 03 (2018) 366
[3] Arunalatha, J. S., Tejaswi, V., Shaila, K., Anvekar, D., Venugopal, K. R., Iyengar, S. S., &
Patnaik, L. M. (2015). FIVDL: Fingerprint Image Verification using Dictionary Learning.
Procedia Computer Science, 54, 482–490. http://doi.org/10.1016/j.procs.2015.06.055
[4] Assistant, M. D. N., Dfm, B. M. B., Associate, B. M., & Mestri, S. C. (2009). Journal of
Forensic and Legal Medicine Study of fingerprint classification and their gender
distribution among South Indian population. Journal of Forensic and Legal Medicine,
16(8), 460–463. http://doi.org/10.1016/j.jflm.2009.07.001
[5] Badawi, A., Mahfouz, M., Tadross, R., & Jantz, R. (2000). Fingerprint-Based Gender
Classification, (August), 1–6.
[6] Chand, P. (2013). A Novel Method for Gender Classification Using DWT and SVD
Techniques, 4(June), 445–449.
[7] Dct, B. (2015). Fingerprint Based Gender Classification Using, 1611–1618.
[8] Dongre, G. B., & Jagade, S. M. (2015). A Review and Study on Fingerprint Based Gender
Classification using Classified Techniques, 6(3), 596–599.
[9] Ekanem, A. U., Abubakar, H., & Dibal, N. I. (2014). A Study of Fingerprints in Relation to
Gender and Blood Group among Residents of Maiduguri , Nigeria ., 13(8), 18–20.
[10] Engineering, C., & Engineering, C. (2016). Gender Discrimination Through Fingerprint- A
Review, 17(January), 134–140.
[11] Gnanasivam, P., & Muttan, S. (2010). Fingerprint Gender Classification using Wavelet
Transform and Singular Value Decomposition.
[12] Gnanasivam, P., & Muttan, D. S. (2012). Fingerprint gender classification using wavelet
transform and singular value decomposition. IJCSI International Journal of Computer
Science Issues, 9(2).
[13] Gornale, S. S. (2013). ANALYSIS OF FINGERPRINT IMAGE FOR GENDER
CLASSIFICATION USING SPATIAL AND FREQUENCY DOMAIN, (2008), 46–50.
[14] Gornale, S. S. (2015). Fingerprint Based Gender Classification for Biometric Security : A
State- Of-The-Art Technique, 1(c), 39–49.
[15]Gornale, S. S., Basavanna, M., & Kruthi, R. (2015). Gender-Classification-Using-
Fingerprints-Based-On-Support-Vector-Machines.doc, 6(7), 588–593
[16] Gupta, S., & Rao, A. P. (2014). Fingerprint Based Gender Classification Using Discrete
Wavelet Transform & Artificial Neural Network, 3(4), 1289–1296.
JUS TEKNO VOL. 02 NO. 03 (2018) 367
[16] Kaur, M. R., Mazumdar, S. G., & Bhonsle, D. (2012). A Study on Various Methods of
Gender Identification Based on Fingerprints, 2(4), 532–537.
[17]Kaur, R., & Mazumdar, S. G. (2012). F Ingerprint B Ased G Ender I Dentification Using,
3(1), 295–299.
[18] Kumar, L., Agarwal, S., Garg, R., Pratap, A., & Mishra, V. K. (2013). Original Research
Paper Gender Determination Using Fingerprints In the Region of Uttarakhand Introduction :
Corresponding Author : Material and Method : Results : Discussion :, 35(4), 308–311.
[19] Leksono, B., Hidayatno, A., & Isnanto, R. R. (2011). Aplikasi Metode Template Matching
untuk Klasifikasi Sidik Jari, 13(1), 1–6.
[20]Nayak, V. C., Rastogi, P., Kanchan, T., Yoganarasimha, K., Kumar, G. P., & Menezes, R.
G. (2010). Sex differences from fingerprint ridge density in Chinese and Malaysian
population. Forensic Science International, 197(1-3), 67–69.
http://doi.org/10.1016/j.forsciint.2009.12.055
[21]Nithin, M. D., Balaraj, B. M., Manjunatha, B., & Mestri, S. C. (2009). Study of fingerprint
classification and their gender distribution among South Indian population. Journal of
Forensic and Legal Medicine, 16(8), 460–463. http://doi.org/10.1016/j.jflm.2009.07.001
[22]Nuswantoro, D. (2009). DATA MINING MENGGUNAKAN ALGORITMA NAÏVE
BAYES UNTUK KLASIFIKASI KELULUSAN MAHASISWA UNIVERSITAS, 1–11.
[23]Oktem, H., Kurkcuoglu, A., Pelin, I. C., Yazici, A. C., Akta??, G., & Altunay, F. (2015).
Sex differences in fingerprint ridge density in a Turkish young adult population: A sample
of Baskent University. Journal of Forensic and Legal Medicine, 32, 34–38.
http://doi.org/10.1016/j.jflm.2015.02.011
[24]Omidiora, E. O., Yekini, N. A., & Tubi, T. O. (2012). Analysis , Design and
Implementation of Human Fingerprint Patterns System “ Towards Age & Gender
Determination , Ridge Thickness To Valley Thickness Ratio ( RTVTR ) & Ridge Count On
Gender Detection, 1(2), 57–63.
[25]Patil, T. R., & Sherekar, S. S. (2013). Performance Analysis of Naive Bayes and J48
Classification Algorithm for Data Classification, 6(2).
[26]Penn, D. J., Oberzaucher, E., Grammer, K., Fischer, G., Soini, H. A., Wiesler, D., …
Brereton, R. G. (2007). Individual and gender fingerprints in human body odour. Journal of
the Royal Society, Interface / the Royal Society, 4(13), 331–40.
http://doi.org/10.1098/rsif.2006.0182
[27]Ponnarasi, S. S. (2012). Gender Classification System Derived from Fingerprint Minutiae
Extraction, (Icon3c), 1–6.
JUS TEKNO VOL. 02 NO. 03 (2018) 368
[28]Rastogi, P., & Pillai, M. K. R. (n.d.). Original research paper A study of fingerprints in
relation to gender and blood group Introduction : Materials and Methods : Corresponding
Author : Acknowledgement :, 32(1), 11–14.
[29]Sanders, A. (2015). Fingerprints, sex, state, and the organization of the Tell Leilan ceramic
industry. Journal of Archaeological Science, 57, 223–238.
http://doi.org/10.1016/j.jas.2015.02.001
[30]Science, C., & Engineering, S. (2014). Fingerprinting Enhancement Technology, 4(6), 194–
200.
[31]Shinde, M. K., & Annadate, P. S. A. (2014). Study of different methods for Gender
Identification using Fingerprints, 3(10), 194–199.
[32]Tom, R. J. (2013). 2D Discrete Wavelet Transforms and Principal Component Analysis, 4,
199–203.
[33]Verloo, M., & Roggeband, C. (1992). G Ender I Mpact a Ssessment :, 4(1), 3–20.