IDENTIFIKASI JENIS KELAMIN BERDASARKAN TERAAN GIGITAN BERBASIS PENGOLAHAN CITRA DIGITAL DENGAN METODE GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)

IRVIE AUGUSTIN

Informasi Umum

Kode

18.04.2027

Klasifikasi

C -

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Telecommunications

Informasi Lainnya

Abstraksi

Identifikasi merupakan cara untuk menentukan individu korban atau terduga pelaku kriminalitas dalam menegakan hukum yang sudah ada, salah satu contoh dengan proses identifikasi melalui teraan gigitan (bite mark). Bidang yang ahli dalam menangani proses identifikasi bite mark adalah forensik kedokteran gigi (odontology forensic). Tanda bite mark biasanya ditemukan pada korban atau pelaku kriminalitas, contohnya pada kasus kekerasan, pemerkosaan, dan penganiayaan pada anak. Bite mark menjadi bukti penting dalam melakukan proses identifikasi dikarenakan melalui tanda bite mark yang ditemukan pada tubuh dapat berupa informasi salah satunya adalah informasi jenis kelamin pelaku atau korban kriminalitas, hal ini disebabkan karena setiap individu mempunyai karakteristik gigi geligi yang berbeda-beda. Proses identifikasi bite mark yang sudah dilakukan saat ini melalui proses yang panjang, sehingga menyebabkan adanya distorsi dalam proses analisis bite mark, oleh karena itu perlu cara lain dalam proses identifikasi bite mark. Pada Tugas Akhir ini telah dilakukan perancangan dan penelitian sebuah simulasi untuk identifikasi jenis kelamin dengan menggunakan citra digital berdasarkan citra teraan gigitan (bite mark). Dengan ektrasi ciri menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan untuk klasifikasi pada citra bite mark menggunakan metode Support Vector Machine (SVM). Dari hasil pengujian, sistem yang dibuat mampu mengidentifikasi jenis kelamin beradasarkan citra bite mark dengan nilai akurasi maksimum sebesar 82,97%, Hasil ini didapatkan menggunakan parameter GLCM yaitu kombinasi parameter orde dua kontras, homogenitas dan entropy, dengan jarak = 1, arah = 450, dan level kuantisasi 8. Pada proses klasifikasi SVM jenis kernel terbaik yang digunakan pada saat kernel polynomial menggunakan multiclass OAA. Parameter jarak kaninus yang diuji menunjukan bahwa jarak kaninus wanita lebih kecil 0,95% dibanding jarak kaninus laki-laki. Kata Kunci : Bite Mark, Gray Level Co-Occurrence Matrix (GLCM), Support Vector Machine (SVM)