ABSTRAKSI: Telinga merupakan salah satu alternative dalam pengenalan biometric . Telinga memiliki kelebihan seperti kestabilan ciri ,dimana distribusi warna pada telinga memilki tingkat keseragaman yang sama. Selain itu telinga tidak mengalami perubahan bentuk dalam periode waktu yang lama. Keunggulan lainnya penggunaan telinga sebagai pengenal biometric adalah dalam pengaplikasiannya dibutuh kan biaya yang lebih kecil dibandingkan menggunakan identifikasi anggota tubuh lain dan system yang digunakan untuk membangun aplikasi dari ear detection dapat bekerja lebih cepat dan efisien. Hal inilah yang mendasari banyak peneliti mengembangkan aplikas i - aplikasi yang berbasis ear detection. Ada banyak metode yang digunakan untuk proses pengenalan cir i dari telinga untuk setiap indi vidu, salah satunya yaitu metode Scale Invariant Feature Transform (SIFT).SIFT merupakan algoritma untuk mendeteksi dan menj elaskan fitur local pada citra. Pada penelitian sebelumnya penggunaan SIFT dan LVQ menghasilkan akurasi sebesar 82,5%.Pada penelitian kali ini pengklasifikasian citra dilakukan dengan men ggunakan metode K - Nearest Neigh bor (K - NN). K - NN dapat diimplementasik an relative mudah dari metode lainnya, klasifikasi menggunakan k - melakukan klasifikasi tehadapat objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Dari prose s pengklasifikasian akan didapat performansi dan tingkat keakur atan dari sistem yang dibuat.
Penelitian ini mengg unakan data telinga dari 40 indi vidu dengan menggunakan berbagai sudut pengambilan. Dari hasil image aqcuas ition , citra akan dipreprocessing terlebih dahulu untuk membuang bagian citra telinga yang tidak pe rlu. Setelah itu akan dilakukan ekstraksi feature dengan menggunakan SIFT. Dari hasil ekstraksi feature in i akan didapatkan vector ciri dari masing - masing gambar. Vect or ciri dari setiap gambar akan diklasifikasikan untuk setiap data latih dan da ta uji ci tra menggunakan metode K - NN . Pengujian akan dilakukan dengan mencoba beberapa setingan parameter inputan K - NN dan juga melakukan pengujian terhadap penggunaan beberapa variasi dari jumlah data latih dan data uji. Dari pengujian didapatkan akurasi sebesar 95 % untuk penggunaan parameter input k = 1 dan dengan distance Ci ty Block .Kata Kunci : Biometric, Ear Detection, Scale Invariant Feature Transfrom, K - Nearest NeightborABSTRACT: Ear is one alternative in biometric recognition. Ear has advantages such as stability characteristics, where the distribution of color in the ear have the same level of uniformity. Besides the ear does not change in the shape of a long period of time . Another advantage of the use of the ear as a biometric identifier is req uired to apply a smaller cost than using other body parts and identification system used to build applications from ear detection can work more quickly and efficiently. This is why many researchers are developing applications based ear detection. There are many methods used to characterize the process of in troduction of ears for each indi vidu, one satunnya namely Scale Invariant Feature Tra nsform method (SIFT ). SIFT is an algorithm to detect and explain the local features in the image . In previous studies the use of SIFT and LVQ produces an accuracy of 82.5 % . In the present study the classification of images is don e by using the K - Nearest neigh bor (K - NN). K - NN can be implemented relat ively easily than other methods , classi fication using k to classify obje cts based on the distance learning data closest to the object. Classification process will be obtained from the performance and the accuracy of the systemare made.
T his study used data from 40 indi vid u ear using a variety of angles . Fro m the results aqcuas ition image , the image will dipreprocessing beforehand to get rid of the im age of the ear is not necessary . After that will be done b y using SIFT feature extraction . From the results of feature extraction will be obtained from the char acteristic vector of each image . Characteristic vector of each image will be classified for each training data and test data image us ing the K - NN method . Tests will be done to try several settings K - NN input parameters and also tested the use of some variation of the amoun t of training data and test data . Obtained from the testing accuracy of 95% for the use of the input parameters k = 1 and the City Block distance.Keyword: Biometric, Ear Detection, Scale Invariant Feature Transfrom, K - Nearest Neightbor