UPAYA PENINGKATAN SDM DI ERA MEA MELALUI MONITORING DAN VERIFIKASI BIOMETRIKA MULTIMODAL

Konferensi Nasional Ilmu Pengetahuan dan Teknologi (KNIT) 2015 8 Agustus 2015, Bekasi, Indonesia

UPAYA PENINGKATAN SDM DI ERA MEA MELALUI MONITORING DAN VERIFIKASI BIOMETRIKA MULTIMODAL Ina Agustina1), Fauziah2), Aris Gunaryati3) 1),2) Sistem Informasi, Universitas Nasional email: [email protected], [email protected] 3) Teknik Informatika, Universitas Nasional Email : [email protected] ABSTRAK Biometrika merupakan metode pengenalan identitas manusia berdasarkan karakteristik fisik manusia itu sendiri. Pengenalan Pola suara dapat digunakan sebagai salah satu biometrika yang memiliki tingkat cost yang rendah dan masih memiliki banyak error. Biometrika telinga merupakan salah satu alternatif yang menggunakan karakteristik fisik alami manusia untuk identifikasi manusia. Biometrika telinga mempunyai beberapa kelebihan jika dibandingkan dengan wajah yaitu memiliki distribusi yang lebih seragam warna sehingga hampir semua informasi kekal ketika mengubah gambar asli menjadi abu-abu skala, mengurangi resolusi spasial dan tidak mengalami perubahan yang disebabkan oleh perubahan ekspresi wajah dan usia. Telinga manusia tidak akan berkembang setelah berumur delapan tahun. Bentuk telinga yang lebih kecil juga memungkinkan sistem identifikasi dapat bekerja lebih cepat dan efisien dari wajah. Pada penelitian ini akan dirancang suatu sistem biometrika multimodal menggunakan pola suara dan telinga. Untuk penggabungan kedua biometrika digunakan Bayesian Decision Fusion. Sedangkan untuk pengujian akan dilakukan untuk menguji tingkat error rata-rata False Acceptance Rate (FAR) dan False Rejected Rate (FRR )serta waktu komputasi untuk pelatihan dan untuk verifikasi. Kata Kunci : Biometrika, Pola Suara, Telinga, Transformasi Wavelet, PCA PENDAHULUAN Biometrika merupakan studi tentang metode otomatis untuk mengenali atau mengindentifikasi manusia berdasarkan satu atau lebih bagian tubuh manusia itu sendiri. Dalam dunia teknologi informasi, biometrika relevan dengan teknologi yang digunakan untuk menganalisa fisik dan kelakukan manusia untuk autentifikasi. Biometrika merupakan metode pengenalan identitas seseorang berdasarkan karakteristik fisik manusia itu sendiri misalnya wajah, sidik jari, struktur telapak tangan, letak retina mata, pola suara/wicara, telinga, DNA. Verifikasi ini jauh lebih handal daripada dengan metode konvensional karena selain mudah untuk diproses juga selalu dibawa oleh manusia tersebut. Dan yang paling utama kelebihan dari verifikasi dengan biometrika ini adalah bervariasi untuk tiap-tiap orang dan tidak mudah ditiru oleh orang lain seperti halnya kode numerik atau alphabetik. Beberapa hal yang mendorong penggunaan identifikasi secara biometrika adalah biometrikaa bersifat universal (terdapat pada setiap orang), unik (tiap orang mempunyai ciri khas tersendiri), dan tidak mudah dipalsukan (Xafapoulos,2001)

ISBN 978-602-72850-0-2

Proses biometrika dengan pola suara memiliki keunggulan secara ekonomis dibanding karakteristik lain. Identifikasi dengan pola suara hanya membutuhkan alat tambahan berupa mikrofon dan kartu suara, sedangkan karakteristik-karakteristik yang lain misalkan sidik jari atau wajah membutuhkan alat tambahan scanner. Hal ini sedikit banyak dapat menekan biaya pengembangan sistem. Dari penelitian yang telah dilakukan IBG (International Biometric Group) mengenai delapan jenis biometrika (Zephyr analysis), pengenalan pola suara dan wajah memiliki banyak kelemahan dibandingkan dengan biometrika yang lain seperti pengenalan retina ataupun sidik jari. Kelemahan itu diantaranya tingkat error yang masih cukup tinggi yaitu antara 1,3%-13 % tingkat EER (Equal Error Rate) padapengenalan wajah. Beberapa metode pun telah banyak digunakan dalam pemrosesan sinyal pola suara, seperti Linier Prediction Coding (LPC), Mel Frequency Cepstrum Coefficients (MFCC), Neural Predictive Coding (NPC) dan sebagainya yang mana keseluruhan metode di atas berbasiskan Transformasi Fourier dan tingkat identifikasinya telah mencapai 100%.

61


Tabel 1. Metode-metode yang digunakan Penelitian sebelumnya Metode Pemrosesan Sinyal Suara Tingkat Identifikasi (%) LPC (Linier Predictive Coding) 90,61 LPCC 96,73 MFCC (Mel Frequency Cepstrum Coefficient) 97,55 PLP 86,12 NPC (random initialization) 61,63 NPC (linier initialization) 100 Sumber : Universitie Pierre & MarieCurie, LA Science A Paris, 2004 Namun masih banyak kelemahan yang dimiliki transformasi fourier diantaranya kurang mampu memberikan informasi sinyal dalam domain waktu dan frekuensi secara bersamaan dan menganalisis sinyal yang tidak statisioner, untuk itu ingin dikembangkan suatu konsep atau pendekatan lain dalam pemrosesan sinyal tanpa berbasiskan transformasi fourier yaitu dengan transformasi wavelet (Chetouani,2004). Sebelumnya telah dilakukan penelitian mengenai Sistem Identifikasi pembicara menggunakan Transformasi Wavelet Diskrit berbasis orthogonal (symlet) dan Jaringan Syaraf Tiruan Multi Layer Perceptron sebagai Pengenal Pola (Ketut Agustini,2006). Ilmuwan Biometrika di University of Southampton mengatakan mereka dapat mengidentifikasi telinga dengan tingkat keberhasilan 100%. Para Ilmuwan dari University School of Electronics and Computer Science (ECS) menggambarkan bagaimana teknik yang disebut transformasi sinar gambar dapat menyoroti stuktur tubular seperti telinga, sehingga memungkinkan untuk mengidentifikasi. Profesor Mark Nixon, salah satu peneliti di Inggris pada tahun 1999, mengatakan bahwa telinga memiliki keuntugan tertentu atas biometrika lebih mapan karena mereka memiliki struktur yang banyak dan stabil yang tidak berubah dari lahir saampai usia tua. Dengan dasar penelitian tersebut dan studi literatur di atas, pada penelitian ini akan dibuat suatu sistem biometrika dan verifikasi menggunakan dua buah masukan (Multimodal) pengenalan pola suara dan pengenalan telinga. Dari perancangan ini diharapkan adanya peningkatan performansi sistem untuk meningkatkan tingkat keamanan dan akurasi dari proses verifikasi. Karena dari beberapa penelitian yang telah ada, sistem biometrika yang menggunakan satu masukan memiliki banyak kelemahan dibandingkan dengan multimodal biometrika. Sebuah sistem biometrika pada hakikatnya merupakan sebuah sistem pengenalan pola yang melakukan identifikasi personal dengan melakukan keotentikan dari karekteristik fisiologis (retina, iris, sidik jari, struktur wajah, pola mata, geometri telapak tangan, pola suara, elektrodiagram)

dan perilaku tertentu yang dimiliki seseorang. Secara logika sistem ini dibagi menjadi dua modul: modul pendaftaran dan modul identifikasi. Modul pendaftaran yang berfungsi untuk mengambil datadata dari individu dan menyimpannya kedalam sistem. Untuk dapat digunakan dalam proses pencocokan, representasi digital tersebut diproses lebih lanjut untuk mendapatkan representasi yang cukup untuk mewakili yang disebut dengan template. Template ini kemudian dapat disimpan kedalam database didalam sistem biometrika atau pada kartu magnetik (smart card). Modul identifikasi berfungsi untuk mengidentifikasi individu pada titik akses. Pada saat pengoperasian, pemindahan biometrika menangkap karekteristik yang akan di identifikasi dan di ubah menjadi format digital, kemudian oleh extraction feature diproses menjadi representasi yang sama dengan template-nya dan kemudian dicocokan untuk mendapatkan identitas. Karakteristik fisiologis manusia dapat dipakai sebagai identitas atau identitas personal, dalam karekteristik fisiologis manusia untuk biometrika harus memenuhi bebarapa kriteria yaitu: unik, permanen, dan dapat diambil atau diukursecara kuantitatif dan nilai dari pengukuran tersebut dapat digunakan untuk kepentingan identifikasi. Beberapa karakteristik fisilogis untuk identifikasi personal antara lain yang sudah sering dipakai maupun dalam penyelidikan atau pengembangan lebihlanjut antara lain adalah: pola suara, telinga. Salah satu hal yang pendekatan biometrika sudah banyak dipakai denganpengenalan suara atau ucapan. Suara dapat di identifikasikan melalui jarak jauh dengan sistem vocal. Sistem vocal adalah suatu sistem yang digunakan dalam menganalisa suara dengan teknologi speech recognition. Suara adalah suatu sinyal yang sangat dipengaruhi oleh frekuensi dan merupakan bentuk sinyal diskrit yang dipengaruhi oleh waktu. Konsep dasar pengolahan sinyal digital yang digunakan untuk penelitian ini terdiri atas sampling, frame blocking, windowing, DFT, Power Spectral Substraction, Mel Filter Bank dan Discrette Cosine Transform. Sinyal suara yang dipotong-potong menjadi beberapa frame akan menyebabkan efek diskontinuitas pada awal dan akhir sinyal. Hal ini akan

ISBN 978-602-72850-0-2

62


menyebabkan kesalahan data pada proses Transformasi Fourier . Windowing diperlukan untuk mengurangi efek diskontinuitas potongan sinyal tersebut. Transfomasi Wavelet Diskrit secara umum merupakan dekomposisi citra pada frekuensi subband sinyal tersebut di mana komponennya dihasilkan dengan cara penurunan level dekomposisi. Implementasi transformasi wavelet diskrit dapat dilakukan dengan cara melewatkan sinyal frekuensi tinggi atau highpass filter dan frekuensi rendah atau lowpass filter. Suara Manusia menyimpan informasi penting pada frekuensi tinggi.Informasi penting ini yang menentukan karakteristik suara manusia dan Mel scale digunakan untuk mengakomodasi karakteristik tersebut. Setiap nada suara manuasia dengan frekuensi aktual yang diukur dalam Hz nilai subyektif pitch dapat diukur dalam Mel Scale. Mel Scale merupakan ukuran atau skala persepsi manusia dari frekuensi suatu suara. Pada proses SBC sebenarnya hampir sama dengan proses MFCC hanya saja bila pada MFCC sinyal mengalami proses DFT tetapi pada SBC digunakan Transformasi Wavelet Diskrit untuk menggantikan proses DFT. Berdasarkan permasalahan di atas, tujuan yang ingin dicapai yaitu : 1. Merancang dan mengembangkan sistem monitoring dan verifikasi biometrikaa multimodal untuk forensik dan kesehatan. 2. Menggabungkan segi fisik, behavior, psikologi untuk meningkatkan performance sistem biometrika untuk memonitoring dan autentifikasi orang dan pasien. 3. Dari perancangan sistem monitoring dan verifikasi biometrika ini diharapkan adanya peningkatan performansi sistem untuk meningkatkan tingkat keamanan dan akurasi dari proses verifikasi. 3. Analisis akurasi dan efisiensi sistem monitoring dan verifikasi biometrika 2 (dua) modal dengan menggunakan metode Principal Component Analysis (PCA) dan Transformasi Wavelet. 4. Mengembangkan prototipe sistem sistem monitoring dan verifikasi 2 (dua) modal dengan menggunakan metode Principal Component Analysis (PCA) dan Transformasi Wavelet. Selanjutnya dari hasil perancangan akan dianalisa bagaimana performansi rcognition rate dan waktu komputasi. Menjadi bahan referensi dalam melakukan sistem monitoring dan verifikasi biometrika yang dapat dikembangkan pada kasus – kasus lainnya. Manfaat yang dapat diperoleh dari penelitian ini adalah agar : 1. Mempermudah sistem monitoring dan verifikasi untuk identifikasi orang. 2. Meningkatkan kinerja sistem monitoring dan verifikasi dalam melakukan proses biometrika multi modal. 3. Menjadi bahan referensi dalam melakukan sistem monitoring dan sistem verifikasi yang dapat dikembangkan pada kasus – kasus lain. 4. Menjadi dasar perancangan sistem monitoring dan verifikasi

biometrika multi modal. 5. Sebagai salah satu metode untuk pengembangan aplikasi sistem monitoring dan verifikasi biometrika multi modal dalam berbagai bidang misalnya untuk forensik, kesehatan.

ISBN 978-602-72850-0-2

63

METODE PENELITIAN Suara manusia akan menghasilkan sinyal analog yang terus kontinyu. Karena itu sinyak yang ada dipotong-potong dalam slot-slot interval waktu tertentu. Deret diskrit sample x[n] diperoleh dari sinyal kontinu x(t) dengan hubungan sebagai berikut, x[n] = x(nT) .......................................(2.1) Di mana T adalah periode sampling dan 1/T = Fs merupakan frekuensi sampling dalam satuan sampel/detik. Nilai N merupakan jumlah sampel. Berdasarkan pada teori sampling Nyquist, maka syarat dari frekuensi sampling adalah minimal dua kali frekuensi sinyal asli. Frame Blocking merupakan pembagian suara menjadi beberapa frame dan satu frame terdiri dari beberapa sampel.Proses ini diperlukan untuk membentuk sinyal suara yang non stasioner menjadi sinyal suara yang quasi-stasioner sehingga dapat dibah dari domain waktu ke dalam domain frekuensi dengan Transformasi Fourier. Pengolahan Citra Digital. Principal Component Analysis (PCA). Eigenvector berasal dari covariance matrix yang memiliki distribusi probabilitas yang tinggi dan dimensi ruang vektor untuk mengenali kemungkinan sebuah telinga. Untuk menghasilkan satu set eigenvector, besar satu set gambar telinga yang telah dihitung, yang diambil dalam kondisi pencahayaan yang sama, yang dinormalisasikan dari baris ke atas telinga sampai bawah telinga. Kemudian semuanya diambil sampel dalam resolusi yang sama. Eigenvector dapat diekstrasi dari data gambar. Hasil dari data telinga yang telah diekstrasi dengan eigenvector akan muncul sebagai cahaya gelap dan daerah yang diatur dalam pola tertentu. Pola ini adalah bagaimana mengevaluasi dan menilai berbagai fitur dari masing-masing telinga. Langkah-langkah dalam menggunakan eigenvector terdiri dari beberapa metode, yaitu : 1. Siapkan gambar telinga S dari beberapa gambar telinga M, tiap telinga akan diubah ke bentuk vector N dan ditempatkan pada S. S = {Ѓ1,Ѓ2,Ѓ3,……….,Ѓn} ……...…..(2.2) 2. Menghitung mean image dengan persamaan ψ= n……………………………………....(2.3) 3. 4.

= AAЃ .......................................................(2.5) Menentukan difference Ф dengan persamaan Ф1 = Ѓ1 –ψ...........................(2.4) Menentukan matriks kovarian C C=


Bayyesian Decision Method Teori keputusan Bayesian merupakan salah satu metode yang digunakan untuk memecahkan masalah pattern recognition, ketika maslah-masalah yang diajukan dengan cara tertentu. Bayyesian memainkan peran ketika ada beberapa informasi tentang hal-hal yang kita coba untuk mengklasifikasikannya. A = { Ф1, Ф2, Ф3, ..............Фn} ...................(2.6)

menggunakan 60 eigenvalue dan eigenvector. 4. Mendapatkan 60 nilai eigenvector. RAW IMAGE jpeg format ear image 320x240

TRAINING generate eigen space record eigenvectors

Setelah menemukan eigenvector V1 dari matriks L1 dapat kita temukan eigenvector u1 Lmn = ..................................................(2.7) Ul = l = 1,......,M .................(2.8)

PREPROCESSING cropping with ear centered set landmark points

RAW IMAGE jpeg format ear image 320x240

PEMBAHASAN

NORMALIZATION geometric normaliz. masking illumination normal.

RESULTS generate cumulative match score

Proses Identifikasi Gambar Telinga. 1. Pengambilan Gambar. Pada Proses pengambilan gambar digunakan kamera dengan resolusi 320 x 240 piksel, kemudian gambar ini diperkecil menjadi ukuran 92 X 112 piksel di mana dari setiap orang akan diambil 10 gambar untuk digunakan sebagai data training dan 10 gambar untuk pengujian sehingga total sampel gambar untuk tiap orang 20 gambar. Proses RGB ke Grayscale dan Histogram. Setelah dilakukan pengambilan dan hanya diperoleh citra telinga saja maka citra dikonversi dari RGB ke Grayscale dan memperbaiki tingkat keabuan dengan histogram equalization. Proses Eigenvector PCA. Pada langkah ini informasiinformasi yang relevan dari data yang disimpan akan dilakukan tahap perhitungan eigenvector baik dari citra telinga kiri maupun dari citra telinga kanan.

Gambar 2. Identifikasi Telinga Framework untuk Sistem Verifikasi Multimodal

Monitoring

dan

Misalkan M = {m1, m2, .....mn} adalah data sampel biometrikaa multimodal, Di mana Mi = {earpi, vi} di mana earpi adalah data sampel biometrikaa telinga, vi adalah data sampel suara. Nilai digeneralisasi dari individu yang diidentifikasi yang dikombinasi pada nilai menggunakan aturan sum Near = ...................................3.1 Nv = ............................................3.2 Misalkan Sxi,Syi dan Szi adalah nilai bobot fuzzy ke –i ear, ke-i voice, di mana Sxi = 1 Syi = 1 -

........3.3 ..........3.4 KESIMPULAN

Gambar 1 Anatomi Telinga Jadi pada tahap ini dilakukan proses lokalisasi elemen telinga. Proses PCA dilakukan dengan : 1. Mengambil data dari hasil grayscaling. 2. Melakukan proses perhitungan dengan menggunakan PCA untuk menemukan subspace. 3. Menghitung gambar hasil pelatihan ke dalam PCA subspace dengan ISBN 978-602-72850-0-2

Berdasarkan hasil analisis terhadap data yang telah diperoleh pada penelitian ini, maka diambil kesimpulan sebagai berikut: 1. Semakin banyak citra telinga yang digunakan dalam melakukan training untuk setiap sampel, maka pengenalan akan semakin kurang baik, karena semakin besar kemungkinan kemiripan bentuk telinga. 2. Kesalahan dalam melakukan pengenalan dapat terjadi karena kemiripan antara dua atau lebih sampel yang berbeda. 3. Sidik telinga dapat menjadi modalitas tambahan untuk identifikasi tetapi tidak dapat menjadi modalitas mandiri karena deteksinya agak sulit ( dari segi posisi telinga dan ukurannya).

64


Berikut beberapa saran yang diajukan untuk penggunaan ataupun pengembangan aplikasi ini adalah: 1. Pada program ini, pengambilan citra dilakukan dengan posisi tegak lurus dengan kamera.Dalam prakteknya, perlu dikembangkan pose telinga yang diambil. 2. Tingkat akurasi pengenalan dapat ditingkatkan dengan menggunakan metode yang lebih baik untuk penerapan klasifikasi class yang memiliki banyak data. 3. Pengambilan citra hanya bisa menggunakan kamera, pengembangan lebih lanjut diharapkan dapat mengambil citra dengan video.

Campbell,JPJR,1997, Speaker Recognition: A Tutorial. Proc IEEE, Vol.85, no.9 pp 14371462

DAFTAR PUSTAKA

Centigul H.E, 2005, Multimodal Speaker/Speech Recognition Using Lip Motion, Lip Texture And Audio Turkey : College of Engineering, Koc-University, Sariyer, Instanbul 34450

Agustini, Ketut, 2006.Biometrika Suara dengan Transformasi Wavelet Berbasis Orthogonal Daubenchies, Manajemen Informatika, Fakultas PTK Undiksha Singaraja Arun A. Ross, Karthik Nandakumar dan Anil K. Jain,2006, Handbook of Multibiometrics, Springer Science+Business Media, New York Bamber, D. Prisoners to appeal as unique „earprint‟ evidence is discredited. Telegraph Newspaper (UK). Updated 02/12/2001 [Retrieved October 3, 2003] From:http://portal.telegraph.co.uk/news/main.j html?xml=/news/2001/12/02/nearp02.xml Bhatnagar,B.E.,Mukul, 2002. A Modified Spectral Subtraction Method Combined With Perceptual Weighting For Speech Enhancement, Thesis, Master of Science In Elevtrical Engineering, The University of Texas Dallas

Carreira-Perpinan, M.A. Abstract from MSc thesis Compression neural networks forfeature extraction: Application to human recognition from ear images, TechnicalUniversity of Madrid. 1995. [Retrieved October 16, 2003]. From http://www.dcs.shef.ac.uk/~miguel/papers/msc -thesis.html.

Chang, K., Bowyer. K.W., Sarkar, S., Victor, B. Comparison and Combination of Ear and Face Images in Appearance-Based Biometrics. IEEE Transactions on PatternAnalysis and Machine Intelligence, vol. 25, no. 9, September 2003, pp. 1160-1165. F. Itakura, 2006, Fundamentals of speech analysis and syntheis and its application to speech coding Forensic Evidence News: Ear Identification. Version updated Nov. 1, 2000. [Retrieved October 3, 2003] From http://www.forensicevidence.com/site/ID/IDearNews.html. Gonzales RC, and Wood, RE, 2002, Digital Image Processing, Second Edition, New Jersey : Prentice-Hall, Inc.

Bromba GmbH, Bioidentification Frequently Asked Questions. Updated 2003-09-12 [Retrieved October 28, 2003] From: http://www.bromba.com/faq/biofaqe.htm.

Hoogstrate, A.J., Van den Heuvel, H., Huyben, E. Ear Identification Based on Surveillance Camera‟s Images. Version updated May 31, 2000. [Retrieved October 7, 2003] From: http://www.forensicevidence.com/site/ID/IDearCamera.html.

Burge, M. and Burger, W. Ear Biometrics. In A. Jain R. Bolle and S. Pankanti, editors, BIOMETRICS: Personal Identification in a Networked Society, pp. 273-286. Kluwer Academic, 1998.

Hurley, D.J., Nixon, M. S., Carter, J.N. Automated Ear Recognition by Force Field Transformations in Proceedings IEE Colloquium: Visual Biometris (00/018), 2000a, pp. 8/1-8/5.

Burge, M. and Burger, W. Ear Biometrics in Computer Vision. In the 15th International Conference of Pattern Recognition, ICPR 2000, pp. 826-830.

Hurley, D.J., Nixon, M.S., Carter, J.N. A New Force Field Transform for Ear and Face Recognition. In Proceedings of the IEEE 2000 International Conference on Image Processing ICIP 2000b, pp. 25-28.

Burrus,CS,Gopinath,RA and Guo,H.1998. Introduction to Wavelets and Wavelets Transforms A Primer. International Edition. New Jersey : Prentice-Hall International, Inc.

Jain, Anil K., Ross, Arun ., Pankanti, Sharath., IEEE Transactions on Information Forensics and

ISBN 978-602-72850-0-2

65


Security, Volume 1, Issue 2, June 2006, pp. 125 - 143

Engineering, Ontario : Ottawa-Carleton Institut of Electrical Engineering

J. Fraden and M.R. Neumann, “QRS wave detection”, Med. Biol. Eng.Comput., vol.18, pp. 125–132, 1980.

Proakis,JG dan Manolakis,DG, 1997. Penrosesan Sinyal Digital. Edisi Bahasa Indonesia jilid 1, Jakarta : Prenhallindo

Jain,

A., Hong, L., Pankati, S. Biometric Identification. Communications of the ACM, February 2000/Vol. 43, No. 2, pp. 91-98.

Rabiner,L.R, Juang BH, 1993, Fundamentals of Speech Recognition, New Jersey : Prentice Hall. ISBN 013-015157-2

Mihelic France, 2008. Speech Recognition Technologies and Applications. I-Tech Education and Publishing KG. Croatia

Ratha, N.K., Senior, A., Bolle, R.M. Automated Biometrics in Proceedings of International Conference on Advances in Pattern Recognition, Rio de Janeiro, Brazil, March 2001.

Moreno, B., Sánchez, Á., Vélez. J.F. On the Use of Outer Ear Images for Personal Identification in Security Applications. IEEE 33rdAnnual International Carnahan Conference on Security Technology, 1999, pp. 469-476. Morgan, J. Court Holds Earprint Identification Not Generally Accepted In Scientific Community, State v. David Wayne Kunze. 1999. [Retrieved September 9, 2003]. From: http://www.forensicevidence.com/site/ID/ID_Kunze.html

Sarikaya Ruhi,1998,Wavelet Packet Transform With Application To Identification, Robust Speech Laboratory, Duke University, Durham Victor, B., Bowyer, K., Sarkar, S. An evaluation of face and ear biometrics in Proceedings of International Conference on Pattern Recognition, pp. 429-432, August 2002.

Mudry,AH, 1997,Speaker Identification using Wavelet Transform, Tesis Master of

ISBN 978-602-72850-0-2

66


ISBN 978-602-72850-0-2

67

UPAYA PENINGKATAN SDM DI ERA MEA MELALUI MONITORING DAN VERIFIKASI BIOMETRIKA MULTIMODAL

Recommend Documents