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.