Deteksi Kepribadian dan Tumbuh Kembang Anak dengan Sidik Jari Menggunakan Algoritma K-Nearest Neighbor dan Decision Tree : Personality and Child Development Detection Using Fingerprints with  K-Nearest Neighbor and Decision Tree Algorithm

Andi Gunawan; Chair Anggita Fitriani; Wira Hadinata; Wieke Ricesa

doi:10.57152/malcom.v5i3.2094

Authors

Andi Gunawan Institut Teknologi dan Bisnis Bina Sarana Global
Chair Anggita Fitriani Institut Teknologi dan Bisnis Bina Sarana Global
Wira Hadinata Institut Teknologi dan Bisnis Bina Sarana Global
Wieke Ricesa Institut Teknologi dan Bisnis Bina Sarana Global

DOI:

https://doi.org/10.57152/malcom.v5i3.2094

Keywords:

Decision Tree, Deteksi Dini, Gaya Belajar, Kepribadian Anak, K-Nearest Neighbor, Sidik Jari

Abstract

Kepribadian dan gaya belajar merupakan dua aspek penting dalam mendukung tumbuh kembang anak. Penelitian ini bertujuan untuk mengidentifikasi kepribadian dan tumbuh kembang anak berdasarkan pola sidik jari menggunakan algoritma klasifikasi K-Nearest Neighbor (K-NN) dan Decision Tree (DT). Penelitian dilakukan pada 10 partisipan di taman kanak-kanak Annisa Tangerang, dengan pengumpulan data sidik jari dari jari tengah, manis, dan kelingking menggunakan metode sidik tinta. Data kemudian dipindai dan dikategorikan ke dalam tiga pola utama: Arch, Loop, dan Whorl. Proses klasifikasi dilakukan menggunakan algoritma K-NN dan DT, serta diuji menggunakan pendekatan hold-out validation dan Leave-One-Out Cross-Validation (LOOCV). Hasil pengujian menunjukkan bahwa model klasifikasi mencapai nilai akurasi, precision, recall, dan F1 score sebesar 1.0, serta akurasi LOOCV sebesar 90%. Hasil prediksi menunjukkan bahwa 50% anak memiliki kepribadian dengan daya ingat tajam, 40% ambisius dan disiplin, serta 10% perfeksionis dan komunikatif. Gaya belajar yang teridentifikasi menggunakan K-NN adalah visual (60%) dan kinestetik (40%), sementara dengan DT terdiri dari visual (50%), kinestetik (40%), dan auditori (10%). Penelitian ini menunjukkan adanya korelasi antara pola sidik jari dengan kecenderungan kepribadian dan gaya belajar anak serta bisa menjadi alat bantu dalam deteksi dini dan intervensi edukatif berbasis karakter anak.

Downloads

Download data is not yet available.

References

Y. Wahyuni, “Identifikasi Gaya Belajar (Visual, Auditorial, Kinestetik) Mahasiswa Pendidikan Matematika Universitas Bung Hatta.”

A. Gaya et al., “Analysis Of Children’s Learning Styles And Personality Using The Hebb Rule Artificial Neural Network Method,” vol. 14, no. 1, 2024, doi: 10.30700/sisfotenika.v14i1.417.

D. Y. Sari, S. Mutiara, and A. Rahma, “Kesiapan Orang Tua dalam Menyediakan Lingkungan Bermain di Rumah untuk Anak Usia Dini Dimasa Pandemi Covid-19,” Tumbuh Kembang: Kajian Teori dan Pembelajaran PAUD, vol. 7, no. 2, pp. 122–132, Nov. 2020, doi: 10.36706/jtk.v7i2.12271.

D. Bona, B. Nurina Sari, U. Singaperbangsa Karawang Jl HSRonggo Waluyo, K. Telukjambe Tim, K. Karawang, and J. Barat, “Implementasi Jaringan Hierarki Attention untuk Klasifikasi Basis Data Multimodal Biometrik,” Sep. 2022.

M. Rifai et al., “Kegunaan Sidik Jari dalam Proses Investigasi Perkara Kriminal untuk Mengetahui Identitas Korban dan Yang Melakukan Perbuatan Pidana Use Of Fingerprint In The Criminal Personnel Investigation Process To Know The Victims And The Identity Of The Doingcriminal Development,” Jalan Putroe Phang No.1. Darussalam, Provinsi Aceh, vol. 3, no. 3, p. 23111, 2019.

A. I. Reski, M. Muhallim, S. Paembonan, D. Dasril, H. Abduh, and H. Hasnahwati, “Aplikasi Sistem Absensi Fingerprint Dosen Dan Staff Fakultas Teknik Universitas Andi Djemma,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4985.

ziqrahaniffah, “Deteksi Kepribadian Anak Dengan Sidik Jari Menggunakan Metode K-Nearest Neighbor (K-Nn) Dan Decision Tree Detection Of Children’s Personality With Fingerprint Using K-Nearest Neighbor (K-Nn) And Decision Tree Methods,” Aug. 2019.

I. G. Dakhil and A. A. Ibrahim, “Design and Implementation of Fingerprint Identification System Based on K-NN Neural Network,” Journal of Computer and Communications, vol. 06, no. 03, pp. 1–18, 2018, doi: 10.4236/jcc.2018.63001.

Prof. Dr. Raúl Rojas, “Rojas, R. (1996). The backpropagation algorithm. In Neural networks: a systematic introduction (pp. 149-182). Berlin, Heidelberg: Springer Berlin Heidelberg.,” The backpropagation algorithm. In Neural networks: a systematic introduction, vol. pp. 149-182, 1996.

S. M. Kadhim, J. Koh Siaw Paw, Y. C. Tak, and S. Ameen, “Deep Learning Models for Biometric Recognition based on Face, Finger vein, Fingerprint, and Iris: A Survey,” Journal of Smart Internet of Things, vol. 2024, no. 1, pp. 117–157, Jun. 2024, doi: 10.2478/jsiot-2024-0007.

A. Kharisma Putri, I. Bambang Hidayat, drg Yuti Malinda, and M. Kes, “Identifikasi Pola Sidik Bibir Pada Identitas Manusia Menggunakan Metode Gray Level Co-Occurrence Matrix Dan Local Binary Pattern Dengan Klasifikasi Decision Tree Pattern Sebagai Aplikasi Bidang Forensik Biometrik Identification of Lip Print Pattern on Human Identity Using Gray Level Co-Occurrence Matrix and Local Binary Pattern Method with Decision Tree Pattern Classification for Biometric of Forensic Application.”

D. Kurniadi, A. Mulyani, and I. Muliana, “Prediction System for Problem Students using k-Nearest Neighbor and Strength and Difficulties Questionnaire,” Jurnal Online Informatika, vol. 6, no. 1, pp. 53–62, Jun. 2021, doi: 10.15575/join.v6i1.701.

A. I. Reski, M. Muhallim, S. Paembonan, D. Dasril, H. Abduh, and H. Hasnahwati, “Aplikasi Sistem Absensi Fingerprint Dosen Dan Staff Fakultas Teknik Universitas Andi Djemma,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, no. 3, Aug. 2024, doi: 10.23960/jitet.v12i3.4985.

R. Rizal Isnanto et al., “Identifikasi Sidik Jari Menggunakan Teknik Pencocokan Template Tapis Gabor”.

M. Gufron, E. Budi Cahyono, G. Indah Marthasari, K. Kunci, S. Analisa Sidik Jari, and S. Analisa Kecerdasan, “Sistem Pelaporan Identifikasi Karakter Seorang Anak Berdasarkan Pola Sidik Jari dan Sudut Tangan,” vol. 1, no. 1, pp. 17–26, 2019.

Katherine Harmon, “Can You Lose Your Fingerprints?,” May 2009.

C. Militello, L. Rundo, S. Vitabile, and V. Conti, “Fingerprint classification based on deep learning approaches: Experimental findings and comparisons,” Symmetry (Basel), vol. 13, no. 5, May 2021, doi: 10.3390/sym13050750.

“exploring_the_relationship_of_fingerprints_with.6”.

A. Syaifullah et al., “Prosiding SEMNAS BIO 2022 UIN Syarif Hidayatullah Jakarta Variasi Pola Sidik Jari Antara Jurusan Biologi dan Jurusan Kimia Terhadap Penderita Miopi (Rabun Jauh) dan Mata Normal Fingerprint Pattern Variations Between Biology Majors and Chemistry Majors Against Myopic Sufferes (Nearsightedness) with Normal Eyes,” 2022.

D. Paswan, P. Kharb, and P. Samanta, “Identification and Correlation of the Multiple Intelligences and Finger Print Patterns.” [Online]. Available: https://www.ijars.net/article_fulltext.asp?issn=0973-709x&year=2017&month=April&volume=6&issue=2&page=AO05&id=2258

H. Marie, “Peran Dermatoglyphics Multiple Intellegence Assesmen dalam Pengenalan Bakat Anak,” Jurnal Pelita PAUD, vol. 5, no. 2, pp. 247–255, Jun. 2021, doi: 10.33222/pelitapaud.v5i2.1337.

W. Wahyono, I. N. P. Trisna, S. L. Sariwening, M. Fajar, and D. Wijayanto, “Comparison of distance measurement on k-nearest neighbour in textual data classification,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 1, pp. 54–58, Jan. 2020, doi: 10.14710/jtsiskom.8.1.2020.54-58.

A. Setiawan, “Perbandingan Penggunaan Jarak Manhattan, Jarak Euclid, dan Jarak Minkowski dalam Klasifikasi Menggunakan Metode K-NN pada Data Iris,” Jurnal Sains dan Edukasi Sains, vol. 5, no. 1, pp. 28–37, May 2022, doi: 10.24246/juses.v5i1p28-37.

C. N. Syahputri and M. S. Hasibuan, “Optimasi Klasifikasi Decision Tree Dengan Teknik Pruning Untuk Mengurangi Overfitting,” JSiI (Jurnal Sistem Informasi), vol. 11, no. 2, pp. 87–96, Sep. 2024, doi: 10.30656/jsii.v11i2.9161.

H. Mulyo and N. A. Maori, “Peningkatan Akurasi Prediksi Pemilihan Program Studi Calon Mahasiswa Baru Melalui Optimasi Algoritma Decision Tree Dengan Teknik Pruning Dan Ensemble Enhacing Prediction Accuracy Of New Student Program Selection Through Decision Tree Algorithm Optimization With Pruning Technique And Ensemble,” vol. 15, no. 1, pp. 15–25, 2024, doi: 10.34001/jdpt.