02. Jurnal Tugas Akhir Fitri Ariyanti
-
Upload
pho-po-fais -
Category
Documents
-
view
126 -
download
3
Transcript of 02. Jurnal Tugas Akhir Fitri Ariyanti
PENDAHULUAN
Dewasa ini, kehidupan manusia tidak dapat dipisahkan
dari teknologi komputer. Hampir dalam setiap aspek
pekerjaannya, manusia menggunakan komputer untuk
menghitung, menyimpan data, dan sebagainya. Bahkan
dewasa ini manusia sudah bisa membuat komputer
berpikir dan mengambil keputusan layaknya manusia.
Semakin cepatnya perkembangan komputer membuat
ketergantungan manusia terhadap komputer semakin
tinggi.
Perkembangan teknologi sekarang bukan lagi hanya
mampu menyelesaikan masalah manusia tetapi bagaimana
kemampuan manusia dapat diaplikasikan kepada
teknologi komputer. Beberapa misalnya yang dapat
diselesaikan komputer adalah mengenali suatu pola sidik
jari dengan cepat dan teliti, memprediksi saham dan
penyelesaian fisika yang rumit.
Pada dasarnya manusia normal dapat membedakan
apapun dengan kemampuan pancaindera yang
dimilikinya. Namun kemampuan manusia dalam
mengenali objek terbatas kepada kemampuan memori dan
ketelitiannya. Karena itu, berkembanglah bidang ilmu
jaringan syaraf tiruan untuk mengatasi kelemahan
manusia itu.
Pengenalan pola dalam sistem jaringan syaraf
tiruan berarti membuat klasifikasi terhadap pola-pola
masukan dengan tingkat pengenalan yang tinggi, dengan
menggolongkannya ke dalam satu kelompok kelas yang
benar sesuai dengan persamaan ciri yang dimilikinya.
Banyak algoritma dalam jaringan syaraf tiruan yang dapat
digunakan dalam pengenalan pola, diantaranya adalah
algoritma backpropagation.
APLIKASI PENGENALAN SIDIK JARI MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
Fitri Ariyanti 41505010121Fakultas Ilmu Komputer
Jurusan Teknik Informatika Universitas Mercu Buanahttp://www.mercubuana.ac.id
AbstractFingerpeint recognition is a part of computer science to help data processing. One of fingerprint recognition techniques
is artificial neural network technique. This method is simulating the principle of human brain consist of neurons to process input using the weight given to produce output. The aim of this skripsi to identify fingerprints using a backpropagation neural network. Input for neural network is first the fingerprint with size 30 x 30 pixels with the format. Bmp is converted into a form grayscale. At training process some 16 pieces of data used in the fingerprint pattern with hidden units a number of 30, learning rate of 0.4, momentum of 0.4, tolerance of 0.001, the epoch of 1000 and 0.001 with the threshold for pattern recognition level of 86%. The data obtained from the training results will be used again at the time of testing. Fingerprint image used in the testing process is image that has never been used in the training process, the process of testing this application using the data of 16 pieces fingerprint patterns with level success of 69%.
Keywords:
Backpropagation method, Artificial Neural Networks, Fingerprints.
Abstrak
Pengenalan sidik jari merupakan salah satu bidang dalam ilmu komputer yang dapat membantu proses pengolahan data. Salah satu teknik pengenalan sidik jari adalah jaringan saraf tiruan, dimana metode ini menggunakan prinsip dari otak manusia yang terdiri dari neuron sebagai pemrosesan input untuk menghasilkan output berdasarkan bobot yang ada. Skripsi ini bertujuan untuk mengenali sidik jari dengan menggunakan jaringan syaraf tiruan backpropagation. Data yang digunakan sebagai inputan jaringan syaraf tiruan adalah sidik jari manusia dengan ukuran 30 x 30 pixel dengan format .bmp yang dirubah ke dalam bentuk grayscale. Pada proses pelatihan digunakan data sejumlah 16 buah pola sidik jari dengan unit hidden sejumlah 30, learning rate sebesar 0.4, momentum sebasar 0.4, toleransi sebesar 0.001, epoch sebanyak 1000 dan threshold sebesar 0.001 dengan tingkat pengenalan pola sebesar 86%. Data yang diperolah dari hasil pelatihan akan digunakan kembali pada saat pengujian. Citra sidik jari yang digunakan pada proses pengujian adalah citra yang belum pernah digunakan pada proses pelatihan, pada aplikasi ini proses pengujian menggunakan data sejumlah 16 buah pola sidik jari dengan tingkat keberhasilan 69%.
Tujuan dari penelitian ini adalah membangun
aplikasi pengenalan sidik jari dengan menggunakan
jaringan syaraf tiruan backpropagation.
Penelitian ini dibatasi pada hal-hal sebagai berikut:
1. Citra sidik jari yang digunakan dalam program ini
hanya bertipe BMP (24 bit).
2. Data dalam program ini berupa image Greyscale
yaitu berupa 32 buah pola sidik jari manusia dengan
menggunakan ukuran 30 x 30 pixel.
3. Prediksi pengenalan citra yang digunakan dalam
program ini hanya terdiri dari empat kategori yaitu A
bernilai 1,-1,-1,-1; B bernilai -1,1,-1,-1; C bernilai
-1,-1,1,-1; dan D bernilai -1,-1,-1,1.
4. Jaringan syaraf tiruan yang digunakan adalah Metode
Backpropagation.
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah paradigma
pemrosesan suatu informasi yang terinspirasi oleh sistim
sel syaraf biologi, sama seperti otak yang memproses
suatu informasi. Elemen mendasar dari paradigma
tersebut adalah struktur yang baru dari sistim pemrosesan
informasi. Jaringan syaraf tiruan, seperti manusia, belajar
dari suatu contoh. Jaringan syaraf tiruan dibentuk untuk
memecahkan suatu masalah tertentu seperti pengenalan
pola atau klasifikasi karena proses pembelajaran.
Arsitektur Jaringan Syaraf Tiruan
Arsitektur jaringan syaraf tiruan yang sederhana
umunnya neuron-neuron yang terletak pada lapisan yang
sama akan memiliki keadaan yang sama. Faktor
terpenting dalam menentukan kelakuan suatu neuron
adalah fungsi aktivasi dan pola bobotnya. Pada setiap
lapisan yang sama, neuron-neuron akan memiliki fungsi
aktivasi yang sama.
Bentuk arsitektur jaringan syaraf ada dua, yaitu :
1. Jaringan dengan lapisan tunggal
2. Jaringan dengan lapisan banyak
Jaringan lapisan tunggal hanya memiliki satu lapisan
dengan bobot terhubung, dimana jaringan ini hanya
menerima input sebagai satu lapisan masukan kemudian
akan mengelola menjadi output sebagai satu lapisan
keluaran.
Bentuk arsitekturnya dapat dilihat pada gambar 2.3
berikut ini:
Gambar 2.3 Jaringan dengan lapisan tunggal
Jaringan lapisan jamak terdiri dari tiga lapisan
yaitu lapisan masukan, lapisan tersembunyi, dan lapisan
keluaran. Adapun bentuk arsitektur dapat dilihat pada
gambar 2.4
Gambar 2.4 Jaringan dengan lapisan banyak
Proses Pembelajaran Jaringan Syaraf Tiruan
Jaringan syaraf tiruan akan mencoba untuk
mensimulasikan kemampuan otak manusia untuk belajar.
Jaringan syaraf tiruan juga tersusun atas neuron-neuron
dan dendrit. Tidak seperti model biologis, jeringan syaraf
tiruan memiliki struktur yang tidak dapat diubah,
dibangun oleh sejumlah neuron, dan memiliki nilai
tertentu yang menunjukkan seberapa besar koneksi antara
neuron (yang dikenal dengan nama bobot).
Perubahan yang terjadi selama proses
pembelajaran adalah perubahan nilai bobot. Nilai bobot
akan bertambah, jika informasi yang diberikan oleh
neuron yang bersangkutan tersampaikan, sebaliknya jika
informasi tidak tersampaikan oleh suatu neuron ke neuron
yang lain, maka nilai bobot yang menghubungkan
keduanya akan dikurangi. Pada saat pembelajaran
dilakukan pada input yang berbeda, maka nilai bobot akan
diubah secara dinamis hingga mencapai suatu nilai yang
cukup seimbang. Apabila nilai ini telah tercapai
megindikasikan bahwa tiap-tiap input telah berhubungan
dengan output yang diharapkan.
Metode Backpropagation
Metode backpropagation merupakan algoritma
pembelajaran yang terawasi dengan banyak lapisan untuk
mengubah bobot-bobot yang terhubung dengan neuron-
neuron yang ada pada lapisan tersembunyinya.
Pembelajaran dalam model backpropagation terdiri dari
beberapa tahapan diantaranya tahap propagasi maju
(lapisan masukan), tahap propagasi balik (kalkulasi dan
perhitungan kesalahan), dan tahap penyesuaian bobot atau
bias.
Arsitektur Backpropagation
Arsitektur backpropagation adalah metode yang
memiliki beberapa unit yang ada dalam satu atau lebih
unit tersembunyi. Gambar 2.7 adalah arsitektur
backpropagation dengan n buah masukan ditujukan
dengan nilai (X1, X2,...Xn) ditambah sebuah bias, sebuah
layar tersembunyi yang terdiri dari p ditunjukan dengan
nilai (Z1, Z2...Zp) ditambah sebuah bias, serta m buah unit
keluaran.
Berikut bentuk arsitektur backpropagation dapat dilihat
pada gambar 2.7
Gambar 2.5 Arsitektur Backpropagation
Pelatihan Standar Backpropagation
Pelatihan backpropagation meliputi tiga tahap.
Tahap pertama adalah tahap alur maju. Pada alur maju
pola masukan dihitung maju mulai dari layar masukan
hingga layar keluaran menggunakan fungsi aktivasi yang
ditentukan. Tahap kedua adalah tahap alur mundur.
Selisih antara keluaran jaringan dengan target yang
didinginkan merupakan kesalahan yang terjadi. Tahap
ketiga adalah modifikasi bobot. Dalam hal ini modifikasi
bobot untuk menurunkan kesalahan yang terjadi.
1. Tahap I : Propagasi maju
Selama propagasi maju, sinyal masukan (= xi)
dipropagasikan ke layer tersembunyi menggunakan fungsi
aktivasi yang ditentukan. Keluaran dari setiap unit layer
tersembunyi (= zj) tersebut selanjutnya dipropagasikan
maju lagi ke layer tersembunyi di atasnya menggunakan
fungsi aktivasi yang ditentukan. Demikian seterusnya
hingga menghasilkan keluaran jaringan (= yk).
Berikutnya, keluaran jaringan (= yk) dibandingkan dengan
target yang harus dicapai (= tk). Selisih hk-yk adalah
kesalahan atau galat yang terjadi. Jika galat ini lebih kecil
dari batas toleransi yang ditentukan, maka iterasi
dihentikan. Akan tetapi apabila galat masih lebih besar
dari batas toleransi, maka bobot setiap garis dalam
jaringan akan dimodifikasi untuk mengurangi galat yang
terjadi.
2. Tahap II : Propagasi mundur
Berdasarkan galat tk-yk, dihitung faktor δk (k = 1, 2, ....,
m) yang dipakai untuk mendistribusikan galat di unit yk
ke semua unit tersembunyi yang terhubung langsung
dengan yk. δk juga dipakai untuk mengubah bobot garis
yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor δ, di setiap unit di
layer tersembunyi sebagai dasar perubahan bobot semua
garis yang berasal dari unit tersembunyi di layer di
bawahnya. Demikian seterusnya hingga semua faktor δ di
unit tersembunyi yang berhubungan langsung dengan unit
masukan dihitung.
3. tahap III : Perubahan bobot
Setelah semua faktor δ dihitung, bobot semua garis
dimodifikasi bersamaan. Perubahan bobot suatu garis
didasarkan atas faktor δ neuron di layer atasnya. Sebagai
contoh, perubahan bobot garis yang menuju ke layer
keluaran di dasarkan atas δk yang ada di unit keluaran.
Ketiga tahap tersebut diulang-ulang terus hingga kondisi
penghentian dipenuhi. Umumnya kondisi penghentian
yang sering dipakai adalah jumlah iterasi atau galat.
Iterasi akan dihentikan jika jumlah iterasi yang dilakukan
sudah melebihi jumlah maksimum iterasi yang ditetapkan,
atau jika kesalahan yang terjadi sudah lebih kecil dari
batas toleransi yang diijinkan.
Algoritma Backpropagation
Algoritma pelatihan backpropagation dapat
dilihat dibawah ini:
Langkah 0 : Inisialisasi bobot awal (diberi nilai kecil
secara acak)
Langgkah 1 : Lakukan langkah 2 sampai 9 selama
kondisi berhenti tidak terpenuhi.
Langkah 2 : Lakukan langkag 3 sampai 8 untuk
setiap pelatihan.
1. Umpan maju (FeedForward) ke lapisan tersembunyi
pada lapisan ini terjadi proses penjumlahan yang
menghasilkan potensial aktivasi untuk sel ke-j.
Langkah 3 : Tiap-tiap unit masukan (Xi, i = 1, ….n)
menerima sinyal masukan Xi dan sinyal tersebut
disebarkan ke unit-unit bagian berikutnya (unit-unit
lapis tersembunyi).
Langkah 4 : tiap unit pada lapisan tersembunyi
menerima sinyal masukan Xi dikalikan bobot garis
Vji dan dijumlahkan serta ditambah dengan biasnya
Vjo.
Z_inj = Vj0 + Σ XiVji
selanjutnya dihitung sesuai dengan fungsi aktivasi
(pengaktif) yang digunakan :
Zj = f(Z_inj)
Bila yang digunakan adalah fungsi sigmoid. Dalam
bentuk matematis fungsi sigmoid dapat dituliskan sebagai
berikut:
Sinyal keluaran dari fungsi pengaktif tersebut
dihubungkan ke semua unit di lapis
keluaran.
Langkah 5 :
Tiap-tiap unit keluaran (Yk, k = 1,2,3…m) menjumlahkan
seluruh sinyal yang masuk dari lapisan tersembunyi Zj
dikalikan dengan penimbang Wkj dan dijumlahkan serta
ditambah dengan biasnya Wko :
Y_ink = Wk0 + Σ Zj.Wkj
Gunakan fungsi aktivasi untuk menghitung sinyal pada
masing-masing neuron output.
yk = f(y_ink)
2. Umpan Mundur (backForword) bandingkan keluaran
dengan target. Dalam proses perbandingan ini di
dapat nilai galat jaringan pada tiap sel lapisan
keluaran.
Langkah 6 :
Tiap-tiap unit keluaran (Yk, k = 1, ….,m) menerima pola
target sesuai
dengan pola masukan saat pelatihan dan dihitung
galatnya:
δk = ( tk – yk) f,(y_ink)
karena f,(y_ink) = yk menggunakan fungsi sigmoid, maka:
f ,(y_ink)= f(y_ink)(1- f(y_ink))=yk(1–yk)
Menghitung koreksi beban untuk suku perubahan
bobot Wkj.
ΔWk j =α.δk.Zj
Menghitung perbaikan bias :
ΔWk0 = α.δk
Dan menggunakan nilai delta (δk) ke lapisan dibawahnya
(lapisan tersembunyi).
Langkah 7 :
Tiap-tiap penimbang yang menghubungkan unit-unit lapis
keluaran dengan unit-unit pada lapis tersembunyi (Zj, j =
1,…p) dikalikan dengan delta (δk) dan dijumlahkan
sebagai masukan ke unit-unit lapis berikutnya.
δ_inj = Σ δk Wk j
Kemudian dikalikan dengan diferensial atau turunan dari
fungsi aktivasi untuk
menghitung galat.
δj = δ_inj f,(y_inj)
Selanjutnya menghitung koreksi beban digunakan untuk
memperbaiki Vji.
Δ Vji = α.δJ Xi
Kemudian menghitung perbaikan bias untuk
memperbaiki Vj0.
Δ Vj0 = α.δJ
3. Meng-update bobot dan bias pada hubungan antar
neuron.
Langkah 8 :
Tiap-tiap keluaran unit (Yk, k = 1,…,m) diperbaiki bias
dan bobotnya (j = 0,..,p),
Wkj(baru) = Wkj(lama) + Δ Wkj
Menghitung koreksi beban untuk memperbaiki Wk0.
Wk0(baru) = Wk0(lama) + Δ Wk0
Tiap unit tersembunyi (Zj, j = 1,..,p) diperbaiki bias dan
penimbangnya (j = 1,...n)
Vji(baru) = Vji(lama) + Δ Vji
Menghitung perbaikan beban untuk memperbaiki Vj0
Vj0(baru) = Vj0(lama) + Δ Vj0
Langkah 9 :
Uji kondisi pemberhentian (akhir iterasi) apabila nilai
kesalahan (err) yang dihasilkan lebih kecil dari toleransi
yang ditemukan, maka proses pelatihan berhenti telah
terpenuhi.
Keterangan symbol-simbol yang digunakan berikut ini:
X = Vektor input.
Y = Vektor output.
δk = nilai koreksi kesalahan untuk lapisan keluaran.
δj = nilai koreksi kesalahan untuk lapisan tersembunyi.
α = tingkat pembelajaran.
Xi = unit ke-i pada lapisan masukan.
Vj0 = nilai bias unit ke-j pada lapisan tersembunyi.
Zj = unit ke-j pada lapisan tersembunyi.
Wk0 = nilai bias pada unit keluaran.
Yk = unit ke-k pada lapisan keluaran.
Err = nilai kesalahan pada proses pembelajaran.
Tk = nilai target.
Yk = nilai keluaran hasil feedforward.
Pengujian Kotak Hitam (Black-Box)
Pengujian black-box adalah pengujian yang
dilakukan untuk antarmuka perangkat lunak, pengujian ini
dilakukan untuk memperlihatkan bahwa fungsi-fungsi
bekerja dengan baik dalam arti masukkan yang diterima
dengan benar dan keluaran yang dihasilkan benar-benar
tepat, pengintegrasian dari eksternal data berjalan dengan
baik (file/table).
Pengujian kotak hitam berusaha menemukan
kesalahan dalam kategori sebagai berikut (R. Pressman,
2002:551) :
a. Fungsi-fungsi yang tidak benar atau hilang.
b. Kesalahan antarmuka (interface).
c. Kesalahan dalam struktur data atau akses basis data
eksternal.
d. Kesalahan kinerja.
e. Inisialisasi dan kesalahan terminasi.
Analisis Sistem
Tahapan analisis merupakan tahapan yang
paling awal dalam membuat sebuah perangkat lunak. Pada
tahapan ini dilakukan pengenalan sidik jari menggunakan
metode jaringan syaraf tiruan backpropagation.
Proses Pengenalan Pola Sidik Jari
Langkah-langkah yang dilakukan dalam
pengenalan pola sidik jari menggunakan jaringan syaraf
tiruan adalah :
a. Gambar sidik jari dirubah ke
dalam bentuk numerik dengan cara system capturing
sehingga dapat diproses dengan komputer.
b. Noise yang terdapat pada
gambar, dihilangkan (pre-processing).
c. Gambar yang sudah
dihilangkan noise (gangguan), dilakukan proses
binerisasi yaitu 1 (hitam) dan 0 (putih).
d. Proses ekstraksi feature dari
sidik jari yang akan digunakan pada proses Jaringan
syaraf tiruan.
e. Proses identifikasi dan atau
pengenalan menggunakan jaringan syaraf tiruan.
Rancangan Proses
Pada rancangan proses akan dijelaskan
perancangan proses yang akan kita cari bobotnya dengan
melalui berbagai tahapan-tahapan yang ditunjukkan agar
tujuan akhir ini dapat tercapai. Berikut tahap-tahap pada
rancangan proses adalah:
Mengumpulkan citra sample pelatihan dan
pengujian.
Citra yang telah dikumpulkan kemudian diubah
ukurannya agar ukurannya menjadi 30x30 pixel
dan disimpan dalam format BMP.
Mengubah warna true color ke grayscale.
Menyimpan citra sebagai pola sekaligus
menormalisasi data, dan memasukkan nilai target
dari citra satu per satu.
Memasukan nilai parameter-parameter pelatihan.
Lakukan pelatihan dengan metode jaringan
syaraf tiruan backpropagation hingga
mendapatkan persentase pengenalan 100 %, atau
hingga error yang didapat telah di bawah nilai
toleransi.
Menyimpan bobot-bobot v dan w untuk
pengujian.
Melakukan pengujian dengan memasukan pola
baru atau pola yang telah dilatih sebelumnya
Dengan melihat hasil pengujian maka kita dapat
mengenali pola sidik jari dari pemilik sidik jari
yang diuji.
Use Case Diagram Sistem Pengenalan Sidik Jari
Flowchart proses pelatihan Jaringan Syaraf Tiruan
Backpropagation
IMPLEMENTASI DAN PENGUJIAN
Setelah melakukan analisis dan perancangan
terhadap aplikasi pengenalan sidik jari tahapan
selanjutnya adalah implementasi dan pengujian. Pada
tahapan pengujian terdapat dua cakupan spesifikasi
kebutuhan sistem yang meliputi perangkat keras dan
perangkat lunak, implementasi pada aplikasi ini
menggunakan 32 gambar yang digunakan pada proses
pelatihan dan pengujian.
Pelatihan Jaringan Syaraf Tiruan Backpropagation
Pada tahap pelatihan merupakan suatu tahapan
terpenting dalam sebuah jaringan syaraf tiruan. Dalam
tahapan ini berisi iterasi-iterasi yang berjumlah hingga
mencapai ribuan atau lebih dan pola yang dikenalkan
memiliki banyak data yang memiliki keragaman berbeda,
proses pelatihan ini dilakukan untuk mencari konfigurasi
terbaik dengan cara mengubah konstanta belajar dan
jumlah lapisan tersembunyi secara coba-coba.
Gambar Pe la t ihan Jar ingan Syar af T ir uan
Bac kpropagat ion
Gambar diatas merupakan contoh tampilan dari
form Pelatihan yang menggunakan 16 citra sebagai data
ujinya, menggunakan unit input sebanyak 900 input tiap-
tiap citra, unit hidden sejumlah 30 unit, unit output
sebanyak 4 output, toleransi sebesar 0.001, laju
pembelajaran atau learning rate sebesar 0.4, momentum
sebesar 0.4, jumlah iterasi atau epoch sebanyak 1000, dan
threshold atau batas ambang sebesar 0.001.
Pengujian Jaringan Syaraf Tiruan
Proses pengujian merupakan tahap akhir dari
proses jaringan syaraf tiruan yang ada didalam system
pengenalan sidik jari menggunakan jaringan syaraf tiruan
backpropagation. Pada tahap proses pengujian bobot-
bobot maupun pola sidik jari yang telah disimpan akan
diproses bersamaan, dimana proses yang dipakai pada
aplikasi ini hanya berupa tahap langkah maju
(feedforward). Berikut hasil pengujian dari 16 data
gambar yang diuji.
Gambar Hasil Pengujian dari 16 data gambar.
Hasil Pengujian Black Box
Hasil pengujian didapatkan dari hasil pengenalan
sidik jari pada bidang masukan. Pengujian yang dilakukan
menggunakan sidk jari dengan metode backpropagation .
Berikut adalah tabel hasil pengujian:
NO. Gambar Sidik Jari
Target Hasil(0utput)
1
Jari1_0gr1(40drjt)
1, -1, -1, -1 1, -1, -1, -1
2
Jari1_0gr1(50drjt)
1, -1, -1, -1 1, -1, -1, -1
3.
Jari1_0gr1(60drjt)
1, -1, -1, -1 1, -1, -1, -1
4.
Jari1_0gr1(70drjt)
1, -1, -1, -1 1, -1, -1, -1
5
Jari1_0gr2(40drjt)
-1, 1, -1, -1 -1, 1, -1, -1
6.
Jari1_0gr2(50drjt)
-1, 1, -1, -1 -1, 1, -1, -1
7.
Jari1_0gr2(60drjt)
-1, 1, -1, -1 -1, 1, -1, -1
8.
Jari1_0gr2(70drjt)
-1, 1, -1, -1 1, -1, -1, -1
9.
Jari1_0gr3(40drjt)
-1, -1, 1, -1 1, -1, 1, -1
10.
Jari1_0gr3(50drjt)
-1, -1, 1, -1 1, -1, 1, -1
11.
Jari1_0gr3(60drjt)
-1, -1, 1, -1 -1, -1, 1, 1
12.
Jari1_0gr3(70drjt)
-1, -1, 1, -1 1, -1, 1, -1
13.
Jari1_0gr4(40drjt)
-1, -1, -1, 1 -1, -1, -1, 1
14.
Jari1_0gr4(50drjt)
-1, -1, -1, 1 -1, -1, -1, 1
15.
Jari1_0gr4(60drjt)
-1, -1, -1, 1 -1, -1, -1, 1
16.
Jari1_0gr4(70drjt)
-1, -1, -1, 1 -1, -1, -1, 1
Tabel Hasil Pengujian Pola menggunakan bobot yang
telah dilatih
Analisa Akhir
Dari pembuatan dan pengujian aplikasi pengenalan sidik
jari menggunakan metode jaringan syaraf tiruan
backpropagation dapat diambil kesimpulan sebagai
berikut:
Pada file buka gambar harus diisi terlebih dahulu
dengan mengambil citra pada file open dioalog
yang telah dipisah antara citra pengujian dengan
citra pelatihan, citra yang digunakan pada proses
pengujian adalah citra yang belum pernah dilatih.
Lanjutan Tabel di atas
Sistem akan melakukan memprosesan citra
dengan mengambil nilai pola gambar,
mengambil nilai bobot-bobot serta bias (v) dan
nilai bobot-bobot serta bias (w).
Tahap yang digunakan pengenalan sidik jari pada
sistem ini, yaitu tahap alur maju yang hanya
melakukan perhitungan alur maju saja dalam
melakukan prosesnya.
Sistem melakukan pengujian menggunakan
jumlah data uji sejumlah 16 buah pola sidik jari
dengan tingkat keberhasilan yang diperoleh
adalah 69% dari data tabel di atas.
Kesimpulan
Beberapa kesimpulan yang dapat diambil dari
percobaan dan pengujian aplikasi pengenalan sidik jari
menggunakan metode jaringan syaraf tiruan
backpropagation adalah sebagai berikut:
1. Aplikasi pengenalan pola sidik jari dengan
menggunakan metode backpropagation pada
jaringan syaraf tiruan merupakan salah satu
metode yang digunakan untuk membuat aplikasi
pengenalan atau identifikasi dengan tingkat
persentase keberhasilan yang cukup baik, karena
dalam metode ini terdapat system perbaikan
bobot agar dapat mengenali pola secara bertahap.
2. Pada aplikasi ini dibutuhkan tahap pelatihan
sebelum tahap pengujian karena bobot-bobot
yang dihasilkan pada saat pelatihan akan
berpengaruh pada saat pengujian.
3. Aplikasi ini mampu melakukan proses pelatihan
data berdasarkan nilai masukan dari user seperti
nilai unit tersembunyi (hidden layer), nilai
(learning rate), nilai momentum, nilai threshold,
nilai toleransi dan epoch.
4. Pada aplikasi ini penulis belum mampu
mengenali pola sidik jari dengan hasil pelatihan
100%, penulis hanya mampu mengenali pola
sidik jari dengan hasil pelatihan 86%.
5. Pada pengujian menggunakan citra sejumlah 16
citra yang diuji dari 16 citra yang telah dilatih
memiliki hasil persentase keberhasilan sebesar
69% dan kegagalan sebesar 31 %
DAFTAR PUSTAKA
1. Kusumadewi, sri. (2003). Artificial Intelegence
(Teknik dan Aplikasi), Yogyakarta: Penerbit Graha
Ilmu
2. Eko Nugroho.2009. Biometrika, Mengenal Sistem
Identifikasi Masa Depan, Yogyakarta:Penerbit ANDI
3. Yuswanto.2008.Pemrograman Dasar Visual
Basic.Net 2005. Penerbit Cerdas Pustaka Publisher.
4. Suyanto.2007.Artificial Intelligence (searching,
Reasoning, Planning dan Learning),
Bandung:Penerbit IFORMATIKA
5. Ivan Michael Siregar.Jaringan Syaraf Tiruan
(Artificial Neural Network).28 Juli 2010.
http://ivan.siregar.biz/courseware/CG2_NeuralNetwor
k_Algorithm.pdf.
6. Uning.Bab8 Jaringan Syaraf Tiruan.diambil pada
tanggal 06 Januari 2005.
http://elista.akprind.ac.id/upload/files/8935_BA
B_8_elista.pdf .
7. Entin Martiana. Jaringan Syaraf Tiruan (Artificial
Neural Network).diambil pada tanggal 28 Juli
2010.http://lecturer.eepisits.edu/~kangedi/materi
%20kuliah/Kecerdasan%20Buatan/Bab
%208%20Jaringan%20Syaraf%20Tiruan.pdf.
8. Anonymous.Demo Software for Win. diambil pada
tanggal 14 Januari 2008.
http://www.optel.pl/software/source/fingdemo.zip.
9. Thomas,CharlesC.GuidetoFingerprintIdentification,
diambil pada tanggal 21 Februari
2008.http://www.talktoyourcomputer.com/guidetofin
gerprint.pdf.
10. M.sc, Siang, Jek, Jong, Drs., 2005, Jaringan Syaraf
Tiruan dan Pemrogramannya Menggunakan
Matlab,Yogyakarta:Penerbit Andi