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