APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI.

Transkripsi

1 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia APLIKASI ALGORITMA FEED FORWARD BACKPROPAGATION PADA SISTEM KEAMANAN AKSES MENGGUNAKAN SIDIK JARI. Ade Gafar Abdullah, Neni Fitriani, Jaa Kustia, Iwan Kustiawan 1 Program Studi Pendidian Teni Eletro, FPTK UPI Jl. Dr. Setiabudhi 207 Bandung ade_gaffar@upi.edu ABSTRAK Maalah ini membahas apliasi aringan syaraf tiruan dengan arsitetur multi layermenggunaan algoritma belaar supervised learningfeed forward bac propagation. Jaringan ini menggunaan fungsi ativasi sigmoid binerdengan learning rate0.5 dan setting masimum epoch dibatasi hingga Jaringan feed forward bac propagationini digunaan untu melauan pengenalan pola sidi ari manusia yang diapliasian untu sistem eamanan ases. Proses pengolahan gambar (image processing) melewati tahapan image acquisition, image preprocessing,image feature extractiondan image recognition. Pada tahap feature extraction image diperecil uurannya menadi 8x8 pixel.pola sidi ari yang diinputan terdiri dari 12 posisi deraat emiringan yaitupada posisi 0 0, 30 0, 60 0, 90 0, 120 0, 150 0, 180 0, 210 0, 240 0, 270 0, 300 0, dan dan uicoba dilauan terhadap 4 sampel sidi ari yang berbeda. Hasil simulasi dan percobaan membutian bahwa tingat etelitian pengenalan pola tergantung pada umlah epoch yang digunaan serta setting learning ratenya. Kata Kunci : propagasi umpan bali, eamanan ases, pola sidi ari. ABSTRACT This paper discusses the application of neural networs with multi layer architecture using learning algorithm, namely supervised learning feed forward bac propagation. This networ uses function of the binary sigmoid activation with learning rate 0.5 and the maximum setting for epoch is limited to This feed forward bac propagation is used to perform human fingerprint pattern recognition which is applied for accessing security system. Image processing is done by the stages of image acquisition, image preprocessing, image feature extraction and image recognition. At this stage of feature extraction image will be reduced in size to 8x8 pixels. The pattern of input fingerprint consists of 12 degree tilt position exactly at positions 0 0,30 0, 60 0, 90 0, 120 0, 150 0, 180 0, 210 0, 240 0, 270 0, 300 0, dan The test is carried out on 4 samples of different fingerprints. Results of simulation and experiments prove that the accuracy level of the pattern recognition depends on the number of used epochs and the setting of learning rate. Keywords: feedbac propagation, access security, fingerprint pattern I. PENDAHULUAN Teni identifiasi onvensional untu mengenali identitas seseorang dengan menggunaan password atau artu tida cuup handal, arena system eamanan dapat ditembus etia password dan artu tersebut digunaan oleh pengguna yang tida berwenang. Sistem autentifiasi data menggunaan pola sidi ari telah terbuti eauratannya sebagai identifiasi bila dibandingan dengan system biometric lainnya seperti retina mata atau DNA. Dengan berembangnya ilmu biometri, ahirnya berembang pula suatu sistem eamanan ases yang menggunaan arateristi dari sidi ari sebagai password atau unci untu membua ases eamanan tersebut. Berdasaran hasil riset dari internasional biometric group, bahwa 48% industri biometri lebih sua menggunaan apliasi sidi ari untu produ merea daripada menggunaan identifiasi biometri lainya. Sistem pengenalan identitas dengan sidi ari yang banya dipaai oleh industri biometri pada saat ini masih memilii elemahan, dimana user harus menempelan ari pada bidang sensor secara lurus, sehingga seringali diumpai user berulang ali mengalami SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 112

2 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia egagalan ases. Untu menangani permasalahan tersebut peneliti mencoba merancang suatu sistem pengenalan pola yang lebih cerdas, yaitu sistem tersebut dapat mengenali pola sidi ari mesipun user menempatan posisi arinya secara sembarang pada bidang sensor. Sistem pengenalan pola yang aan diuicobaan mengunaan tenologi softcomputing yaitu aringan syaraf tiruan (artificial neural networ) dengan algoritma feed forward bac propagation. II. TINJAUAN PUSTAKA Jaringan Syarat Tiruan Jaringan syaraf tiruan adalah suatu simulasi abstra dari sistem syaraf dalam ota manusia yang mengandung seelompo neuron yang terinteronesi satu sama lain. Menurut Hayin, JST didefinisian bahwa sebuah neural networ adalah prosesor yang terdistribusi paralel,terbuat dari unit-unit yang sederhana, dan memilii emampuan untu menyimpan pengetahuan yang diperoleh secara esperimental dan siap paai untu berbagai tuuan. Neural networ ini meniru ota manusia dari sudut : 1) pengetahuan diperoleh oleh networ dari lingungan, melalui proses pembelaaran. 2) Keuatanonesi antar unit yang disebut synaptic weight, berfungsi unteu menyimpan pengetahuan yang telah diperoleh aringan tersebut. Pemodelan neuron tiruan yang membangun aringan ini pertama ali diperenalan oleh McCulloch dan Pitts pada tahun Model neuron M-P ini menadi awal perembangan selanutnya oleh paar seperti John von Neuman, Marvin Minsy, Fran Rosenblatt dan lain-lain. McCulloch dan Pitts memperenalan model matematia yang merupaan penyederhanaan dari strutur sel syaraf yang sebenarnya (seperti pada gambar 1): Gambar 1. Model neuron McCulloch dan Pitts Signal x berupa vetor berdimensi n (x 1, x 2,..., x n ) aan mengalami penguatan oleh sinapsis w (w 1, w 2,..., w n ). Selanutnya aumulasi dari penguatan tersebut aan mengalami transformasi oleh fungsi ativasi f. Fungsi ini aan memonitor, bila aumulasi penguatan signal itu telah melebihi batas tertentu, maa sel neuron yang semula berada dalam ondisi 0 aan mengeluaran sinyal 1. Berdasaran nilai output tersebut, sebuah neuron dapat berada dalam dua status : 0 atau 1. Neuron tersebut dalam ondisi firing bila menghasilan output bernilai 1. Algoritma Feed Forward Bacpropagation Algoritma feed forward bacpropagation merupaan algoritma pembelaaran yang terawasi dan biasanya digunaan oleh perceptron dengan banya lapisan untu mengubah bobot- bobot yang terhubung dengan neuron neuron yang ada pada lapisan tersembunyinya. Feed forward bacpropagationmenggunaan error output untu mengubah nilai bobot bobotnya dalam arah mundur (bacward). Untu mendapatan error ini, tahap perambatan mau (forward propagation) harus dieraan terlebih dahulu. Pada saat perambatan mau, neuron neuron diatifan dengan menggunaan fungsi ativasi yang dapat dideferensiasi. Feed forward bacpropagation memilii beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar 2 adalah arsitetur bac propagation berbasis aringan syaraf SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 113

3 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia tiruan dengan n buah masuan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit eluaran (Je, 2005:98). v i Gambar 2. Arsitetur Feed Forward Bac Propagation merupaan bobot garis dari unit masuan x e unit layar tersembunyi z ( v merupaan bobot garis yang menghubungan bias di unit masuan e unit layer tersembunyi z ). merupaan bobot dari unit layar tersembunyi z e unit eluaran y ( w merupaan bobot dari bias di layar tersembunyi e unit eluaran ) (Je, 2005:98). PelatihanFeed Forward Bacpropagation Pelatihan feed forward bacpropagation meliputi 3 fase. Fase pertama adalah fase mau. Pola masuan dihitung mau mulai dari layar masuan hingga layar eluaran menggunaan fungsi ativasi yang ditentuan. Fase edua adalah fase mundur. Selisih antara eluaran aringan dengan target yang diinginan merupaan esalahan yang teradi. Kesalahan tersebut dipropagasian mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar eluaran. Fase etiga adalah modifiasi bobot untu menurunan esalahan yang teradi (Je, 2005:100). Fase I: Propagasi Mau Selama propagasi mau, sinyal masuan (= ) dipropagasian e layer tersembunyi menggunaan fungsi ativasi yang ditentuan. Keluaran dari setiap unit layar tersembunyi (= ) tersebut selanutnya dipropagasian mau lagi e layer tersembunyi di atasnya menggunaan fungsi ativasi yang ditentuan. Demiian seterusnya hingga menghasilan eluaran aringan (= ). Beriutnya, eluaran aringan (= y ) dibandingan dengan target yang harus dicapai (= t ). Selisih dari t terhadap y yaitu ( t y ) adalah esalahan yang teradi. Jia esalahan ini lebih ecil dari batas toleransi yang ditentuan, maa iterasi dihentian. Aan tetapi apabila esalahan masih lebih besar dari batas toleransinya, maa bobot setiap garis dalam aringan aan dimodifiasi untu mengurangi esalahan yang teradi. Fase II: Propagasi Mundur Berdasaran esalahan t, dihitung fator ( = 1,2,..., m ) yang dipaai untu mendistribusian esalahan di unit y e semua unit tersembunyi yang terhubung langsung dengan. uga dipaai untu mengubah bobot garis yang berhubungan langsung dengan unit eluaran. y y Dengan cara yang sama, dihitung fator ( = 1,2,, p ) di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demiian seterusnya hingga semua fator di unit tersembunyi yang berhubungan langsung dengan unit masuan dihitung. i z SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 114 x i o o y w z

4 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia Fase III: Perubahan Bobot Setelah semua fator dihitung, bobot semua garis dimodifiasi bersamaan. Perubahan bobot suatu garis didasaran atas fator neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuu e layar eluaran didasaran atas yang ada di unit eluaran. Ketiga fase terebut diulang-ulang terus hingga ondisi penghentian dipenuhi. Umumnya ondisi penghentian yang sering dipaai adalah umlah iterasi atau esalahan. Iterasi aan dihentian ia umlah iterasi yang dilauan sudah melebihi umlah masimum iterasi yang ditetapan, atau ia esalahanyang teradi sudah lebih ecil dari batas toleransi yang diiinan. Algoritma pelatihan untu aringan dengan satu layer tersembunyi (dengan fungsi ativasi sigmoid biner) adalah sebagai beriut : Langah 0 : Inisialisasi semua bobot dengan bilangan aca ecil. Langah 1 : Jia ondisi penghentian belum terpenuhi, lauan langah 2 8. Langah 2 : Untu setiap pasang data pelatihan, lauan langah 3 8. Fase I : Propagasi mau Langah 3: Tiap unit masuan menerima sinyal dan menerusannya e unit tersembunyi di atasnya. Langah 4 : Hitung semua eluaran di unit tersembunyi z ( = 1,2,, p ). = v + 1 z = f ( z _ net ) = z net 1 e _ Langah 5 : Hitung semua eluaran aringan di unit y ( = 1,2,, m ). = 1,2,, m ). z _ net y _ net = w + δ merupaan unit esalahan yang aan dipaai dalam perubahan bobot layer dibawahnya ( langah 7 ). Hitung suu perubahan bobot w (yang aan dipaai nanti untu merubah bobot w ) dengan lau perceptron. w z ; = 1,2,, m ; = 0,1,, p Langah 7 : Hitung fator unit tersembunyi berdasaran esalahan di setiap unit tersembunyi z ( = 1,2,, p ). Fator δ unit tersembunyi : δ = δ_net f (z_net ) = δ_net Z ( 1 Z ) Hitung suu perubahan bobot Vi (yang aan dipaai nanti untu merubah bobot Vi). Δv i = α δ x i ; = 1,2,,p ; I = 0,1,,n Fase III : Perubahan bobot Langah 8 : Hitung semua perubahan bobot. Perubahan bobot garis yang menuu e unit eluaran : W (baru) = W (lama) + ΔW ( = 1,2,,m ; = 0,1,,p ) Perubahan bobot garis yang menuu e unit tersembunyi : = o o n i 1 1 x i v i SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 115 p z w 1 y = f ( y _ net ) = y net 1 e _ Fase II : Propagasi mundur Langah 6 : Hitung fator unit eluaran berdasaran esalahan di setiap unit eluaran y ( _ net m w 1

5 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia V i (baru) = V i (lama) + Δv i ( = 1,2,p ; I = 0,1,,n ) Setelah selesai dilauan, aringan dapat dipaai untu pengenalan pola. Dalam hal ini, hanya propagasi mau ( langah 4 dan 5 ) saa yang dipaai untu menentuan eluaran aringan. Apabila fungsi ativasi yang dipaai buan sigmoid biner, maa langah 4 dan 5 harus disesuaian. Demiian uga turunannya pada langah 6 dan 7. III. METODOLOGI Maalah ini membahas tentang penggunaan algoritma feed forward bacpropagation yang diapliasian untu pengenalan pola sidi ari sebagai salah satu tenologi biometri untu eamanan ases. Untu membelaaran pola sidi ari e dalam algoritma JST, diperluan 4 tahap pengolahan image : Tahap e-1 (Image Acquisition) : adalah proses mendapatan data image. Pengambilan data dilauan dengan metode in rolled (tinta ditetesan pada permuaan stam pad emudian ari yang telah dienai tinta dicapan e ertas dari uung bawah uu sampai pangal ari). Setelah itu ertas di scan menggunaan pemindai (scanner). Gambar 3. Hasil sidi ari dengan metode in rolled Tahap e-2 (Image Preprocessing) : Pada tahap ini image diberi proses lain seperti penghilangan noise/derau, penaaman image, pemotongan image, dll. Program yang dipergunaan untu memfilter image yaitu Program Adobe Photoshop dan Microsoft Office Picture Manager. Keluaran dari tahap ini adalah image tersegmentasi yang aan digunaan untu proses. Image tersegmentasi adalah image yang sudah dipisahan dari image awal. Tahap e-3 (Feature Extraction) : Pada tahap ini, image aan diestra untu mendapatan nilai-nilai yang merepresentasian ciri spesifi dari image tersebut. Image dari tahap e-2 aan diperecil uuran pixelnya arena umlah datanya yang terlalu besar untu diadian input, sehingga image diperecil menadi 8x8 pixel. Image ini dipilih arena masih dapat mewaili ciri citra asli, sesuai dengan rumus level masimum deomposisi yang dibatasi oleh persamaan yang berorelasi (Kanata, 2008:7). Image ini aan diubah menadi citra biner yang disimpan dalam matris dengan nilai 0 (hitam) dan 1 (putih). Proses perubahan citra menggunaan MATLAB ver.7.1 SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 116

6 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia Gambar 4. TahapanImage Feature Extraction Tahap e-4 (Image Recognition) :Pada tahap ini, vector ciri image aan dilasifiasian. Keluaran dari tahap ini adalah lasifiasi image, yang emudian dapat digunaan secara langsung untu mengenali suatu image. Algoritma yang digunaanadalahfeed forward. Langah langah diatas dapat dibangun dari data data masuan pola sidi ari dengan posisi pola sidi ari yang berbeda. Data input yang diambil terdiri dari empat pola input dan memilii 12 posisi deraat emiringan. Diantaranya, posisi 0 0, 30 0, 60 0, 90 0, 120 0, 150 0, 180 0, 210 0, 240 0, 270 0, 300 0, dan Dari Masing masing data input tersebut di buat matris uuran 8 x 8. IV. HASIL DAN PEMBAHASAN Aurasi pengenalan pola pada proses pelatihan ditentuan oleh setting bobot awal. Bobot awal diuicobaan secara random dan dari hasil 10 ali percobaan didapat hasil yang optimum. Tabel 1. Hasil optimasi bobot awal Percobaane- Jumlah Besar error Epoch Hasil optimasi bobot awal pada proses pelatihan menghasilan umlah epoch error terecil sehingga nilai yang didapat diadian acuan untu proses uicoba. SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 117

7 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia Gambar 5. Grafi hasil pelatihan Gambar 5 memperlihatan umlah epoch minimum dari hasil optimasi dan didapatan mean square error (mse) sebesar sehingga telah memenuhi syarat dari mse yang sudah ditentuan yaitu sebesar Gambar 6. Perbandingan target yang diinginan (T) dengan target hasilpelatihan (H). Gambar 6 memperlihatan perbandingan antara target yang diinginan dengan target hasil pelatihan. Secara visual terlihat bahwa target yang diinginan (o) secara umum dapat dienali oleh target pelatihan (*) mesipun ada 6 buah target pelatihan (*) yang tida menempel tepat di target yang diinginan (o). Uicoba terhadap sampel yang berumlah 4 sidi ari yang berbeda dilasifiasian terhadap 12 posisi sudut sidi ari yaitu 0,30, 60,90,120, 150, 180,210, 240, 270,300 dan 330. Hasil ui coba terhadap 4 sampel tersebut dapat dilihat pada tabel 2 di bawah ini : Tabel 2. Hasil penguian terhadap 4 sampel No Input Error Aurasi (%) 1 Sampel Sampel Sampel Sampel Hasil penguian memberian esimpulan bahwa hasil pengenalan pola sidi ari terhadap sampel cuup aurat dengan rata-rata esalahan pengenalan pola sebesar 0, %. Nilai rata-rata esalahan dapat diperbaii dengan melauan optimasi terhadap nilai bobot awal, umlah epoch dan setting learning rate. SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 118

8 Proceeding Seminar dan Worshop Nasional Pendidian Teni Eletro (SWNE) FPTK Universitas Pendidian Indonesia V. KESIMPULAN 1. Algoritma feed forward bacpropagation telah terbuti dapat digunaan untu pengenalan pola sidi ari dan memilii error recognition yang sangat ecil. 2. Algoritma feed forward bacpropagation memilii elebihan dalam proses belaarnya diarenaan memilii arsitetur aringan multi layer.tetapi berdampa pada proses omputasi yang cuup lama tergantung dari batas error dan umlah epoch yang ditentuan dalam simulasi. 3. Aurasi pengenalan pola dapat ditentuan dengan mengatur learning rate yang tepat serta melauan optimasi umlah epoch. VI. DAFTAR PUSTAKA Koichi Ito, Ayumi Morita, 2005, Taafumi Aoi, Tatsuo Higuchi, Hiroshi Naaima, and Koi Kobayashi, A Fingerprint Recognition Algorithm Using Phase-Based Image Matching for Low-Quality Fingerprints,IEEE. K. Ito, H. Naaima, K. Kobayashi, T. Aoi, and T. Higuchi, A fingerprint matching algorithm using phaseonly correlation, IEICE Trans. Fundamentals, vol. E87-A, no. 3, pp , Mar Muslim, 2006, Fingerprint Pattern Recognition Using Distance Method Algorithm, Proceeding of the 2 nd IMT-GT Regional Conference on Mathematics and Applications University Sains Malaysia, Penang, June S.M. Ali, M.S. Al-Zewary, A New Fast Automatic Technique For Fingerprints Recognition And Identification, Journal of Islamic Academy of Sciences 10:2, 55-60, 1997 Siang, Jong Je. (2004).Jaringan Syaraf Tiruan dan Pemogramannya dengan MATLAB, Yogyaarta: Andi. Susmianti, Mie, (2005). Identifiasi Huruf Menggunaan Metode Pembelaaran Perceptron Dalam Jaringan Neural, Prosiding Semiloa Tenologi Simulasi dan Komputasi serta Apliasi, Pusat Pengembangan Tenologi Informasi dan Komputasi, BATAN. W.F Leung, S.H Leung, W.H Lau and Andrew Lu,1999, Fingerprint Recognition Using Neural Networ, IEEE. SWNE 2010 Bidang C. Eletronia, Sistem Kendali dan Instrumentasi 119