UNIVERSITAS BINA NUSANTARA ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY

Transkripsi

1 UNIVERSITAS BINA NUSANTARA Pernyataan Kesiapan Skripsi Untuk Ujian Pendadaran Penyataan Penyusunan Skripsi Kami, Darwin Wibisono David Hariyanto Kusdyanto dengan ini menyatakan bahwa Skripsi yang berjudul : ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY Adalah benar hasil karya kami dan belum pernah diajukan sebagai karya ilmiah, sebagian atau seluruhnya, atas nama kami atau pihak lain Darwin Wibisono David Hariyanto Kusdyanto Disetujui oleh Pembimbing Saya setuju Skripsi tersebut diajukan untuk Ujian Pendadaran Suryadiputra Liawatimena, PgDip.App.Sci. Jakarta, 28 Juni 2004 Pembimbing iii

2 UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY Darwin Wibisono David Hariyanto Kusdyanto Abstrak Komputer memiliki kelebihan dalam hal kecepatan proses perhitungan. Namun, sebuah komputer tidak dapat bernalar dan hanya dapat memproses tugas dengan data data yang tersedia secara lengkap. Oleh karena itu, sebuah komputer tidak dapat dengan mudah mengenali suatu bentuk citra sidik jari manusia. Keterbatasan ini dapat diatasi dengan menerapkan konsep Bidirectional Associative Memory neural network. Jaringan saraf tiruan (neural network) merupakan jaringan prosesor prosesor sederhana, di mana masing masing prosesor memiliki memori lokal dan saling terhubung satu sama lain dengan saluran komunikasi. Prinsip neural network ini meniru cara kerja sistem saraf otak manusia. Sedangkan metode Bidirectional Associative Memory adalah salah satu bagian dari arsitektur neural network yang dapat mengenali pola baik dengan data data yang tidak lengkap atau dengan noise. Proses kerja pada penelitian ini adalah sebelum memasuki jaringan saraf tiruan, data mentah yang berupa citra diproses dulu dengan dikonversi menjadi citra biner. Tahap selanjutnya adalah pembacaan citra, dan ekstraksi fitur. Dan tahap terakhirnya adalah sebuah data yang siap untuk dijadikan inputan bagi jaringan saraf tiruan. Akhir dari proses ini akan menghasilkan matriks weight yang nantinya dijadikan sebagai tolak ukur untuk pengujian pengenalan citra sidik jari. Identifikasi paling baik dihasilkan pada percobaan dengan menggunakan panjang inputan 600 yaitu 84,63 %. Kesimpulan yang diperoleh dari penelitian ini adalah Semakin banyak data yang dijadikan data pelatihan pada BAM maka jaringan saraf tiruan semakin bisa mempelajari input tersebut. Selain itu dengan memperbesar matriks bobot (Weight) dengan cara menambah data pelatihan yang disimpan dalam matrik weight, BAM dapat menaikkan kemampuan dalam pengenalan pola yang diuji Kata kunci : Bidirectional Associative Memory, Neural Network, sidik jari iv

3 PRAKATA Segala puji dan syukur kami panjatkan kepada Tuhan Yang Maha Esa atas karunia dan rahmat-nya sehingga kami dapat menyelesaikan penyusunan skripsi ini dengan baik Pada kesempatan ini penulis mengucapkan banyak terima kasih atas semua bantuan yang telah kami terima berupa dukungan, saran, petunjuk, bimbingan, dan kesempatan yang diberikan selama penulisan skripsi ini dari awal sampai akhir. Tidak lupa kami juga mengucapkan terima kasih khususnya kepada : 1. Ibu Dr. Th. Widia S.,Ir.,M.M., selaku Rektor Universitas Bina Nusantara 2. Bapak Sablin Yusuf, Ir., M.Sc., M.Comp.Sc., selaku Ketua Jurusan Teknik Informatika. 3. Bapak Freddy Purnomo, S. Kom., M. Com., selaku Sekretaris Jurusan Teknik Informatika 4. Bapak Suryadiputra Liawatimena, PgDip.App.Sci., selaku dosen pembimbing skripsi yang telah banyak memberikan motivasi, pengarahan dan masukan yang membantu kami dalam menyelesaikan penulisan skripsi ini. 5. Bapak Haryono Soeparno, Ir., M.Sc., Dr., yang telah banyak memberi banyak masukan dan pengarahan tentang Bidirectional Associative Memory neural network. 6. Ibu Anny Tandyo, S.Kom., M.Sc., yang telah memberi kami banyak saran dan masukan dalam penulisan skripsi ini. 7. Bapak Wiedjaja, S.Kom., yang telah memberi banyak saran dan masukan dalam proses pengenalan sidik jari.. v

4 8. Januar Wahjudi, S.Kom., M.Sc., selaku kepala Lab Piranti Lunak yang telah memberi masukan pada awal penulisan skripsi ini. 9. Bapak Robby Saleh, S.Kom., yang telah memberi masukan tentang pembuatan program sehingga skripsi ini dapat diselesaikan dengan baik. 10. Para Dosen Universitas Bina Nusantara, yang telah memberikan bekal ilmu dan mendidik penulis selama belajar di Universitas Bina Nusantara. 11. Orang tua dan seluruh anggota keluarga penulis yang tercinta, yang telah memberikan dukungan baik secara moteril maupun moril dalam penulisan skripsi ini dan Selama penulis menempuh perkuliahan di Universitas Bina Nusantara ini. 12. Saudari Rina Puspita dan Andrianto Wijaya, yang telah memberi banyak masukan dalam penyusunan skripsi ini. 13. Saudari Jenny Lesmana dan teman skripsinya, yang banyak membantu kami dalam memahami pemakaian konsep umum neural network. 14. Saudara Agus selaku asisten Lab Hardware yang telah membantu memberi banyak masukan tentang penggunaan program Matlab. 15. Segenap staff ATL yang telah banyak membantu kami dalam memakai peralatan yang diperlukan untuk skripsi ini. 16. Teman teman yang telah bersedia membantu dalam pengumpulan data yaitu yang telah bersedia untuk diminta sidik ibu jari tangan kanannya. 17. Teman teman yang telah memberikan dukungan moril dan doa dalam penulisan skripsi ini. 18. Semua pihak yang tidak dapat kami sebutkan satu demi satu yang telah memberikan dorongan moril, materil dan sumbangan saran. vi

5 Penulis menyadari bahwa mungkin masih banyak kekurangan yang dijumpai pada penulisan skripsi ini dan untuk itu penulis sangat mengharapkan sekali masukan baik berupa saran, komentar, maupun kritik dari pembaca yang akan membantu untuk menyempurnakan skripsi ini. Penulis sangat berharap agar skripsi ini dapat memberikan manfaat yang berguna bagi pembaca sekalian, terutama dapat menjadi bahan yang dapat menambah perbendaharaan wacana bagi pendidikan di Universitas Bina Nusantara Jakarta, 21 Juni 2004 Penulis vii

6 DAFTAR ISI Halaman Judul Luar Halaman Judul Dalam Halaman Persetujuan Hardcover Abstrak Prakata Daftar Isi Daftar Tabel Daftar Gambar Daftar Persamaan iii iv v viii xii xiii xvi BAB 1 PENDAHULUAN 1.1 Latar Belakang Ruang Lingkup Tujuan dan Manfaat Metodologi Penelitian Sistematika Penulisan. 5 BAB 2 LANDASAN TEORI 2.1 Sidik Jari Manusia Klasifikasi Sidik Jari (Fingerprint Classification) Pattern Recognition (Pengenalan Pola) Artificial Neural Network (Jaringan Saraf Tiruan) Jaringan Saraf Manusia Perkembangan Artificial Neural Network (ANN) 13 viii

7 2.4.3 Aspek-aspek dari ANN Format File Grafik File PCX Pemrosesan Citra Dijital Citra Dijital Citra Bitmap Konversi Citra Abu-abu Menjadi Citra Biner (Thresholding) Ekstraksi Fitur Eigenvector dan Eigenvalue Eigenvector Eigenvalue Principal Component Analysis (PCA) Associative Memory Hamming Distance Effective Haming Distance Bidirectional Associative Memory BAM Connections Matrices Stabilitas BAM Kapasitas Memori Orthogonality 42 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Gambaran Umum Pemrosesan Citra Konversi Citra Abu Abu Menjadi Citra Biner (Thresholding) 47 ix

8 3.2.2 Konversi ke File PCX Perancangan Layar Ekstraksi Fitur Pembacaan Citra Mencari Principal Component Analysis Validasi Data Masukan Inisialisasi Keluaran Sebagai Identitas Pemilik Perhitungan Matriks Bobot (Weight) Prosedur Pemanggilan Data (Recall) 60 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Minimum Sistem Spesifikasi Perangkat Keras Spesifikasi Piranti Lunak Prosedur Operasional Analisis Pemrosesan Citra Dijital Analisis Konversi Citra Abu Abu Menjadi Citra Biner (Thresholding) Analisis Program Pemrosesan Citra Analisis Program Pengenalan Citra Analisis Hasil Percobaan Data Input Dengan Panjang Data Input Dengan Panjang Data Input Dengan Panjang Data Input Dengan Panjang x

9 4.4.5 Data Input Dengan Panjang Analisa Pengaruh Jumlah Data Terhadap Tingkat Pengenalan 166 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Saran 171 DAFTAR PUSTAKA 172 RIWAYAT HIDUP 175 LAMPIRAN xi

10 DAFTAR TABEL Tabel 4.1 Data Input 120, Pair Orthogonal 84 Tabel 4.2 Persentase Dikenali Perorangan Dengan Data Input Tabel 4.3 Data Input 120, Pair Orthogonal, Tanpa Thresholding 90 Tabel 4.4 Persentase Dikenali Perorangan Dengan Data Input 120, Tanpa Thresholding 94 Tabel 4.5 Data Input 240, Pair Orthogonal 96 Tabel 4.6 Persentase Dikenali Perorangan Dengan Data Input Tabel 4.7 Data Input 360, Pair Orthogonal 106 Tabel 4.8 Persentase Dikenali Perorangan Dengan Data Input Tabel 4.9 Data Input 480, Pair Orthogonal 122 Tabel 4.10 Persentase Dikenali Perorangan Dengan Data Input Tabel 4.11 Data Input 600, Pair Orthogonal 144 Tabel 4.12 Persentase Dikenali Perorangan Dengan Data Input Tabel 4.13 Pengaruh Jumlah Data Pengujian Terhadap Persentase Tingkat Pengenalan 166 xii

11 DAFTAR GAMBAR Gambar 2.1 Pola Alur Garis Sidik Jari 9 Gambar 2.2 Tahapan Dalam Pengenalan Pola 10 Gambar 2.3 Sistem Saraf Otak Manusia 13 Gambar 2.4 Contoh Neuron 16 Gambar 2.5 Model Umum Unit Pemroses 17 Gambar 2.6 Fungsi Keluaran / Aktivasi 18 Gambar 2.7 Feedforward dan Feedback Network 19 Gambar 2.8 Blok Diagram Associative Memory 30 Gambar 2.9 Address-Addressable Memory 31 Gambar 2.10 Content-addressable Memory 31 Gambar 2.11 Model Dasar BAM 35 Gambar 2.12 Contoh Pattern Pair untuk BAM 37 Gambar 3.1 Diagram Proses Secara Umum 44 Gambar 3.2 Contoh Citra Sidik Jari 46 Gambar 3.3 Urutan Pemrosesan Citra 49 Gambar 3.4 Perancangan Layar Pemrosesan Citra 50 Gambar 4.1 Contoh Pola Pengambilan Sidik Jari 63 Gambar 4.2 Konversi Citra Sidik Jari eka17 Menjadi Citra Biner Dengan Nilai Threshold Gambar 4.3 Konversi Citra Sidik Jari singh1 Menjadi Citra Biner Dengan Nilai Threshold xiii

12 Gambar 4.4 Konversi Citra Sidik Jari eka17 Menjadi Citra Biner Dengan Mean Value Thresholding 67 Gambar 4.5 Konversi Citra Sidik Jari singh1 Menjadi Citra Biner Dengan Mean Value Threshold 68 Gambar 4.6 Tampilan Program Pemrosesan Citra 69 Gambar 4.7 Tampilan Program Pemrosesan Citra Langkah 1 : Memilih Input Sidik Jari di Daftar Input 70 Gambar 4.8 Tampilan Program Pemrosesan Citra Langkah 2a : Memilih Jenis Threshold Manual Dengan Threshold Value Gambar 4.9 Tampilan Program Pemrosesan Citra Langkah 2b : Memilih Jenis Adaptive Threshold 72 Gambar 4.10 Tampilan Sub Menu Help Topic Program Pemrosesan Citra 73 Gambar 4.11 Tampilan Sub Menu About Program Pemrosesan Citra 74 Gambar 4.12 Tampilan Program Pemrosesan Citra Langkah 3 : Menyimpan Citra Sidik Jari yang Telah Di Threshold 75 Gambar 4.13 Tampilan Program Pengenalan Citra Langkah 1a : Memasukkan Citra Sidik Jari 76 Gambar 4.14 Tampilan Program Pengenalan Citra Langkah 1b : Perulangan Untuk Memasukkan Citra Sidik Jari 77 Gambar 4.15 Tampilan Program Pengenalan Citra Langkah 2 : Menghitung Principal Component Analysis 78 Gambar 4.16 Tampilan Program Pengenalan Citra Langkah 3 : Melakukan Validasi PCA Menjadi Nilai Bipolar 79 xiv

13 Gambar 4.17 Tampilan Program Pengenalan Citra Langkah 4 : Membentuk Matriks Weight 80 Gambar 4.18 Tampilan Program Pengenalan Citra Langkah 5a : Melakukan Pengenalan Terhadap Data Uji 81 Gambar 4.19 Tampilan Program Pengenalan Citra Langkah 5b : Hasil Pengenalan Terhadap Data Uji 82 Gambar 4.20 Grafik Pengaruh Jumlah Data Pengujian Terhadap Persentase Tingkat Pengenalan 167 xv

14 DAFTAR PERSAMAAN Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan Persamaan 2.11a 36 Persamaan 2.11b 36 Persamaan Persamaan Persamaan 2.14a 39 Persamaan 2.14b 39 Persamaan 2.15a 40 Persamaan 2.15b 40 Persamaan Persamaan Persamaan Persamaan xvi

15 Persamaan Persamaan Persamaan Persamaan Persamaan xvii