IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY

Transkripsi

1 Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar IDENTIFIKASI POLA SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (Frnger Prnt Pattern Identfcaton by Bdrectonal Assocatve Memory Artfcal Neural Network) Anfuddn Azs 1, dan Tanzl Kurnawan 1 1 Program Stud Ilmu Komputer FMIPA Unverstas Gadah Mada emal : anfudn@ugm.ac.d ABSTRAK Jarngan Syaraf Truan Bdrectonal Assocatve Memory (BAM) memlk kemampuan sebaga assocatve memory atau content addressable memory yatu memor yang dapat dpanggl menggunakan bagan dar nformas yang tersmpan d dalamnya. Sela tu JST BAM memlk 2 lapsan dan terhubung penuh dar satu lapsan ke lapsan yang lannya, sehngga dmungknkan adanya hubungan tmbal balk antara lapsan nput dan lapsan output. Untuk tu dalam peneltan n, akan dbuktkan kemampuan JST BAM tersebut dengan merancang sebuah sstem untuk mengdentfkas pola sdk ar. Dar hasl u coba program menunukkan bahwa JST BAM dapat mengdentfkas pola sdk ar dengan tepat setelah dber nose secara acak antara 0% - 30%. D atas 30% beberapa output yang dhaslkan tdak dapat dkena atau dkenal namun sebaga pola palsu, sehngga JST BAM tdak dapat mengenal pola secara tepat. Kata kunc: Jarngan Syaraf Truan BAM, pola sdk ar ABSTRACT Bdrectonal Assocatve Memory Artfcal Neural Network has the feature of assocatve memory or content addressable memory. In ths research we prove the capablty of the system by desgnng a system to recognze frnger prnt. The result of program tral shows that the system can dentfy correctly frnger prnt pattern wth added nose 0 % - 30 %. Above 30 % the system cannot recognze the pattern correctly. Keywords: Artfcal Neural Network BAM, frnger prnt pattern Makalah dterma 23 Jul PENDAHULUAN Jarngan Syaraf truan (JST) telah banyak dterapkan dalam menyelesakan masalah dalam berbaga bdang. Dalam bdang lmu komputer JST dapat dgunakan untuk menemukan keterangan dar smbolsmbol atau angka-angka yang dhaslkan oleh sstem nformas. JST mempunya kemampuan untuk menympan pengetahuan yang ddapatkan dar hasl lathan. Kemampuan n mrp dengan fungs otak manusa, sehngga sstem JST dapat dgunakan pada pekeraan-pekeraan yang membutuhkan kecerdasan manusa. Dalam melakukan proses belaar, JST dapat memodfkas tngkah lakunya sesua dengan keadaan lngkungannya. JST dapat mengatur drnya sendr untuk menghaslkan suatu respon yang konssten 7

2 Berkala MIPA, 16(3), September 2006 terhadap serangkaan masukan. Beberapa JST memlk kemampuan untuk mengabstrakskan ntsar serangkaan masukan. Aplkas-aplkas arngan syaraf selama beberapa tahun n umumnya berpusat pada tga bdang utama, yatu analss data, pengenalan pola, dan fungs kendal. JST memlk kemampuan yang sangat bak dalam teknk pengenalan pola (pattern recognton). Mula-mula JST dtunukkan dengan beberapa buah pola sebaga bahan pembelaaran. Kemudan, JST dberkan pola yang tdak utuh yang memelk sedkt modfkas akbat dstors ataupun derau (nose), ternyata JST mash mampu mengenal pola tersebut sebaga pola sempurna yang telah dpelaarnya. Msalnya, sebuah arngan dapat dlath untuk mengelan beberapa vers huruf S. Setelah menalan cukup lathan, arngan tersebut dapat menghaslkan huruf S yang sempurna dar masukan huruf-huruf S yang terdstors. Konsep JST saat n sangat berkembang dengan pesat. Banyak metode yang dgunakan ntuk membuat pemodelan JST, dan masng-masng metode mempunya kelebhan dan kekurangannya. Beberapa dantaranya telah dkelompokkan berdasarkan kemampuan memor asosasnya, yatu kemampuan untuk menympan dan memanggl nformas yang telah dsmpannya. Hal n sama dengan kemampuan mengngat pada otak manusa. Ynag memlk kemampuan n msalnya Lner Assocator, JST Hopfeld, dan Bdrectonal Assocatve Memory (BAM). 2. JARINGAN SYARAF TIRUAN BIDIRECTIONAL ASSOCIATIVE MEMORY (BAM) Jarngan Syaraf Truan adalah sebuah sstem pengolaan nformas yang karakterstk kneranya menyerupa arngan syaraf bologs. Jarngan Syaraf Truan telah berkembang sebaga model matematka dar pkran manusa yatu syaraf bologs, yang ddasarkan pada asums sebaga berkut, (Fausett, 1994) : a. Pemrosesan nformas terad pada banyak elemen sederhana yang dsebut neuron b. Snyal dlewatkan melalu sambungan antar neuron c. Setap sambungan mempunya bobot, yang menguatkan snyal yang melalunya. d. Setap neuron menerapkan fungs aktfas ke lapsan nput (umlah snyal nput terbobot) untuk menentukan snyal output. Secara umum, arstektur arngan syaraf truan BAM dtunukkan sepert pada Gambar 1. (Kusumadew, 2003) Gambar 1. Arstektur Jarngan Syaraf Truan BAM Ada 2 ens arngan syaraf truan BAM, yatu (Kusumadew, 2003); A. BAM Dskret Pada BAM dskret ada 2 kemungknan tpe data, yatu bner dan bpolar. Matrks bobot awal dbuat sedemkan rupa sehngga dapat menympan pasangan vektor nput dan vektor output s(p)-t(p), dengan p = 1, 2, 3,..., P. a. Untuk vektor nput bner, matrks bobot dtentukan sebaga : W * * ( 2 s ( p) 1) ( 2 t ( ) 1) = p p Sedangkan fungs aktvas yang dgunakan adalah :? Untuk lapsan output : kay _ n > 0 y = y ; kay _ n = 0 0; kay _ n < 0? Untuk lapsan nput 8

3 Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar kax _ n > 0 x = x ; kax _ n = 0 0; kax _ n < 0 b. Sedangkan untuk vektor nput bpolar, matrks bobot dtentukan sebaga : ( s ( p) t ( p) ) W = * p Sedangkan fungs aktvas yang dgunakan adalah :? Untuk lapsan output : kay _ n > θ y = y ; kay _ n = θ 1; kay _ n < θ? Untuk lapsan nput kax _ n > θ x = x ; kax _ n = θ 1; kax _ n < θ Dengan catatan bahwa nput hasl olahan pada arngan (x_n atau y_n ) sama dengan nla threshold nya (?), maka fungs aktvas akan menghaslkan nla sama dengan nla sebelumnya. B. BAM Kontnu BAM kontnu akan mentransformaskan nput secara lebh halus dan kontnu ke kawasan output dengan nla yang terletak pada range [0,1]. Fungs aktvas yang dgunakan adalah fungs sgmod. Algortma arngan syaraf truan BAM adalah sebaga berkut : Langkah 0. Insalsas bobot (untuk menympan sekumpulan P vektor). Insalsas semua aktvas sama dengan 0. Langkah 1. untuk tap-tap nput, kerakan langkah 2-6 : Langkah 2a. Berkan nput pola x kelapsan X (kta set aktvas lapsan X sebaga pola nput). Langkah 2b. Berkan nput pola y ke lapsan Y (salah satu dar vektor nput tersebut basanya dset sebaga vektor nol) Langkah 3. Kerakan langkah 3-6 ka aktvas-aktvas tersebut belum konvergen : Langkah 4. d lapsan Y : Htung : Perbak setap unt aktvas _ n = W Htung : y = f ( y _ ) y * x n Berkan nformas tersebut ke lapsan X. Langkah 5. d lapsan X : Htung : Perbak setap unt aktvas x _ n = W * x Htung : x = f(x_n ) Berkan nformas tersebut ke lapsan Y. Langkah 6. Tes kekonvergenan. Jka vektor x dan y telah mencapa keadaan stabl, maka nteras berhent, ka tdak demkan lanutkan nteras. 3. ANALISIS DAN PERANCANGAN SISTEM Perancangan proses mentkberatkan pada urutan-urutan kegatan yang terad dalam program. Yatu dawal dengan memasukkan nput data berupa pola sdk ar kemudan menympannya ke dalam database sebaga lapsan nput. Secara random, akan dtentukan pada lapsan output yang akan dgunakan untuk menghtung matrks bobot serta sebaga target output yang dharapkan. Berkutnya dlanutkan dengan proses pelathan dan penguan polapola yang telah dsmpan tersebut. Hasl dar proses penguan akan menentukan apakah pola sdk ar tersebut dapat dkenal lag atau tdak bak sebelum dber nose maupun setelah dber nose. 3.1 Perancangan Proses Masukan (Input) Proses masukan atau nput merupakan proses awal dalankannya program. Dalam model Bdrectonal Assocatve Memory, dbutuhkan 2 lapsan nput dan output yang salng terhubung penuh dar satu lapsan ke 9

4 Berkala MIPA, 16(3), September 2006 lapsan yang lannya. Sehngga pada proses masukan, pola sdk ar yang berupa fle gambar akan dsmpan sebaga lapsan nput. Kemudan akan dplh secara acak kode vektor yang dsmpan sebaga output. Lapsan output nlah nantnya yang akan menad target output yang dharapkan. Kedua lapsan tersebut akan dsmpan dalam database yatu dalam tinput. Atrbut NoID Pct Output Status Tabel 1. Struktur Tabel Input Tpe Feld Text Text OLE Obect Text Yes/No Ukur an Kunc PK Keterangan Nomer urut pola masukan pola masukan Pola masukan berupa fle gambar Kode vector sebaga lapsan output Status telah dlath atau tdak 3.2 Perancangan Proses Pelathan (Learnng) Pada proses pelathan atau learnng program akan memanggl data-data berupa sdk ar utuh (belum terdestors) yang telah dsmpan dalam tabel tinput. Kemudan pola tersebut akan dlath oleh JST BAM dengan tuuan agar JST memlk pengetahuan yang cukup dalam mengenal pola-pola ssk ar bak yang terdstors maupun yang tdak terdstors. Pada proses pelathan nlah dperoleh matrks bobot sesua dengan yang telah drumuskan dalam JST BAM. Proses pelathan dawal dengan memlh fle gambar (.bmp) sebaga nput. Kemudan gambar tersebut akan dubah menad monokrom dlanutkan dengan proses mengubah gambar ke bentuk bpolar, yatu dengan aturan apabla warna htam maka nlanya adalah 1 sedangkan untuk warna puth nlanya adalah -1. Bentuk bpolar n kemudan dkalkan dengan kode vektor yang dsmpan sebaga lapsan output untuk mendapatkan matrks bobot yang telah tersmpan sebelumnya (ka proses pelathan baru dlakukan pertama kal, nla matrks bobot sama dengan 0). Karena tu, sebelum proses menghtung matrks bobot, terlebh dahulu dlakukan proses membuka fle teks yang bers nla matrks bobot yang telah tersmpan sebelumnya yatu yang tersmpan dalam Matrxbobot.txt. Setelah tu, baru dlakukan proses mengubah matrks bobot, yatu dengan menambahkan matrks bobot yang dsmpan dalam fle dengan matrks bobot yang ddapatkan dar gambar baru yang akan dlath. Matrks bobot yang telah dubah akan dsmpan kembal dalam fle MatrxBobot.txt. Status pola yang dsmpan dalam database berubah menad True, sehngga dapat dketahu umlah pola yang telah dlath. Dengan demkan proses pelathan untuk satu fle gambar telah selesa. Apabla akan dlakukan proses pelathan kembal, maka proses kembal pada proses memlh fle gambar. 3.3 Perancangan Proses Penguan (Testng)) Pada proses penguan JST BAM, dlakukan proses pengamblan matrks bobot yang tersmpan sebelumnya, kemudan setelah dhtung dengan matrks nput pola bak yang terdstors maupun tdak terdstors, dapat dketahu apakah pola tersebut dapat dkenal atau tdak. Serta seberapa besar nose yang dapat dberkan hngga JST BAM tdak dapat mengenal pola dengan tepat. Proses dawal dengan memlk fle gambar (.bmp) sebaga masukan, kemudan mengubahnya menad monokrom dlanutkan dengan mengubah gambar ke bentuk bpolar, yatu dengan aturan apabla warna htam maka nlan ya 1 sedangkan untuk warna puth nlanya -1. Selanutnya dlakukan proses membuka fle MatrksBobot.txt untuk mengetahu nla matrks bobot yang tersmpan sebelumnya. Dengan algortma pada JST BAM kemudan dlakukan perhtungan untuk mencar bentuk vektor sesua dengan target yang dharapkan yatu sepert pada lapsan output. Setelah konds konvergen maka akan ddapatkan output berupa kode vektor, kemudan akan dbandngkan dengan lapsan output yang tersmpan dalam database. Jka dtemukan kecocokan maka pola tersebut telah dkenal. Sebalknya, ka tdak ada 10

5 Anfudn Azz dan Tanzl Kurnawan, Identfkas Pola Jar kecocokan data maka pola tersebut tdak dapat dkenal dengan tepat. 4. PENGUJIAN PROGRAM DAN PEMBAHASAN Setelah dlakukan proses pelathan dengan 8 pola masukan dan proses penguan dengan pola asl dan terdstors, maka dlanutkan dengan proses penguan seberapa besar nose yang dapat dberkan pada pola masukan hngga JST BAM tdak mampu mengenal pola tersebut dengan tepat. Pada proses n dambl 8 buah pola yang sudah dlath kemudan masng-masng pola dkrna nose secara random yang besarnya antara 0% sampa dengan 100%. Namun dalam u coba yang telah dlakukan, pemberan nose secara random hanya sampa sebesar 91%. Hal n dsebabkan karena kecepatan aplkas sangat lambat sehngga tdak memungknkan untuk dlakukan pemberan nose d atas 91%. Gambar 2 menunukkan pola sdk ar yang dgunakan dalam proses penguan. Sedangkan hasl penguan dtunukkan pada tabel 2 dan tabel 3. Jka output yang dhaslkan tdak sesua dengan target yang dharapkan berart JST BAM tdak berhasl mengenal pola dengan sempurna, sebalknya ka output sama dengan target berart JST BAM berhasl mengenal pola. Gambar 2. Pola sdk ar yang dgunakan dalam proses penguan Tabel 2. Hasl penguan pola dengan nose berksar 0 50%. Pola Jar Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 6 Jar 7 Jar 8 Persentase nose yang dberkan 0% 10% 20% 30% 40% 50% Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 6 Jar 7 Jar 8 Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 6 Jar 7 Jar 8 Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 1 - Jar 2 - Jar 3 Jar 4 Jar 1 Jar Jar 7 Jar 8 Jar 7 Jar 8 Jar 7 Jar 4 Jar 3 Jar 3 Jar 4 Jar 1 Jar 1 Jar 1 Tabel 3. Hasl penguan pola dengan nose berksar 60 91% Pola Jar Jar 1 Jar 2 Jar 3 Jar 4 Jar 5 Jar 6 Jar 7 Jar 8 Persentase nose yang dberkan 60% 70% 80% 90% 100% Jar 8 Jar 5 Jar 6 Jar 5 Jar 2 Jar 3 Jar 4 Jar Jar 5 Jar 6 Jar 5 Jar 6 Jar 5 Jar 6 Jar 5 Jar Jar 2 Jar 3 Jar 8 Jar 7 Jar 2 Jar 3 Jar 8 Jar 7 Jar 2 Jar 3 Jar 8 Jar 7 Jar 2 Jar 3 Jar 8 Jar 7 Dar hasl penguan d atas, dapat dlhat bahwa JST BAM dapat mengenal pola sdk ar dengan tepat setelah pola dkena nose berksar antara 0 30%, 11

6 Berkala MIPA, 16(3), September 2006 kecual satu pola yatu pola sdk ar 6. Sedangkan d atas 30%, yatu sebesar 40 91%, beberapa pola sdk ar ada yang tdak dapat dkenal dengan tepat bahkan ada pula yang tdak bsa dkenal sama sekal, sepert pada pola sdk ar 1, 2, 4 dan 6. Hal tersebut dkarenakan output yang dhaslkan JST BAM bukan merupakan salah satu pola yang dlath sebelumnya atau pola yang dhaslkan konvergen dengan pola terlath yang lan. 5. KESIMPULAN DAN SARAN Kesmpulan Dar hasl percobaan pembuatan dan penguan program, terdapat beberapa kesmpulan yang dapat dambl antara lan : 1. Jarngan Syaraf Truan Bdrectonal Assocatve Memory dapat dgunakan dalam proses pengenalan pola, dalam peneltan n pola yang dgunakan adalah pola sdk ar. 2. Dar hasl penguan, menunukkan bahwa JST BAM tdak dapat mengenal secara tepat beberapa pola sdk ar yang dkena nose antara 40% - 91%. Output yang dhaslkan JST BAM berupa pola palsu atau output yang dhaslkan bukan merupakan salah satu dar pola sdk ar yang telah dlath sebelumnya. 3. Selan tu pada konds tertentu, output yang dhaslkan JST BAM dengan nose antara 40% - 91% konvergen dengan pola terlath lannya. Hal tersebut merupakan keterbatasan JST BAM yang dsebabkan karena nput yang dberkan sebaga pelathan memlk banyak kesamaan, sehngga JST BAM menad tdak stabl. Saran 1. Dalam peneltan n output yang dharapkan menggunakan matrks dengan 4 vektor. Untuk data yang lebh banyak dapat menggunakan ukuran matrks yang lebh besar. Hal n tentunya dapat mempengaruh kecepatan program. 2. Menambah format gambar yang dgunakan sebaga pola masukan sepert GIF, JPG, TIF, dan lan-lan.. 3. Khusus untuk masalah pencocokan sdk ar, dealnya percobaan dan penguannya menggunakan sample sdk ar yang ddapatkan langsung dengan scanner. DAFTAR PUSTAKA Castleman, K.R., Dgtal Image Processng, Prentce-Hall Inc., New Jersey. Fausett, J.A., Fundamentals of Neural Network, Archtecture, Algorthm and Applcatons, Prentnce-Hall Inc, New Jersey. Freeman, J.A., Skapura, D.M., Algortms, Applcatons and Programmng Technques, Addson Wesley, New York. Jogyanto, H.M, Pengenalan Komputer, Dasar Ilmu Komputer, Pemrograman, Sstem Informas dan Intelegens Buatan, And Offest, Yogyakarta. Kusumadew, S, 2003.Artfcal ntellgence, Graha Ilmu, Yogyakarta. Setawan, S, Artfcal Intellgence, And Offet, Yogyakarta. Sh, H, Zhao, Y, Zhuang, X, A General Model for Bdrectonal Assocatve Memory, IEEE Transactons On Systems, man, And Cybernetcs, Vol. XX, No. Y, August, Tm Peneltan dan Pengembangan Wahana Komputer, Tp dan Pemrograman Vsual Basc 6.0, And Offest, Yogyakarta. 12