PENDAHULUAN TINJAUAN PUSTAKA

Transkripsi

1 Latar Belakan PENDAHULUAN Sistem penenalan biometrik menunakan karakteristik fisiolois yan dimiliki manusia sebaai dasar dari penenalannya. arakteristik fisiolois manusia yan diunakan sebaai dasar penenalan arus bersifat unik, permanen, universal (altoni et al 3). Conto dari karakteristik fisiolois manusia yan dapat dijadikan sebaai dasar penenalan biometrik adala waja, retina, sidik jari, suara manusia. Sidik jari bersifat universal unik karena setiap individu memiliki sidik jari tidak ada satupun individu yan memiliki sidik jari yan sama. Selain itu, sidik jari jua bersifat permanen karena sidik jari sulit untuk diilankan, kecuali disebabkan kecelakaan yan amat serius pada jari. Wavelet adala sala satu metode penolaan citra yan dapat menekstraksi fitur selain dapat mereduksi dimensi. enunakan wavelet, fitur-fitur yan pentin tidak akan ilan ketika dimensi citra menalami reduksi. Citra asil transformasi wavelet akan diunakan sebaai input sistem penenalan sidik jari pada penelitian ini. Induk wavelet yan diunakan adala induk wavelet Haar karena merupakan wavelet yan palin muda diunakan (candrew 4). etode penenalan sidik jari yan diunakan pada penelitian ini adala jarinan syaraf tiruan propaasi balik. Jarinan syaraf tiruan propaasi balik diunakan karena memiliki arsitektur multilayer seina baik untuk menanani permasalaan yan kompleks (Fu 994). Penelitian ini didasarkan pada penelitian sebelumnya yan dilakukan ole Cayanintias (7). Penelitian tersebut menunakan citra waja sebaai karakteristik fisiolois pada sistem penenalannya Haar sebaai induk waveletnya. Dari penelitian tersebut, dapat disimpulkan bawa akurasi sistem penenalan citra waja meninkat seirin denan peninkatan level dekomposisi wavelet pada citra. Penelitian lainnya dilakukan ole inarni (4). Sistem klasifikasi yan diunakan pada penelitian tersebut adala jarinan syaraf tiruan Learnin Vector Quantization (LVQ). Penelitian tersebut menasilkan kesimpulan bawa denan menunakan jarinan syaraf tiruan LVQ, semakin kecil dimensi masukan akan membuat unjuk kerja penenalan menurun. Tujuan Penelitian Penelitian ini bertujuan menanalisis penaru level dekomposisi transformasi wavelet pada penenalan sidik jari. Penelitian ini jua akan menanalisis kinerja jarinan syaraf tiruan propaasi balik pada penenalan sidik jari yan tela menalami praproses transformasi wavelet. Ruan Linkup Penelitian Penelitian ini menunakan citra sidik jari berskala keabuan yan memiliki dimensi awal 3 3 piksel. Data diambil dari sebua situs internet pada alamat ttp:// s.asp. Pada situs ini terdapat kumpulan basis data sidik jari yan dapat diundu secara bebas. Induk wavelet yan diunakan pada penelitian ini adala induk wavelet Haar. anfaat Penelitian Penelitian ini diarapkan dapat menamba pustaka penelitian biometrik yan menunakan sidik jari sebaai dasar penenalannya. Penelitian ini jua diarapkan menamba pustaka penelitian menenai wavelet manfaatnya. Sidik Jari TINJAUAN PUSTAA Sidik jari bersifat unik untuk tiap individu tidak akan beruba seumur idup kecuali disebabkan ole kecelakaan seperti luka para pada jari (altoni et al 3). Pola sidik jari dapat dibai menjadi dua tipe aris, yaitu ride valley. Ride merupakan aris yan berwarna elap, sekan valley adala daera antara ride yan berwarna teran. Untuk lebi jelasnya dapat diliat pada Gambar. Gambar Conto sidik jari. Garis berwarna itam adala ride sekan daera puti diantaranya adala valley.

2 Representasi sidik jari yan baik arus memiliki dua properti berikut : Saliency: menandun informasi yan kusus menenai sidik jari tersebut. Suitability: muda diekstrak, disimpan dalam media yan padat, beruna untuk proses verifikasi. Pola sidik jari saat dianalisis dalam beberapa skala yan berbeda menasilkan beberapa fitur yan berbeda, yaitu: - Pada level lobal, aris-aris berbentuk elomban pada sidik jari menambarkan titik-titik yan disebut Titik Sinular. Titik Sinular, yan jua disebut loop atau delta, adala titik dimana alur-alur aris yan terdapat pada sidik jari memutar balik. Titik sinular tinkat kekasaran alur sidik jari sanat berpenaru pada penindeksian klasifikasi sidik jari (altoni et al 3). - Pada level lokal, teridentifikasi lebi dari karakteristik aris ride yan disebut minutiae. Terdapat dua tipe minutiae (altoni et al 3), yaitu: Ride endin : titik dimana aris ride memiliki ujun yan kasar. Ride bifurcation : titik dimana aris ride menalami percabanan. - Analisis pada level yan lebi detail berasil menidentifikasi sweat pores (pori-pori tempat keluarnya kerinat) pada jari. Proses klasifikasi sidik jari menunakan titik ini anya dapat dilakukan pada ambar sidik jari yan beresolusi tini, misalnya dpi. Jarinan Syaraf Tiruan (JST) Jarinan syaraf tiruan adala sebua sistem pemroses informasi yan memiliki beberapa karakteristik kinerja yan mirip denan jarinan syaraf biolois (Fausett 994). Jarinan syaraf tiruan dicirikan denan arsitekturnya, metode pembelajaran (learnin), funsi aktivasinya (Fausett 994). Arsitektur jarinan syaraf tiruan adala pola keterubunan antar neuron pada jarinan. etode pembelajaran adala metode untuk menentukan bobot dari koneksi antar neuron. Topoloi jarinan syaraf tiruan biasanya dispesifikasikan ole jumla layer jumla neuron pada tiap layer-nya. Tipe-tipe layer yaitu (Fu 994): Layer input: merepresentasikan masala aar dapat diproses ole jarinan syaraf tiruan. Pada lapisan input tidak dilakukan pemrosesan informasi tetapi anya mendistribusikannya ke layer lain. Hidden layer: tidak diobservasi secara lansun. enyediakan nonlinearitas dalam bentuk funsi aktivasi pada jarinan syaraf tiruan. 3 Layer output: merepresentasikan konsep atau nilai yan munkin untuk permasalaan yan diberikan ole layer input. Arsitektur jarinan syaraf tiruan biasanya diklasifikasikan menjadi dua yaitu sinle layer multilayer (Fausett 994). Jarinan syaraf tiruan sinle layer anya mempunyai satu layer yan terubunkan. Jarinannya anya terdiri dari layer input sebaai penerima sinyal dari linkunan layer output sebaai tempat diberikannya respon jarinan. Jarinan syaraf tiruan multilayer memiliki satu atau lebi idden layer antara layer input layer output. Jarinan syaraf tiruan multilayer dapat menyelesaikan permasalaan yan lebi kompleks dari jarinan syaraf tiruan sinle layer (Fausett 994). Jarinan syaraf tiruan dikelompokkan dalam dua kelompok besar yaitu jarinan syaraf tiruan feed-forward jarinan syaraf tiruan recurrent. Jarinan syaraf tiruan feedforward dicirikan denan tidak aya loop dalam raf jarinan, sekan jarinan syaraf tiruan recurrent dicirikan denan aya loop koneksi balik pada raf jarinannya. Funsi aktivasi Funsi aktivasi jarinan syaraf tiruan adala funsi yan menambarkan tinkat aktivasi internal antar neuron (Puspitaninrum 6). Untuk mendapatkan asil maksimum dari jarinan syaraf tiruan multilayer, dibutukan sebua funsi aktivasi yan nonlinear (Fausett 994). Funsi simoid sanat beruna diunakan sebaai funsi aktivasi. Terdapat dua jenis funsi aktivasi simoid yan umum diunakan yaitu funsi simoid biner simoid tanen. Jarinan Syaraf Tiruan Propaasi Balik Jarinan syaraf tiruan propaasi balik termasuk dalam jarinan syaraf tiruan feed forward multilayer (Fu 994). Arsitektur jarinan syaraf tiruan propaasi balik dapat diliat pada Gambar. Pada jarinannya, tiap unit lapisan input akan terubunkan denan tiap unit idden layer.

3 3 sampai pada output. Funsi simoid biner didefinisikan sebaai : f ( x) = x + e. () Gambar Arsitektur jarinan syaraf tiruan propaasi balik (Fu 994). Pelatian pada jarinan syaraf tiruan propaasi balik memiliki 3 lanka (Fausett 994), yaitu: - feed forward Pada taap feed forward, tiap unit input diberi masukan dari luar JST, kemudian inputinput tersebut dikirimkan ke idden layer. Setela menerima input dari layer input, idden layer akan menitun nilai aktivasinya meneruskan sinyal input ke layer output. Sama seperti idden layer, layer output jua akan menitun nilai aktivasi sebaai respon dari JST tersebut. - peritunan propaasi balik kesalaan Nilai-nilai aktivasi yan diasilkan ole tiap unit output akan dibandinkan denan nilai taret yan diberikan untuk mencari nilai kesalaan yan diasilkan. Berdasarkan kesalaan tersebut, akan diitun nilai radien error δ yan akan diunakan untuk mendistribusikan kesalaan pada layer output ke idden layer sebelumnya. emudian, dilakukan peritunan yan sama pada idden layer. Namun nilai δ tidak diunakan untuk mendistribusikan nilai kesalaan ke layer input, tetapi diunakan untuk memperbaiki bobot antara layer input idden layer. - penyesuaian bobot Setela semua nilai δ ditentukan, dilakukan penyesuaian bobot untuk semua layer. Penyesuaian bobot didasarkan kepada faktor δ nilai aktivasi pada tiap layer. Funsi aktivasi yan biasanya diunakan pada jarinan syaraf tiruan propaasi balik adala simoid biner. Funsi simoid biner dapat memetakan nilai input yan rane-nya tak terbatas menjadi nilai di antara rane Resilient Backpropaation (RPROP) Resilient Backpropaation (RPPROP) adala sala satu jarinan syaraf tiruan yan dikembankan dari jarinan syaraf tiruan propaasi balik. RPROP dapat memperkecil besarnya efek turunan parsial pada jarinan syaraf tiruan propaasi balik denan cara anya menunakan tanda turunan yan mempenarui cara perbaikan bobot. Pada RPROP, besarnya perubaan setiap bobot ditentukan ole suatu faktor yan disebut Faktor Naik (FN) atau Faktor Turun (FT) (Nuroo 7). Bila radien error beruba tanda dari iterasi satu ke iterasi setelanya, bobot diturunkan sejumla FT, sekan bila radien error bertanda sama dari iterasi sebelumnya bobot akan dinaikkan sejumla FN. Bila radien error bernilai nol, maka nilai bobot tetap dari iterasi sebelumnya. Aloritma RPROP selenkapnya dapat diliat pada Lampiran. Wavelet Wave didefinisikan sebaai sebua funsi yan berosilasi teradap waktu atau ruan (Burrus, Gopinat, Guo 998). Conto dari sebua wave adala sinusoid atau funsi sinus. Wavelet adala sebua wave kecil yan enerinya terkonsentrasi pada waktu atau titik tertentu (Burrus, Gopinat, Guo 998). Wavelet jua dapat dianap sebaai wave yan anya memiliki nilai tidak nol pada sebaian kecil daera (candrew 4). Transformasi wavelet dapat didefinisikan sebaai jumla dari nilai funsi yan dikalikan denan nilai wavelet (candrew 4). Basis wavelet berasal dari sebua funsi penskalaan atau scalin function (Burrus, Gopinat, Guo 998). Scalin function dapat dituliskan denan persamaan: n φ( t) = ( n) φ(t n), n Z () denan adala koefisien scalin function. Dari persamaan (), dapat dibentuk persamaan wavelet pertama (moter wavelet): 3

4 4 n ψ( t) = ( ) ( ), n φ t n n Z (3) untuk sekumpulan nilai. Wavelet lainnya dapat dibentuk dari asil dilasi pereseran moter wavelet. Wavelet dapat diunakan untuk menurani noise, deteksi tepi, kompresi citra (candrew 4). Prinsip kerja semua transformasi wavelet adala menunakan nilai rata-rata dari nilai-nilai input menyediakan semua informasi yan diperlukan aar dapat menembalikan input ke nilai semula (candrew 4). Untuk menembalikan input ke nilai semula, diperlukan nilai selisi nilai input nilai rata-ratanya. etode ini disebut averain (rata-rata) differencin (selisi). isal diberikan dua nilai a b, maka nilai rata-rata (averae) s dapat diperole denan persamaan: a + b s =, (4) nilai selisi (difference) d dapat diitun denan persamaan: d = a s. (5) Untuk menembalikan nilai input, dapat diunakan persamaan: a = s + d, (6) b = s d. (7) Transformasi wavelet pada bi dua dimensi, misalnya citra, dapat dibai dalam dua cara yaitu dekomposisi standar dekomposisi nonstandar (candrew 4). Pada dekomposisi standar, seluru level transformasi wavelet dilakukan pada tiap kolom terlebi daulu, kemudian dilakukan transformasi wavelet dari level pertama pada tiap baris dari asil transformasi seluru kolom. Pada dekomposisi nonstandar, transformasi wavelet dilakukan per level pada tiap kolom, kemudian transformasi wavelet level yan sama diterapkan pada tiap barisnya. Dekomposisi nonstandar menasilkan empat citra, yaitu: citra pendekatan sebaai asil sebenarnya transformasi wavelet, citra detil orisontal, citra detil vertikal, citra detil diaonal. etia citra terakir diunakan untuk merekonstruksi citra asil transformasi ke citra aslinya. Penembanan sinyal berdimensi dua, misalnya citra, menunakan bank filter untuk melakukan dekomposisi. Citra yan menalami dekomposisi akan menasilkan citra pendekatan berupa koefisien pendekatan citra detil berupa koefisien detil. oefisien pendekatan diasilkan ole koefisien low-pass ([n]) koefisien detil diasilkan ole koefisien i-pass ([n]). etode averain berubunan denan koefisien low-pass, sekan differencin berubunan denan koefisien i-pass (candrew 4). Wavelet terdiri dari banyak famili. Tiap famili dibedakan dari bank filter yan diunakan. Haar adala wavelet yan palin muda sederana (candrew 4). Famili wavelet asil penembanan dari Haar adala wavelet Daubecies. Selain itu, terdapat biortoonal wavelet, eyer wavelet, orlet wavelet, Sanon wavelet, masi banyak lainnya. Transformasi Haar-Wavelet Wavelet Haar didefinisikan denan funsi berikut (candrew 4): jika < x < / ψ ( x ) = jika / x < (8) lainnya. denan anya dua koefisien tidak nol, yaitu () = / ()= / (Burrus, Gopinat, Guo 998). Selain itu, wavelet Haar dapat dituliskan jua dalam bentuk scalin function berikut (candrew 4): if x < φ ( x) = (9) lainnya, ψ ( x) = φ(x) φ(x ). () Persamaan () disebut persamaan wavelet untuk wavelet Haar (candrew 4). Proses dekomposisi Haar menerapkan bank filter denan = = / sebaai koefisien low-pass yan menasilkan citra pendekatan, = /, = / sebaai koefisien i-pass yan menasilkan citra detil. Bank filter Haar dapat diliat pada Gambar 3. 4

5 5 Gambar 3 Bank filter Haar. Hasil dekomposisi Haar dapat diitun menunakan rumus: si + si+ a i =, () c i = s i - a i. () Variabel a i merupakan koefisien pendekatan, c i merupakan koefisien detil, s i adala impunan bilanan yan akan didekomposisi. Citra asil dekomposisi akan berukuran setena dari ukuran citra sebenarnya. Jika diberikan citra berdimensi 4 4 piksel, maka asil dekomposisi wavelet level akan menasilkan citra berdimensi piksel. Ilustrasi transformasi Haarwavelet pada citra selenkapnya dapat diliat pada Lampiran. Data ETODE PENELITIAN Penelitian ini menunakan data berupa citra sidik jari yan diambil dari sebua situs di internet denan alamat ttp:// s.asp. Jumla seluru data adala 8 sidik jari, namun tidak semua data diunakan pada proses penenalan karena beberapa data dianap tidak memiliki keseraaman posisi denan data lainnya. Data yan diunakan pada penelitian ini berjumla 7 bua, berasal dari sidik jari individu yan masin-masin diambil sidik jarinya sebanyak 7 bua denan posisi penambilan yan serupa. Data selenkapnya dapat diliat pada Lampiran 3. Tiap citra berdimensi 3 3 piksel denan format.tif skala keabuan 8 bit resolusi 5dpi. Citra sidik jari kemudian dibai menjadi dua baian. Penelitian Cayanintias (7) menunakan perbandinan : dalam pembaian data untuk data lati data ujinya. Dalam penelitian ini, data dibai sedemikian seina jarinan syaraf tiruan memiliki data lati yan cukup untuk melakukan penenalan namun data uji yan diunakan jua tidak terlalu sedikit. Dilakukan pembaian sebanyak 4 bua untuk data lati 3 bua untuk data uji. Transformasi Wavelet Citra asli berdimensi cukup besar yaitu 3 3 piksel. Pertama-tama, citra akan menalami transformasi wavelet level seina dimensinya akan menjadi setena dari dimensi aslinya yaitu 5 5 piksel. Tranformasi wavelet level akan menasilkan citra berdimensi setena dari dimensi citra dekomposisi wavelet level yaitu sebesar piksel. Seterusnya dilakukan reduksi dimensi citra menunakan transformasi wavelet ina level 6 dimana dimensi citra adala 5 5 piksel. Proses Penenalan Sidik Jari Citra sidik jari yan tela menalami transformasi wavelet tiap level akan menjadi input untuk jarinan syaraf tiruan propaasi balik. Parameter percobaan yan diunakan selenkapnya dapat diliat pada Tabel. Tabel Parameter percobaan arakteristik Spesifikasi Arsitektur idden layer Sesuai denan Jumla neuron input dimensi citra sidik jari Jumla neuron Sesuai banyaknya output individu yaitu Jumla neuron,, 3, 4, 5, idden layer 6, 7, 8, 9, Funsi aktivasi Simoid biner Laju pembelajaran. Toleransi kesalaan.,.,. Banyaknya kelas taret pada jarinan syaraf tiruan yan diunakan pada penelitian ini sesuai denan jumla individu pada data sidik jari yan diperole yaitu bua. Tiap taret akan mewakili satu individu yan direpresentasikan ole nilai. Definisi taret selenkapnya dapat diliat pada Tabel. Tabel Definisi kelas taret elas Taret Sidik jari individu Sidik jari individu Sidik jari individu 3 Sidik jari individu 4 5