JARINGAN SARAF TIRUAN PROPAGASI BALIK TIGA FAKTOR DALAM PENGENALAN SIDIK JARI SKRIPSI FANINDIA

Transkripsi

1 JARINGAN SARAF TIRUAN PROPAGASI BALIK TIGA FAKTOR DALAM PENGENALAN SIDIK JARI SKRIPSI FANINDIA PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013

2 JARINGAN SARAF TIRUAN PROPAGASI BALIK TIGA FAKTOR DALAM PENGENALAN SIDIK JARI SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi FANINDIA PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2013

3 ii PERSETUJUAN Judul : JARINGAN SARAF TIRUAN PROPAGASI BALIK TIGA FAKTOR DALAM PENGENALAN SIDIK JARI Kategori : SKRIPSI Nama : FANINDIA Nomor Induk Mahasiswa : Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen Fakultas Komisi Pembimbing : : TEKNOLOGI INFORMASI : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, Januari 2013 Pembimbing 2 Pembimbing 1 M.Anggia Muchtar,ST.,MMIT Drs. Suyanto, M.Kom NIP NIP Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Prof. Dr. Opim Salim Sitompul, M.Sc. NIP

4 iii PERNYATAAN JARINGAN SARAF TIRUAN PROPAGASI BALIK TIGA FAKTOR DALAM PENGENALAN SIDIK JARI SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Januari 2013 FANINDIA

5 iv PENGHARGAAN Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi. Ucapan terima kasih penulis sampaikan kepada Bapak Drs. Suyanto, M.Kom. selaku pembimbing satu dan M.Anggia Muchtar,ST.,MMIT. selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Sajadin Sembiring SSi.MComp.Sc dan Drs.Sawaluddin MIT. yang telah bersedia menjadi dosen penguji. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi. Skripsi ini terutama penulis persembahkan untuk kedua orang tua dan keluarga penulis yang telah memberikan dukungan dan motivasi, ayahanda Ir.Surya Hardi, MSc dan ibunda Dra.Siswarni yang selalu sabar dalam mendidik penulis. Untuk kakak penulis Firanti dan adik penulis Fathia yang selalu memberikan dorongan dan hiburan kepada penulis. Terima kasih penulis ucapkan kepada teman-teman yang selalu memberikan dukungan, semangat serta bantuan, Ridha Apriani,STi, Khairunnisa STi, Adfriansyah, STi, Tika Yunita. STi, Masyita Oktaviani STi, Anandia Zelvina STi, agnes, putri serta teman-teman mahasiswa Teknologi Informasi lainnya yang sudah selesai maupun yang sedang mengerjakan skripsi yang tidak dapat penulis sebutkan satu persatu. Teman-teman yang mengajarkan dan memberi bantuan, ide dan waktu untuk berdiskusi, bang revin, bang tomi dan aron. Semoga Allah SWT membalas kebaikan kalian.

6 v ABSTRAK Pengenalan sidik jari merupakan salah satu pengenalan pola yang cukup rumit. Hal ini dikarenakan pola sidik jari yang unik yang berbeda tiap manusia. Pengenalan sidik jari melibatkan dua proses yaitu ekstraksi fitur dan pengenalan. Sebelum mengalami ekstraksi fitur, citra mengalami prapengolahan citra seperti deteksi tepi, dan binerisasi. Pada penelitian ini digunakan ekstraksi fitur dengan metode wavelet, yang dapat mendekomposisi citra menghasilkan koefisien yang digunakan sebagai nilai masukan pada jaringan saraf tiruan. Jaringan saraf tiruan berfungsi dalam pembelajaran untuk mengenali pola. Algoritma jaringan saraf tiruan yang digunakan adalah propagasi balik. Pada penelitian ini, peneliti menggunakan tiga parameter pembelajaran yakni laju pembelajaran, momentum dan faktor proporsional. Dari hasil penelitian, pelatihan jaringan saraf tiruan dengan menggunakan arsitektur jaringan 121 neuron pada lapisan masukan, 25 neuron pada lapisan tersembunyi, dan 5 neuron pada lapisan keluaran mampu menghasilkan kemampuan mengenali terbaik sebesar 100% menggunakan data pelatihan sedangkan kemampuan mengenali menggunakan data pengujian sebesar 55%. Kata kunci: pengenalan sidik jari, wavelet, jaringan saraf tiruan propagasi balik, faktor proporsional

7 vi THREE TERM OF BACKPROPAGATION NEURAL NETWORK IN FINGERPRINT RECOGNITION ABSTRACT Fingerprint recognition is one of the most complex pattern recognition. This problem because fingerprint of each human is different. Fingerprint recognition involves two processes, consist on feature extraction and recognition. Prior feature extraction, image can be processed edge detection and thresholding. This research use wavelet as feature extraction, which can decompose the image and produces coefficients that are used as input values to the neural network. Neural network is used as learning to recognize pattern. Algorithm of neural network which used in this research is backpropagation. In this research, researcher used three parameters of learning in neural network, such as learning rate, momentum and proportional term. Network architecture using 121 neurons in input layer, 25 neurons in the hidden layer and 5 neurons in the output layer. The best recognition result of this research is about 100% in data training and 55% in data testing. Keywords: fingerprint recognition, wavelet, backpropagation neural network, proportional term

8 vii DAFTAR ISI Halaman Persetujuan ii Pernyataan iii Penghargaan iv Abstrak v Abstract vi Daftar Isi vii Daftar Tabel ix Daftar Gambar x Bab 1 Pendahuluan Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Metodologi Penelitian Sistematika Penulisan... 5 Bab 2 Landasan Teori Pengenalan Pola Pengenalan Pola Sidik Jari Pengolahan Citra Digital Binerisasi (Threshoding) Deteksi Tepi Ekstraksi Ciri (Feature Extraction) Jaringan Saraf Tiruan Model Saraf (Neuron) Arsitektur Jaringan Saraf Tiruan Algoritma Propagasi Balik Proses Komputasi Propagasi Balik Komputasi maju (forward) Komputasi Mundur (backward) Perbaharuan Bobot Perhitungan Error Optimalitas Arsitektur Jaringan Saraf Propagasi Balik Pemilihan Bobot dan Bias Awal Laju Pembelajaran (learning rate) Momentum Faktor Proporsional Fungsi Aktivasi Fungsi Sigmoid Biner (logsig) Fungsi Sigmoid Bipolar K-Fold Cross Validation Penelitian Terdahulu... 29

9 viii Bab 3 Analisis dan Perancangan Sistem Analisis Data Sistem Akuisisi Citra Praproses Citra Deteksi Tepi Binerisasi Ekstraksi Fitur (Feature Extraction) Perancangan Sistem Perancangan Jaringan Saraf Tiruan Propagasi Balik Pelatihan Jaringan Saraf Tiruan Propagasi Balik Pengujan Jaringan Saraf Tiruan Propagasi Balik K-fold Cross Validation Perancangan Antarmuka Pengguna (User Interface) Rancangan Form Utama Rancangan Login Rancangan Data Pengguna Rancangan Data Latih Sidik Jari Rancangan Data Uji Sidik Jari Rancangan Data Pelatihan Rancangan Proses Latih Rancangan Proses Uji Rancangan Form Ten Fold Cross Validation Bab 4 Implementasi dan Pengujian Implementasi Sistem Lingkungan Implementasi Tampilan Implementasi Program Pengujian Sistem Hasil Pelatihan Jaringan Saraf Tiruan Propagasi Balik Pengujian Akurasi Data Menggunakan 10 Fold Cross Validation Bab 5 Penutup Kesimpulan Saran Daftar Pustaka Lampiran A: Listing Program Lampiran B: Sampel Sidik Jari Lampiran C: Hasil Pengenalan Sistem

10 ix DAFTAR TABEL Halaman Tabel 2.1 Penelitian Terdahulu 29 Tabel 3.1 Susunan Data Pelatihan 45 Tabel 4.1 Hasil Pelatihan dengan Tiga Parameter Pada Jaringan Saraf Tiruan 72 Tabel 4.2 Akurasi data menggunakan 10 fold cross validation 73

11 x DAFTAR GAMBAR Halaman Gambar 2.1 Struktur Sistem Pengenalan Pola... 7 Gambar 2.2 Sidik Jari... 9 Gambar 2.3 Karakteristik Ciri Sidik Jari Level Gambar 2.4 Karakteristik Ciri sidik jari level 2 dan Gambar 2.5 Gambar kualitas sidik jari Gambar 2.6 Representasi sistem koordinat citra Gambar 2.7 Piksel Bertetangga Gambar 2.8 Kernel Operator Sobel Gambar 2.9 Contoh transformasi wavelet pada citra Gambar 2.10 Model saraf (neuron) Gambar 2.11 Arsitektur Jaringan saraf tiruan Gambar 3.1 Praproses Citra Gambar 3.2 Dua buah matriks kernel Sobel Gambar 3.3 Flowchart Deteksi Tepi Sobel Gambar 3.4 Matriks 3x3 pixel dengan 2 operator Sobel Gambar 3.5 Nilai konvolusi (M) sekitar piksel 3x Gambar 3.6 Matriks Hasil Deteksi Tepi Gambar 3.7 Citra Hasil Deteksi Tepi Gambar 3.8 Citra Hasil Binerisasi Gambar 3.9 Citra Hasil Dekomposisi Wavelet Gambar 3.10 Transformasi Wavelet pada kolom Gambar 3.11 Transformasi Wavelet pada baris Gambar 3.12 Transformasi Wavelet l Gambar 3.13 Koefisien Wavelet ternormalisasi Gambar 3.14 Flowchart Sistem Gambar 3.15 Arsitektur Jaringan Saraf Tiruan Propagasi Balik Gambar 3.16 Flowchart Pelatihan Gambar 3.17 Flowchart Pengujian Gambar 3.18 Rancangan form utama Gambar 3.19 Rancangan Login Gambar 3.20 Rancangan Data Pengguna Gambar 3.21 Rancangan Data Latih sidik jari Gambar 3.22 Rancangan Data Uji Sidik Jari Gambar 3.23 Rancangan Data Pelatihan Gambar 3.24 Rancangan Form Proses Latih Gambar 3.25 Rancangan Form Proses Uji Gambar 3.26 Rancangan Form 10 fold cross validation Gambar 4.1 Menu Utama Program Gambar 4.2 Menu Otorisasi Gambar 4.3 Form Data Pengguna Gambar 4.4 Form Data Sidik Jari Gambar 4.5 Proses Penyimpanan Data Sidik Jari Gambar 4.6 Data Pelatihan Gambar 4.7 Form Proses Latih... 67

12 xi Gambar 4.8 Tampilan Form Memorisasi Gambar 4.9 Tampilan Form Generalisasi Gambar 4.11 Tampilan Form 10 Fold Cross Validation Gambar 4.12 Error Rate (MSE) Gambar 4.13 Hasil Uji Sistem Gambar 4.14 Konfirmasi Data yang Dikenali Gambar 4.15 Citra Uji Tidak Dikenali Gambar 4.16 Konfirmasi Data yang tidak Dikenali Gambar 4.17 Grafik Error α=0.4 β=0.5 dan γ=