You are on page 1of 11

JURNAL APLIKASI FISIKA

VOLUME 7 NOMOR 1

FEBRUARI 2011

Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan
Dengan Metode Pembelajaran Backpropagation
Arifin, Okvian Tumanan
Universitas Hasanuddin
Alamat : Jl. Perintis Kemerdekaan Km.10
Abstrak
Pada penelitian ini digunakan jaringan saraf tiruan metode propagasi balik untuk mengidentifikasi sidik
jari. Sebelum masuk ke dalam jaringan, citra sidik jari mengalami proses ekstraksi ciri untuk mendapatkan
ciri penting dari citra. Hasil dari proses ini adalah sebuah matriks 1 x 19 yang kemudian menjadi masukan
pada jaringan propagasi balik. Jaringan yang digunakan memiliki 4 layar, antara lain layar masukan
dengan 19 neuron, layar tersembunyi pertama dengan 73 neuron, layar tersembunyi ke-dua dengan 95
neuron dan layar keluaran dengan 4 neuron. Hasil evaluasi menunjukkan jaringan mampu mengenali 100%
dari 320 data latih dan 79,37% dari 160 data uji.
Kata kunci: Jaringan saraf tiruan, propagasi balik, sidik jari.
Backpropagation method of Artificial neural network was used in this research to identificate personal
fingerprint. Before proced in artificial neural network, the fingerprint image was ekstracted to get the
importance fiture of the image. From this fiture ekstraction, backpropagation network got the 1 x 19 matrix
wich would be the input for backpropagation network. This network has 4 layer, they are input layer with 19
neuron, the first hidden layer with 73 neuron, the second hidden layer with 95 neuron, and output layer with
4 neuron. The evaluation results show that network could recognize 100% of 320 training data, and 79.37%
of 160 testing data.
Keywords: Artificial neural network, backpropagation, fingerprint.

perbankan, militer, kepolisian dan lainnya.
Untuk tujuan ini berbagai teknik identifikasi
sidik jari telah dikembangkan, baik itu dengan
cara manual ataupun dengan cara digital.
Karena fiture pola sidik jari yang
begitu kompleks dan padat, maka proses
pengidentifikasian sidik jari dibantu dengan
metode-metode komputasi yang mampu
mengekstraksi ciri khusus dari sidik jari.
Untuk memenuhi syarat ini digunakan metode
jaringan saraf tiruan yang telah terbukti handal
dalam proses pengidentifikasian pola gambar,
termasuk gambar sidik jari.

1. Pendahuluan
Identifikasi biometrik didasarkan pada
karakteristik alami manusia, yaitu karakteristik
fisiologis dan karakteristik perilaku seperti
wajah, sidik jari, suara, telapak tangan, iris dan
retina mata, DNA, dan tanda tangan.
Identifikasi biometrik memiliki keunggulan
dibanding dengan metode konvensional dalam
hal tidak mudah untuk dipalsukan(2).
Sidik jari merupakan salah satu
karakteristik fisiologis yang sampai saat ini
paling
banyak
digunakan
untuk
pengidentifikasian personal, hal ini disebabkan
oleh karena sidik jari memiliki sifat yang
permanen dan tidak pernah berubah kecuali
mendapatkan kecelakaan yang serius, dan juga
sidik jari unik untuk setiap orang. Dari sifatsifat ini, sidik jari dapat digunakan sebagai
sistem identifikasi yang dapat digunakan
dalam aplikasi teknologi informasi misalnya
sebagai keamanan akses pada suatu daerah
atau sistem, database untuk kepentingan

2. Jaringan Saraf Tiruan
Jaringan saraf tiruan (artificial neural
network) atau disingkat JST, adalah sistem
komputasi di mana arsitektur dan operasi
diilhami dari pengetahuan tentang sel saraf
biologis didalam otak dan juga merupakan
salah satu representasi buatan dari otak
manusia yang selalu mencoba mensimulasi

1

Sistem jaringan saraf tiruan juga disebut brain metamorph. Setiap sambungan penghubung memiliki bobot yang bersesuaian. 1-11 proses pembelajaran pada otak manusia tersebut. Jaringan saraf tiruan dapat belajar dari pengalaman. Untuk menghitung nilai penjumlahan berbobot digunakan rumus(5): n Sj w0 ai w ji (1) i 0 Dengan: a i masukan yang berasal dari unit i . Ketiga lapisan ini terhubung secara penuh. jaringan saraf tiruan tidak memerlukan atau mengunakan suatu model matematik atas permasalahan yang dihadapi. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron. bagian tengah disebut sebagai lapisan tersembunyi dan bagian kanan disebut lapisan keluaran. Dibandingkan dengan cara penghitungan konvensional. Sebuah simulasi dari model saraf biologi didasarkan pada asumsi sebagai berikut[1]: 1. computational neuroscience. Bobot ini akan digunakan untuk menggandakan/mengalikan isyarat yang dikirim melaluinya. tiap unit pengolah melakukan penjumlahan berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya. Isyarat mengalir di antara sel saraf atau neuron melalui suatu sambungan penghubung. Algoritma pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah. 4. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear. klasifikasi data cluster dan regresi non-para-metrik. atau parallel distributed processing serta conection. Vol. bagian kiri sebagai masukan. 7 No. Gambar 1 menunjukkan jaringan perambatan galat mundur dengan tiga lapisan pengolah. Berbeda dengan metode lain. melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakteristik esensial input bahkan untuk data yang tidak relevan(3). fungsi sigmoid diterapkan pada S j untuk . Pada setiap lapisan. 1 (2011). Setiap sel saraf akan menerapkan fungsi aktifasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya. Jaringan saraf tiruan tersusun dari sejumlah besar elemen yang melakukan kegiatan yang analog dengan fungsi-fungsi biologis neuron yang paling elementer. Oleh karena itu jaringan saraf tiruan juga dikenal sebagai model free-estimator[7].2 JAF. w ji = bobot sambungan dari unit i ke unit j . Setelah nilai S j dihitung. algoritma untuk jaringan saraf tiruan beroperasi secara langsung dengan angka sehingga data yang tidak numerik harus dirubah menjadi data numerik. 2. Jaringan perambatan galat mundur terdiri atas tiga lapisan atau lebih unit pengolah. X Y Z X Y Z X Y Z X Y Z Gambar 1 Jaringan Backpropagation dengan tiga lapisan Perambatan maju dimulai dengan memberikan pola masukan ke lapisan masukan. dan w 0 = bias. Dengan melakukan perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan berikutnya. 3. Pola masukan ini merupakan nilai aktivasi unit-unit masukan. yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan.

Proses pengambilan data hingga pada proses pelatihan jaringan sajikan pada gambar 3. Berdasarkan perbedaan ini kemudian dihitung galat untuk tiap-tiap lapisan pada jaringan. yaitu Plain Whorl.. dan Eternal Pocket.Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan………. loop. Sentral Pocket Loop. proses pelatihan JST. Perhitungan akan dilanjutkan jika nilai SSE keluaran lebih besar dari SSE yang sudah ditentukan. sidik jari dapat dikelompokkan dalam tiga pola kelompok besar. Nilai SSE inilah yang nantinya akan menentukan apakah perhitungan akan dilanjutkan atau dihentikan. dihentikan jika lebih kecil dari galat yang ditentukan [7].……. dan Tented Arch. Pola sidik jari Arch terbagi atas dua sub pola. keunikan sidik jari juga didukung oleh adanya fitur sidik jari yang berupa guratan-guratan khusus yang disebut “minutiae”. antara lain arch. 3. sehingga sidik jari dapat dikatakan sebagai identitas diri seseorang. yaitu Ulnair Loop. dan Radial Loop. Nilai aktivasi ini dikirimkan ke seluruh unit keluaran dengan melakukan penjumlahan berbobot seperti halnya dari masukan ke lapisan tersembunyi j . Hasil keluaran dari perambatan maju dibandingkan dengan target jaringan. . Accidental. Di sini galat dihitung pada semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan dimulai dari lapisan keluaran dan mundur sampai lapisan masukan. dan proses pengujian. Metode Penelitian Penelitian dilakukan dalam beberapa tahap yaitu: proses pengambilan data. Berdasarkan klasifikasi yang telah dikembangkan hingga saat ini. Ketiga pola sidik jari ini. Setelah perambatan maju selesai dikerjakan maka jaringan siap melakukan perambatan mundur[1]. kemudian diaktivasi dengan fungsi sigmoid. yaitu Plain Arch. Tiga kelompok besar sidik jari Pola sidik jari Whrol terbagi atas lima sub pola. dan whorl. error t o output (3) Nilai error ini akan digunakan untuk menghitung Sum Square Error (SSE). masih dibagi kedalam sub-sub pola yang lebih khusus Whorl Arch Loop Gambar 2. proses pengolahan citra. Pola sidik jari Loop juga terbagi atas dua sub pola. Double Loop. 3 Pola Sidik Jari Sidik jari yang dimiliki oleh setiap orang adalah unik dan tidak ada sidik jari yang sama. Fungsi sigmoid ini mempunyai persamaan[5]: f (S j ) 1 1 e sj (2) Hasil perhitungan f ( S j ) ini merupakan nilai aktivasi pada unit pengolah j . 4.(Arifin dkk) membentuk f ( S j ) . Di samping pola yang sudah disebutkan. Hal yang dilakukan pada langkah perambatan mundur adalah menghitung galat dan mengubah bobot-bobot pada semua interkoneksinya. Galat didapatkan dengan menghitung selisih antara nilai target dengan keluaran jaringan.

Gambar yang telah difilter kemudian dirubah ke dalam bentuk biner. 1 (2011). dan citra dibagi . dengan ketentuan bahwa di atas nilai batas derajat keabuan bernilai 1 atau berwarna putih. Partisi gambar sidik jari dilakukan dengan membagi gambar menjadi 19 bagian dengan cara sebagai berikut: citra dibagi dua secara vertikal dan horizontal. Diagram Blok proses identifikasi sidik jari Scan gambar Numerik ciri Ekstraksi ciri Penentuan derajat keabuan Partisi gambar Filterisasi gambar Binerisasi gambar Gambar 4. Gambar sidik jari diambil dengan menggunakan tinta stempel. lalu ditempelkan pada kertas yang memiliki permukaan rata dan tidak menyerap tinta stempel. dan sisanya akan menjadi data pengujian. Setelah dicetak gambar kemudian discan untuk menjalani proses selanjutnya. gambar tersebut kemudian difilter untuk mendapatkan gambar yang lebih halus. Diagram blok Proses pengolahan citra Proses pengolahan gambar sidik jari diawali dengan pengambilan sidik jari. sedangkan di bawah nilai batas derajat keabuan bernilai 0 atau hitam. untuk memperoleh citra hitam putih. 20 data di antaranya akan menjadi data pelatihan.4 JAF. Nilai dari derajat abuan itu sendiri berkisar antara 0 sampai 255[4]. 1-11 Proses pelatihan JST Proses pengolahan citra JST Hasil Proses pengujian Gambar 3. terlebih dahulu gambar harus melewati beberapa langkah pengolahan yang antara lain adalah seperti yang terlihat dalam gambar 4. maka akan didapatkan hasil gambar yang terlihat jelas guratannya. 7 No. Cara yang kita gunakan adalah dengan menentukan nilai batas derajat keabuan(8). citra dibagi tiga secara vertikal dan horizontal. Setelah menentukan derajat keabuan. Jumlah gambar sidik jari yang diambil dari setiap orang berjumlah 30 gambar. Setelah gambar melalui proses ini. Dalam penelitian ini digunakan nilai batas derajad keabuan 70. agar gambar tidak terhambur. Sebelum gambar diidentifikasi di dalam jaringan saraf tiruan. Vol. Penentuan derajat keabuan dilakukan dengan mengubah piksel-piksel gambar ke dalam bentuk numerik.

Tahap kedua menguji kemampuan generalisasi jaringan dengan beberapa data sidik jari yang lain dari sumber yang sama. dan sistem pengujian. Jumlah iterasi untuk mendapatkan bobot yang tepat.[1] Proses pengujian Proses pengujian jaringan dilakukan dua tahap[3] 1. digunakan matlab 6. tergantung pada matriks bobot awal yang 5 digunakan. Sedangkan lamanya iterasi tergantung dari kemampuan memori komputer untuk melakukan komputasi. Satu orang yang sidik jarinya dipelajari oleh jaringan mempunyai satu matriks bobot hasil belajar. di mana bobot-bobot digunakan pada proses pengenalan sidik jari. sistem pemrosesan awal.. Perancangan Sistem Dalam perancangan sistem pengidentifikasian pola sidik jari dengan jaringan saraf tiruan. Nilai fiture rata-rata inilah yang nantinya akan digunakan sebagai masukan pada jaringan saraf tiruan. Fiture ini sendiri akan dinyatakan dalam bentuk nilai numerik. Mulai Inisialisasi bobot Masukkan Data pelatihan Hitung keluaran sistem SSE>newSSE Uji syarat Berhenti SSE Perubahan bobot SSE<newSSE Simpan bobot akhir Selesai Gambar 5. sistem pelatihan jaringan.……. Tahap pertama menguji memori jaringan dengan menggunakan data pelatihan. Proses pelatihan jaringan .Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan………. Proses perancangan ini dibagi dalam tiga tahap.(Arifin dkk) sembilan. sehingga diperoleh sejumlah 19 masukan pada jaringan[4]. Untuk setiap pola fiture. kita menghitung jumlah kemunculannya dari partisi gambar. kemudian mencari fiture rata-rata dari semua pola fiture yang muncul. Proses pelatihan bertujuan mendapatkan bobot-bobot interkoneksi. 2. Proses pelatihan pada metode backpropagation dilakukan berulang kali hingga beberapa kali iterasi.5 sebagai alat bantu komputasi. Dari setiap bagian citra kita mencari pola-pola yang cocok dengan fiture yang dimiliki oleh sidik jari.

Dua angka pertama menunjukkan identitas karakter sidik jari. Hasil proses partisi gambar sidik jari Pelatihan Jaringan Jumlah data latih yang digunakan untuk pelatihan adalah sebesar 20 data latih untuk setiap karakter sidik jari. Setelah mengalami pemotongan. Gambar sidik jari yang diambil dari para responden dengan menggunakan tinta stempel berwarna hitam dan di cetak langsung pada kertas dengan permukaan yang tidak menyerap cairan lalu discan dengan resolusi 250 dpi. sehingga proses yang ditanganninya menjadi tidak efisien. Sebelumnya telah dicoba metode pencarian secara beruntun. Praproses Metode praproses digunakan untuk mendapatkan ciri khusus dari sebuah karakter sidik jari. dan citra dibagi sembilan. citra dibagi tiga secara vertikal dan horizontal. Kemudian gambar yang telah mengalami filterisasi itu dirubah ke dalam bentuk biner dengan nilai batas tertentu. namun cara ini memakan begitu banyak waktu. hasil aktivitas pelatihan jaringan yang telah dilakukan. Gambar diberi nama dengan angka numerik dengan ekstensi JPEG. 7 No. dua angka kedua menunjukkan urutan sidik jari pada identitas sidik jari tertentu. pada setiap potongan gambar dilakukan ekstraksi ciri sesuai dengan fiture yang telah ditentukan. yaitu citra dibagi dua secara vertikal dan horizontal. Proses pelatihan dilakukan . Oleh karenanya diperlukan suatu metode ekstraksi ciri yang mampu menjadi representasi untuk setiap karakter sidik jari. Setelah itu gambar dipartisi sesuai dengan porsi yang telah ditentukan.6 JAF. Selain itu pula metode pencarian secara beruntun membuat prosesor bekerja keras dan cepat menjadi panas. 1 (2011). 1-11 5. juga meliputi hasil pengujian data latih untuk tiap jaringannya dan juga hasil pengujian data uji untuk mengevaluasi kemampuan jaringan dalam melakukan generalisasi pola. Ekstraksi ciri dilakukan dengan memetakan fiture yang telah dibuat pada gambar sidik jari dengan menggunakan fungsi FFT dan fungsi infersnya IFFT. Vol. sehingga total data latih yang diproses dalam jaringan adalah 320 data latih. kecuali fiture yang dipetakan adalah noise. Gambar hasil scan kemudian diproses dalam suatu sistem praproses yang meliputi filterisasi gambar. Hasil dan Pembahasan Presentasi hasil yang diperoleh dari penelitian ini meliputi hasil pengolahan awal data masukan. Fungsi FFT bekerja dengan menganggap semua angka numerik dalam gambar sidik jari. seperti yang diperlihatkan oleh Gambar 6. sehingga fiture dapat dipetakan dengan sedikit lebih cepat dan tidak terlalu membebani prosesor[2] Gambar 6.

9 .0019996 Konvergen epoch lr SSE Ket 0 5000 0.03 2275 40.95 0.1 hingga 0.…….075893 0.969623 0.3 5000 0.5 2299 12.0049 0.03823 0.00199932 2 1550 2.2556 0.93568 0.1956 0.9..7827 1 3109 52.1 2436 62.96222 77 Konvergen tdk Konvergen Tabel 4 menunjukkan pelatihan dengan maximum error ratio berkisar antara 0.14405 0.1 3552 5.0019764 Konvergen 0.03 2347 27.9 4098 4958 23.00199676 Konvergen 0. Untuk menentukan parameter yang akan digunakan dalam jaringan.1 4452 1.7 0.3425 0.0105 52.2471 0.0019923 Konvergen 1.197573 tdk Konvergen 0. Pelatihan dilakukan dengan 4 sampai 20 data latih untuk setiap karakter sidik jari. Tabel 2.1575 0.4.00199949 Konvergen 1.00199649 Konvergen 1.485 0.0019991 Konvergen 1 1600 2.00198862 1 4700 0. karena nilai learning rate dan SSE tidak menunjukkan perubahan.0332 0.00198898 Konvergen 1. Tabel 4 Pelatihan dengan maximum error ratio sebagai variabel Mer epoch lr SSE Keterangan tdk Konvergen 0.154219 Tabel 1 metunjukkan pelatihan dengan learning rate increase yang berkisar antara 1.08923 0. Pada epoch 1600 pelatihan dengan nilai momentum 1 dihentikan dengan paksa.(Arifin dkk) secara bertahap.00199963 Konvergen 1.1 sampai 1.62248 0.02 3907 23.001999129 Konvergen 1.04 4432 16.6 sampai 0.9.9452 0. Ini dapat dilihat pada besar SSE yang dicapai. Pelatihan dengan learning rate increase sebagai variabel lr Increase 7 ditunjukkan oleh range 0. dengan tujuan menjajaki kemampuan jaringan mengenali karakter sidik jari dengan jumlah data pelatihan tertentu.9478 0.0019999 1.326752 0. Pada learning rate decrease dengan nilai 1 dan 1.6516 30.01 sampai 1.6 4997 5.07 4492 0. dan kinerja pelatihan terbaik ditunjukkan oleh range 0. dan nilai pelatihan terbaik 70 Tabel 3 menunjukkan pelatihan dengan konstanta momentum yang variatif dari 0 sampai 1.1904 1. dan nilai pelatihan terbaik terdapat pada range 1.3.00198818 Konvergen 0.004263 5 Konvergen tdk Konvergen 1.1.0389279 tdk Konvergen tdk Konvergen 1.00199869 Konvergen 1.2355 0.4 8713 14.00199052 Konvergen 1.09 4654 5.9 5000 4.00199243 Konvergen 1. Hal ini ditunjukkan oleh kemampuan jaringan mencapai konvergensi dengan cepat pada range itu.9 3658 0.00198769 Konvergen 1. Ini bisa dilihat pada besar epoch yang dicapai dan kemampuannya mencapai konvergensi yang ditunjukkan oleh nilai SSE yang dicapai.7831 0.00199625 Konvergen 1. Ini ditunjukkan oleh kemampuan jaringan mencapai konvergensi dengan cepat berada pada range itu.1402 0. Hal ini dikarenakan jaringan mampu mencapai konvergensi dengan waktu yang cepat pada renge itu.25129 0.0171034 34.00198978 Konvergen 1.08 4053 1.3 di atas pelatihan dihentikan dengan paksa karena besar learning rate dan nilai SSE tidak mengalami perubahan.01 2161 14.3 4882 17.5259 Konvergen Konvergen tdk Konvergen tdk Konvergen Tabel 2 menunjukkan pelatihan dengan learning rate decrease yang berkisar antara 0.01 3189 39.00215642 Konvergen 1. Tabel 1.0389279 Konvergen 1.01 sampai 1.3 4839 27.5 3069 29.3 4600 0.05 3711 13.00199985 Konvergen 0.00199577 Konvergen 1.8 4018 7.00199627 0.7596 0.3658 0. Pelatihan dengan learning rate decrease sebagai variabel lr decrease epoch lr SSE Ket 0.94066 47.15138 0. Tabel 3 Pelatihan dengan konstanta momentum sebagai variabel Me epoch lr SSE Ket 1 20000 0.06 5000 7.4233 0.Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan……….00199392 Konvergen 0. dilakukan empat kali proses pelatihan dengan menjadikan parameterparameternya sebagai variabel.04 3262 36.6499 0.

Data pelatihan itu tercatat pada Tabel 5 dan Tabel 6 berikut ini. Grafik hubungan antara jumlah data latih dengan epoch yang dicapai Pada Gambar 7 terlihat bahwa jaringan mencapai SSE yang diinginkan pada iterasi yang ke 8168. Sebagai dasar pemilihan jumlah layar tersembunyi dan jumlah neuron pada tiap layar tersembunyi tersebut dilakukan beberapa pelatihan yang melibatkan tujuh karakter sidik jari .8. 1 (2011). Tabel 7. Epoch yang dicapai pada tiap pelatihan Jumlah data latih Epoch (iterasi) 4 Data latih 8168 6 Data latih 17730 8 Data lath 86665 10 Data latih 82670 12 Data latih 123480 14 Data latih 346697 16 Data latih 595950 18 Data latih 856341 20 Data latih 870335 Tabel 5 Pelatihan dengan satu layar tersembunyi Pelatihan dengan satu layar tersembunyi Hidden layer Epoch 70 51234 73 41669 80 61797 90 29238 100 25372 Tabel 6 Pelatihan dengan dua layar tersembunyi 1000000 900000 75 95 3566 80 100 3425 90 95 110 105 2322 2800 95 115 2793 100 120 3172 105 125 2509 Data pada Tabel 5 di atas merupakan pelatihan dengan satu layar tersembunyi sedangkan data pada Tabel 6 merupakan pelatihan dengan dua layar tersembunyi. Vol. Namun untuk mengefisienkan 800000 700000 Epoch Pelatihan dengan dua layar tersembunyi Hidden layer 1 Hidden layer 2 Epoch 50 75 5075 55 80 3725 60 85 5157 60 90 3647 65 90 3009 70 90 3736 73 95 2073 600000 500000 400000 300000 200000 100000 0 0 5 10 15 20 25 Data latih Gambar 7.9 ke bawah dan nilai 2 keatas menyebabkan perubahan learning rate menjadi tidak stabil. dengan nilai learning rate yang fluktuatif dan cenderung meningkat. Hasil pelatihan yang menampilkan jumlah epoch yang dicapai berdasarkan jumlah data latih untuk tiap karakter di presentasikan pada Tabel 7 berikut ini. Hal ini ditunjukkan dengan peningkatan nilai Epoch yang dicapai seiring dengan peningkatan data pelatihan. maka jaringan akan semakin lama mencapai konvergensi. hal ini disebabkan karena pada nilai 0. kerja jaringan. dan tiap karakter digunakan tujuh sidik jari. jumlah neuron pada pada layar tersembunyi dipilih dengan jumlah yang tidak terlalu besar agar prosesor yang digunakan tidak terbebani oleh perhitungan yang sangat lama. dengan tujuan untuk menemukan jumlah masukan yang ideal agar jaringan mampu mengakuisisi data. Data menunjukkan bahwa pada penelitian ini dibutuhkan ukuran jaringan yang besar sehingga proses pelatihan dapat berlangsung dengan cepat. Dilakukan pula proses pelatihan dengan menggunakan jumlah data masukan yang bervariasi. dan range dengan kinerja pelatihan terbaik terdapat pada range 1 sampai 1. Dari data di atas (Tabel 7) secara umum dapat dilihat bahwa semakin besar data latih yang digunakan. 7 No. 1-11 sampai 2.8 JAF. Tahapan .

Fungsi trainbpx merupakan toolbox backpropagation dengan menyertakan momentum dan angka pembelajaran yang adaptif. dengan fungsi awal untuk inisialisasi bobot dan bias adalah initff. Arsitektur Backpropagation dengan 2 layar tersembunyi Proses pelatihan menggunakan fungsi toolbox Matlab trainbpx. Gambar 8..Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan………. Fungsi initff merupakan toolbox backpropagation yang digunakan untuk menginisialisasi bobot dan . sepuluh data masukan dan 9 sembilan belas data masukan ini dapat dilihat pada Tabel 9. yang berfungsi untuk mempercepat terjadinya konvergensi.(Arifin dkk) pelatihannya sendiri dimulai dengan empat data masukan.……. sembilan data masukan. tujuh data masukan. Hasil pelatihan dengan epoch 8168 X1 Y1 Z1 O1 X2 Y2 Z2 O2 X3 Y3 Z3 O3 Z95 O4 X19 Y73 Gambar 9.

Hasil pengujin dengan jumlah data latih yang beragam Jumlah data uji yang dikenali dari 10 data uji Jumlah data latih a b c d e f g h i j k l m n o p 4 data latih 1 2 3 4 3 2 0 1 4 0 5 4 2 4 3 4 24.3 80 9 10 8 8 8 7 9 9 83.[1] Pengujian Jaringan Berdasarkan jumlah data latih yang diproses secara bertahap. maka semakin besar pula jumlah neuron yang dilibatkan dalam jaringan. dimana inisialisasi dilakukan secara acak dalam rentang nilai tertentu. Secara umum kemampuan jaringan dalam mengenali pola uji ditentukan dari banyaknya pola pelatihan yang dimasukkan dalam jaringan.3 80 19 9 8 9 86.37% dari total 160 data yang diujikan.5 14 data latih 6 6 4 4 10 3 7 7 6 6 5 6 5 4 2 7 55 16 data latih 7 8 7 7 9 4 7 7 8 8 6 6 6 2 4 7 64. semakin besar jumlah data latih yang digunakan. 1 (2011).37 18 data latih 8 9 7 7 9 4 8 9 9 7 7 10 6 4 5 8 73.10 JAF.12%. Dalam kasus pengenalan sidik jari ini digunakan data 20 sidik jari untuk tiap karakter.37 6 data latih 4 2 3 4 6 2 2 3 5 0 5 4 4 4 3 4 34. Grafik jumlah data latih dengan persentase pengujian dengan data uji Tabel 9. 1-11 bias dengan algoritma Nyugen-Windrow. didapatkan kemampuan generalisasi jaringan pada data uji seperti yang tercantum pada Tabel 8 berikut ini. kecuali pada 12 data latih dan 14 data latih yang menalami penurunan. Hal ini biasanya terjadi jika data tambahan yang masuk menyerupai data sidik jari yang lain. jadi total sidik jari yang dilatihkan adalah 20 x 16 sidik jari atau 320 gambar sidik jari.12 20 data latih 10 10 8 7 10 4 10 9 9 8 7 10 7 4 5 9 79. Semakin besar data latih yang digunakan maka kemampuan jaringan untuk mengenali data uji semakin besar. Data latih 90 80 70 60 50 40 30 20 10 0 0 5 10 15 20 25 Data Latih Gambar 10.37 % 8 data latih 4 2 6 3 8 2 4 6 2 5 5 7 2 5 5 6 45 10 data latih 6 3 6 5 8 3 5 5 7 6 5 6 3 3 5 4 50 12 data latih 5 4 6 4 10 4 7 7 8 6 4 9 7 3 2 6 57. Jumlah neuron masukan 4 7 Jumlah data uji yang dikenali a b c 7 8 5 7 7 9 % 63. Persentase pengujian data uji (%) Proses pengujian pada data latih menghasilkan presentase 100 persen dari total 320 karakter sidik jari. Tabel 9 menunjukkan persentase pengenalan data uji dengan data latih yang memiliki masukan yang berubah. Vol. Tabel 8. sementara dari data yang diperoleh pada Tabel 8 di atas. Adapun jumlah lapisan tersembunyi dan jumlah neuron yang ada dalam tiap lapisan disesuaikan dengan jumlah data latih yang diproses.7 .37 yang digunakan untuk tiap karakter sidik jari adalah sepuluh dengan data uji sepuluh. 7 No. Hasil pengujian dengan jumlah masukan yang bervariasi. Jadi presentase total yang diperoleh dari pengujian data latih dan data uji adalah 93. didapatkan bahwa jaringan mampu mengenali data uji sebesar 79.

“Pemograman MATLAB”. Arhami. hal 1-4/125-137 [8]. D.. hal 33-46 [4]. Yogyakarta: Andi Offset. New York.(Arifin dkk) Data pada Tabel 9 menggambarkan kemampuan jaringan yang semakin membesar jika data masukan semakin besar.……. Selain itu pula proses ekstraksi ciri juga memegang peranan penting. 6. W J.. keluar garis. dalam hal ini miring. Adanya data yang tidak dikenali oleh jaringan lebih banyak disebabkan oleh gambar yang tidak begitu bagus. Kesimpulan Kesimpulan yang diperoleh dari hasil penelitian ini adalah sebagai berikut: 1. “Jaringan Saraf Tiruan dan Pemogramannya menggunakan MATLAB”. Yogyakarta: Graha Ilmu. 2007. Yogyakarta: Andi Offset. Mauridhi H & Kurniawan. J. Sehingga total persentase pengenalan adalah 93. 2004. Yogyakarta. A D. A. “Pengantar Jaringan Saraf Tiruan”. Yogyakarta: Andi Offset. Hines. L W. 1994. 2006.37% dari 160 data uji. Kulkarni. keberhasilan pelatihan jaringan juga ditentukan oleh metode pengambilan dan kualitas gambar.J. Hermawan. Van Nostrand Reinhold. Pandjaitan. hal 89-92 [5]. dua layar tersembunyi yang 11 terdiri dari layar tersembunyi pertama dengan 73 neuron dan layar tersembunyi ke dua dengan 95 neuron dan satu layar output dengan 4 neuron. 1997. 2. “Supervised Neural Network dan Aplikasinya”. .12% dari 480 data keseluruhan. khususnya dalam hal kecepatan konvergensi. Selain data pelatihan dan proses pelatihan. Puspitaningrum. John Wiley & Sons. hal 49-57/89-103 [2]. hal 97-113 [7]. 2006.. 2005. Purnomo. gambar yang terhambur karena jari yang basah pada saat proses pencetakan dan beberapa sebab lain. 2006. A. “MATLAB Supplement to Fuzzy and Neural Approaches in Engineering”. Namun kita harus membatasi jumlah masukan dalam jumlah tertentu sehingga jaringan dapat bekerja dengan maksimal tanpa mengurangi kecepatannya dalam mencapai konvergensi.. “Artificial Neural Network for Image Understanding”. Jaringan mampu mengenali 100% data dari 320 data latih yang diujikan dan 79. yang dilakukan jaringan adalah membandingkan satu karakter sidik jari dengan karakter sidik jari yang lain. Jaringan akan mampu mencapai konvergensi jika ciri yang diekstraksi dari satu sidik jari mempunyai range yang besar dari sidik jari yang lain. karena pada saat proses pelatihan. Yogyakarta: Andi Offset. “Dasar-dasar Komputasi Cerdas”. Telah dirancang Jaringan saraf tiruan dengan arsitektur backpropagation untuk pengidentifikasian sidik jari dengan mempergunakan satu layar input dengan 19 neuron. Daftar Pustaka [1]. hal 55 [3]. “Jaringan Saraf Tiruan. Teori dan Aplikasinya”. hal 6891 [6]. karena jaringan mengenali pola sidik jari dari fitur pola matriks yang dipetakan pada sidik jari.Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf Tiruan………. Siang. M.