MAKALAH

PENGAMAN SISTEM KOMPUTER

BIOMETRIC FINGERPRINT
HALAMAN UTAMA

Mata Kuliah Pengaman Sistem Komputer

Dosen : Rizar Romiyadi, S.Pd, M.Kom

OLEH :

FAIZAL GUSWANDA
310116023043

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
(STMIK BANJARBARU)
BANJARBARU
2018
 KATA PENGANTAR

Alhamdulillah puji dan syukur atas kehadirat allah SWT yang telah
memberikan kesempatan, kesehatan dan karunianya kepada saya yang tak
terhingga jumlahnya sehingga saya dapat menyelesaikan makalah ini tepat pada
waktunya. Makalah Biometrik ini membahas tentang Fingerprint ( Sidik Jari )
dalam kehidupan sehari-hari.

Adapun makalah Aplikasi teknologi online tentang biometrik ini telah kami
usahakan semaksimal mungkin dan tentunya dengan bantuan berbagai pihak,
sehingga dapat memperlancar pembuatan makalah ini. Untuk itu kami tidak lupa
menyampaikan bayak terima kasih kepada semua pihak yang telah membantu
kami dalam pembuatan makalah ini.

Saya sadar makalah yang saya buat memiliki banyak kekurangan, untuk itu
saya mohon maaf apabila terdapat kesalahan, walaupun demikian kami berharap
makalah ini dapat bermanfaat baik bagi pembaca maupun bagi masyarakat
umum.

Banjarbaru, 2 Mei 2018

Faizal Guswanda

ii
 DAFTAR ISI

HALAMAN UTAMA .............................................................................................. i

KATA PENGANTAR ............................................................................................ ii
DAFTAR ISI .......................................................................................................... iii
BAB I ...................................................................................................................... 1
PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Metode Penelitian ..................................................................................... 2
1.3 Tujuan ....................................................................................................... 3
BAB II ..................................................................................................................... 4
LANDASAN TEORI .............................................................................................. 4
2.1 Biometrik .................................................................................................. 4
2.2 Finger Print ............................................................................................... 4
2.2.1 Pengertian Fingerprint ....................................................................... 4
2.2.2 Fungsi Fingerprint ............................................................................. 5
2.3 Teknik Pengenalan Fingerprint ................................................................ 5
2.3.1 Preprocessing .................................................................................... 5
2.3.2 Minutiae Exstraction ......................................................................... 6
2.3.3 Minutiae Matching ............................................................................ 6
2.4 Cara Kerja Fingerprint .............................................................................. 6
2.5 Toll Yang Digunakan ............................................................................... 8
BAB III ................................................................................................................. 10
PEMBAHASAN ................................................................................................... 10
3.1 Analisa Kebutuhan ................................................................................. 10
3.1.1 Akuisisi ........................................................................................... 10
3.1.2 Preprocessing .................................................................................. 10
3.1.3 Feature Extraction ........................................................................... 11

iii
 3.1.4 Klasifikasi ....................................................................................... 11
3.2 Implementasi ............................................................................................... 11
BAB IV ................................................................................................................. 15
HASIL DAN PEMBAHASAN ............................................................................. 15
4.1 Pengaruh Parameter JST ........................................................................ 15
4.2 Pengujian Akurasi .................................................................................. 15
BAB V................................................................................................................... 17
PENUTUP ............................................................................................................. 17
5.1 Kesimpulan ............................................................................................. 17

iv
 BAB I

PENDAHULUAN
Biometrik banyak dikembangkan di berbagai negara pada beberapa tahun
belakangan ini. Makalah ini membahas tentang salah satu jenis biometrik yaitu
pengenalan sidik jari. Pada bab ini akan dibahas mengenai latar belakang,
identifikasi masalah, tujuan penelitian, pembatasan masalah, metoda penelitian
dan sistematika penulisan makalah ini.

1.1 Latar Belakang

Manusia memiliki ciri khas yang bisa dibedakan manusia satu dengan
manusia lainnya, mekanisme seperti ini dinamakan identifikasi biometrik. Sistem
biometrik merupakan sarana yang dikembangkan untuk pengamanan yang lebih
baik dari teknologi sebelumnya. Analisa tentang keunikan yang dijadikan dasar
pengenalan terus dilakukan sampai saat ini. Berdasarkan fitur intrinsik manusia,
otentikasi biometrik dapat dikatakan unik misalnya, seseorang kehilangan kartu
atau lupa password atau pin namun, dengan biometrik password atau pin selalu
tersedia. Biometrik digunakan dengan berbagai teknik untuk mengukur dan
mengenali identitas seseorang dengan fisiologis tertentu atau karakteristik
perilaku. Karakteristik biometrik banyak digunakan dalam aplikasi keamanan
yang telah dikembangkan seperti, sidik jari manusia, suara manusia, bentuk
wajah, geometri tangan, retina, dan telapak tangan. Keunggulan dari biometrik
ialah kompleksitas yang tinggi sehingga jika data biometrik dijadikan sebagai
input, maka kecil kemungkinan terjadi kesalahan atau pemalsuan. Biometrik yang
sering digunakan adalah berupa sidik jari.
Sidik jari saat ini merupakan metode yang paling lazim digunakan untuk
mengenali seseorang. Sidik jari digunakan sebagai biometrik untuk otentikasi dan
verifikasi yang popular karena penerimaan yang tinggi dan unik dibandingkan
dengan karakteristik biometrik lain.

1
1.2 Metode Penelitian
Metode jaringan syaraf tiruan backpropgation (propagasi balik)
merupakan metode yang sangat baik dalam menangani masalah pengenalan pola–
pola kompleks. Metode ini merupakan metode jaringan syaraf tiruan yang populer
dan paling banyak dipakai untuk berbagai aplikasi. Backpropagation adalah
bentuk jaringan syaraf tiruan yang terdiri dari beberapa layer. Jaringan syaraf
tiruan backpropagation melatih jaringan untuk mendapatkan keseimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan jaringan untuk memberikan respon yang benar terhadap pola
masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama
pelatihan.

Jaringan syaraf tiruan backpropagation merupakan algoritma pembelajaran

yang terawasi dengan banyak lapisan untuk mengubah bobot yang terhubung
dengan neuron yang ada pada lapisan tersembunyinya. Propagasi umpan balik
berbasis jaringan syaraf tiruan menggunakan error output untuk mengubah nilai
bobot-bobotnya dalam arah mundur (backward), untuk mendapatkan error ini,
tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu.
Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan
fungsi aktivasi yang dapat dideferensiasi. Jaringan syaraf tiruan backpropagation
memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar
1 adalah arsitektur JST backpropagation dengan n buah masukan ( ditambah
sebuah bias), sebuah layer tersembunyi yang terdiri dari p unit (ditambah sebuah
bias), serta m buah unit keluaran (Jeck, 2009) ditujukan dengan nilai (X1,
X2,…Xn) ditambah sebuah bias, sebuah layar tersembunyi yang terdiri dari p
ditunjukan dengan nilai (𝑍1, 𝑍2…𝑍𝑝) ditambah sebuah bias, serta (𝑌𝑚) buah unit
keluaran. 𝑉𝑗𝑖 merupakan bobot garis dari unit masukan 𝑥𝑖 ke unit layar
tersembunyi 𝑧𝑗 (𝑣𝑗𝑜 merupakan bobot garis yang menghubungkan bias di unit
masukan ke unit layar tersembunyi 𝑧𝑗). 𝑤𝑘𝑗 merupakan bobot dari unit layar
tersembunyi 𝑧𝑗 ke unit keluaran 𝑧𝑘 (𝑤𝑘𝑜 merupakan bobot dari bias di layar
tersembunyi ke unit keluaran 𝑧𝑘).

2
1.3 Tujuan
Tujuan dari dibuatnya makalah ini adalah agar pembaca dapat memahami
biometrik pengenalan sidik jari. Pada makalah ini penulis menggunakan metode
penelitian backpropagation.

3
 BAB II
LANDASAN TEORI
2.1 Biometrik
Biometrik merupakan suatu teknologi yang memiliki fungsi utama untuk
mengenali seseorang melalui karakteristiknya, seperti sidik jari, wajah, mata atau
bagian tubuh yang lain, cara berjalan, bau, suara, dan tandatangan. Biometrik sulit
dipalsukan, membutuhkan keahlian khusus dan biaya yang tidak sedikit untuk
memalsukan biometrik seseorang. Sulit dan mahal sekali untuk memalsukan
retina mata, sidik jari atau bagian tubuh lainnya. Tetapi beberapa biometric dapat
dengan mudah dicuri, tindakan ini jauh lebih murah dan mudah daripada
memalsukannya. Misalkan seorang pencuri telah mengambil gambar sidik jari
seseorang untuk mengelabui sistem, sehingga pada saat gambar sidik jari tersebut
di scan oleh fingerprint reader, sistem mengira itu adalah sidik jari yang benar.

2.2 Finger Print

2.2.1 Pengertian Fingerprint

Fingerprinting adalah salah satu bentuk biometrik, sebuah ilmu yang
menggunakan karakteristik fisik penduduk untuk mengidentifikasi. Sidik jari
sangat ideal untuk tujuan ini karena mereka murah untuk mengumpulkan dan
menganalisis, dan mereka tidak pernah berubah, bahkan dengan umur orang.
Meskipun tangan dan kaki memiliki banyak daerah bergerigi yang dapat
digunakan untuk identifikasi, sidik jari menjadi bentuk populer biometrik karena
mereka mudah untuk mengklasifikasikan dan mengurutkan. Mereka juga dapat
diakses.
Sidik jari yang terbuat dari susunan pegunungan, yang disebut ridges
gesekan. Setiap tonjolan berisi pori-pori, yang melekat pada kelenjar keringat di
bawah kulit. Anda meninggalkan sidik jari di gelas, meja dan hanya hal-hal lain
yang Anda sentuh karena keringat ini.
Semua punggung bentuk pola sidik jari yang disebut loop, whorls atau
lengkungan:

4
 Pola umum Sidik Jari
 Loop dimulai pada satu sisi jari, kurva sekitar atau ke atas, dan keluar dari
sisi lain. Ada dua jenis loop: Radial loop lereng ke arah ibu jari, sementara
ulnaris loop lereng ke arah kelingking.
 Whorls membentuk lingkaran atau pola spiral.
 Lengkungan miring ke atas dan kemudian ke bawah, seperti gunung-
gunung sangat sempit.
Para ilmuwan melihat susunan, bentuk, ukuran dan jumlah baris dalam
pola-pola sidik jari untuk membedakan satu dari yang lain. Mereka juga
menganalisis karakteristik yang sangat kecil yang disebut hal-hal kecil, yang tidak
dapat dilihat dengan telanjang mata .

2.2.2 Fungsi Fingerprint

Dalam fungsi fingerprint dapat di gunakan bermacam-macam
pengaplikasian missalnya buat absensi di kantor yang udah menggunakan sistem
biometrik fingerprint atau buat sistem pengaman laptop dan juga dapat di gunalan
untuk idenfikasi masalah yang sering di gunakan pada pihak kepolisian untuk
menyelesaikan kasus.Tapi pada intinya hanya buat identifikasi dan verifikasi .

2.3 Teknik Pengenalan Fingerprint

Teknik pengenalan Sidik Jari pada umumnya digunakan untuk
membedakan bermacam-macam bentuk sidik jari pad setiap individu. Teknik
pengenalan sidik jari dibagi menjadi 4 proses, yaitu Preprocessing, Minutiae
Extraction, Post Processing, & Minutiae Matching.

2.3.1 Preprocessing
1. Image Enchancement

5
 Pada saat gambar sidik jari dimasukkan maka proses perbaikan kualitas
citra ini dilakukan pada awalan, karena disini kualitas masukkan akan
ditingkatkan untuk mempertebal garis-garis pada sidik jari sehingga akan
terlihat bukit yang tidak terhubung pada sidik jari.
2. Image Binarization
Pada binerisasi citra input gambar yang sudah ditingkatkan kualitasnya
masih terdapat citra yang berwarna abu-abu. Binerisasi citra berfungsi
sebagai pengubah citra abu – abu ( grayscale ) menjadi hitam dan putih (
black and white ) sehingga akan terlihat jelas perbedaan garis-garis pada
sidik jari.
3. Image Segmentation
Image segmentation ini dilakukan pemisahan antara garis-garis pada bukit
yang menempel pada latar belakangnya.

2.3.2 Minutiae Exstraction

Proses Minutiae Extraction akan dideteksi adanya minutiae antara ridge
bifurcation dan ridge ending untuk mengurangi ketebalan garis pada gambar sidik
jari sehingga dapat membantu pada proses selanjutnya.

2.3.3 Minutiae Matching

Hasil pencocokan ending dan bifurcation pada sidik jari maka diperoleh nilai
berupa angka, selanjutnya disimpan lalu dibandingkan untuk mencookkan citra
sidik jari.

2.4 Cara Kerja Fingerprint

Sebuah sistem fingerprint scanner memiliki dua pekerjaan, yakni
mengambil gambar sidik jari, dan memutuskan apakah pola alur sidik jari dari
gambar yang diambil sama dengan pola alur sidik jari yang ada di database. Ada
beberapa cara untuk mengambil gambar sidik jari seseorang, namun salah satu
metode yang paling banyak digunakan saat ini adalah optical scanning.

Inti dari scanner optical adalah charge coupled device (CCD), sistem
sensor cahaya yang sama digunakan pada kamera digital dan camcorder. CCD

6
merupakan sebuah larik sederhana dari diode peka cahaya yang disebut photosite,
yang menghasilkan sinyal elektrik yang merespon foton cahaya. Setiap photosite
merekam sebuah pixel, titik kecil yang merepresentasikan cahaya dan
membenturnya. Pixel-pixel ini membentuk pola terang dan gelap dari sebuah
gambar hasil scan sidik jari seseorang.

Proses scan mulai berlangsung saat Anda meletakkan jari pada lempengan
kaca dan sebuah kamera CCD mengambil gambarnya. Scanner memiliki sumber
cahaya sendiri, biasanya berupa larik light emitting diodes (LED), untuk
menyinari alur sidik jari Anda. Sistem CCD menghasilkan gambar jari yang
terbalik, area yang lebih gelap merepresentasikan lebih banyak cahaya yang
dipantulkan (bagian punggung dari alur sidik jari), dan area yang lebih terang
merepresentasikan lebih sedikit cahaya yang dipantulkan (bagian lembah dari alur
sidik jari).

Sebelum membandingkan gambar yang baru saja diambil dengan data

yang telah disimpan, processor scanner memastikan bahwa CCD telah mengambil
gambar yang jelas dengan cara melakukan pengecekan kegelapan pixel rata-rata,
dan akan menolak hasil scan jika gambar yang dihasilkan terlalu gelap atau terlalu
terang. Jika gambar ditolak, scanner akan mengatur waktu pencahayaan,
kemudian mencoba pengambilan gambar sekali lagi.

Jika tingkat kegelapan telah mencukupi, sistem scanner melanjutkan

pengecekan definisi gambar, yakni seberapa tajam hasil scan sidik jari. Processor
memperhatikan beberapa garis lurus yang melintang secara horizontal dan
vertikal. Jika definisi gambar sidik jari memenuhi syarat, sebuah garis tegak lurus
yang berjalan akan dibuat di atas bagian pixel yang paling gelap dan paling
terang. Jika gambar sidik jari yang dihasilkan benar-benar tajam dan tercahayai
dengan baik, barulah processor akan membandingkannya dengan gambar sidik
jari yang ada dalam database.

7
2.5 Toll Yang Digunakan
Aplikasi Finger print adalah salah satu aplikasi yang dapat melakukan
pendeteksi dengan sidik jari, walaupun sebenarnya kalau kita membeli perangkat
finger print sudah di sertakan contoh-contoh penggunaanya dengan bermacam-
macam bahasa pemrograman.

Saat ini tools untuk TCP/IP fingerprinting yang paling lengkap dan luas
pemakaiannya adalah Nmap. Dengan menggunakan suatu database yang lebih
dari 450

ciri untuk dibandingkan ke TCP/IP stack dengan operating sistem tertentu

atau hardware tertentu. Database ini termasuk sistem operasi yang komersial,
router, switch, firewall

dan sistem-sistem yang lain. Setiap sistem yang percaya bahwa TCP/IP
adalah potensial untuk masuk database akan meng-update-nya secara priodik.
Nmap merupakan software yang bebas untuk didownload dan mudah untuk
digunakan.

Nmap fingerprint adalah sebuah sistem dengan 3 step.

• Pertama, kemampuannya sebagai port scan untuk menemukan satu

set open dan closed TCP dan UDP port.

• Kedua, kemampuan untuk melakukan generate bentuk paket-paket

kemudian mengirimnya ke remote host dan mendengar tanggapannya.

• Ketiga, menggunakan hasilnya untuk diolah dan menemukan

masukan yang sesuai dengan database yang dimilikinya.

Nmap menggunakan satu set yang terdiri dari 9 macam tes untuk
menentukan pilihan dari operating sistem. Setiap tes terdiri dari satu atau lebih
paket-paket dan tanggapan yang diterimanya. Delapan tes yang dilakukan Nmap
ditujukan pada TCP layer dan satu ditujukan pada UDP layer. Tes terhadap TCP
adalah yang paling penting karena TCP memiliki beberapa option dan variabel

8
dalam implementasinya. Nmap melihat perintah dari option-option TCP, pola dari
sejumlah initial sequence, IP-level flag seperti fragment bit, TCP flag seperti RST,
ukuran windownya dan masih banyak hal-hal lain. Untuk lebih detilnya termasuk
option-option spesific dalam paket tes dapat dilihat di homepage yang memuat
tentang Nmap. Gambar 1 adalah contoh hasil keluaran dari Nmap saat melakukan
scanning pada sebuah web server dan yang satunya scanning terhadap perangkat
printer. Hasil perkiraan dari tes beruntun terhadap TCP didapat dari kemampuan
Nmap mendeteksi tentang bagaimana sebuah host menggerakan sejumlah initial
sequence untuk tiap TCP connection. Banyak sistem operasi komersial
menggunakan model acak, positive increment, tetapi sistem yang lebih sederhana
mengarah kepada penggunaan fixed increment atau increment berdasar pada
waktu membuat sambungan.

Sementara Nmap terdiri dari beberapa fungsional dan bekerja dengan baik
untuk kemampuan sebagai fingerprinting yang sangat presisi, tetapi ini bukan
peralatan yang dapat dipakai untuk semua teknik/cara. Bermacam scan dapat
dijalankan dalam waktu bersamaan. Sebagai contoh, untuk menentukan apakah
sebuah host menggunakan TCP Tahoe atau TCP Reno dengan membuat paket
hilang tiruan dan melihat bagaimana caranya melakukan perbaikan (recovery)..
Juga seseorang dapat menggunakan metode seperti social engineering atau teknik
pada tingkatan aplikasi untuk menentukan sistem operasi yang digunakan host.
Seperti teknik-teknik di luar dari cakupan pembicaraan ini, akan selalu dibutuhkan
cara untuk menghadang scan yang dilakukan TCP/IP fingerprinting selama tools
untuk aplikasi fingerprinting terus berkembang. Selama ini TCP/IP fingerprinting
adalah metode yang paling cepat dan paling mudah untuk mengenali sistem
operasi yang digunakan remote host.

9
 BAB III
PEMBAHASAN

3.1 Analisa Kebutuhan

Penelitian ini membahas masalah klasifikasi pada pola sidik jari manusia
yang diambil dari fingerprint. Diperlukan tahapan-tahapan yang harus dilakukan
untuk mendapatkan klasifikasi dari sidik jari tersebut. Tahapan-tahapan yang
harus dilakukan adalah akuisisi, preprocessing dan segmentasi, feature extraction,
dan klasifikasi.
3.1.1 Akuisisi
Akuisisi merupakan tahap awal yang dilakukan untuk memperoleh data
citra digital. Citra yang digunakan adalah citra sidik jari dalam bentuk file gambar
dengan format Joint Photographic Experts Group (JPEG).

3.1.2 Preprocessing
Preprocessing merupakan gambar akuisisi sidik jari belum fokus sempurna
diseluruh area gambar. Maka, sebuah filter high-pass dengan frekuensi tinggi
penekanan diaplikasikan dalam rangka meningkatkan batas dan meminimalkan
fokus masalah. Setelah penyaringan gambar sudah pas, gambar yang dihasilkan
diajukan kepemerataan histogram untuk meningkatkan kontras.
Setelah preprocessing dilakukan, maka perlu untuk menemukan daerah
yang dimaksud dalam gambar, di mana ekstraksi fitur akan berlangsung.
Segmentasi dibagi menjadi dua proses yang berbeda. Sampel pertama gambar dari
setiap kelas sidik jari dikonversi dari gray-scale ke biner melalui nilai ambang
tetap. Gambar biner ini kemudian disampaikan kepada morfologi operasi erosi
dan dilatasi, masing-masing, meninggalkan pada gambar di satu area piksel hitam
yang sesuai ke pusat daerah.
Langkah selanjutnya adalah mendeteksi batas persegi panjang dari area
hitam yang dihasilkan, yang geometris pusatakan menjadi pusat 8×8 piksel. Hasil
dari preprocessing dan segmentasi dari sampel pertama dari kelas sidik jari.

10
Sampel gambar sisa sidik jari masing-masing kelas yang tersegmentasi dengan
cara yang berbeda.

3.1.3 Feature Extraction

Feature extraction merupakan proses untuk menciptakan feature yang
relevan dari pola. Untuk kasus tertentu dari fitur tersebut ekstraksi dari gambar
sidik jari beberapa pendekatan telah dikembangkan, sebagian besar dari mereka
didasarkan pada khusus karakteristik dari pola sidik jari, seperti ridge orientasi
dan minutiae deteksi. Proses ekstrasi ciri dilakukan menghitung 6 ciri statistik
yaitu maximum probabiity, entropy, energy, kontras, korelasi, dan homogenitas.

3.1.4 Klasifikasi
Klasifikasi pada penelitian ini menggunakan JST backpropagation untuk
mendapatkan hasil klasifikasi. Pembentukan klasifikasi dimulai dengan
memberikan input gambar dari feature extraction dan menkonversi format data
tersebut dengan Graylevel co-occurrence matrix(GLCM) untuk mendapatkan data
input yang akan digunakan untuk proses klasifikasi. Kemudian dari hasil ekstrasi
dari GLCM menjadi input yang terdiri dari jaringan syaraf tiruan yaitu korelasi,
kontras, homogenity, entropy, dan energi, nilai masuk dari 𝑥1- 𝑥5, selanjutnya
menghitung output dari 𝑧1, 𝑥1 kali bobot 𝑥1 ke 𝑧1 ditambah 𝑥2kali bobot 𝑥2 ke
𝑧1 samapai ke 𝑥5 setelah itu dapat nilai, kemudian dihitung menggunakan rumus
sigmoid fungsi aktivasi untuk mendapatkan output jaringan 𝑧1 kali bobot 𝑧1 ke 𝑦1
sampai 𝑧7 kali bobot 𝑧7 ke 𝑦1 output pada layer output merupakan output dari
jaringan syaraf tiruan sedangkan output ada 2 hidden layer disesuaikan dengan
pengujian, output 2 karena punya 2 kelas, yaitu Kelas 1 : 0 0, Kelas 2 : 1 1 dan
Kelas 3 : 1 0. Kemudian system akan membuat klasifikasi dengan metode JST
backpropagation.

3.2 Implementasi
Implementasi ini merupakan hasil akhir dari rancangan antar muka system
klasifikasi sidik jari. Antar muka system klasifikasi sidik jari ini berisi seluruh
kegiatan yang dapat dilakukan pengguna untuk membentuk klasifikasi. Antar

11
muka yang telah dibuat ini mempunyai tiga buah menu yaitu menu ambil citra,
menu ambil data latih/uji, dan menu tampilan grafik, yaitu:
Ambil citra dari gambar untuk dihitung matriks GLCM (Gray level co-
occurrence matrix) dan properti (energy, corelasi, kontras, homogenity, entropy)
yang dijadikan input jaringan syaraf tiruan, sedangkan ambil data latih / uji yaitu
hasil dari ekstrasi pada tahap sebelumnya. Tampil grafik untuk menampilkan error
epoch 1,2 dan seterusnya. Standar untuk mengembalikan kenilai standar (yang
dirubah) maka akan kembali ke parameter.
Berikut ini merupakan implementasi yang dipanggil pada perintah akuisisi
citra. Bagian citra yang akan diakuisisi untuk kemudian disimpan dalam sebuah
variabel agar bisa diproses lebih lanjut. Proses akuisisi citra lalu disimpan dalam
picture box yang berfungsi untuk melihat citra. Setelah citra diakuisisi maka akan
dilanjutkan pada langkah selanjutnya yaitu preprosesing citra.
Preprosesing citra yang diimplementasikan adalah berdasarkan flowchart
pada perancangan preprosesing yaitu median filter, adalah tahap perenggangan
kontras (contrast stretching). Perenggangan kontras dilakukan untuk memperbaiki
kualitas kontras dari citra sehingga memudahkan dalam proses selanjutnya
(segmentasi).grayscale, adalah membuat image baru yang seukuran dengan image
asli dan mengambil objek grafik dari image yang baru, skala keabuan image yang
baru dengan membuat atribut image yang baru. Contrast enhancement tahap
perenggangan kontras (contrast stretching). Perenggangan kontras dilakukan
untuk memperbaiki kualitas kontras dari citra sehingga memudahkan dalam
proses selanjutnya (segmentasi) dan histogram equalization.

Segmentasi yang digunakan dalam penelitian ini adalah menggunakan otsu

threshold untuk mendapatkan bentuk (tekstur) objek fingerprint. Nilai threshold
yang digunakan adalah 256. Nilai ini diperoleh dari hasil percobaan beberapa
threshold yang mungkin. Nilai tersebut dipilih karena pada threshold tersebut
program berhasil mensegmentasi dari wilayah citra yang lain terutama wilayah
anomali yang memiliki tingkat kecerahan.

12
 Tahap selanjutnya adalah ekstrasi ciri yaitu merubah setiap elemen GLCM
ke dalam bentuk probabilitas dengan cara membagi setiap elemen dengan jumlah
semua elemennya (normalisasi nilai elemen GLCM ke range 0 – 1). Hal ini
dilakukan pada semua GLCM yang terbentukadalah menghitung Matriks GLCM
2D 8 x 8 dengan input berupa citra dan nilai offset X dan Y, dan merubah range
nilai elemen dari GLCM 8 x 8 menjadi nilai elemen range 0 – 1, serta menentukan
GLCM-GLCM yang terbentuk oleh jarak yang ditentukan, menghitung Mr (Nilai
m untuk baris) yang nanti digunakan untuk menghitung Correlation, menghitung
Mc (Nilai m untuk kolom) yang digunakan untuk menghitung Correlation,
menghitung standar deviasi untuk baris yang digunakan untuk menghitung
Correlation, menghitung standar deviasi untuk kolom digunakan untuk
menghitung Correlation, menghitung Max Probability, menghitung Correlation,
menghitung Contrast, menghitung energy, menghitung Homogeneity, menghitung
Entropy, dan menghitung properti GLCM dua dimensi dari image.

Proses klasifikasi pada pembelajaran satu pola input akan diberikan ke

satu neuron pada lapisan input. Pola ini akan dirambatkan di sepanjang jaringan
syaaf sampai ke neuron pada lapisan output. Lapisan otput ini akan
membangkitkan pola output yang nantinya akan dicocokkan dengan pola
targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan
pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup
besar, maka masih perlu dilakukan lebih banyak pembelajaran lagi. Untuk
menghasilkan nilai awal bobot berdasarkan perhitungan feed forward. Nilai bobot
disimpan dalam field weights dimana field ini bertype array dari array 2D ([ ][ , ]),
dimana index array pertama menandakan index layer (0 untuk input, 1 untuk
hidden layer pertama, 2 untukoutput), sedangkan index array kedua menandakan
index neuron pada layer sebelum dan index array ketiga menandakan index
neuron pada layer sesudah sesuai perhitungan feed forward. Proses feedforward di
atas menggunakan fungsi aktifasi tangen hiperbolik dimana nilainya mendekati
nilai fungsi sigmoid. Informasi jumlah neuron setiap layer (input, hidden layer,
dan output) disimpan dalam field “layer Nodes Count”. Perualangan dilakukan

13
untuk menghitung neuron-neuron pada hidden layer dan output (sebagai output
jaringan) yang disimpan dalam field “hidden Neuron”.

Implementasi proses JST backpropagation (mencari perubahan bobot)

yang menjelaskan bagaimana bobot dalam jaringan diupdate dengan
menjumlahkan nilai epoch sekarang dengan delta weight untuk mendapatkan
bobot pada epoch berikutnya. Setelah mendapatkan besarnya delta bobot, langkah
selanjutnya menghitung bobot baru menggunakan perubahan bobot momentum
dan menjelaskan bagaimana bobot bias dalam jaringan diupdate dengan
menjumlahkan nilai epoch sekarang dengan delta weight untuk mendapatkan
bobot bias pada epoch berikutnya.

Klasifikasi jaringan syaraf tiruan mengkonfirmasi efisiensi ekstraksi fitur,

metode umpan-maju jaringan syaraf dengan satu lapisan tersembunyi dilatih
dengan gradient descent teknik. Backpropagation sederhana jaringan terdiri dari 5
input (yang sesuai untuk dimensi dari vektor fitur), 7 node hidden layer dan 2
output keluaran (sesuai dengan nomor kelas sidik jari yang bersangkutan yang
pertama dan kedua. Dataset, masing-masing). Pelatihan yang diawasi dilakukan
dengan 4 elemen dari setiap kelas untuk set data pertama dan dengan 5 elemen
dari setiap kelas untuk data set kedua. Dalam kedua kasus pola pelatihan disajikan
secara acak kesaraf jaringan. Elemen yang tersisa dari setiap rangkaian data
adalah digunakan untuk menguji jaringan saraf. Untuk secara akurat
mengidentifikasi semua anggota masing-masing kelas menunjukkan fitur skema
ekstraksi cocok untuk gambar sidik jari.

14
 BAB IV
HASIL DAN PEMBAHASAN

Hasil yang diperoleh dari penelitian ini, pengujian dilakukan dengan cara
melakukan pelatihan secara berulang-ulang pada jaringan yaraf tiruan untuk
mendapatkan bobot-bobot jaringan yang optimal sehingga dapat digunakan untuk
menyelesaikan permasalahan klasifikasi. Data yang digunakan dalam penelitian
ini berjumlah 110 citra terbagi atas dua kelompok data yaitu: (i) data pelatihan 70
citra (terbagi atas kelas Whorl, Arch dan Loop) dan (ii) data pengujian 40 citra
(terbagi atas kelas Whorl, Arch dan Loop). Data – data tersebut diekstrak
menggunakan metode GLCM dengan jarak 2 pixel tetangga.

4.1 Pengaruh Parameter JST

Pada bab ini akan dijelaskan tentang implementasi dan pengujian dari
aplikasi yang telah dirancang pada bab sebelumnya. Implementasi ini dilakukan
untuk mengetahui hasil dari perangkat lunak yang dibangun dan pengujian
dilakukan untuk melihat apakah setiap proses yang ada berjalan dengan baik dan
output yang dihasilkan sudah sesuai dengan yang diharapkan.

4.2 Pengujian Akurasi

Akurasi data diuji dengan menggunakan sebanyak 40 data. Parameter yang
digunakan adalah parameter dari hasil pelatihan sebelumnya. Berdasarkan
informasi hasil pengujian pengaruh parameter-parameter JST terhadap epohnya,
maka untuk mendapatkan bobot yang paling optimal untuk proses pengujian
dalam pelatihan JST kali ini peneliti menggunakan parameter sebagai berikut :

1. Jumlah node dalam lapis tersembunyi = 7

2. Parameter learning rate (α) = 0.15

3. Parameter momentum (μ) = 0.95

4. SSE= 0,01

15
 Pengujian terhadap sampel citra yang digunakan sebagai data pelatihan
JST dilakukanuntuk mengetahui keakurasian program dalam mengenali pola-pola
yang dilatihkan kepadanya.

Pada penelitian ini proses pengujian sampel dilakukan untuk menguji

kemampuan JST dalam mengenali pola-pola data citra yang digunakan sebagai
data pelatihan maupun sampel citra yang tidak digunakan sebagai data pelatihan
(citra pengujian). Untuk mengetahui kinerja JST dalam mengklasifikasi citra pola
sidik jari maka dilakukan pengujian menggunakan data citra sebanyak empat
puluh buah citra yang diproses menggunakan klasifikasi pola sidik jari.
Keterangan dari gambar bahwa untuk kelas whorl adalah 0, 1, untuk kelas yaitu
1,0 dan kelas loop 0,0.

Hasil pengujian akurasi kinerja JST backpropagation dimana ketika

dilakukan pengujian terhadap data training maka diperoleh akurasi sebesar 100%.
Sedangkan untuk hasil pengujian yang dilakukan terhadap data testing sejumlah
40 data diperoleh akurasi sebesar 87,5 %.

16
 BAB V
PENUTUP

5.1 Kesimpulan
Berdasarkan hasil yang diperoleh maka dapat diambil kesimpulan:
1. Pengujian dan penerapan klasifikasi sidik jari menggunakan jaringan syaraf
tiruan backpropagation telah dibangun sebuah aplikasi pengolahan data citra
untuk klasifikasi sidik jari dengan fitur, ambil citra, ambil data latih atau uji
dan tampilkan grafik error.

2. Aplikasi dengan metode backpropagation mampu melakukan klasifikasi

terhadap citra pola sidik jari pada kelas whorl, arch dan loop dengan hasil
akurasi 87,5%.

17
 Daftar Pustaka

1. http://klik.unlam.ac.id/index.php/klik/article/view/19/17
2. http://repository.telkomuniversity.ac.id/pustaka/files/107450/jurnal_epro
c/perancangan-otentikasi-sidik-jari-pada-sistem-biometric-payment.pdf
3. https://jurnal.ugm.ac.id/bimipa/article/download/25956/16359

X
F a iza l G u sw a n d a
M a h a sisw a

18