Di dalam bab ini berisi analisa dari hasil percobaan yang telah dilakukan.
BAB VI PENUTUP
Di dalam bab ini dikemukakan kesimpulan mengenai apa saja yang telah dihasilkan dan beberapa saran yang dapat disampaikan mengenai sesuatu yang belum terdapat dalam pembuatan tugas akhir ini.
6
BAB II
LANDASAN TEORI
II.1. Sidik Jari
Biometrik merupakan teknik authentikasi yang mengambil karakteristik fisik seseorang. Ada beberapa teknik yang sering digunakan dalam authentikasi biometrik, beberapa diantaranya adalah pengenalan sidik jari.
Menurut Nugroho (2008) sidik jari adalah gurat-gurat yang terdapat di kulit ujung jari. Sidik jari berfungsi untuk memberi gaya gesek lebih besar agar jaridapat memegang benda-benda lebih erat.
Parameter manusia yang dikenal dengan biometrik itu punya keunggulan sifat tidak bisa dihilangkan, dilupakan atau dipindahkan dari satu orang ke orang lain. Juga sulit ditiru atau dipalsukan.
Aplikasi teknologi biometrik bisa dicontohkan seperti ketika kita memberikan tanda masuk ke kantor atau akses ke komputer menggunakan pemindai sidik jari.
Dari uraian diatas dapat disimpulkan bahwa sidik jari merupakan suatu parameter yang dikenal dengan nama biometrik yang dimiliki manusia sebagai tanda pengenal diri yang bisa digunakan sebagai alat kunci.
Sidik jari telah terbukti sangat akurat, aman, mudah, dan nyaman untuk digunakan sebagai identifikasi jika dibandingkan dengan sistem biometrik lainnya seperti retina mata atau DNA. Adapun sifat yang dimiliki oleh sidik jari :
a. Perennial nature, yaitu guratan-guratan pada sidik jari yang melekat pada kulit manusia seumur hidup.
b. Immutability, yaitu sidik jari seseorang tidak pernah berubah, kecuali mendapatkan kecelakaan yang serius.
c. Individuality, pola sidik jari adalah unik dan berbeda untuk setiap orang.
II.2. Jaringan Saraf Tiruan
Jaringan saraf tiruan (artificial neural network), atau disingkat dengan JST, adalah suatu sistem pengolahan informasi yang cara kerjanya menirukan cara kerja jaringan saraf manusia. Dalam jaringan saraf manusia tersusun dari sel-sel saraf (neuron) yang saling terhubung dan beroperasi secara paralel. Hal tersebut merupakan cara kerja yang sama dalam elemen-elemen pemrosesan JST.
Adapun kelebihan dari jaringan saraf tiruan yaitu : a. Kemampuan melakukan proses pembelajaran b. Kemampuan beradaptasi
c. Implementasi komponen peralatan dalam bentuk paralel secara besar-besaran.
Menurut Hermawan (2006) JST dibagi ke dalam 3 macam arsitektur, yaitu :
a. Jaringan saraf dengan lapisan tunggal
Jaringan ini memiliki satu lapisan dengan bobot-bobot terhubung yang menerima input kemudian akan secara langsung mengolahnya
menjadi output
Gambar 2.1 Jaringan saraf dengan lapisan tunggal
b. Jaringan saraf dengan banyak lapisan
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara lapisan input
output tanpa harus melalui lapisan tersembunyi
Gambar 2.1 Jaringan saraf dengan lapisan tunggal
Jaringan saraf dengan banyak lapisan
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara input dan lapisan output.
Gambar 2.1 Jaringan saraf dengan lapisan tunggal
Jaringan ini memiliki satu atau lebih lapisan yang terletak diantara
c. Jaringan saraf dengan lapisan kompetitif Hubungan antar
pada diagram arsitektur.
JST mampu menyelesaikan persoalan yang tidak terstruktur dan sulit terdefinisikan, dalam hal ini adalah pola, mulai dari pola yang sangat
Gambar 2.2 Jaringan saraf dengan banyak lapisan
Jaringan saraf dengan lapisan kompetitif
Hubungan antar neuron pada lapisan kompetitif tidak diperlihatkan pada diagram arsitektur.
Gambar 2.3 Jaringan saraf dengan kompetitif
JST mampu menyelesaikan persoalan yang tidak terstruktur dan sulit terdefinisikan, dalam hal ini adalah pola, mulai dari pola yang sangat
Gambar 2.2 Jaringan saraf dengan banyak lapisan
pada lapisan kompetitif tidak diperlihatkan
gan kompetitif
JST mampu menyelesaikan persoalan yang tidak terstruktur dan sulit terdefinisikan, dalam hal ini adalah pola, mulai dari pola yang sangat
sederhana seperti huruf atau angka hingga pola yang cukup rumit seperti sidik jari. Meskipun sidik jari tersebut bergerak atau piksel dari sidik jari berubah JST masih dapat mengenali pola. Hal itu dikarenakan sidik jari memiliki noise yang tidak menentu.
II.3. Metode Propagasi Balik
Metode ini merupakan metode yang sering digunakan untuk memecahkan masalah yang kompleks. Cara kerja dari metode ini adalah menurunkan gradien error unit-unit tersembunyi dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output.
Jaringan propagasi balik terdiri atas banyak lapisan (multilayer neural networks) yaitu :
1.Lapisan input
Lapisan input terdiri dari neuron-neuron atau unit-unit input, mulai dari unit input 1 sampai unit input n.
2. Lapisan tersembunyi
Lapisan tersembunyi terdiri dari unit-unit tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi p.
3. Lapisan output
Lapisan output terdiri dari unit-unit output mulai dari unit output 1 sampai unit output m, n, p m masing-masing adalah bilangan integer.
Berikut merupakan topologi dari jaringan propagasi balik menurut Arief Jaringan Saraf Tiruan Teori dan Aplikasi (Hermawan, 2006)
Gambar 2.4 Arsitektur Jaringan penginisialisasian bobot awal yang dipilih secara acak, kemudian masuk ke tahap perambatan maju. Setelah tahap perambatan maju selesai dikerjakan maka jaringan akan melakukan tahap pemropagasib
perubahan dari bobot
sebagai propagasi balik, dapat dideskripsikan sebagai berikut:
diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit
Gambar 2.4 Arsitektur Jaringan Propagasi Balik
(k = 1,2,….m) lapisan output (j = 1,2,...p) lapisan tersembunyi (i = 1,2,...n) lapisan input
nilai bobot dari unit i ke unit j nilai bobot dari unit j ke unit k
secara konsep, cara kerja dari jaringan propagasi balik adalah penginisialisasian bobot awal yang dipilih secara acak, kemudian masuk ke tahap perambatan maju. Setelah tahap perambatan maju selesai dikerjakan maka jaringan akan melakukan tahap pemropagasibalikan error
perubahan dari bobot-bobot. Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut:
diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit pada lapisan tersembunyi untuk diteruskan ke unit
Propagasi Balik
secara konsep, cara kerja dari jaringan propagasi balik adalah penginisialisasian bobot awal yang dipilih secara acak, kemudian masuk ke tahap perambatan maju. Setelah tahap perambatan maju selesai dikerjakan error yang berisi Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, dapat dideskripsikan sebagai berikut: ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan
keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation atau propagasi balik.
Tahap training ini merupakan langkah bagaimana suatu jaringan saraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya).
Sedangkan pemecahan masalah baru akan dilakukan jika proses training tersebut selesai , fase tersebut adalah proses testing.
II.4. Tresholding
Tahapan threshold digunakan untuk memperjelas alur sidik jari. Proses ini sangat berguna jika image yang didapat, terdapat warna pixel yang tidak jelas (blok hitam).
Pada proses ini terlebih dahulu mencari filter rata-rata / mean dari gambar sidik jari, pada program ini mean yang merupakan hasil dari jumlah piksel dibagi dengan hasil perkalian scale width dengan scale height. Hasil threshold diperoleh dari hasil piksel jika lebih besar dari mean maka gambar sidik jari akan dirubah RGBnya menjadi 255, 255, 255 yang akan dipergunakan untuk masukkan pada proses training dan testing, sebaliknya jika kurang dari mean akan diubah menjadi 0, 0, 0
II.5. Thinning
Thinning adalah operasi morfologi yang digunakan untuk menghapus piksel foreground yang terpilih dari gambar biner, biasanya digunakan untuk proses mencari tulang dari sebuah objek. Objek yang dihasilkan adalah skeleton yang dianggap merepresentasika suatu objek.
Ada berbagai macam metode atau algoritma thinning, dan masing-masing memberikan hasil yang berbeda. Kebanyakan algoritma thinning bersifat iteratif. Pada sebuah iterasi, piksel-piksel edge dievaluasi berdasarkan kriteria-kriteria tertentu untuk menentukan apakah harus dibuang atau tidak.
Ada juga beberapa algoritma pada komputer-komputer yang bekerja secara sekuensial dan paralel. Pada algoritma sekuensial, untuk memproses suatu piksel pada suatu tahap digunakan hasil pemrosesan pada iterasi sebelumnya dan hasil iterasi pada tahap yang sedang berjalan. Sedangkan pada algoritma paralel, keputusan untuk membuang suatu piksel hanya bergantung pada hasil dari iterasi sebelumnya.
Algoritma thinning yang digunakan adalah algoritma yang dikemukakan oleh Zhang-Suen (A Fast Parallel Algorithm For Thinning Digital Pattern, 1984)
Algoritmanya akan dijelaskan sebagai berikut : Asumsi :
a. Piksel dengan nilai 1 adalah foreground.
b. Piksel dengan nilai 0 adalah background.
c. Piksel obyek memiliki aturan 8 tetangga.
d. Gambar yang digunakan adalah binary image.
Algoritma Thinning
Ulangi langkah 1 sampai langkah 4 hingga tidak ada perubahan :
langkah 1 : Tandai semua piksel foreground yang memenuhi kondisi 1 sampai dengan 4
langkah 2 : Rubah nilai piksel menjadi 0 (background)
langkah 3 : Tandai semua piksel foreground yang memenuhi kondisi 5 sampai dengan 8
langkah 4 : Rubah nilai piksel menjadi 0 (background)
Kondisi :
1. 2 ≤ N (P1) ≤ 6 2. S(P1) = 1
3. P2 * P4 * P6 = 0 4. P4 * P6 * P8 = 0 5. 2 ≤ N (P1) ≤ 6 6. S(P1) = 1
7. P2 * P4 * P8 = 0 8. P2 * P6 * P8 = 0
Keterangan :
• N(P1) adalah jumlah tetangga yang dimiliki oleh piksel P1 yang tidak bernilai 0 (nol).
• S(P1) adalah jumlah perpindahan nilai dari 0 (nol) ke 1 (satu) mulai dari P2, P3 sampai dengan P9 secara berurut.
• P2 * P4 * P6 = 0, memiliki arti P2 atau P4 atau P6 bernilai 0 (nol).
Sebagai contoh : N(P1) = 4 dan S(P1) = 3
0 0 1
1 P1 0
1 0 1
Piksel P1 dengan 8 tetangga
9 2 3
8 1 4
7 6 5
II.6. Minutiae
Ekstraksi minutiae diperoleh menggunakan matriks ketetanggaan dan filter bentuk dengan topologinya dirancang untuk mengeksploitasi dua sifat minutiae, yaitu untuk mendeteksi akhir garis alur atau titik-titik percabangan.
Citra awal berhubungan dengan arah garis-garis alur pola sidik jari yang
kemudian di sekat-sekat kedalam daerah-daerah yang terhubung yang homogen. Dari terminasi dan percabangan garis alur pola sidik jari maka diperoleh titik-titik minutiae. Peta dari titik-titik minutiae disimpan sebagai informasi unik berhubungan dengan sidik jari individual.
Pada pencocokan minutiae ini akan melakukan analisis percabangan garis (ridges bifurcations) dan akhir garis (ridges ending). Keseluruhan pola sidik jari rata-rata berisikan 100 minutiae, area pengukuran rata-rata berisikan 30-60 minutiae tergantung dari jari dan area sensor. Titik-titik minutiae disimpan berikut posisi dari titik minutiae local dalam kode pola sidik jari atau secara langsung dalam template acuan.
Gambar 2.5 Bentuk Ridge pada sidik jari
Bagian utama dari penggunaan pola sidik jari untuk sistem autentikasi adalah bagaimana mendapatkan pola sidik jari untuk disimpan sebagai template sewaktu pendaftaran ataupun sewaktu dilakukan perbandingan pola sidik jari tertentu dengan template tersebut (sewaktu identifikasi/verifikasi).
Sistem pengenalan sidik jari memanfaatkan struktur sidik jari setiap manusia yang berbeda (ada kesamaan degan presentase yang cukup kecil). Sistem ini melibatkan penentuan tingkat kesamaan.
17
BAB III
ANALISIS DAN PERANCANGAN SISTEM
III.1. Analisis Sistem
Sistem presensi mahasiswa ini menggunakan sidik jari dimana mesin presensi yang ada tidak menyediakan keypad untuk memasukkan id mahasiswa, sehingga mahasiswa hanya dapat melakukan scanning sidik jari saja. Sistem akan menyimpan sidik jari mahasiswa yang telah mendaftar ke dalam database yang akan digunakan untuk melakukan presensi.
Admin dan mahasiswa akan terlibat langsung dalam sistem ini. Admin memiliki kewenangan untuk mengganti password login admin, mendaftar dan edit mata kuliah, mendaftar dan meng-edit data mahasiswa, men-training sidik jari mahasiswa, membuat laporan presensi dan mencari data mahasiswa jika diperlukan. Sedangkan mahasiswa hanya melakukan presensi.
Admin terlebih dahulu melakukan login untuk masuk ke dalam sistem.
Apabila login berhasil, admin akan masuk ke dalam form menu. Di dalam form menu, admin dapat melakukan proses mengganti password login admin, mendaftar dan edit mata kuliah, mendaftar dan meng-edit data mahasiswa, men-training sidik jari mahasiswa, membuat laporan presensi dan mencari data mahasiswa jika diperlukan. Sebelum mahasiswa melakukan presensi, admin terlebih dahulu melakukan men-training sidik jari mahasiswa yang bermaksud untuk mengenali terlebih dahulu sidik jari mahasiswa dan menghasikan bobot-bobot baik yang digunakan untuk presensi mahasiswa.
Admin juga akan membuat laporan presensi mahasiswa yang akan diserahkan pada sekretariat.
Mahasiswa melakukan presensi ketika akan masuk kuliah. Mahasiswa akan memasukkan sidik jari saat presensi, kemudian sistem akan memprosesnya jika sidik jari yang telah dimasukkan cocok maka sistem akan mencatat waktu pada saat presensi. Apabila sidik jari yang dimasukkan tidak cocok maka sistem akan mengeluarkan pesan kesalahan. Mahasiswa hanya satu kali melakukan presensi, mahasiswa tidak bisa berbuat kecurangan pada saat melakukan presensi karena setiap mahasiswa memiliki sidik jari yang berbeda.
Untuk pencocokan sidik jari mahasiswa dengan yang ada di dalam database, sistem akan terlebih dahulu melakukan proses pembelajaran dengan menggunakan algoritma propagasi balik. Proses pembelajaran itu dikenal dengan proses training dan untuk pencocokannya dikenal dengan proses testing. Semua sidik jari mahasiswa yang ada di dalam database akan dilakukan proses training yang bertujuan melatih jaringan agar mampu mengenalinya. Pada proses training akan menghasilkan matriks bobot yang disimpan dan akan digunakan untuk proses testing. Untuk proses testing, dilakukan pada saat mahasiswa melakukan presensi dengan menggunakan matriks bobot yang dihasilkan pada proses training sebelumnya. Output pada proses testing akan dibandingkan dengan data sidik jari yang berada di dalam database apakah dapat dikenali atau tidak, jika dapat dikenali sistem akan memberikan informasi pemilik sidik jari tersebut.
III.2. Perancangan Sistem III.2.1. Use Case Diagram
Dalam kebutuhannya sistem membutuhkan aktor-aktor yang terlibat.
Berikut penjelasannya di dalam gambar 3.1 :
Gambar 3.1 Use Case Diagram
III.2.2. Perancangan Arsitektur Jaringan
Arsitektur jaringan yang digunakan pada metode propagasi balik berupa multilapis/multilayer. Lapisan tersebut dibagi menjadi 3 lapisan yaitu lapisan input yang berfungsi menerima data inputan, lapisan output yang menghasilkan keluaran dari jaringan, dan lapisan tersembunyi merupakan
lapisan yang terletak diantara lapisan input dan output, berikut adalah penjelasannya dalam gambar 3.2 :
Gambar 3.2 Arsiktektur Jaringan Saraf Tiruan Metode Propagasi Balik
1. Lapisan input
Jumlah vektor neuron yang digunakan pada lapisan ini sebanyak 60. Hal tersebut dikarenakan dari hasil ekstraksi minusi.
2. Lapisan tersembunyi
Jumlah vektor neuron pada lapisan ini berjumlah 20 neuron.
Jumlah neuron ini ditentukan sendiri karena belum adanya ketentuan yang mengatur jumlah neuron dari lapisan ini.
3. Lapisan output
Jumlah vektor neuron di lapisan ini berdasarkan dari hasil keluaran jaringan yaitu data biner sidik jari yang berjumlah 8 neuron.
III.2.3. Pengambilan Sidik Jari
Pengambilan sidik jari menggunakan alat fingerprint. Program hanya tinggal memanggil komponen / fungsi yang telah disediakan oleh driver fingerprint, kemudian gambar sidik jari akan di simpan ke dalam database beserta data diri dari pemilik sidik jari.
III.2.4. Thinning
Thinning merupakan salah satu image processing yang digunakan untuk mengurangi ukuran dari suatu image (image size) dengan tetap mempertahankan informasi dan karakteristik penting dari image tersebut. Hal ini diimplementasikan dengan mengubah image awal dengan pola binary menjadi representasi kerangka (skeletal representation) image tersebut.
Algoritma thinning yang digunakan adalah Zhang-Suen. Algoritma ini adalah salah satu algoritma thinning yang cukup populer dan telah digunakan sebagai suatu basis perbandingan untuk thinning. Algoritma ini cepat dan mudah di implementasikan. Berikut adalah penjelasan algoritmanya :
Tabel 3.1 Tabel Gambar Piksel 1
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12
Hasil Iterasi Pertama (Langkah A dan B)
Langkah A, harus memenuhi kondisi 1 sampai dengan 4 yaitu : 1. 2 ≤ N (P1) ≤ 6
Kondisi dapat terpenuhi semua dengan nilai TRUE sehingga dapat disimpulkan bahwa P1 ditandai dan dirubah menjadi background (nol). Untuk Piksel P1 = (P2) pada table 3.1: ditandai ataupun dirubah pada langkah A dan B. Setelah melakukan cara yang sama untuk P1 = (P3), P1 = (P4), P1 = (P5), P1 = (P6), P1 = (P7), P1 = (P8), P1 = (P9) diperoleh citra seperti berikut :
Tabel 3.2 Tabel Gambar Piksel 2
0 Q1 Q2 0
Q3 Q4 Q5 0
0 0 0 0
Langkah C untuk pelaksanaan algoritma selanjutnya 5. 2 ≤ N (P1) ≤ 6
6. S(P1) = 1
7. P2 * P4 * P8 = 0 8. P2 * P6 * P8 = 0
Untuk Piksel P1 = (Q1) N(P1) = 4; TRUE S(P1) = 1; TRUE
P2 * P4 * P8 = 0; TRUE P2 * P6 * P8 = 0; TRUE
Kondisi dapat terpenuhi semua dengan nilai TRUE sehingga dapat disimpulkan bahwa Q1 ditandai dan dirubah menjadi background (nol).
Setelah dilakukan cara yang sama terhadap P1 = (Q2), P1 = (Q3), P1 = (Q4), P1 = (Q5) didapatkan hasil akhir seperti citra dibawah ini Gambar.3. Jika dilakukan langkah A dan B hasil yang diperoleh dari citra tersebut tidak berubah, sehingga dapat disimpulkan bahwa pengeksekusian algoritma
thinning citra sudah selesai.
Tabel 3.3 Tabel Gambar Piksel 3
0 0’ 0’ 0
0’ 0
0 0 0 0
III.2.5. Tresholding
Gambar sidik jari yang telah diambil, selanjutnya mengalami proses treshold untuk memperjelas alur sidik jari. Proses ini sangat berguna jika gambar yang didapat, terdapat warna piksel yang tidak jelas (blok hitam).
Proses treshold sering disebut dengan proses binerisasi.
Pada proses ini terlebih dahulu mencari filter rata-rata / mean dari gambar sidik jari, pada program ini mean yang merupakan hasil dari jumlah piksel dibagi dengan hasil perkalian scale width dengan scale height. Hasil threshold akan berupa angka-angka biner 0 dan 1 yang akan dipergunakan untuk masukkan pada proses training dan testing . Hasil piksel jika lebih besar dari mean maka gambar sidik jari akan dirubah menjadi angka biner 0 yang berisi piksel putih, sebaliknya jika kurang dari mean akan diubah menjadi angka 1 yang berarti berisi piksel berwarna hitam.
III.2.6. Ekstraksi Minutiae
Minusi dicari dengan mendeteksi adanya percabangan saja. Cabang hitam pada suatu citra biner merupakan ujung hitam pada citra biner inversnya. Thinning dilakukan pada object hitam dari citra biner, sehingga hasil penulangan suau citra akan berbeda dengan hasil penulangan citra inversnya. Selain itu proses tersebut dapat mengatasi kerusakan pada citra yang mengakibatkan hilangnya minusi.
Hasil penulangan adalah garis dengan ketebalan satu pixel.. Pada citra thinning adanya percabangan dideteksi dengan cara menelusuri setiap pixel hitam pada citra yang delapan titik tetangganya sesuai salah satu dari dua belas (12) matriks 3 x 3 pixel yang merupakan konfigurasi dari matriks percabangan. Minusi yang diperoleh dari penulangan citra biner awal merupakan alur cabang (ridge bifurcation), sedngkan minusi yang diperoleh dari penulangan citra biner hasil inversnya merupakan alur berhenti (ridge ending).
III.2.7. Jarak Minutiae
Pada proses ekstraksi minusi semua minusi dideteksi lalu minusi – minusi tersebut kemudian ditandai dengan diberi titik pada tiap minusi.
Sehingga hasil dari proses ekstraksi minusi adalah beberapa titik yang menandai adanya minusi baik jalur percabangan (ridge bifurcation) maupun alur perhentian (ridge ending). Kemudian tiap – tiap minusi diekstraksi untuk
mendeteksi tetanganya. Dengan memposisikan salah satu minusi (yang diekstraksi) berada di tengah, sedangkan yang disekitarnya merupakan minusi – minusi tetangga. Jarak minusi tetangga nantinya akan bervariasi ada yang dekat dan ada yang jauh. Data awal / jarak ini dijadikan sebagai inputan data yang akan diolah mengunakan metode propagasi balik.
III.2.8. Perancangan Proses Training
Proses training membutuhkan input data selain sidik jari yang di ambil dari database, seperti laju pemahaman, toleransi dan jumlah iterasi. Data sidik jari terlebih dahulu dilakukan proses treshold dan thinning serta ekstraksi ciri yang kemudian mengubah sidik jari ke dalam bentuk biner 0 dan 1.
Pada proses training terdapat 3 tahapan yaitu tahap perambatan maju, tahap pemropagasibalikan error dan tahap perubahan bobot. Berikut adalah penjelasan algoritma training :
a. Inisialisasi bobot awal secara acak
Inisialisasi bobot ditentukan secara acak (random) dengan tidak bernilai 0 karena akan mempengaruhi proses selanjutnya agar juga tidak bernilai 0. Bobot input vj, i terletak di antara lapisan input dan lapisan tersembunyi, sedangkan bobot output wk, j terletak di antara lapisan tersembunyi dan lapisan output.
b. Ulangi langkah c hingga j sampai kondisi akhir iterasi dipenuhi c. Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah d hingga i
Tahap Perambatan Maju
d. Masing-masing vektor input x i (i = 1,2,...256) menerima sinyal masukan x i dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapisan tersembunyi)
e. Pada tahap ini dengan mengalikan vektor input x i (i = 1,2,...256) dengan matrik bobot yang telah ditentukan. Hasil perhitungan tersebut akan digunakan pada lapisan di atasnya yaitu lapisan tersembunyi dengan fungsi aktivasi terhadap penjumlahan dari lapisan input yang berbobot dengan persamaan
dari lapisan tersembunyi kemudian akan diteruskan ke lapisan di atasnya yaitu lapisan output.
f. Masing-masing vektor output dilakukan perkalian antara bobot yang ada di antara lapisan output dan lapisan tersembunyi wk, j dengan hasil fungsi aktivasi pada lapisan tersembunyi zj . Kemudian akan menerapkan fungsi aktivasi dari setiap unit output yk dengan persamaan
Tahap Pemropagasibalikan Error
g. Pada tahap ini akan dihitung error tiap neuron pada lapisan output (selisih antara hasil output dengan target) dengan persamaan
pada perhitungan error juga akan mengoreksi bobot dan bias (∆w jk dan
∆w 0k ) yaitu
h. Masing-masing penimbang yang menghubungkan unit-unit lapisan output dengan unit-unit pada lapisan tersembunyi (zj ,j=1..,p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.
dan mengoreksi bobot dan biasnya (∆vij dan ∆v0j)
∆vij = αδj xi
∆v0j = αδj
Tahap Perubahan Bobot
i. Pada tahap ini akan dilakukan looping jumlah output, hingga error yang diperoleh 0 atau sama dengan error yang telah ditentukan. Dari proses tersebut untuk menghitung perubahan-perubahan yang terjadi pada bobot dengan persamaan
III.2.2. Kondisi test stopping.
III.2.9. Perancangan Proses Testing
Pada proses ini gambar sidik jari juga dilakukan proses treshold dan thinnig agar sistem dapat mengolahnya sehingga sistem dapat mengenali sidik
Pada proses ini gambar sidik jari juga dilakukan proses treshold dan thinnig agar sistem dapat mengolahnya sehingga sistem dapat mengenali sidik