Identifikasi Karakter Seseorang Berdasarkan Sidik Jari Menggunakan Jaringan Saraf Tiruan Learning Vector Quantization.

(1)

Disusun oleh : Julius Gunawan (0822001)

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia

e-mail :gun.julius@gmail.com ABSTRAK

Sidik jari seseorang merupakan ciri yang unik, karena tidak ada seorangpun di dunia ini yang mempunyai sidik jari yang sama. Beberapa studi tentang sidik jari telah mempelajari adanya keterkaitan antara pola sidik jari dengan karakter seseorang. Karakter orang tersebut berkaitan dengan pola sidik jari yang dimiliki oleh orang tersebut.

Pada tugas akhir ini dirancang dan direalisasikan sistem untuk mengidentifikasi karakter seseorang berdasarkan sidik jari menggunakan jaringan saraf tiruanLearning Vector Quantization(LVQ). Sidik jari tersebut diambil pada ibu jari lengan kanan dan akan dikenali polanya menggunakan jaringan saraf tiruan LVQ. Masukan untuk jaringan LVQ berupa nilai 7 momen invarian yang diperoleh dari citra sidik jari. Karakter seseorang diperoleh berdasarkan hasil klasifikasi pola sidik jari oleh jaringan LVQ sesuai dengan referensi pada database.

Dari hasil pengujian identifikasi karakter terhadap 10 responden, diperoleh keberhasilan identifikasi karakter sebesar 90%. Pengujian juga dilakukan pada citra sidik jari yang dirotasi dan ditranslasi. Citra sidik jari yang dirotasi, tidak mempengaruhi hasil pengklasifikasian, sedangkan untuk citra yang ditranslasi, pengklasifikasian tidak terpengaruh sampai translasi sebesar 10%.

(2)

Composed by: Julius Gunawan (0822001)

Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University

Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia e-mail :gun.julius@gmail.com

ABSTRACT

Human fingerprint is the unique identity, because there is nobody in this world has the same fingerprint type. Some fingerprint researches had learnt that there is relation between fingerprint pattern with the human character. The human character related to the pattern of fingerprint itself.

In this final project, designed and realized a system to identify human character based on fingerprint using Learning Vector Quantization (LVQ) neural network. The fingerprint is taken from the right hand of the thumb and its pattern will be recognized using LVQ neural network. The input of the LVQ neural network is a 7 invariant moments which are obtained from fingerprint image. The human character is obtained based on the result of fingerprint classification by the LVQ neural network appropriate with the reference in database.

The result of the character identification test against 10 respondents, shows the character identification success is 90%. The test was conducted also on the rotated and translated fingerprint image. The rotated fingerprint image, do not affect the result of classification, whilst for the translated fingerprint image, the translation do not affect the classification result until the amount of translation to 10%.

(3)

LEMBAR PENGESAHAN

ABSTRAK……….………...…i

ABSTRACT……….………ii

PERNYATAAN ORISINALITAS TUGAS AKHIR...……….………..iii

PERNYATAAN PUBLIKASI LAPORAN PENELTIAN……….………….iv

KATA PENGANTAR……….………v

DAFTAR ISI……….…….vii

DAFTAR GAMBAR……….ix

DAFTAR TABEL……….xi

I. PENDAHULUAN I.1 Latar Belakang……….1

I.2 Perumusan Masalah……….2

I.3 Tujuan………..2

I.4 Pembatasan Masalah………....2

I.5 Sistematika Penulisan………..2

II. LANDASAN TEORI II.1 Learning Vector Quantization……….4

II.1.1 Arsitektur Jaringan LVQ………..4

II.1.2 Proses Pembelajaran dan Pengujian……….6

II.2 Invariant Moments………...9

II.3 Pola Sidik Jari………12

II.3.1 Tiga Pola Dasar Sidik Jari………..12

II.3.2 Teori Evolusi Otak oleh Paul D. MacLean……….13

(4)

II.4 Pemrograman MATLAB………...18

II.4.1 Pre-processingCitra Digital………..19

II.4.2 Antarmuka Pemakai (Graphical User Interface)……..20

II.5 Mean Squared Error………..21

III. PERANCANGAN SISTEM III.1 Arsitektur Jaringan Saraf Tiruan………...23

III.2 Proses Pelatihan dan Pengujian……….24

III.2.1 Proses Pelatihan……….24

III.2.2 Proses Pengujian………31

III.3 Pengelompokan Kelas Pola Sidik Jari………..33

III.4 Penentuan Nilai Bobot Awal………35

III.5 Perancangan Antarmuka Pemakai (GUI)……….36

IV. SIMULASI DAN ANALISA IV.1 Proses Pelatihan………39

IV.2 Proses Pengujian………...42

IV.2.1 Pengujian Rotasi………...50

IV.2.2 Pengujian Translasi………...55

V. KESIMPULAN DAN SARAN V.1 Kesimpulan……….64

V.2 Saran………...64

DAFTAR PUSTAKA………65

(5)

Gambar 2.1 Arsitektur Jaringan Saraf TiruanLearning Vector Quantization

(LVQ)……….………...5

Gambar 2.2 Algoritma Proses Pembelajaran pada MetodeLearning Vector Quantization(LVQ)………..………8

Gambar 2.3 Algoritma Proses Pengujian pada MetodeLearning Vector Quantization(LVQ)………..9

Gambar 2.4 (a) Objek 2D, (b) perubahan ukuran, (c) perubahan posisi, (d) perubahan orientasi…………..……….10

Gambar 2.5 Pola Sidik JariArch………12

Gambar 2.6 Pola Sidik JariLoop………13

Gambar 2.7 Pola Sidik JariWhorl..……….13

Gambar 2.8 The Triune Brain Model………..14

Gambar 2.9 Citra Sidik Jari Setelah Dilakukan Binerisasi……….19

Gambar 2.10 Tampilan GUIeditorpada MATLAB………20

Gambar 3.1 Diagram Blok Sistem……….22

Gambar 3.2 Arsitektur Jaringan Saraf TiruanLearning Vector Quantization (LVQ) yang Dirancang………...23

Gambar 3.3 Diagram Alir Proses Pelatihan Jaringan Saraf TiruanLearning Vector Quantization…………25

Gambar 3.4 Contoh Pola Sidik Jari Berukuran 256 x 256 piksel yang Telah Dikonversi ke Dalam Bentuk Biner………....26

Gambar 3.5 Diagram Alir Subprogram Pelatihan JaringanLearning Vector Quantization(LVQ)………..….29

Gambar 3.6 Diagram Alir Proses Pengujian JaringanLearning Vector Quantization………31

Gambar 3.7 Diagram Alir Proses Ekstraksi Citra Sidik Jari………...…32

(6)

Gambar 4.1 Tampilan Antarmuka Pemakai Perangkat Lunak pada Proses

Pengujian……….45 Gambar 4.2 Tampilan Antarmuka Pemakai Perangkat Lunak Hasil Proses

Pengujian……….46 Gambar 4.3 a) Citra Sebelum Dirotasi. b)Citra Dirotasi Sejauh 900. c) Citra

(7)

Tabel 3.1 Contoh Hasil Pelatihan Jaringan dengan Nilai MSE≠0………34

Tabel 3.2 Contoh Nilai Momen Invarian Hasil Ekstraksi 6 Citra Sidik Jari…...35

Tabel 3.3 Contoh Nilai Momen Invarian Hasil Ekstraksi 6 Citra Sidik Jari Momen 1……….35

Tabel 3.4 Contoh Nilai Momen Invarian Hasil Ekstraksi 6 Citra Sidik Jari dan Nilai Bobotnya………36

Tabel 3.5 Keterangan Rancangan Tampilan pada Program Identifikasi Karakter Seseorang Berdasarkan Pola Sidik Jari………...38

Tabel 4.1 Pola Sidik Jari Beserta Momen Invariannya yang Dipakai pada Proses Pelatihan………..39

Tabel 4.2 Nilai Tengah dari Masing-Masing Momen Invarian………..40

Tabel 4.3 Vektor Bobotepochke 0 sampai 20………..40

Tabel 4.4 Klasifikasi Pola Sidik Jari Pada Pelatihan………..41

Tabel 4.5 Pola dan Tipe Sidik Jari 10 Orang yang Diuji………43

Tabel 4.6 Hasil Pengujian Terhadap 10 Pola Sidik Jari Beserta Karakternya…47 Tabel 4.7 Momen Invarian Sidik Jari Alken Hasil Rotasi Beserta Klasifikasinya………..50

Tabel 4.8 Momen Invarian Sidik Jari Adhi Hasil Rotasi Beserta Klasifikasinya………..51

Tabel 4.9 Momen Invarian Sidik Jari Alex Hasil Rotasi Beserta Klasifikasinya………..51

Tabel 4.10 Momen Invarian Sidik Jari Dewi Hasil Rotasi Beserta Klasifikasinya………..52

Tabel 4.11 Momen Invarian Sidik Jari Carolina Hasil Rotasi Beserta Klasifikasinya………..52

(8)

Tabel 4.13 Momen Invarian Sidik Jari Riyan Hasil Rotasi Beserta

Klasifikasinya………..53 Tabel 4.14 Momen Invarian Sidik Jari Julius Hasil Rotasi Beserta

Klasifikasinya………..54 Tabel 4.15 Momen Invarian Sidik Jari Keisha Hasil Rotasi Beserta

Klasifikasinya………..54 Tabel 4.16 Momen Invarian Sidik Jari Santi Hasil Rotasi Beserta

Klasifikasinya………..55 Tabel 4.17 Momen Invarian Sidik Jari Alken Hasil Translasi Arah Kanan dan

Hasil Pengujian………...56 Tabel 4.18 Momen Invarian Sidik Jari Alken Hasil Translasi Arah Kiri dan

Hasil Pengujian………...56 Tabel 4.19 Momen Invarian Sidik Jari Alken Hasil Translasi Arah Atas dan

Hasil Pengujian………...56 Tabel 4.20 Momen Invarian Sidik Jari Alken Hasil Translasi Arah Bawah dan

Hasil Pengujian………...56 Tabel 4.21 Momen Invarian Sidik Jari Adhi Hasil Translasi Arah Kanan dan

Hasil Pengujian………...57 Tabel 4.22 Momen Invarian Sidik Jari Adhi Hasil Translasi Arah Kiri dan

Hasil Pengujian………...57 Tabel 4.23 Momen Invarian Sidik Jari Adhi Hasil Translasi Arah Atas dan

Hasil Pengujian………...57 Tabel 4.24 Momen Invarian Sidik Jari Adhi Hasil Translasi Arah Bawah dan

Hasil Pengujian………...57 Tabel 4.25 Momen Invarian Sidik Jari Alex Hasil Translasi Arah Kanan dan

Hasil Pengujian………...57 Tabel 4.26 Momen Invarian Sidik Jari Alex Hasil Translasi Arah Kiri dan

(9)

Tabel 4.27 Momen Invarian Sidik Jari Alex Hasil Translasi Arah Atas dan

Hasil Pengujian………...58 Tabel 4.28 Momen Invarian Sidik Jari Alex Hasil Translasi Arah Bawah dan

Hasil Pengujian………...58 Tabel 4.29 Momen Invarian Sidik Jari Dewi Hasil Translasi Arah Kanan dan

Hasil Pengujian………...58 Tabel 4.30 Momen Invarian Sidik Jari Dewi Hasil Translasi Arah Kiri dan

Hasil Pengujian………...58 Tabel 4.31 Momen Invarian Sidik Jari Dewi Hasil Translasi Arah Atas dan

Hasil Pengujian………...58 Tabel 4.32 Momen Invarian Sidik Jari Dewi Hasil Translasi Arah Bawah dan

Hasil Pengujian………...59 Tabel 4.33 Momen Invarian Sidik Jari Carolina Hasil Translasi Arah Kanan dan

Hasil Pengujian………...59 Tabel 4.34 Momen Invarian Sidik Jari Carolina Hasil Translasi Arah Kiri dan

Hasil Pengujian………...59 Tabel 4.35 Momen Invarian Sidik Jari Carolina Hasil Translasi Arah Atas dan

Hasil Pengujian………...59 Tabel 4.36 Momen Invarian Sidik Jari Carolina Hasil Translasi Arah Bawah dan

Hasil Pengujian………...59 Tabel 4.37 Momen Invarian Sidik Jari Inanta Hasil Translasi Arah Kanan dan

Hasil Pengujian………...59 Tabel 4.38 Momen Invarian Sidik Jari Inanta Hasil Translasi Arah Kiri dan

Hasil Pengujian………...60 Tabel 4.39 Momen Invarian Sidik Jari Inanta Hasil Translasi Arah Atas dan

Hasil Pengujian………...60 Tabel 4.40 Momen Invarian Sidik Jari Inanta Hasil Translasi Arah Bawah dan

(10)

Tabel 4.41 Momen Invarian Sidik Jari Riyan Hasil Translasi Arah Kanan dan Hasil Pengujian………...60 Tabel 4.42 Momen Invarian Sidik Jari Riyan Hasil Translasi Arah Kiri dan

Hasil Pengujian………...60 Tabel 4.43 Momen Invarian Sidik Jari Riyan Hasil Translasi Arah Atas dan

Hasil Pengujian………...60 Tabel 4.44 Momen Invarian Sidik Jari Riyan Hasil Translasi Arah Bawah dan

Hasil Pengujian………...60 Tabel 4.45 Momen Invarian Sidik Jari Julius Hasil Translasi Arah Kanan dan

Hasil Pengujian………...61 Tabel 4.46 Momen Invarian Sidik Jari Julius Hasil Translasi Arah Kiri dan

Hasil Pengujian………...61 Tabel 4.47 Momen Invarian Sidik Jari Julius Hasil Translasi Arah Atas dan

Hasil Pengujian………...61 Tabel 4.48 Momen Invarian Sidik Jari Julius Hasil Translasi Arah Bawah dan

Hasil Pengujian………...61 Tabel 4.49 Momen Invarian Sidik Jari Keisha Hasil Translasi Arah Kanan dan

Hasil Pengujian………...61 Tabel 4.50 Momen Invarian Sidik Jari Keisha Hasil Translasi Arah Kiri dan

Hasil Pengujian………...62 Tabel 4.51 Momen Invarian Sidik Jari Keisha Hasil Translasi Arah Atas dan

Hasil Pengujian………...62 Tabel 4.52 Momen Invarian Sidik Jari Keisha Hasil Translasi Arah Bawah dan

Hasil Pengujian………...62 Tabel 4.53 Momen Invarian Sidik Jari Santi Hasil Translasi Arah Kanan dan

Hasil Pengujian………...62 Tabel 4.54 Momen Invarian Sidik Jari Santi Hasil Translasi Arah Kiri dan

(11)

Tabel 4.55 Momen Invarian Sidik Jari Santi Hasil Translasi Arah Atas dan Hasil Pengujian………...62 Tabel 4.56 Momen Invarian Sidik Jari Santi Hasil Translasi Arah Bawah dan

(12)

(13)

Program Pencarian Normalized Central Moments

function n_pq=cent_moment(p,q,A)

% zero and first order moments

[m n]=size(A); moo=sum(sum(A)); m1o=0; mo1=0; for x=0:m-1 for y=0:n-1 m1o=m1o+(x)*A(x+1,y+1); mo1=mo1+(y)*A(x+1,y+1); end end xx=m1o/moo; yy=mo1/moo;

% central moments orde p+q mu_oo=moo; mu_pq=0; for ii=0:m-1 x=ii-xx; for jj=0:n-1 y=jj-yy; mu_pq=mu_pq+(x)^p*(y)^q*A(ii+1,jj+1); end end

% normalized central moments gamma=0.5*(p+q)+1;

n_pq=mu_pq/moo^(gamma);

Program Pencarian Nilai 7 Momen Invarian function [M]=invmomen(A)

% Momen Pertama (M1)

n20=cent_moment(2,0,A); n02=cent_moment(0,2,A); M1=n20+n02;

% Momen Kedua (M2)

n20=cent_moment(2,0,A); n02=cent_moment(0,2,A); n11=cent_moment(1,1,A); M2=(n20-n02)^2+4*n11^2;

% Momen Ketiga (M3)

(14)

n12=cent_moment(1,2,A); n21=cent_moment(2,1,A); n03=cent_moment(0,3,A);

M3=(n30-3*n12)^2+(3*n21-n03)^2;

% Momen Keempat (M4)

n30=cent_moment(3,0,A); n12=cent_moment(1,2,A); n21=cent_moment(2,1,A); n03=cent_moment(0,3,A); M4=(n30+n12)^2+(n21+n03)^2;

% Momen Kelima (M5)

n30=cent_moment(3,0,A); n12=cent_moment(1,2,A); n21=cent_moment(2,1,A); n03=cent_moment(0,3,A); M5=(n30-3*n21)*(n30+n12)*[(n30+n12)^2-3*(n21+n03)^2]+(3*n21-n03)*(n21+n03)*[3*(n30+n12)^2-(n21+n03)^2];

% Momen Keenam (M6)

n20=cent_moment(2,0,A); n02=cent_moment(0,2,A); n30=cent_moment(3,0,A); n12=cent_moment(1,2,A); n21=cent_moment(2,1,A); n03=cent_moment(0,3,A); n11=cent_moment(1,1,A); M6=(n20-n02)*[(n30+n12)^2-(n21+n03)^2]+4*n11*(n30+n12)*(n21+n03);

% Momen Ketujuh (M7)

n30=cent_moment(3,0,A); n12=cent_moment(1,2,A); n21=cent_moment(2,1,A); n03=cent_moment(0,3,A); M7=(3*n21-n03)*(n30+n12)*[(n30+n12)^2-3*(n21+n03)^2]-(n30+3*n12)*(n21+n03)*[3*(n30+n12)^2-(n21+n03)^2];

% tujuh nilai momen invarian

M=[M1 M2 M3 M4 M5 M6 M7]';

Program Pelatihan LVQ a1=imread(‘arch1.jpg’); a2=imread(‘arch2.jpg’); l1=imread(‘loop1.jpg’); l2=imread(‘loop2.jpg’); w1=imread(‘whorl1.jpg’) w2=imread(‘whorl2.jpg’);

% ekstraksi citra

(15)

l1=im2bw(l1); l2=im2bw(l2); w1=im2bw(w1); w2=im2bw(w2); a1=invmomen(a1); a2=invmomen(a2); l1=invmomen(l1); l2=invmomen(l2); w1=invmomen(w1); w2=invmomen(w2);

% pendeklarasian input dan target LVQ

input=[a1 a2 l1 l2 w1 w2]; target=[1 1 2 2 3 3]; target=ind2vec(target);

% pembuatan dan pelatihan jaringan

lvq=newlvq(input,3,[0.4 0.3 0.3],0.1); lvq=train(lvq,input,target);

Program Pendeklarasian LVQ yang Telah Dilatih function w=match(x)

load jst.mat

w=vec2ind(sim(lvq,x));

Program GUI Pengujian LVQ

function varargout = test(varargin)

% TEST MATLAB code for test.fig

% TEST, by itself, creates a new TEST or raises the existing % singleton*.

%

% H = TEST returns the handle to a new TEST or the handle to % the existing singleton*.

%

% TEST('CALLBACK',hObject,eventData,handles,...) calls the local

% function named CALLBACK in TEST.M with the given input arguments.

%

% TEST('Property','Value',...) creates a new TEST or raises the

% existing singleton*. Starting from the left, property value pairs are

% applied to the GUI before test_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application

% stop. All inputs are passed to test_OpeningFcn via varargin.

(16)

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one

% instance to run (singleton)". %

% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help test

% Last Modified by GUIDE v2.5 03-Nov-2005 10:43:57

% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @test_OpeningFcn, ... 'gui_OutputFcn', @test_OutputFcn, ... 'gui_LayoutFcn', [] , ...

'gui_Callback', []); if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else

gui_mainfcn(gui_State, varargin{:}); end

% End initialization code - DO NOT EDIT

% --- Executes just before test is made visible.

function test_OpeningFcn(hObject, eventdata, handles, varargin)

% This function has no output args, see OutputFcn. % hObject handle to figure

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA) % varargin command line arguments to test (see VARARGIN)

% Choose default command line output for test

handles.output = hObject;

% Update handles structure

guidata(hObject, handles);

% UIWAIT makes test wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = test_OutputFcn(hObject, eventdata, handles)

% varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

(17)

% Get default command line output from handles structure

varargout{1} = handles.output;

function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% handles structure with handles and user data (see GUIDATA)

% Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of edit1 as a double

% --- Executes during object creation, after setting all properties.

function edit1_CreateFcn(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)

% handles empty - handles not created until after all CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles) handles.output = hObject;

[fn pn] = uigetfile('*.jpg;*.bmp','Select Image File'); complete = strcat(pn,fn);

set(handles.edit1,'string',complete); l = imread(complete);

imshow(l,[]);

guidata(hObject, handles); m = im2bw(l);

n = invmomen(m);

set(handles.uitable1,'Data',n); a=match(n);

if (a == 1)

set(handles.text1,'String',sprintf('Pola

(18)

berperilaku cenderung berdedikasi tinggi.\n• Protektif dan menjunjung loyalitas yang tinggi.\n• Dengan stimulasi positif, individu ini akan menjadi individu yang taat dan berdedikasi.\n• Namun dengan stimulasi negatif akan membuatnya menjadi individu

yang fanatik berlebihan dan cenderung memaksakan kehendak.'));

elseif (a == 2)

Loop:\n\n\nKarakternya:\n• Mendasari pemikiran dan tindakannya pada emosi dan perasaan yang dipengaruhi oleh lingkungannya.\n• Terlihat sangat adaptif terhadap perubahan lingkungan sehingga sering tampak mengikuti orang yang membuatnya merasa nyaman.\n• Sering tampak moody dan sensitif.\n• Memiliki jiwa sosial yang tinggi dan mudah berempati.\n• Dengan stimulasi positif,

individu ini akan memiliki kepekaan yang tinggi pada

lingkungannya. Sangat fleksibel dan toleran terhadap perubahan dan perbedaan selama sesuai dengan kenyamanannya.\n• Dengan stimulasi negatif, individu ini akan sangat emosional yang cenderung tanpa kendali. Mudah terbawa arus tanpa peduli apakah pengaruh tersebut baik atau buruk. Dalam mencapai tujuan, individu ini juga tidak

konsisten karena lebih memikirkan kenyamanan.'));

else

Whorl:\n\n\nKarakternya:\n• Mendasari pemikiran dan tindakannya pada pemikiran rasional dan logis yang sangat tinggi serta

mengitegrasikan pemikiran – pemikiran logisnya dengan pertimbangan perasaan.\n• Bertujuan mencapai aktualisasi diri.\n• Memiliki konsistensi yang cukup kuat dan tidak mudah terbawa arus.\n• Hanya mau menerima masukkan selama dapat diterima oleh pemikiran logisnya.\n• Cenderung teguh pada pendirian dalam mencapai tujuan.\n• Dengan stimulasi positif, individu ini akan sangat konsisten dalam mencapai tujuan. Bersikap profesional dan memiliki sikap optimis saat menghadapi permasalahan. Berorientasi pada prestasi dan pencapaian.\n• Dengan stimulasi negatif, individu ini akan menunjukkan sikap ambisius yang tidak didukung dengan

kemampuannya sehingga kadang tidak realistis. Cenderung keras kepala dan mau menang sendiri dalam pemikiran dan perilakunya. Orientasinya hanya terarah pada hal – hal yang menguntungkan dirinya. Kadang senang memimpin namun tidak mau menerima arahan

dari orang lain.'));

end

% hObject handle to pushbutton1 (see GCBO)

% handles structure with handles and user data (see GUIDATA)

% --- Executes during object creation, after setting all properties.

function uitable1_CreateFcn(hObject, eventdata, handles)

% hObject handle to uitable1 (see GCBO)

(19)

I.1 Latar Belakang

Sidik jari merupakan suatu ciri khas seseorang yang unik, karena tidak ada

satupun orang di dunia ini yang memiliki pola sidik jari yang sama. Meskipun

permukaan kulit jari orang tersebut terluka, kulit yang beregenarasi tersebut akan

membentuk pola sidik jari yang sama seperti sebelumnya. Pola sidik jari tersebut

akan tetap sama dengan pada saat manusia masih berupa janin hingga meninggal.

Oleh karena itu pola sidik jari seringkali digunakan sebagai identitas seseorang

sebagai ciri pengenalan dari orang tersebut.

Ciri khas seseorang juga dapat diwakili melalui karakter seseorang yang

berbeda – beda. Karakter seseorang dapat berupa perilaku, pola berpikir, serta

interaksi seseorang dengan lingkungan sekitar. Sifat tersebut dapat mewakili ciri

khas dalam identifikasi karakter seseorang. Karakter seseorang tersebut dapat

dianggap berkaitan dengan pola sidik jari orang tersebut yang mempunyai pola

yang berbeda – beda. Pola sidik jari mempunyai suatu ciri unik yang dapat

menunjukkan bagaimana karakter seseorang.

Sistem yang sudah ada kebanyakan akan mendeteksi sidik jari untuk

mengenali pola serta mencocokkan pola tersebut sebagai sistem pengenalan pola

sidik jari. Pengenalan serta pencocokkan pola sidik jari tersebut dapat

dikembangkan menjadi pengklasifikasian kepada karakter seseorang

menggunakan suatu perangkat lunak yang mempunyai sistem pembelajaran yang

mandiri. Sistem pembelajaran yang sedang berkembang saat ini yaitu jaringan

saraf tiruan yang dapat melakukan pembelajaran serta penyesuaian sistem ke arah

yang lebih akurat. Jaringan saraf tiruan tersebut nantinya dapat digunakan sebagai

sistem untuk pengenalan pola sidik jari serta pengidentifikasian atau pengenalan

(20)

I.2 Perumusan Masalah

Bagaimana membuat suatu sistem yang dapat mengidentifikasi karakter

seseorang, berdasarkan pola sidik jari, menggunakan jaringan saraf tiruanlearning vector quantization.

I.3 Tujuan

Tujuan dari tugas akhir ini adalah membuat suatu sistem untuk

mengidentifikasi karakter seseorang, berdasarkan sidik jari menggunakan jaringan

saraf tiruanlearning vector quantization.

I.4 Pembatasan Masalah

Ada pun batasan – batasan masalah dalam tugas akhir ini adalah :

1. Citra sidik jari berupa dokumen gambar hasil pemindaian yang sudah

di-crop dengan ukuran 256 x 256pixel.

2. Karakter seseorang yang diidentifikasi hanya karakter yang bersifat

umum, berdasarkandatabaseyang tersedia dari referensi. 3. Perangkat lunak dibuat dengan menggunakan MATLAB.

4. Pola sidik jari yang dipakai hanya pada ibu jari lengan kanan saja.

I.5 Sistematika Penulisan

Laporan Tugas Akhir ini terbagi menjadi lima bab utama. Untuk

memperjelas penulisan laporan ini, akan diterangkan secara singkat sistematika

beserta uraian dari masing-masing bab, yaitu:

BAB I. PENDAHULUAN

Bab ini menjelaskan latar belakang yang menjadi alasan penelitian,

identifikasi masalah yang akan diselesaikan dalam Tugas Akhir ini, tujuan

yang hendak dicapai, pembatasan masalah agar ruang lingkup

permasalahan tidak terlalu luas, dan sistematika penulisan yang

(21)

BAB II. LANDASAN TEORI

Bab ini menjelaskan teori – teori yang menjadi referensi penulis untuk

mengerjakan Tugas Akhir ini. Teori yang dijelaskan pada bab ini adalah

jaringan saraf tiruan Learning Vector Quantization yang digunakan untuk mengkategorikan pola sidik jari, Invariant Moment untuk ekstrasi citra pola sidik jari, macam pola sidik jari beserta karakternya, sedikit mengenai

pemrograman MATLAB untuk membuat Graphical User Interface, serta beberapa teori lainnya sebagai pendukung.

BAB III. PERANCANGAN SISTEM

Bab ini menjelaskan perancangan program seperti arsitektur jaringan,

proses pelatihan dan simulasi dalam bentuk diagram alir (flowchart), serta perancangan antarmuka pemakai (Graphical User Interface) yang dibuat dengan menggunakansoftwareMATLAB.

BAB IV. SIMULASI DAN ANALISA

Bab ini berisi hasil yang diperoleh dari penelitian dan analisa data yang

diperoleh melalui Tugas Akhir ini.

BAB V. KESIMPULAN DAN SARAN

Bab ini menyimpulkan hasil perancangan dan memberikan saran-saran

mengenai hal-hal yang mungkin harus ditambah pada penelitian yang telah

(22)

V.1 Kesimpulan

Berdasarkan data pengamatan serta analisis yang telah dilakukan, dapat

diambil kesimpulan sebagai berikut:

1. Identifikasi karakter seseorang berdasarkan pola sidik jari menggunakan

jaringan saraf tiruan learning vector quantization ini telah berhasil diimplementasikan dan dapat berfungsi untuk mengidentifikasi karakter

seseorang sesuai referensi yang ada.

2. Klasifikasi pola sidik jari dan identifikasi karakter dapat dilakukan dengan

benar untuk 9 dari 10 responden yang diambil.

3. Rotasi citra (tiap 150) dari 00 hingga 3450 tidak mempengaruhi hasil

pengklasifikasian. Hasil klasifikasi pola sidik jari masih sesuai dengan hasil

pengklasifikasian saat sebelum dirotasi.

4. Pengenalan pola sidik jari terhadap citra yang ditranslasi secara horisontal ke

arah kanan, kiri, dan secara vertikal ke arah atas, bawah, tidak mempengaruhi

pengklasifikasian hingga translasi sebesar 10%.

5. Pada pengujian translasi terdapat beberapa pola sidik jari yang masih dapat

dikenali polanya hingga translasi sebesar 60%.

6. Kesalahan yang dihasilkan oleh jaringan dalam pengklasifikasian dapat

disebabkan kurang jelasnya citra sidik jari, sehingga pada proses pengujian

terdapat kesalahan pengklasifikasian.

V.2 Saran

1. Pendeteksian pola sidik jari dapat dilakukan pada jari lain selain ibu jari

untuk menunjukkan karakter lainnya .

(23)

[1]. Fausset, L.V. 1994.Fundamentals of Neural Network: Architecture, Algorithm, and Application.New Jersey: Prentice Hall.

[2]. Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan

(Menggunakan MATLAB & Excel Link. Yogyakarta: Graha Mulia.

[3]. Mercimek, Muharrem. 2005. Real Object Recognition Using Moment Invariants. Turkey: Yildiz Technical University.

[4]. Widarsa, C. L. Y.Decoding the Divine Message of Fingerprints.

[5]. Yang, J. C., Yoon, S L., Park, D. S. (2006). Applying Learning Vector Quantization Neural Network for Fingerprint Matching.Korea.

[6]. http://en.wikipedia.org/wiki/Paul_D._MacLean, 16 November 2012

[7]. http://tambahwawasanku.blogspot.com, 15 November 2012.

[8]. http://www.mathworks.com/help, 16 November 2012

[9]. http://www.vernier.com/til/1014, 17 Desember 2012