6
Fingerprint 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 pada dasar nya sidik jari manusia tidak pernah berubah akan tetapi seiring dengan pekerjaan tertentu sidik jari dapat berubah.
Meskipun tangan dan kaki memiliki banyak daerah bergigi 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 ridge gesekan. Setiap tonjolan berisi pori-pori, yang melekat pada kelenjar keringat dibawah kulit. Meninggalkan sidik jari di gelas, meja dan hanya hal-hal lain yang biasa disentuh karena keringat ini.
Semua punggung bentuk pola sidik jari yang disebut loop, whorls atau lengkungan:
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.
Lengkungan miring ke atas dan kemudian kebawah, seperti gunung-gunung sangat sempit.
Para ilmuan 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. Pengenalan Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (JST) atau Artificial Neuron Network merupakan suatu pendekatan yang berbeda dari metode AI lainnya. JST merupakan suatu model kecerdasan yang di ilhami dari struktur otak manusia dan kemudian diimplementasikan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung. Skema sederhana dari otak manusia dapat dilihat dari gambar berikut.
Gambar 2.1. Struktur Dasar Jaringan Saraf Tiruan dan Struktur Sederhana sebuah neuron
Dari gambar diatas dapat dilihat bahwa setiap sel saraf mempunyai satu inti sel (nucleus). Inti sel akan bertugas melakukan proses informasi. Informasi sel akan diterima oleh dendrite yang merupakan dari cell body. Selain menerima informasi, dendrite juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi sel saraf lain dimana antar dendrite tersebut akan dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron berupa rangsangan yang dilewatkan melalui dendrite. Informasi yang datang dan diterima oleh dendrite akan dijumlahkan dan dikirimkan melalui axon ke dendrite akhir yang bersentuhan dengan dendrite dari sel saraf lain. Informasi yang akan diterima oleh neuron lain jika memenuhi batasan tertentu yang lebih dikenal sebagai thershold (nilai ambang).
Gambaran di atas merupakan gambaran sederhana dari jaringan saraf , tetapi dari gambaran itu semua komponen dari sel saraf tersebut relevan bagi saraf model komputasi. Secara khusus, dapat dikatakan bahawa setiap unit komputasional dihitung dari beberapa fungsi input.
Pengembangan terhadap jaringan saraf ini terus dilakukan dan memunculkan harapan baru yang dicapainya suatu mesin yang dapat belajar sehingga tidak memerlukan adanya pengulangan proses perhitungan yang sama untuk persoalan yang mirip.
2.3. Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan (artificial neural network), atau disingkat JST, adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi non-linear, klasifikasi data cluster dan regresi non-parametrik atau sebuah simulasi dari koleksi model saraf biologi.
Model saraf ditunjukkan dengan kemampuannya dalam emulasi, analisis, prediksi, dan asosiasi. Kemampuan yang dimiliki JST dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya.
Valluru B. Rao dan Hayagriva V.Rao (1993) mendefinisikan jaringan saraf sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompuk kedua atau berikutnya. Setiap sub-kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgrup atau kelompok yang belum melakukan
perhitungan. Pada akhirnya sebuah kelompok dari satu atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan.
Setiap pengolahan elemen membuat perhitungan berdasarkan pada jumlah masukan (input). Sebuah kelompok pengolahan elemen disebut layer atau lapisan dalam jaringan. Lapisan pertama adalah input dan yang terakhir adalah output. Lapisan diantara lapisan input dan output disebut dengan lapisan tersembunyi (hidden layer).
Jaringan saraf tiruan merupakan suatu bentuk arsitektur yang terdistribusi paralel dengan sejumlah besar node dan hubungan antar-node tersebut. Tiap titik hubungan dari satu node ke node yang lain mempunyai harga yang diasosiasikan sebagai nilai aktifasi node.
Salah satu organisasi yang dikenal dan sering digunakan dalam paradigma jaringan saraf buatan adalah Propagasi Balik (backpropagation). Sebelum dikenal adanya Jaringan Saraf Propagasi Balik pada tahun 1950-1960-an, dikenal dua paradigma penting yang nantinya akan menjadi dasar dari Jaringan Saraf Propagasi Balik (backpropagation), yakni Perceptron dan Adaline/Madaline (adaptive linier neuron/multilayer adaline).
Jaringan saraf tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model
matematis dari pemahaman manusia (human cognition) yang didasarkan atas asumsi sebagai berikut :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Isyarat mengalir di antara sel saraf/neuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan/mengalihkan isyarat yang dikirim melaluinya.
4. 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. Elemen-elemen ini terorganisasi sebagaimana layaknya anatomi otak, walaupun tidak persis. Jaringan saraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakteristik esensial input bahkan untuk data yang tidak relevan.
Berbeda dengan metode lain, algoritma untuk jaringan saraf tiruan beroperasi secara langsung dengan angka sehingga data yang tidak numerik harus diubah menjadi data numerik. Dibandingkan dengan cara
perhitungan konvensional, jarigan saraf tiruan tidak memerlukan atau menggunakan suatu model matematis atas permasalahan yang dihadapi. Oleh karena itu jaringan saraf tiruan juga dikenal sebagai model free-estimator.
Jaringan saraf tiruan juga dikenal sebagai kota hitam (black box technology) atau tidak taransparan (opaque) karena tidak dapat menerangkan bagaimana suatu hasil didapatkan. Hal inilah yang membuat jaringan saraf tiruan mampu digunakan untuk menyelesaikan persoalan yang tidak testruktur dan sulit didefinisikan. Kenyataan inilah yang menyebabkan jaringan saraf tiruan telah meluas dipakai sebagai alat bantu memecahkan masalah pada berbagai bidang dan disiplin ilmu.
Jaringan saraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu :
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian. Hal ini karena jaringan saraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik dari data.
2. Kemampuan mempresentasikan pengetahuan secara fleksibel. Jaringan saraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri sendiri atau kemampuan belajar (self organizing).
3. Kemampuan untuk memberikan toleransi atas suatu distorsi (error/fault), dimana gangguan kecil pada data dapat dianggap hanya sebagai noise (guncangan) belaka.
4. Kemampuan memproses pengetahuan secara efisien karena memakai sistem paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.
Dengan tingkat kemampuan yang sangat baik, beberapa aplikasi jaringan saraf tiruan sangat cocok untuk diterapkan pada :
1. Klasifikasi, memilih suatu input data ke dalam satu kategori tertentu yang ditetapkan.
2. Asosiasi, menggambarkan suatu objek secara keseluruhan hanya dengan sebuah bagian dari objek lain.
3. Self organizing, kemampuan untuk mengolah data-data input tanpa harus memiliki data sebagai target.
4. Optimasi , menemukan suatu jawaban atau solusi yang paling baik sehingga seringkali dengan meminimalisasikan suatu fungsi biaya (optimizer).
Walaupun memiliki segudang kelebihan, jaringan saraf tiruan juga mempunyai sejumlah keterbatasan, antara lain kekurangmampunya dalam melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma aritmatik, operasi logika, dan operasi simbolis serta lamanya
proses pelatihan yang terkadang membutuhkan waktu berhari-hari jumlah data yang besar.
Karakteristik jaringan saraf tiruan ditentukan oleh :
1. Pola hubungan antara-neuron (disebut dengan arsitektur jaringan). 2. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan
atau proses belajar jaringan). 3. Fungsi aktivasi.
2.4. Metode Backpropagation Neural Network
Jaringan Propagasi Balik (backpropagation) merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri atas pola masukan dan pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot-bobot diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat memenuhi pola yang diinginkan.
Salah satu arsitektur jaringan saraf tiruan yang sangat populer adalah multilayer feedforward networks. Secara umum, jaringan seperti ini terdiri dari sejumlah unit neuron sebagai lapisan masukan, satu atau lebih lapisan simpul-simpul neuron komputasi lapisan tersembunyi, dan sebuah
lapisan simpul-simpul neuron komputasi keluaran. Sinyal masukan dipropagasikan ke arah depan (arah lapisan keluaran), lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptron satu lapisan, jadi biasa disebut sebagai multilayer perceptron (MLPs). Error back propagation adalah algoritma MLPs yang menggunakan prinsip pembelajaran terawasi. Propagasi balik (ke arah lapisan masukan) terjadi setelah jaringan menghasilkan keluaran yang mengandung error. Pada fase ini seluruh bobot synaptic (yang tidak memiliki aktivasi nol) dalam jaringan akan disesuaikan untuk mengkoreksi/memperkecil error yang terjadi (error correction rule). Untuk pelatihan jaringan, pasangan fase propagasi ke depan dan balik dilakukan secara berulang untuk satu set data latihan, kemudian diulangi untuk sejumlah epoch (satu sesi lewatan untuk seluruh data latihan dalam sebuah proses pelatihan jaringan) sampai error yang terjadi mencapai batas kecil toleransi tertentu atau nol. Jaringan backpropagation dapat dilihat pada Gambar 2.2.
Gambar 2.2. Jaringan Backpropagation
Dari Gambar 2.2. dapat dilihat bahwa yang bertindak sebagai dendrit adalah X1 dan X2, yaitu data masukan pada jaringan tersebut. Terdapat 2 sinapsis atau bobot yaitu V dan W, sedangkan Z dan Y merupakan bagian dari soma atau badal sel dari jaringan tersebut. Dan yang bertindak sebagai akson atau data keluaran adalah Y. Berikut ini algoritma pembelajaran metode backpropagation.
2.5. Neural Network
Neural Network merupakan suatu metode Artificial Intelligence yang konsepnya meniru system jaringan syaraf yang ada pada tubuh manusia, dimana dibangun node-node tersebut terhubung melalui suatu link yang biasa disebut dengan istilah weight. Ide dasarnya adalah
mengadopsi cara kerja otak manusia yang memiliki ciri-ciri parallel processing, processing element dalam jumlah besar dan fault tolerance. Menurut Haykin (1999), jaringan syaraf tiruan (Artificial Neural Network) adalah sejumlah besar prosesor yang terdistribusi secara parallel dan terdiri dari unit pemrosesan sederhana, dimana masing-masing unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat digunakan kembali.
Jaringan syaraf tiruan menyerupai otak manusia dengan dua cara : a). Pengetahuan yang diperoleh jaringan dari lingkungannya melalui
proses pembelajaran.
b). Kekuatan hubungan antar neuron, dikenal dengan istilah synaptic weights, dan digunakan untuk menyimpan pengetahuan yang diperoleh.
Neural Network sendiri pun dibagi-bagi kembali menjadi beberapa bagian yang lebih kecil, dimana masing-masing metode mempunyai karakteristik sendiri-sendiri, serta memiliki keunggulan dan kelemahan dalam mengenali suatu pola. Metode-metode tersebut diantaranya adalah : Back Propagation (yang dibahas dalam skripsi ini). Bidirectional Assosiate Memory atau lebih dikenal dengan istilah BAM, Hopfield Network, Counter Propagation Network dan masih banyak metode-metode lainnya yang sudah atau sedang dikembangkan oleh para ahli.
Pada umumnya neural network dibagi berdasarkan layer-layer yaitu input layer, hidden layer, dan output layer. Setiap node pada masing-masing layer memiliki suatu error rate, yang akan digunakan untuk proses training Neural network dengan layer-layer memiliki konsep kerja sebagai berikut: input layer menunggu user memasukan input ke masing-masing node nya, setelah masing-masing node di input layer memperoleh data yang dibutuhkan maka akan dikalikan dengan weight-nya menghasilkan sum (jumlah) atau yang lebih dikenal dengan akumulator dengan rumus NET = O1W1 + O2W2 + … + On.Wn = ∑ Oi Wi lalu akumulator tersebut akan dimasukan kedalam fungsi aktivasi yang digunakan, rumusnya OUT = F (NET), untuk Back Propagation umumnya menggunakan fungsi sigmoid biner dan fungsi sigmoid bipolar.
Pada kenyataannya, kebanyakan neural system harus diajari (training). Mempelajari Asosiasi, patterns, dan fungsi yang baru. Pemakai-pemakai neural network tidak menspesifikasikan sebuah algoritma untuk dieksekusi dalam setiap perhitungan. Memilih arsitektur tertentu dengan pandangan, dengan karakteristik neuron weight, dan memilih model training. Sehingga dari hasil tersebut, informasi network dapat diubah oleh para pemakai. Artifical Neural System juga dapat mengkalkulasi teknik matematik, seperti minimalisasi kesalahan suatu perhitungan.
Neural network sangat berperan dalam teknologi dan beberapa disiplin ilmu, yang membantu dalam menentukan model-model neural
network dan system non-linear dynamic. Matematika adalah model neural yang paling berpotensi karena kekompleksan-nya. Elektronika dan ilmu komputer juga menggunakan metode ini, karena berperan dalam pengiriman sinyal data.
2.6. Pola Sidik Jari
Berdasarkan hasil analisa, untuk mencocokan sidik jari membutuhkan beberapa perbandingan fitur dari pola sidik jari itu sendiri, dimana termasuk diantaranya adalah karakteristik jumlah pola kerutan titik minutia, yang merupakan suatu fitur unik yang dapat ditemukan dalam pola sidik jari. Hal ini diperlukan untuk mengetahui struktur dan sifat kulit jari manusia agar berhasil melakukan beberapa teknik pencitraan.
Tiga pola dasar sidik jari adalah lengkungan atau arch, loop, dan lingkaran atau whorl.
1. Arch adalah suatu pola dimana pola masuk dari satu sisi jari, naik ke tengah membentuk sebuah busur, dan kemudian keluar dari sisi lain jari.
2. Loop adalah pola dimana kerutan masuk dari satu sisi jari, berbentu kurva, dan cenderung untuk keluar dari sisi yang sama ketika masuk. 3. Whorl atau pola lingkaran berbentuk sirkular seperti pegunungan titik
Para ilmuwan juga telah menemukan bahwa anggota keluarga sering berbagi sidik jari dengan pola umum yang sama, yang mengarah pada keyakinan bahwa pola-pola ini diwariskan.
Arch Loop Whorl Gambar 2.3. Pola Sidik Jari
2.7. Karakteristik Sidik Jari
Identifikasi oleh sidik jari juga memiliki karakteristik pola tertentu, ada tiga karakteristik pola dasar, ridge ending, bifurcation, titik, dan pulau.
Gambar 2.4. Karakteristik Sidik Jari
Gambar 2.5. Karakteristik Pola Sidik Jari
2.8. Pengenalan Pola
Pola adalah entitas yang terdefinisi dan dapat didefinisikan melalui ciri-cirinya (feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lain. Pengenalan pola bertujuan untuk menentukan kelompok untuk kategori pola berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain pengenalan pola membedakan objek dengan objek lain. Suatu sistem pengenalan pola melakukan:
1. Proses akuisisi data melalui sejumlah alat pengindraan atau sensor, 2. Mengatur bentuk representasi data,
3. Melakukan proses analisis dan klasifikasi data.
Tiga pendekatan pembuatan sistem pengenalan pola adalah Statistik (statistical), Sintaksis (syntactic) dan Jaringan Saraf Tiruan (neural network) (Schalkoff, 1992).
1. Statistik, Semakin banyak pola yang disimpan, maka sistem akan semakin cerdas. Salah satu contoh penerapannya banyak pada pola pengenalan iris scan.
2. Sintaksis (rule)
Dengan rule/aturan maka sistem yang lebih terstruktur sehingga memiliki sesuatu ciri yang unik. Salah satu contoh penerapannya pada pola pengenalan sidik jari (fingerprint).
3. Jaringan Saraf Tiruan (JST)
Merupakan gabungan dari pendekatan statistik dan pendekatan sintaks. Dengan gabungan dari dua metode maka JST merupakan pengenalan pola yang lebih akurat. Salah satu contoh penerapannya pada pola pengenalan suatu citra JST merupakan suatu sistem yang dapat memproses informasi dengan meniru cara kerja jaringan saraf otak manusia.
Struktur sistem pengenalan pola ditunjukkan pada gambar 2.1. Sistem pengenalan pola ini terdiri dari suatu sensor (misalnya kamera, dan scanner), teknik prapengolahan, suatu algoritma atau mekanisme ekstraksi ciri dan algoritma untuk klasifikasi atau pengenalan (bergantung pada pendekatan yang dilakukan). Sebagai tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.
Gambar 2.6. Struktur Sistem Pengenalan Pola
2.9. Sidik Jari
Sidik jari adalah suatu hal yang unik yang diberikan oleh Tuhan untuk setiap manusia(Dani, Trimada, 2000). Sidik jari setiap orang akan berbeda dan tidak pernah sama. Hal ini membuat sidik jari seringkali digunakan dalam teknologi biometrik. Keunggulan lain dari sidik jari adalah kepraktisannya dan ketahanannya. Suatu pola sidik jari normal terdiri dari garis-garis dan spasi. Garis-garis ini dinamakan ridge sedangkan spasi di antara dua garis dinamakan valley. Valley sering juga disebut furrow. Melalui pola dari ridge dan furrow inilah sebuah sidik jari yang unik disesuaikan untuk diidentifikasi. Ciri yang unik dari sidik jari ini dinamakan "minutiae“. Sidik jari tidak dibedakan dari ridge dan furrow-nya, tetapi dibedakan dari minutiae. Minutiae ini terdiri dari ending, core, dan bifurcation. Ending adalah bagian ujung/akhir dari
Sensor Prapengolahan Ekstrasi ciri Algoritma Klasifikasi
sebuah ridge, bifurcation adalah bagian percabangan dari ridge, sementara core adalah titik pusat dari sidik jari (Gambar 2.7).
