iii
UNIVERSITAS BINA NUSANTARA
——————————————————————————————————— Pernyataan Kesiapan Skripsi Untuk Ujian Pendadaran
Penyataan Penyusunan Skripsi Kami, Darwin Wibisono
David Hariyanto
Kusdyanto
dengan ini menyatakan bahwa Skripsi yang berjudul :
ANALISIS DAN PERANCANGAN
PENGENALAN SIDIK JARI DENGAN
METODE BIDIRECTIONAL ASSOCIATIVE MEMORY
Adalah benar hasil karya kami dan belum pernah diajukan sebagai karya ilmiah, sebagian atau seluruhnya, atas nama kami atau pihak lain
Darwin Wibisono David Hariyanto Kusdyanto 0400514374 0400514481 0400513081
Disetujui oleh Pembimbing
Saya setuju Skripsi tersebut diajukan untuk Ujian Pendadaran
Suryadiputra Liawatimena, PgDip.App.Sci. Jakarta, 28 Juni 2004 Pembimbing
iv
UNIVERSITAS BINA NUSANTARA
——————————————————————————————————— Jurusan Teknik Informatika
Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY
Darwin Wibisono 0400514374
David Hariyanto 0400514481
Kusdyanto 0400513081
Abstrak
Komputer memiliki kelebihan dalam hal kecepatan proses perhitungan. Namun, sebuah komputer tidak dapat bernalar dan hanya dapat memproses tugas dengan data – data yang tersedia secara lengkap. Oleh karena itu, sebuah komputer tidak dapat dengan mudah mengenali suatu bentuk citra sidik jari manusia. Keterbatasan ini dapat diatasi dengan menerapkan konsep Bidirectional Associative Memory neural network. Jaringan saraf tiruan (neural network) merupakan jaringan prosesor – prosesor sederhana, di mana masing – masing prosesor memiliki memori lokal dan saling terhubung satu sama lain dengan saluran komunikasi. Prinsip neural network ini meniru cara kerja sistem saraf otak manusia. Sedangkan metode Bidirectional Associative Memory adalah salah satu bagian dari arsitektur neural network yang dapat mengenali pola baik dengan data – data yang tidak lengkap atau dengan noise. Proses kerja pada penelitian ini adalah sebelum memasuki jaringan saraf tiruan, data mentah yang berupa citra diproses dulu dengan dikonversi menjadi citra biner. Tahap selanjutnya adalah pembacaan citra, dan ekstraksi fitur. Dan tahap terakhirnya adalah sebuah data yang siap untuk dijadikan inputan bagi jaringan saraf tiruan. Akhir dari proses ini akan menghasilkan matriks weight yang nantinya dijadikan sebagai tolak ukur untuk pengujian pengenalan citra sidik jari. Identifikasi paling baik dihasilkan pada percobaan dengan menggunakan panjang inputan 600 yaitu 84,63 %. Kesimpulan yang diperoleh dari penelitian ini adalah Semakin banyak data yang dijadikan data pelatihan pada BAM maka jaringan saraf tiruan semakin bisa mempelajari input tersebut. Selain itu dengan memperbesar matriks bobot (Weight) dengan cara menambah data pelatihan yang disimpan dalam matrik weight, BAM dapat menaikkan kemampuan dalam pengenalan pola yang diuji Kata kunci : Bidirectional Associative Memory, Neural Network, sidik jari
v PRAKATA
Segala puji dan syukur kami panjatkan kepada Tuhan Yang Maha Esa atas karunia dan rahmat-Nya sehingga kami dapat menyelesaikan penyusunan skripsi ini dengan baik
Pada kesempatan ini penulis mengucapkan banyak terima kasih atas semua bantuan yang telah kami terima berupa dukungan, saran, petunjuk, bimbingan, dan kesempatan yang diberikan selama penulisan skripsi ini dari awal sampai akhir. Tidak lupa kami juga mengucapkan terima kasih khususnya kepada :
1. Ibu Dr. Th. Widia S.,Ir.,M.M., selaku Rektor Universitas Bina Nusantara
2. Bapak Sablin Yusuf, Ir., M.Sc., M.Comp.Sc., selaku Ketua Jurusan Teknik Informatika.
3. Bapak Freddy Purnomo, S. Kom., M. Com., selaku Sekretaris Jurusan Teknik Informatika
4. Bapak Suryadiputra Liawatimena, PgDip.App.Sci., selaku dosen pembimbing skripsi yang telah banyak memberikan motivasi, pengarahan dan masukan yang membantu kami dalam menyelesaikan penulisan skripsi ini.
5. Bapak Haryono Soeparno, Ir., M.Sc., Dr., yang telah banyak memberi banyak masukan dan pengarahan tentang Bidirectional Associative Memory neural network. 6. Ibu Anny Tandyo, S.Kom., M.Sc., yang telah memberi kami banyak saran dan
masukan dalam penulisan skripsi ini.
7. Bapak Wiedjaja, S.Kom., yang telah memberi banyak saran dan masukan dalam proses pengenalan sidik jari..
vi
8. Januar Wahjudi, S.Kom., M.Sc., selaku kepala Lab Piranti Lunak yang telah memberi masukan pada awal penulisan skripsi ini.
9. Bapak Robby Saleh, S.Kom., yang telah memberi masukan tentang pembuatan program sehingga skripsi ini dapat diselesaikan dengan baik.
10. Para Dosen Universitas Bina Nusantara, yang telah memberikan bekal ilmu dan mendidik penulis selama belajar di Universitas Bina Nusantara.
11. Orang tua dan seluruh anggota keluarga penulis yang tercinta, yang telah memberikan dukungan baik secara moteril maupun moril dalam penulisan skripsi ini dan Selama penulis menempuh perkuliahan di Universitas Bina Nusantara ini.
12. Saudari Rina Puspita dan Andrianto Wijaya, yang telah memberi banyak masukan dalam penyusunan skripsi ini.
13. Saudari Jenny Lesmana dan teman skripsinya, yang banyak membantu kami dalam memahami pemakaian konsep umum neural network.
14. Saudara Agus selaku asisten Lab Hardware yang telah membantu memberi banyak masukan tentang penggunaan program Matlab.
15. Segenap staff ATL yang telah banyak membantu kami dalam memakai peralatan yang diperlukan untuk skripsi ini.
16. Teman – teman yang telah bersedia membantu dalam pengumpulan data yaitu yang telah bersedia untuk diminta sidik ibu jari tangan kanannya.
17. Teman – teman yang telah memberikan dukungan moril dan doa dalam penulisan skripsi ini.
18. Semua pihak yang tidak dapat kami sebutkan satu demi satu yang telah memberikan dorongan moril, materil dan sumbangan saran.
vii
Penulis menyadari bahwa mungkin masih banyak kekurangan yang dijumpai pada penulisan skripsi ini dan untuk itu penulis sangat mengharapkan sekali masukan baik berupa saran, komentar, maupun kritik dari pembaca yang akan membantu untuk menyempurnakan skripsi ini.
Penulis sangat berharap agar skripsi ini dapat memberikan manfaat yang berguna bagi pembaca sekalian, terutama dapat menjadi bahan yang dapat menambah perbendaharaan wacana bagi pendidikan di Universitas Bina Nusantara
Jakarta, 21 Juni 2004
viii DAFTAR ISI
Halaman Judul Luar Halaman Judul Dalam
Halaman Persetujuan Hardcover iii
Abstrak iv
Prakata v
Daftar Isi viii
Daftar Tabel xii
Daftar Gambar xiii
Daftar Persamaan xvi
BAB 1 PENDAHULUAN
1.1 Latar Belakang 1
1.2 Ruang Lingkup 3
1.3 Tujuan dan Manfaat 3
1.4 Metodologi Penelitian 4
1.5 Sistematika Penulisan. 5
BAB 2 LANDASAN TEORI
2.1 Sidik Jari Manusia 7
2.2 Klasifikasi Sidik Jari (Fingerprint Classification) 8
2.3 Pattern Recognition (Pengenalan Pola) 9
2.4 Artificial Neural Network (Jaringan Saraf Tiruan) 11
2.4.1 Jaringan Saraf Manusia 12
ix
2.4.3 Aspek-aspek dari ANN 14
2.5 Format File Grafik 21
2.5.1 File PCX 22
2.6 Pemrosesan Citra Dijital 23
2.6.1 Citra Dijital 23
2.6.2 Citra Bitmap 23
2.6.3 Konversi Citra Abu-abu Menjadi Citra Biner (Thresholding) 24
2.7 Ekstraksi Fitur 25
2.7.1 Eigenvector dan Eigenvalue 25
2.7.1.1 Eigenvector 25
2.7.1.2 Eigenvalue 27
2.8 Principal Component Analysis (PCA) 28
2.9 Associative Memory 29
2.10 Hamming Distance
2.10.1 Effective Haming Distance 33
2.11 Bidirectional Associative Memory 34
2.11.1 BAM Connections Matrices 35
2.11.2 Stabilitas BAM 40
2.10.3 Kapasitas Memori 42
2.12 Orthogonality 42
BAB 3 ANALISIS DAN PERANCANGAN SISTEM
3.1 Gambaran Umum 44
3.2 Pemrosesan Citra 47
x
3.2.2 Konversi ke File PCX 49
3.2.3 Perancangan Layar 50
3.3 Ekstraksi Fitur 52
3.3.1 Pembacaan Citra 52
3.3.2 Mencari Principal Component Analysis 54
3.4 Validasi Data Masukan 58
3.5 Inisialisasi Keluaran Sebagai Identitas Pemilik 59
3.6 Perhitungan Matriks Bobot (Weight) 59
3.7 Prosedur Pemanggilan Data (Recall) 60
BAB 4 IMPLEMENTASI DAN EVALUASI
4.1 Spesifikasi Minimum Sistem 62
4.1.1 Spesifikasi Perangkat Keras 62
4.1.2 Spesifikasi Piranti Lunak 62
4.2 Prosedur Operasional 62
4.3 Analisis Pemrosesan Citra Dijital 65
4.3.1 Analisis Konversi Citra Abu – Abu Menjadi
Citra Biner (Thresholding) 65
4.4 Analisis Program Pemrosesan Citra 68
4.5 Analisis Program Pengenalan Citra 76
4.6 Analisis Hasil Percobaan 83
4.6.1 Data Input Dengan Panjang 120 83
4.6.2 Data Input Dengan Panjang 240 95
4.6.3 Data Input Dengan Panjang 360 105
xi
4.4.5 Data Input Dengan Panjang 600 143
4.4.6 Analisa Pengaruh Jumlah Data Terhadap Tingkat
Pengenalan 166
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan 169
5.2 Saran 171
DAFTAR PUSTAKA 172
RIWAYAT HIDUP 175
xii
DAFTAR TABEL
Tabel 4.1 Data Input 120, Pair Orthogonal 84
Tabel 4.2 Persentase Dikenali Perorangan Dengan Data Input 120 88
Tabel 4.3 Data Input 120, Pair Orthogonal, Tanpa Thresholding 90 Tabel 4.4 Persentase Dikenali Perorangan Dengan Data Input 120,
Tanpa Thresholding 94
Tabel 4.5 Data Input 240, Pair Orthogonal 96
Tabel 4.6 Persentase Dikenali Perorangan Dengan Data Input 240 104
Tabel 4.7 Data Input 360, Pair Orthogonal 106
Tabel 4.8 Persentase Dikenali Perorangan Dengan Data Input 360 120
Tabel 4.9 Data Input 480, Pair Orthogonal 122
Tabel 4.10 Persentase Dikenali Perorangan Dengan Data Input 480 142
Tabel 4.11 Data Input 600, Pair Orthogonal 144
Tabel 4.12 Persentase Dikenali Perorangan Dengan Data Input 600 164 Tabel 4.13 Pengaruh Jumlah Data Pengujian Terhadap
xiii
DAFTAR GAMBAR
Gambar 2.1 Pola Alur Garis Sidik Jari 9
Gambar 2.2 Tahapan Dalam Pengenalan Pola 10
Gambar 2.3 Sistem Saraf Otak Manusia 13
Gambar 2.4 Contoh Neuron 16
Gambar 2.5 Model Umum Unit Pemroses 17
Gambar 2.6 Fungsi Keluaran / Aktivasi 18
Gambar 2.7 Feedforward dan Feedback Network 19
Gambar 2.8 Blok Diagram Associative Memory 30
Gambar 2.9 Address-Addressable Memory 31
Gambar 2.10 Content-addressable Memory 31
Gambar 2.11 Model Dasar BAM 35
Gambar 2.12 Contoh Pattern Pair untuk BAM 37
Gambar 3.1 Diagram Proses Secara Umum 44
Gambar 3.2 Contoh Citra Sidik Jari 46
Gambar 3.3 Urutan Pemrosesan Citra 49
Gambar 3.4 Perancangan Layar Pemrosesan Citra 50
Gambar 4.1 Contoh Pola Pengambilan Sidik Jari 63
Gambar 4.2 Konversi Citra Sidik Jari “eka17” Menjadi Citra Biner Dengan
Nilai Threshold 150 66
Gambar 4.3 Konversi Citra Sidik Jari “singh1” Menjadi Citra Biner Dengan
xiv
Gambar 4.4 Konversi Citra Sidik Jari “eka17” Menjadi Citra Biner Dengan
Mean Value Thresholding 67 Gambar 4.5 Konversi Citra Sidik Jari “singh1” Menjadi Citra Biner Dengan
Mean Value Threshold 68
Gambar 4.6 Tampilan Program Pemrosesan Citra 69
Gambar 4.7 Tampilan Program Pemrosesan Citra
Langkah 1 : Memilih Input Sidik Jari di Daftar Input 70 Gambar 4.8 Tampilan Program Pemrosesan Citra
Langkah 2a : Memilih Jenis Threshold Manual
Dengan Threshold Value 90 71 Gambar 4.9 Tampilan Program Pemrosesan Citra
Langkah 2b : Memilih Jenis Adaptive Threshold 72 Gambar 4.10 Tampilan Sub Menu Help Topic Program Pemrosesan Citra 73 Gambar 4.11 Tampilan Sub Menu About Program Pemrosesan Citra 74 Gambar 4.12 Tampilan Program Pemrosesan Citra
Langkah 3 : Menyimpan Citra Sidik Jari yang Telah Di Threshold 75 Gambar 4.13 Tampilan Program Pengenalan Citra
Langkah 1a : Memasukkan Citra Sidik Jari 76 Gambar 4.14 Tampilan Program Pengenalan Citra
Langkah 1b : Perulangan Untuk Memasukkan Citra Sidik Jari 77 Gambar 4.15 Tampilan Program Pengenalan Citra
Langkah 2 : Menghitung Principal Component Analysis 78 Gambar 4.16 Tampilan Program Pengenalan Citra
xv Gambar 4.17 Tampilan Program Pengenalan Citra
Langkah 4 : Membentuk Matriks Weight 80 Gambar 4.18 Tampilan Program Pengenalan Citra
Langkah 5a : Melakukan Pengenalan Terhadap Data Uji 81 Gambar 4.19 Tampilan Program Pengenalan Citra
Langkah 5b : Hasil Pengenalan Terhadap Data Uji 82 Gambar 4.20 Grafik Pengaruh Jumlah Data Pengujian Terhadap
xvi DAFTAR PERSAMAAN Persamaan 2.1 15 Persamaan 2.2 20 Persamaan 2.3 26 Persamaan 2.4 28 Persamaan 2.5 28 Persamaan 2.6 29 Persamaan 2.7 29 Persamaan 2.8 32 Persamaan 2.9 36 Persamaan 2.10 36 Persamaan 2.11a 36 Persamaan 2.11b 36 Persamaan 2.12 36 Persamaan 2.13 36 Persamaan 2.14a 39 Persamaan 2.14b 39 Persamaan 2.15a 40 Persamaan 2.15b 40 Persamaan 2.16 41 Persamaan 3.1 53 Persamaan 3.2 55 Persamaan 3.3 55
xvii Persamaan 3.4 55 Persamaan 3.5 55 Persamaan 3.6 56 Persamaan 3.7 56 Persamaan 3.8 57