ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY

(1)

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

(2)

iv

ANALISIS DAN PERANCANGAN PENGENALAN SIDIK JARI DENGAN METODE BIDIRECTIONAL ASSOCIATIVE MEMORY

Darwin Wibisono 0400514374

David Hariyanto 0400514481

Kusdyanto 0400513081

Abstrak

(3)

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.

(4)

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.

(5)

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

(6)

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

(7)

ix

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

(8)

x

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

(9)

xi

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

(10)

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 4.13 Pengaruh Jumlah Data Pengujian Terhadap

(11)

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

(12)

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

Langkah 2a : Memilih Jenis Threshold Manual

Dengan Threshold Value 90 71

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

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

Langkah 1b : Perulangan Untuk Memasukkan Citra Sidik Jari 77

Langkah 2 : Menghitung Principal Component Analysis ₇₈

(13)

xv Gambar 4.17 Tampilan Program Pengenalan Citra

Langkah 4 : Membentuk Matriks Weight 80

Langkah 5a : Melakukan Pengenalan Terhadap Data Uji 81

Langkah 5b : Hasil Pengenalan Terhadap Data Uji 82

Gambar 4.20 Grafik Pengaruh Jumlah Data Pengujian Terhadap

(14)

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

(15)

xvii

Persamaan 3.4 55

Persamaan 3.5 55

Persamaan 3.6 56

Persamaan 3.7 56

Persamaan 3.8 57