Академический Документы
Профессиональный Документы
Культура Документы
Aplikasi jaringan syaraf tiruan sudah diterapkan dalam berbagai bidang. Bidang
kedokteran untuk mengenali pola penyakit kanker, TBC dll [Pitas, I., 1993]. Bidang ekonomi
digunakan untuk peramalan data, bidang teknik digunakan untuk pengenalan pola sinyal
atau peramalan kebutuhan daya listrik dll. Keberhasilan dari pengenalan pola oleh
jaringan syaraf tiruan tidak terlepas dari peran bidang pengolahan citra. Pengolahan
citra berfungsi untuk mendapatkan cirri utama dari data yang digunakan sebagai data
pembelajaran bagi jaringan syaraf tiruan. Kombinasi dua bidang ilmu ini menjadi sangat
penting. Salah satu diantaranya dapat diterapkan dalam sisten absensi dengan
menggunakan sidik jari manusia. Dimana sidik jari diambil oleh perangkat sensor,
selanjutnya data diolah dan dilakukan proses ekstraksi ciri. Data digunaka sebagai data
pembelajaran.
Sistem absensi dengan memanfaatkan system biometric dari tubuh manusia ini,
diharapkan mampu mengurangi manipulasi data. Karena dat sidik jari sangat unik dan
sulit untuk dipalsukan. Setiap orang mempunyai karakteristik sidik jari yang berbeda
[ Jain, A. K, and Lion Hong., April 1997]
54
TINJAUAN PUSTAKA
Pengolahan Citra
Pengolahan citra adalah suatu metode yang digunakan untuk memproses gambar (citra).
Citra adalah representasi dari dua dimensi untuk bentuk fisik nyata tiga dimensi [Gonzales, R.
C, and Wintz, P., 1987]
. Citra dalam perwujudannya dapat bermacam-macam, mulai dari gambar
hitam putih pada sebuah foto sampai pada gambar berwarna yang bergerak pada
pesawat televisi.Citra dari suatu benda berupa informasi yang dapat dilihat oleh mata
manusia atau bersifat visual. Agar dapat dikenali oleh peralatan komputer, citra tersebut
harus diubah terlebih dahulu dalam bentuk sinyal. Perubahan itu dapat dilakukan
melalui sensor-sensor visual seperti kamera video, scanner, digitizer, dan lain-lain.
Model Citra
Citra merupakan matriks dua dimensi dari fungsi intensitas cahaya. Karena itu referensi
citra menggunakan dua variabel yang menunjuk posisi pada bidang dengan sebuah
fungsi intensitas cahaya yang dapat dituliskan sebagai f(x,y). Karena cahaya merupakan
salah satu bentuk energi, f(x,y) tak berharga nol atau negatif dan merupakan bilangan
berhingga atau dengan pernyataan matematis sebagai berikut[Gonzales, R. C, and Wintz, P., 1987] :
0<f(x,y)<~
Dalam sebuah citra monochrome, sebuah pixel diwakili oleh 1 bit data yang berisikan
data tentang derajat keabuan yang dimiliki pixel tersebut. Data akan berisi 1 bila pixel
tersebut berwarna putih dan akan berisi nilai 0 bila pixel tersebut berwarna hitam [Ardianto
Aris, 2001 : 1]
. Citra yang memiliki 16 derajat keabuan (mulai dari 0 yang mewakili warna
hitam sampai dengan 15 yang mewakili putih) direpresentasikan oleh 4 bit data.
Sedangkan citra dengan 256 derajat keabuan (nilai dari 0 yang mewakili warna hitam
sampai dengan 256 yang mewakili warna putih) direpresentasikan oleh 8 bit data.
Dalam citra berwarna jumlah warna bisa beragam mulai dari 16, 256, 65536 atau 16 juta
warna, yang masing-masing direpresentasikan oleh 4, 8, 16, atau 24 bit data untuk
setiap pixel-nya. Warna yang ada terdiri dari 3 komponen utama yaitu nilai Merah
(Red), nilai Hijau (Green), nilai Biru (Blie). Paduan ketiga komponen utama pembentuk
warna ini dikenal sebagai RGB Color.
Dasar-dasar hubungan antar pixel
Dalam masalah pengolahan citra, hubungan antar pixel merupakan hal yang sangat
penting. Sebuah pixel p pada koordinat (x,y) mempunyai 4 tetangga horisontal dan
vertikal yang koordinat-koordinatnya sebagai berikut [1]:
(x+1,y),(x-1,y),(x,y+1), dan (x,y-1)
Kumpulan dari pixel-pixel diatas disebut 4-neighbours of p dan dapat dinyatakan
sebagai N4(p), kecuali jika p(x,y) posisinya terletak digaris batas gambar, sehingga
jumlah pixel tetangga tidak terdiri dari 4 tetangga. Selain 4 tetangga diatas, p juga
mempunyai 4 tetangga diagonal, yaitu :
(x+1,y+1),(x+1,y-1),(x-1,y+1), dan (x-1,y-1)
55
Pixel-pixel diatas dinyatakan sebagai ND(p). Gabungan dari N4(p) dan ND(p)
didefinisikan sebagai N8(p).
1 2 3
4 N 5
6 7 8
Gambar 1. Matrik Neighbourhood
Hubungan antar pixel merupakan suatu konsep yang sangat penting, yang digunakan
untuk mendefinisikan batas-batas dari suatu obyek serta bagian-bagian daerah kecil dari
suatu gambar. Sebagai pertimbangan apakah dua pixel dihubungkan atau tidak,
diperlukan beberapa kriteria. Diantaranya adalah apakah kedua pixel tersebut
mempunyai prinsip kedekatan yang sesuai dengan konsep yang telah ditentukan, seperti
konsep 4-neighbours atau 8-neighbours. Kedua, apakah kedua pixel tersebut
mempunyai nilai level warna yang sesuai dengan kriteria yang kita inginkan. Sebagai
contoh, jika dua pixel mempunyai nilai masing-masing 0 (hitam) dan 1 (putih), dan
keduanya merupakan bagian dari 4-neighbours, maka dinyatakan bahwa kedua pixel
tersebut tidak ada hubungan, hal ini karena keduanya mempunyai nilai yang berbeda.
Peningkatan Kualitas Citra (Image Enhancement)
Dalam kenyatannya, citra yang dihasilkan dari peralatan pengambil (sensor visual)
belum dapat memenuhi citra yang diharapkan. Hal tersebut disebabkan gangguan dari
peralatan, noise dan distorsi sekitar, serta karakteristik alat yang dipakai (lensa kamera,
penerimaan cahaya dan lain sebagainya) yang dapat mengakibatkan buruknya kualitas
gambar yang didapatkan. Agar dapat dilakukan suatu operasi pengolahan citra yang baik
maka yang harus dilakukan adalah beberapa proses perbaikan kualitas citra seperti
filtering, thresholding, dan lain-lain. Proses-proses tersebut pada dasarnya merupakan
bagian dari pengolahan citra itu sendiri yang dilakukan dengan cara memanipulasi
parameter-parameter citra yang dihasilkan oleh sensor visual, sehingga proses tersebut
dapat menghasilkan citra yang sesuai dengan apa yang diharapkan.
Filter Rata-rata (Average Filter)
Salah satu cara untuk memperbaiki kualitas citra adalah dengan menggunakan filter
rata-rata. Ketika membandingkan dua gambar sering terjadi perbedaan tingkat
kecerahan atau pencahayaan meskipun gambar tersebut berasal dari obyek yang sama.
Filter ini digunakan untuk menyeimbangkan nilai derajat keabuan pada suatu daerah
tertentu sehingga masalah diatas dapat teratasi. Gambar hasil filter rata-rata ini agak
menjadi kabur karena filter ini digunakan untuk menghilangkan variasi ketajaman
daerah pada gambar. Filter rata-rata ini dikerjakan pada daerah 16x16 pixel.
Ada beberapa tahapan dari penggunaan filter rata-rata, yaitu sebagai berikut [Pitas, I., 1993]:
1. Gambar dibagi menjadi daerah dengan ukuran m x n pixel.
2. Untuk masing-masing daerah, dicari nilai maksimum (max) dan nilai minimum
(min) dari derajat keabuan pixel serta dihitung nilai rata-rata (avr) dari derajat
keabuan pixel daerah tersebut.
56
3. Perhitungan nilai pixel yang baru (Pn) untuk masing-masing titik (p) didalam
gambar dilakukan dengan menggunakan rumus dalam persamaan 2.5 berikut ini :
P - avr
P>avr
Pn =
x hmx+ hmx
Max-avr
Pn=
avr - P
P>avr
Pn =
x hmx
Avr-min
Keterangan : P
Pn
max
min
avr
hmx
=
=
=
=
=
=
Pencocokan Gambar
Pencocokan gambar adalah bagian utama/inti dari penelitian ini. Dalam proses ini
dilakukan perbandingan data antara gambar yang sudah diolah sebelumnya (gambar
referensi) yang telah diketahui ciri khas atau karakteristiknya (seperti warna, posisi,
bentuk, dsb) dengan gambar tes. Informasi tersebut akan digunakan untuk membedakan
objek contoh (referensi) tersebut dengan objek lainnya (tes) dengan memperhitungkan
faktor kesamaan/kemiripan antara dua citra yang dibandingkan/dicocokkan.
Salah satu cara yang bisa digunakan untuk mencocokkan dua citra adalah dengan
membandingkan nilai keabuan dari daerah-daerah pixel dalam citra tersebut. Lalu
dengan menghitung nilai kedekatan jarak antara dua daerah, maka dapat ditemukan
daerah pixel yang sama/mirip dalam suatu gambar dengan daerah pixel pada gambar
yang lain.
Pencarian Daerah Pixel
Proses ini nantinya akan mencari daerah pixel mana yang sama/mirip pada gambar tes
dengan daerah pixel dari gambar yang akan dibandingkan (refernsi) dengan syarat
bahwa ukuran daerah antara gambar tes dengan gambar referensi adalah sama (m x n).
Caranya adalah dengan mencari jumlah dari derajat keabuan daerah pixel m x n pada
gambar tes.
Metode yang digunakan untuk mencari kesamaan/kemiripan tersebut adalah dengan
cara mencocokkan tiap-tiap pixel pada gambar referensi dan gambar tes atau lebih
dikenal sebagai scanning pixel satu persatu pada gambar tes. Sedangkan urutan dari
scanning pixel dapat dilihat pada gambar 2 sebagai berikut :
57
Max x
Max y
Gambar 2 Proses Scanning Pixel
Kemudian tiap titik pixel (Pn) akan dijadikan sebagai pusat dari daerah m x n dan
dilakukan penjumlahan derajat keabuan dari daerah m x n pada gambar tes tersebut.
Hasilnya akan dibandingkan dengan data referensi, sehingga dapat diperoleh hasil
bahwa daerah pixel pada gambar tes tersebut sama/mirip dengan daerah pixel pada
gambar referensi.
Perhitungan Jarak
Jarak dalam sidik jari ini mempunyai pengertian sebagai batasan yang dimiliki dalam
pembentukan suatu pola. Perhitungan jarak dilakukan untuk mengetahui seberapa besar
(jauh) batasan yang ada sehingga dengan diketahui jarak maka proses kalkulasi JST
dapat dilakukan.
Jarak Antara Dua Daerah
Perhitungan jarak antara dua daerah ini dimaksudkan untuk mencari daerah yang paling
cocok/mirip antara gambar tes dengan gambar referensi diantara beberapa daerah yang
ada (mirip) berdasarkan letak atau posisi daerah tersebut. Syarat pertama adalah bahwa
dua daerah tersebut memiliki bentuk dan ukuran yang sama. Misalkan daerah yang
dibandingkan adalah daerah pada gambar tes dengan pusat Sit(xit,yit) dengan daerah
pada gambar referensi Sjr(xjr,yjr) dengan ukuran daerah adalah 16x16 pixel, maka
rumus perhitungan jarak antara dua daerah (Nd) adalah :
Nd = d[Sjr(x-xit+xjr,y-yit+yjr),Sit(xit,yit)]8
Dengan : xit - 8 < = x < xit + 8
yit 8 < = y < yit + 8
x y
Semakin kecil nilai Nd maka semakin mirip/semakin dekat jarak antara dua daerah dan
sebaliknya.
Jarak antara Dua Titik
Perhitungan jarak antara dua titik untuk dapat mengetahui panjang jarak/garis yang
menghubungkan antara dua titik tersebut. Rumus yang dipakai adalah rumus
phytagoras untuk mencari sisi miring (R). Jika letak titik pertama pada koordinat
58
(x1,y1) dan titik kedua pada koordinat (x2,y2), maka dapat dihitung panjang jarak
antara dua titik tersebut dengan menggunakan rumus persamaan 2.7 dibawah ini :
R = (x2-x1)2 + (y2-y1)2
Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan dipandang sebagai suatu sistem yang terdiri dari elemen-elemen
pengolah yang mempunyai kemampuan memperbaiki dirinya dengan belajar. Jaringan
Syaraf Tiruan adalah suatu model yang sangat sederhana bila dibandingkan dengan
kerumitan jaringan saraf biologis. Banyak peneliti telah mengembangkan jaringan
saraf tiruan sebagai alat bantu dalam banyak bidang seperti pada pengenalan pola,
diagnosa, pengontrolan, pengolahan informasi perencanaan dan sebagainya. Elemenelemen struktural dari Jaringan Syaraf Tiruan secara umum adalah:
Simpul-simpul
Lapisan-lapisan
Sambungan antar simpul
Paket bobot sambungan
Gambaran hubungan secara skematik sistem neuron buatan terlihat pada gambar
x1
wi1
x2
wi2
yi
weight
wim
output path
processing elemen
xm
Setiap sambungan mempunyai sebuah nilai yang dapat diubah-ubah besarnya yang
disebut bobot. Bobot sambungan ini mirip dengan kekuatan synaptic dari jaringan saraf
biologis. Simpul-simpul dianggap sebagai elemen komputasional atau elemen pemroses
karena didalamnya terjadi penjumlahan input-input yang diterima terlebih dahulu
dikalikan dengan bobot sambungan yang dibawa tiap input. Hasil penjumlahan itu
disebut dengan net input atau nilai input untuk suatu simpul. Net input kemudian
dimasukkan ke dalam suatu suatu fungsi yang disebut fungsi transfer atau fungsi
aktivasi untuk menghasilkan suatu nilai yang dinamakan nilai aktivasi. Nilai aktivasi ini
disebut juga dengan output simpul. Untuk simpul-simpul pada lapisan input, nilai
aktivasinya adalah data atau nilai input itu sendiri tanpa memasukkannya lagi ke dalam
fungsi aktivasi, karena memang itulah tugas lapisan input, hanya menerima dan
melewatkan data input yang masuk. Lain dengan lapisan-lapisan yang lain yang terlebih
dahulu harus mengolah input yang masuk kepadanya.
59
Cara Belajar
Istilah belajar (learning) pada JST adalah suatu proses pengaturan bobot-bobot
sambungan antar simpul yang dilakukan dengan metode tertentu, sedemikian rupa
hingga didapat sambungan bobot-bobot sambungan yang diinginkan. Proses belajar
terjadi karena antara output yang dihasilkan jaringan tidak sama dengan output yang
diharapkan. Dengan kata lain bila bila bobot sambungan yang ada belum mampu
menghasilkan output yang diharapkan maka bobot akan diatur metode tertentu melalui
latihan terus-menerus sehingga didapat susunan bobot yang baru dan lebih baik. Dengan
susunan bobot ini maka perbedaan antara output jaringan dan output pola akan semakin
kecil. Dengan demikian berarti output yang dikeluarkan jaringan akan sama dengan
output yang diharapkan (output target) atau setidak-tidaknya mendekati. Setelah dilatih,
maka suatu JST siap diuji dan dipakai. Dan pengujian dikatakan berhasil apabila JST
sanggup menerima input dan mengeluarkan output seperti yang diharapkan.Penyediaan
output dan input ini telah membagi metode belajar pada jaringan saraf tiruan menjadi
dua:
Supervised Learning
Unsupervised Learning.
Algoritma Back Propagation.
Jaringan Backpropagation yang biasanya digunakan dalam berbagai aplikasi adalah
metode backpropagation dengan banyak lapisan (multilayer).
Y1
o1
j1
p1
ok
Z1
vo1
11
Yk
v11
jk
pk
om
1m
vn1
voj
v1j
vij
jm
Zj
vi1
X1
1k
Ym
pm
Zp
vnj
vop
v1p
vip
vnp
Xi
Xn
Arsitektur dari jaringan multilayer pada dasarnya terdiri dari tiga atau lebih lapisan unit
pemroses yaitu lapisan input, lapisan hidden (tersembunyi) yang berada di antara input
dan output dan lapisan output. Keluaran setiap sel pada lapisan masukan terhubung
dengan semua sel pada lapisan tersembunyi melalui sebuah koneksi dengan bobot
tertentu. Demikian pula keluaran pada lapisan tersembunyi terhubung dengan semua sel
pada lapisan keluaran melalui sebuah koneksi dengan bobot tertentu. Pada gambar 2.6
60
terlihat bahwa unit keluaran (unit Y) dan unit tersembunyi (unit Z) memiliki bias. Bias
bekerja seperti bobot-bobot pada koneksi dari unit-unit yang keluarannya selalu 1.
Algoritma jaringan back propagation
Pada pengoperasian JST terdapat 2 tahap operasi yang terpisah yaitu tahap belajar dan
tahap pemakaian. Tahap belajar merupakan proses untuk mendapatkan bobot koneksi
yang sesuai. Penyesuaian bobot dimaksudkan agar setiap pemberian input ke jaringan
menghasilkan output yang diinginkan. Adapun algoritma backpropagation dapat
diketahui dari serangkaian perhitungan. Dengan berdasarkan pada gambar 2.6 dapat
diketahui bahwa masing-masing sinyal input xI akan meneruskan sinyal inputan ke
semua lapisan di atasnya. Tiap hidden unit (Zj, j=1,,p) akan menjumlahkan bobot
sinyal input:
Z_inj = voj + xivij
Output sinyal dapat diperoleh dengan menerapkan fungsi aktivasi
z j f _( z _ in j )
n
z _ in j voj xi vij
i 1
Unit hidden ini akan mengirimkan sinyal ke seluruh lapisan diatasnya yaitu lapisan
output. Tiap unit output akan menjumlahkan bobot sinyal input.
p
y _ ink wok z j w jk
j 1
y k f ( y _ ink )
Tahap ini disebut dengan tahap propagasi maju. Sedangkan proses perhitungan
propagasi mundur (baackpropagation) perlu perhitungan kesalahan outputnya. Apabila
output yang dihasilkan belum sesuai dengan apa yang diinginkan (target) maka jaringan
akan menghitung error output yang besarnya:
k (t k y k ) f ' ( y _ ink )
Perhitungan update bobot
w jk k z j
_ in j k w jk
k 1
j _ in j f ' ( z _ in j )
61
w jk k z j
START
Inisialisasi JST
Bobot awal, Momentum, L.Rate
Perhitung
an JST
Y1,Y2,Y3,Y4
END
62
Update Bobot
Vij,wjk
(a)
(b)
(c)
Pola-pola yang ditunjukkan pada gambar 6 inilah yang nantinya akan digunakan untuk
pencirian sidik jari, dimana pada pola-pola ini akan dicari letak dari alur percabangan
maupun pemberhentiannya.
METODE PENELITIAN
Software dirancang mampu mengolah data sidik jari pengguna. Setelah sidik jari
diambil dengan perangkat sensor, selanjutnya gambar citra sidik jari diproses dengan
pengolah citra untuk mendapatkan ciri tertentu. Kemudian data ciri ini menjadi input
bagi Jaringan Syaraf Tiruan untuk dipelajari pola dari masing-masing data. Setelah
proses pembelajaran selesai. Data disimpan dan pada proses pengenalan setelah data
sidik jari diproses akan di cocokkan dengan database pemilik sidik jari. Gambar 7
menunjukkan alur kerja percobaan :
63
START
Mengumpulkan literature pendukung
Melakukan pengumpulan sidik jari
Pengolahan citra: Mengolah sidik jari dengan filtering & thresholding
Melakukan Pembelajaran dengan Supervised
Learning
Perancangan & pembuatan Database
Pembuatan Interface
Pemrograman JST
Pembuatan Rekap
STOP
64
Database pegawai berupa data pribadi dan data hasil pengenalan pola sidik jari sudah
dientri. Begitu seorang pegawai meletakkan sidik jari pada sensor, maka hasil sidik jari
akan ditampilkan pada data sisik jari. Selanjutnya data sidik jari diidentifikasi, dan hasil
identifikasi di tampilkan pada data foto orang, beserta nama dan Nomor induk
Pegawainya. Semua data tersimpan dan dapat dipanggil kembali untuk keperluan
rekapitulasinya. Contoh rekapitulasinya ditunjukkan pada gambar 9.
Dari disain jaringan syaraf tiruan yang dibuat dengan menggunakan algoritma
Backpropagasi, didaptkan rekap pengenalan pola sidik jari seperti ditunjukkan pada
tabel 1.
Tabel 1. Hasil pengenalan
No
1
2
3
4
5
6
7
Nama pegawai
Anita Hidayati
M. Basuki Rahmat
Andri
Agusta
Ferry
Fauzi
Galuh
keterangan
Data 1,2,3 dikenali
Data 1,2,3 dikenali
Data 1,2,3 dikenali
Data 1,2,3 dikenali
Data 1,2,3 dikenali
Data 1,3 dikenali
Data 1,2,3 dikenali
Dari 21 data sidik jari terdapat 1 data yang dikenali salah. Dan terdapat 20 data dikenali
benar. Sehingga sistem mempunyai tingkat error sebesar 5%. Dengan penambahan data
65
dari jumlah sidik jari untuk masing-masing pegawai dapat meningkatkan tingkat
pengenalan pola.
66