Oleh: Ineza Nur Oktabroni (G64104094) Pengenalan Sidik Jari Menggunakan Resilient Backpropagation Neural Network Dengan Praproses Wavelet Transform Oleh: Ineza Nur Oktabroni (G64104094) Pembimbing : Aziz Kustiyo, S.Si, M.Kom Arief Ramadhan, S.Kom

Pendahuluan Tinjauan Pustaka Metode Penelitian Hasil dan Pembahasan Kesimpulan dan Saran Demo Program

Pendahuluan

Latar Belakang Sistem pengenalan biometrik  karakteristik fisiologis yg unik, permanen, universal (Maltoni et al 2003). Sidik jari unik, permanen, universal.

Lanjutan.. Wavelet transform : dapat mengekstraksi fitur selain reduksi dimensi. Jaringan syaraf tiruan propagasi balik digunakan karena memiliki arsitektur multilayer sehingga baik untuk menangani permasalahan yang kompleks (Fu 1994).

Tujuan Penelitian menganalisis pengaruh level dekomposisi transformasi wavelet pada pengenalan sidik jari. menganalisis kinerja jaringan syaraf tiruan propagasi balik pada pengenalan sidik jari yang telah mengalami praproses transformasi wavelet.

Manfaat Penelitian menambah pustaka penelitian biometrik menambah pustaka penelitian mengenai wavelet dan manfaatnya

Ruang Lingkup Penelitian Citra sidik jari grayscale 300×300 piksel dengan posisi pengambilan yang seragam Induk wavelet Haar JST Propagasi Balik Resilient

Tinjauan Pustaka

Sidik Jari Sidik jari bersifat unik untuk tiap individu dan tidak akan berubah seumur hidup kecuali disebabkan oleh kecelakaan seperti luka parah pada jari (Maltoni et al 2003). Ridge : garis berwarna gelap. Valley : daerah terang antar ridge.

Wavelet Berasal dari sebuah scaling function (Burrus, Gopinath&Guo 1998) dengan h adalah koefisien scaling function.

Mother Wavelet

Lanjutan… Menggunakan nilai rata-rata dari nilai-nilai input & menyediakan informasi yang diperlukan agar dapat mengembalikan input ke semula (McAndrew 2004). Transformasi wavelet pada bidang dua dimensi : dekomposisi standar dan dekomposisi nonstandar (McAndrew 2004).

Lanjutan.. Pengembangan sinyal berdimensi dua biasanya menggunakan bank filter untuk melakukan dekomposisi citra. Citra dekomposisi  citra pendekatan dan citra detil.

Lanjutan… Koefisien pendekatan dihasilkan oleh koefisien low-pass (h[n]) dan koefisien detil dihasilkan oleh koefisien high-pass (g[n]).

Haar-Wavelet Transform Wavelet yang paling mudah digunakan (McAndrew 2004). Scaling function Haar

Persamaan wavelet Haar Menerapkan bank filter dengan h0 = h1= 1/√2 sebagai koefisien low-pass dan g0 = 1/√2 , g1 = −1/√2 sebagai koefisien high-pass.

Bank Filter Haar

Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah sebuah sistem pemroses informasi yang memiliki beberapa karakteristik kinerja yang mirip dengan jaringan syaraf biologis (Fausett 1994). Topologi JST terdapat 3 layer (Fu 1994): Layer input Hidden Layer Layer output

JST Propagasi Balik Jaringan syaraf tiruan propagasi balik termasuk dalam jaringan syaraf tiruan feed forward multilayer (Fu 1994). Pelatihan pada jaringan syaraf tiruan propagasi balik memiliki 3 langkah (Fausett 1994), yaitu: Feed forward Perhitungan & propagasi balik kesalahan Penyesuaian bobot

Resilient Backpropagation (RPROP) hanya menggunakan tanda turunan yang mempengaruhi cara perbaikan bobot. besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang disebut Faktor Naik (FN) atau Faktor Turun (FT) (Nugroho 2007).

Lanjutan.. gradien error berubah tanda  bobot diturunkan sejumlah FT. gradien error bertanda sama  bobot akan dinaikkan sejumlah FN. gradien error bernilai nol  bobot tetap.

Metode Penelitian

Mulai Citra Sidik Jari Wavelet Level 1 Level 2 Level 3 Level 4 Level 5 Citra Latih Wavelet Citra Uji Wavelet Pelatihan JST Model JST Pengujian JST Perhitungan Akurasi Selesai

Lingkup Pengembangan Sistem Perangkat Keras processor: Intel Pentium M 1.86 Ghz, memori : 1536 Gb, dan harddisk: 80 Gb. Perangkat Lunak sistem operasi: Microsoft Windows XP, aplikasi pemrograman : Matlab 7.0.1.

Generalisasi Nilai generalisasi berhubungan dengan seberapa baik kinerja jaringan untuk menyelesaikan permasalahan (Fu 1994).

Hasil dan Pembahasan

Dekomposisi Wavelet Level 1 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 80% 40 0.001 76.67% 50 0.0001 60,80 Generalisasi terbaik diperoleh pada toleransi kesalahan 0.01 hidden neuron 40

Dekomposisi Wavelet Level 2 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 80% 40 0.001 100 0.0001 86.67% 90

Dekomposisi Wavelet Level 3 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 80% 20,60,70 0.001 83.33% 100 0.0001 86.67% 90

Dekomposisi Wavelet Level 4 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 90% 40 0.001 30,40,50 0.0001 86.67% 70,80,90

Dekomposisi Wavelet Level 5 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 86.67% 50,60,80,90 0.001 93.33% 60 0.0001 80,100

Dekomposisi Wavelet Level 6 Toleransi Kesalahan Generalisasi Terbaik Hidden neuron 0.01 93.33% 60,70,80,90,100 0.001 50,70, 80, 100 0.0001 30,70, 100

Perbandingan Generalisasi

Perbandingan Waktu Komputasi

Perbandingan Jumlah Epoch Jumlah epoch meningkat seiring penurunan toleransi kesalahan dan menurun seiring pertambahan jumlah level dekomposisi wavelet

Kesimpulan Dan Saran

Kesimpulan Generalisasi meningkat seiring dengan pertambahan level dekomposisi wavelet. Generalisasi maksimum  93.33% saat dekomposisi wavelet level 5 dan 6. Generalisasi minimum rata-rata  hidden neuron 10. JST mencapai hasil maksimum pada kombinasi dekomposisi wavelet level 5 dan toleransi kesalahan 0.001.

Saran data sidik jari yang beragam posisi pengambilannya. ikutsertakan citra detil dalam data latih agar jaringan memiliki lebih banyak informasi. induk wavelet lain selain Haar.

Daftar Pustaka Burrus C.S, Gopinath R.A & Guo.H. 1998. Introduction to Wavelets and Wavelet Transforms A Primer. New Jersey : Prentice Hall. Cahyaningtias T. 2007. Pengenalan Wajah dengan Praproses Transformasi Wavelet [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Fausett L. 1994. Fundamentals of Neural Networks Architectures, Algorithms, and Aplications. New Jersey : Prentice Hall. Fu L. 1994. Neural Networks in Computer Intelligence. Singapore: McGraw- Hill. Maltoni et al. 2003. Handbook of Fingerprint Recognition. New York: Springer. McAndrew A. 2004. An Introduction to Digital Image Processing with MATLAB. USA:Thomson Course Technology. Minarni. 2004. Klasifikasi Sidik Jari dengan Pemrosesan Awal Wavelet. Transmisi 8(2): 37-41. Nugroho D. 2007. Pengenalan Karakter Tulisan Tangan Menggunakan Jaringan Syaraf Tiruan Resilient [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Puspitaningrum. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: ANDI.

Terima Kasih

Demo Program