BAHAN PRESENTASI UNTUK MATAKULIAH JARINGAN SYARAF TIRUAN

SEMESTER GENAP 2019-2020

DOSEN : DARWISON, MT

KHAIRUN HAFIZHAN

(1610951005)

REFERENSI :

• perbandingan performa segmentasi cira sidik jari menggunakan deteksi tepi metode sobel dengan metode canny
• kadir, abdul, sushanto adhi : teori dan aplikasi pengolahancitra andi publisher
• verawati,R (2014)pengenalan sidik jari bedarsarkan struktur minutiae dengan mtoda backpropagation, jurnal pelita informatika volume 7, no 1

 JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS ANDALAS
PADANG

PENGENALAN SIDIK JARI DENGAN METODE BACKPROPAGATION MENGGUNAKAN TEKNOLOGI FINGER PRINT

DAFTAR ISI

1. Tujuan

2. pendahuluan

3. Landasan Teori

4. Link download

5. video simulasi

1. Tujuan[kembali]
Tujuan dari aplikasi UAS mata kuliah Jaringan Saraf Tiruan ini adalah membangun sistem yang dapat mengenali sidik jari tangan dari seseorang yang di data menggunakan metode canny dengan metode JST Backpropagation.

2. Pendahuluan[kembali]

Dengan perkembangan teknologi sekarang ini, sudah banyak jenis-jenis sistem pendeteksi yang dikembangkan untuk kepentingan pengguna teknologi itu sendiri. Sistem pendeteksi ini bisa digunakan pada sebuah benda maupun anggota tubuh manusia. Teknologi yang menggunakan tubuh manusia sebagai objek deteksi adalah teknologi biometrik. Dimana teknologi biometrik inilah yang digunakan sebagai dasar dari sistem pendeteksi dari dari anggota tubuh manusia. Dalam dunia medis sudah dikenal kalau beberapa dari angota tubuh manusia memiliki perbedaan dengan manusia yang lainnya. Seperti perbedaan pada kontur sidik jari, retina mata dan wajah manusia.

Salah satu metode yang digunakan dalam proses pendeteksian adalah metode Backpropagation atau Komputasi Balik yang lebih dikenal merupakan bagian dari Jaringan Saraf Tiruan atau Neural Network. Metode ini biasa dipergunakan untuk melakukan pendeteksian pada sidik jari yang sangat berguna untuk sistem keamanan. Dan metode ini dapat diaplikasikan pada sistem keamanan seperti menggunakan sidik jari untuk menggunakan sesuatu yang sangat penting seperti brangkas, pintu rumah, handphone dan lainya, bahkan juga bisa untuk absensi.

3. Landasan Teori[kembali]

•  Fingerprint

Fingerprint adalah sebuah alat untuk memenuhi kebutuhan data yang cepat dengan menggunakan verifikasi sidik jari. Sebelum sensor Fingerprint ditemukan, dahulu sebuah data diamankan dengan menggunakan password atau ID, ada juga yang menggunakan pola guna mengamankan suatu data.

Dahulu Fingerprint hanya digunakan pada peralatan elektronik seperti untuk mengamankan pintu dan untuk absensi karyawan. Namun semakin berkembangnya zaman, kini FIngerprint sudah diterapkan unutk mengamankan data yang ada di smartphone setiap penggunanya.

sedangkan pada penerapan alat absensi karyawan, Fingerprint berguna untuk meminimalisir kecurangan karyawan yang bisa mengakibatkan kerugian perusahaan. Sehingga dengan adanya Fingerprint, setiap karyawan bertanggung jawab atas kehadirannya sendiri di kantor.

selain itu penerapan Fingerprint pada sebuah pintu seperti brankas juga meminimalisir akses, karena dengan Fingerprint akses dari suatu pintu brankas hanya bisa dibuka oleh orang-orang tertentu saja, bahkan hanya untuk satu orang saja, Sehingga keamanan barang yang berada di dalamnya bisa dijamin.

Secara umum fungsi dari Fingerprint hanya satu yaitu untuk mengamankan dan sebagai media verifikasi, sama seperti password dan pola, hanya saja media verifikasi yang digunakan pada Fingerprint adalah bentuk sidik jari manusia, itulah yang akan digunakan sebagai media untuk ID Primary Key

Gambar 1. contoh citra hasil rekaman fingerprint

Ada banyak metode untuk mengkonfersi citra sidik jari mendaji angka supaya muda untuk di simpan dan di olah dalam bentuk kerja apapun salah satunya untuk diolah dalam jaringan syaraf tiruan. Salah satu cara mengkonfersi citra fingerprint adalah dengan metode deteksi tepi canny.

• ·Metode canny

Metode canny ditemukan oeh jhon canny pada tahun 1986, terkenal dengan operator deteksi tepi yang optimal. Algoritma ini memberikan tingkat kesalahan yang rendah melokasi titik titik tepi (jarak piksel-piksel tepi yang ditemukan deteksi tepi yang sesungguhnya sangat pendek). Dan hanya memberikan satu tanggapan untuk satu tepi. Langkah awal pada algoritma canny adalah penerapan lapis gaussian pada citra untukmenghilangkan derau

Sebuah citra sidik jari terdiri dari ridge (punggun) dan valley (lembah) sebagai mana pada gambar 2. Ridge didefenisikan sebagai satu bagian lengkungan dan valley adalah wilayah antara dua ridge yang berdekatan

Gambar 2. Ridge dan Valley pada sidik jari

Hasil pengolahan data canny nanti di simpan dalam bentuk luas total sidik jari (Ltot_Sdk), luas Pixel hitam (L_Pix_Hitam), luas pixel Putih (L_Pix_Putih).

•  Jaringan Saraf Tiruan

Jaringan saraf tiruan (JST) atau umumnya hanya disebut neural network (NN), adalah sistem pembelajaran berbentuk jaringan yang terisnpirasi berdasarkan jaringan saraf manusia. Jaringan Saraf Tiruan merupakan system adaptasi yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi yang masuk dan keluar melalui jaringan tersebut. Bisa dikatakan, Jaringan Saraf Tiruan adalah sebuah sistem pemodelan data statistik non-linier. Jaringan Saraf Tiruan dapat digunakan untuk memodelkan hubungan yang kompleks antara input, hidden dan output yang berupa layer-layer untuk menemukan pola-pola pada data. Untuk pola dari Jaringan Saraf Tiruan dapa dilihat pada gambar 3 yang terdiri dari input layer, hidden layer dan output layer.

Gambar 3. Gambar pola neural network

1. Buka Matlab 2020a yang sudah terinstal pada laptop.

2. Setelah terbuka tampilan jendela Matlab, pada Workspace di ujung kiri klik kanan pada area kosong, lalu pilih New untuk membuat file baru.

3. Setelah itu akan muncul file dengan nama ‘unnamed’ lalu ubah naanya sesuai keinginan, contoh beri nana ‘Data_latih’.

4. Klik ganda pada file ‘Data_latih’ tadi lalu akan terbuka tampilan Workspace seperti pada gambar berikut.

5. Copy data latih yang akan digunakan ke Workspace file ‘input’ pada Matlab.

6. Setelah selesai di copy, lalu transpose kan data dengan cara pilih semua data (Ctrl+A) lalu klik tab Variable dan pilih Transpose.

7. Lalu buat file baru untuk data target dengan cara yang sama seperti pada langkah 2, 3, 4, 5 dan 6.

8. Selanjutnya buka toolbox JST untuk memulai pelatihan data dengan mengetik ‘nntool’ pada Command Window lalu akan muncul tampilan sebagai berikut.

9. Klik Import untuk meng-import data yang sebelumnya telah di copy ke Matlab lalu akan muncul tampilan sebagai berikut.

10. Untuk meng-import data latih, pada pilihan Select a Variable klik pilih ‘Data_latih’ dan pada Destination untuk Import As pilih Input Data.

11. Lalu untuk meng-import data target pilih ‘Target_latih’ pada Select a Variable lalu pada Destination Import As Target Data.

12. Klik Import.

13. Setelah import data selesai, buat jaringan dengan mengklik New pada toolbox nntool, lalu akan muncul tampilan sebagai berkut.

14. Buat nama jaringan sesuai keinginan, contohnya jaringan1 (tanpa spasi).

15. Pada pilihan Network Type pilih Feed-forward Network karena algoritma yang akan dipakai adalah Backpropagation.

16. Pada Input Data, pilih file ‘Data_latih’.

17. Pada Target Data, pilih file ‘Target_latih’.

18. Untuk Training Function hingga Performance Function tidak ada perubahan, tetap seperti default.

19. Pada Number of Layers, ada dua layer yang digunakan, yaitu satu Hidden Layer dan satu Output Layer, masukkan angka 2.

20. Untuk Number of Neurons merupakan banyak neuron yang akan digunakan pada Hidden Layer, contohnya masukkan angka 15 ketika akan menggunakan 15 neuron pada Hidden Layer.

21. Untuk Transfer Function, pilih LOGSIG pada Properties for Layer 1 dan PURELIN untuk Layer 2.

22. Setelah selesai menentuka Transfer Function yang digunakan, klik Create untuk membuat jaringan, lalu klik Close.

23. Setelah kembali ke tampilan toolbox nntool, klik tombol Open yang terletak dibawah atau klik ganda pada jaringan yang telah dibuat, sehingga muncul tampilan berikut.

24. Pilih tab Train.

25. Pada Training Data pilih data ‘Data_latih’ dan ‘Target_latih’ yang telah dimasukkan sebelumnya.

26. Lalu klik Train Network pada sudut kanan bawah untuk memulai pelatihan.

27. Setelah pelatihan jaringan selesai akan muncul tampilan seperti berikut.

28. Untuk menampilkan performa pelatihan, klik Performance, lalu akan muncul grafik performa pelatihan sebagai berikut.

29. Berdasarkan grafik performa pelatihan, pelatihan berhenti pada epoch ke-58 dan mencapai performa terbaik pada epoch ke-52 serta menghasilkan nilai error sekitar 0.043906.

30. Apabila jumlah epoch dan besar nilai error belum memenuhi kriteria, maka ulangi dari langkah 14 hingga didapatkan hasil yang diinginkan.

31. Apabila hasil pelatihan telah memenuhi kriteria makan ekspor jaringan ke Workspace dengan cara klik tombol Export pada tampilan toolbox nntool, hal ini dilakukan agar dapat melakukan pengujian data nantinya.

32. Lalu akan muncul tampilan seperti gambar dibawah. Pilih nama jaringan yang akan diekspor, Klik Export.

4. link download[kembali]
link
youtube video
5. video[kembali]