KELOMPOK 2 : SALEH MUJI WAHYUDI( 200943500575 ) SUNENGSIH K. ( 200943500594 ) SYAHBANDI ( 201143570021 )

DIAN SETIAWAN( 200943500638 ) DEDEN SYAHRUDIN ( 200943501240 ) 

SISTEM AKSES KEAMANAN PERANGKAT

MENGGUNAKAN SIDIK JARI DENGAN JARINGAN SYARAF TIRUAN

KELAS 6i TEKNIK INFORMATIKAFAKULTAS FTMIPA UNINDRA

Definisi Jaringan Syaraf Manusian (JST)

Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk

mensimulasikan proses pembelajaran pada otak manusia tersebut.

Sejarah Jaringan Syaraf Tiruan

Pada tahun 1940-an, para ilmuwan menemukan bahwa psikologi dari otak sama dengan mode pemrosesan yang dilakukan oleh peralatan computer.

Pada tahun 1943, McCulloch dan Pitts merancang model formal yang pertama kali sebagai perhitungan dasar neuron.

Pada tahun 1949, Hebb menyatakan bahwa informasi dapat disimpan dalam koneksi-koneksi dan mengusulkan adanya skema pembelajaran untuk memperbaiki koneksi-koneksi antar neuron tersebut.

Pada tahun 1954, Farley dan Clark men-setup model-model untuk relasi adaptif stimulus-respon dalam jaringan random.

Pada tahun 1958, Rosenblatt mengembangkan konsep dasar tentang perceptron untuk klasifikasi pola.

Pada tahun 1960, Widrow dan Hoff mengembangkan ADALINE untuk kendali adaptif dan pencocokan pola yang dilatih dengan aturan pembelajaran Least mean Square (LMS).

Pada tahun 1974, Werbos memperkenalkan algoritma backpropagation untuk melatih perceptron dengan banyak lapisan.

Pada tahun 1975, Little dan Shaw menggambarkan jaringan syaraf dengan menggunakan model probabilistic.

Pada tahun 1982, Kohonen mengembangkan metode pembelajaran jaringan syaraf yang tidak terawasi (unsupervised learning) untuk pemetaan.

Pada tahun 1982, Grossberg, mengembangkan teori jaringan yang diinspirasi oleh perkembangan psikologi. Bersama Carpenter, mereka mengenalkan sejumlah arsitektur jaringan, antara lain: Adaptive Resonance Theory (ART), ART2, dan ART3.

Pada tahun 1982, Hopfield mengembangkan jaringan syaraf recurrent yang dapat digunakan untuk menyimpan informasi dan optimasi.

Pada tahun 1985, algoritma pembelajaran dengan menggunakan mesin Boltzmann yang menggunakan jaringan syaraf probabilistik mulai dikembangkan.

Pada tahun 1987, Kosko mengembangkan jaringan Adaptive Bidirectional Associative Memory (BAM).

Pada tahun 1988, mulai dikembangkan

Komponen Jaringan Syaraf

Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron tersebut.Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain.

Gambar . struktur neuron jaringan syaraf tiruan.

Arsitektur Jaringan

Jaringan dengan lapisan tunggal (single layer net)

Jaringan dengan banyak lapisan (multi layer net)

Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, yaitu:

Fungsi undak biner (hard limit) Fungsi undak biner (Threshold) Fungsi bipolar (symetric hard limit) Fungsi bipolar dengan threshold Fungsi linear (identitas) Fungsi saturating linear Fungsi simetric saturating linear Fungsi sigmoid biner Fungsi sigmoid bipolar

Proses Pembelajaran

Jaringan syaraf akan mencoba untuk mensimulasikan kemampuan otak manusia untuk belajar. Jaringan syraf tiruan juga tersusun atas neuron-neuron dan dendrite.

Pembelajaran Terawasi (supervised learning)

Pembelajaran Tak Terawasi (unsupervised learning)

Algoritma Backpropagation / Propagasi Balik

Algoritma backpropagation merupakan salah satu metode pembelajaran untuk meminimisasi total square error pada keluaran hasil perhitungan ja-ringan.

PEMBAHASAN

PerancanganFeature sidik jari yang digunakan pada makalah ini adalah guratan sidik jari yang dapat diidentifikasi dengan cara menganalisa “fine details” dari guratan-guratan sidik jari yang dinamakan dengan “minutiae.

Beberapa feature guratan sidik jari dapat dilihat pada gambar 6

Menurut Francis Galton (1822-1916)

mengatakan bahwa tidak ada dua sidik jari yang sama, artinya setiap sidik jari yang dimiliki oleh seseorang adalah unik. Berdasarkan klasifikasi, pola sidik jari dapat dinyatakan secara umum ke dalam tiga bentuk yaitu ; arch, loop, whorl dan composite.

Gambar Pola Sidik Jari

dapat dilihat pada gambar 7.

WHORL ARCH

LOOP LOOP LOOPLOOP

LOOP

1. Perancangan Sistem Pengenalan Pola Sidik Jari

Beberapa tahapan proses pengenalan pola sidik jari adalah sebagai berikut: lihat gbr 8.

Image sidik jari dirubah ke dalam bentuk numerik dengan cara system capturing sehingga dapat diproses dengan komputer.

Noise yang terdapat pada image, dihilangkan (pre-processing).

Image yang sudah dihilangkan noisenya, dilakukan proses binerisasi yaitu 1(hitam) dan 0 (putih).

Proses ekstraksi feature dari sidik jari, akan digunakan pada proses Jaringan Saraf tiruan.

Proses identifikasi dan atau pengenalan menggunakan Jaringan Saraf Tiruan (JST).

 

Gambar 8

2. Batasan Simulasi

Batasan pembuatan simulasi sistem pengenalan pola sidik jarihanya dilakukan padan tahapan JST (pada gambar 5 terlihat bagian yang di highlight). Input data sudah dalam bentuk feature yang dinyatakan dalam vektor input 9 bit(ukuran piksel3 x3), dapatdilihatpada table1.Jenis minutinya yang dipilih untuk prosespengenalan sidik jari dengan JST adalah bifurcation.

3. Arsitektur JST yang digunakan

Arsitektur JST yang digunakan adalah dengan menggabungkan dua arsitektur JWH-JPB (Jaringan Widrow Hoff - Jaringan Propagasi Balik), dapat dilihat pada gambar9.

4. Simulasi dan Analisa

Program simulasi dilakukan dengan menggunakan MatLab ver 5.3. dengan duatahapan sebagai berikut :Algoritma pembelajaran arsitektur JWH,

Masukan pasangan pola masukan dan keluaran untuk JWH. Inisialisasi bobot interkoneksi awal secara random. Hitung keluaran system dengan persamaan :

Hitung galat error E = T - Y Perbaharui bobot

Ulangi langkah di atas sampai error jaringan sampai mencapai nilai yang mendekati target yang diinginkan.

Diagram Alir Proses Pembelajaran Arsitektur JWH

5. Algoritma pembelajaran arsitektur JWH-JPB

Masukkan pasangan pola belajar masukan dan keluaran untuk JPB. Inisialisasi bobot interkoneksi dengan bobot hasil belajar JWH Hitung keluaran dari lapisan-dalam dengan persamaan-persamaan:

 Hitung keluaran dari lapisan-keluaran menggunakan persamaan

Hitung error tiap neuron pada lapisan-keluaran (selisih antara keluaran JST dengan target) menggunakan persamaan

Hitung error dari tiap unit pemroses pada lapisan-dalam Perbaharui bobot pada lapisan-keluaran. Perbaharui bobot pada lapisan-dalam Ulangi langkah di atas sampai error jaringan sampai mencapai nilai yang mendekati target

yang diinginkan. Apabila set pelatihan terdiri lebih dari satu pola, maka langkah-langkah tersebut diulangi untuk pola

pelatihan berikutnya.

Diagram Alir Proses Pembelajaran Arsitektur JWH - JPB

6. Simulasi dengan Matlab

• Target error yang dipilih adalah maksimum 15.000.

• Learning rate yang digunakan 0.1

Hasil Simulasi 0.000001, atau jumlah iterasi Hasil pembelajaran sidik jari dengan menggunakan JWH

KESIMPULAN

1. Pada pengerjaan pengenalan pola sidik jari menggunakan Jaringan Saraf Tiruan dapat disimpulkan sebagai berikut :

Feature pola sidik jari yang digunakan sudah dapat mewakili keunikan dari pola sidik jari setiap manusia.

2. Arsitektur yang digunakan yaitu menggabungkan arsitektur JWH-JPB memberikan proses pembelajaran yang lebih cepat bila dibandingkan dengan hanya menggunakan arsitektur JPB.