Fingerprints Image Recognition by Using Perceptron Artificial Neural Network

Buletin Fisika Vol 21 No. 2 Agustus 2020 : 37 – 46

Pengenalan Citra Sidik Jari dengan Menggunakan Metode Jaringan Saraf Tiruan Perceptron

Fingerprints Image Recognition by Using Perceptron Artificial Neural Network

Muhammad Arif Budiman¹, I Gusti Agung Widagda²*

• ^1,2Program Studi Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana, Kampus Bukit, Jimbaran, Badung, Bali, Indonesia 80361

Email: [email protected]; *[email protected]

Abstrak – Sistem keamanan yang menggunakan password atau kartu identitas dapat diretas dan disalahgunakan. Salah satu alternatif untuk sistem keamanan adalah menggunakan identifikasi biometrik. Sistem biometrik yang populer digunakan adalah sidik jari karena sistem ini aman dan nyaman. Sidik jari memiliki pola yang khas untuk setiap individu dan hal tersebut mengakibatkan sidik jari relatif sulit untuk dipalsukan, maka sistem ini aman. Nyaman karena proses verifikasi mudah dilakukan. Permasalahan yang sering kali terjadi pada sistem fingerprint scanner adalah didapatkan kesalahan dan pengguna mengalami kesulitan saat akses. Untuk menangani permasalahan tersebut telah berkembang sistem kecerdasan buatan. Salah satu bidang kecerdasan buatan dalam identifikasi pola adalah jaringan saraf tiruan (JST). Dari beberapa hasil penelitian sebelumnya menunjukkan bahwa metode JST cukup handal dalam identifikasi pola. Bedasarkan pada fakta tersebut, dalam penelitian ini digunakan metode JST perceptron dengan nilai learning rate bervariasi. Pada penelitian ini program diimplementasikan pada aplikasi Matlab R2017a. Dari hasil penelitian yang dilakukan dengan menguji 20 sampel menunjukkan bahwa kinerja metode JST perceptron merupakan metode yang relatif baik dalam pengenalan citra sidik jari. Hal ini bisa terindikasikan dari nilai accuracy (0,95), precision (0,83), TP rate (1), dan FP rate (0,07). Selain itu, letak koordinat titik (FP rate; TP rate) yaitu (0,07; 1) pada ROC graphs terletak pada sebelah kiri atas (wilayah classifier sempurna).

Kata kunci: sistem keamanan, sistem biometrik, sidik jari, JST perceptron, Matlab R2017a

Abstract – Security systems that use passwords or identity cards can be hacked and misused. One of alternative security system is to use biometric identification. The biometric system that is popularly used is fingerprints, because the system is safe and comfortable. Fingerprints have a distinctive pattern for each individual and this makes fingerprints relatively difficult to fake, so the system is safe. Comfortable because the verification process is easily done. The problem that often occurs on the system of fingerprint scanner is found an error and the user has difficulty when accessing. To handle with these problems has developed an artificial intelligence system. One of arificial intelligence in pattern identification is artificial neural networks (ANN). From some of the results of previous research showed that the ANN method is reliable in pattern identification. Based on these facts, the method used in this research is the perceptron ANN method with values learning rate varying. In the research the program conducted by testing 20 samples showed that the performance of the perceptron ANN method is relatively good method in fingerprint image recognition. This can be indicated from the value of accuracy (0.95), precision (0.83), TP rate (1), and FP rate (0.07)). In addition, the location of the point coordinate (FP rate; TP rate) is (0.07; 1) in ROC graphs is located on the upper left (perfect classifier region).

Key words: security system, biometric system, fingerprint, perceptron ANN, Matlab R2017a

• 1.    Pendahuluan

Sistem keamanan saat ini masih banyak yang menggunakan password atau kartu identitas. Seiring dengan perkembangan teknologi, sistem keamanan ini dapat “ditembus” ketika password atau kartu identitas seseorang disalahgunakan. Berkembangnya ilmu biometrik, teknik identifikasi untuk sistem keamanan menjadi lebih akurat dan aman. Identifikasi biometrik memanfaatkan karakteristik fisiologis individu seperti retina mata, sidik jari, DNA, suara, wajah, dan sebagainya [1].

Sistem biometrik yang populer digunakan adalah sidik jari, sebesar 52% pengguna memilih menggunakan sistem biometrik sidik jari. Sidik jari lebih dipilih karena identifikasi jenis ini aman dan nyaman. Sistem sidik jari aman karena sidik jari sulit untuk dipalsukan dan nyaman karena proses verifikasi dengan mudah dilakukan. Alat yang digunakan pada sistem ini mudah didapatkan dan murah [2].

Sistem identifikasi sidik jari yang banyak digunakan adalah alat pembaca sidik jari atau dikenal dengan fingerprint scanner. Namun demikian, sistem tersebut mempunyai kelemahan, seringkali didapatkan kesalahan dan pengguna mengalami kesulitan saat akses. Masalah ini ditimbulkan karena kegagalan sistem dalam mendeteksi sidik jari pengguna ketika bagian dari bidang sensor (scanner) dalam kondisi kotor atau terdapat bekas sidik jari pengguna sebelumnya. Untuk menangani permasalahan tersebut telah berkembang sistem kecerdasan buatan (artifical intelegent), dimana salah satu bidang kecerdasan buatan dalam identifikasi pola adalah jaringan saraf tiruan (JST) [1].

Penelitian yang telah dilakukan oleh Gapar dkk. (2018) mengenai pengenalan suara manusia menggunakan metode jaringan saraf tiruan (JST) hebb. Dari proses pengujian menunjukkan bahwa pengenalan suara manusia menggunakan metode JST hebb menghasilkan tingkat akurasi uji sebesar 100% untuk pengenalan sampel data pelatihan dan 87,5% pada pengenalan sampel data memiliki noise [3]. Yanti dkk. (2018) telah melakukan penelitian mengenai pengenalan citra sidik jari menggunakan metode JST backpropagation. Pengenalan sidik jari menggunakan metode tersebut menghasilkan nilai error yang kecil, yaitu kurang dari 0,0005 [4].

Pada penelitian Alqurni dan Muljono (2016) mengenai perbandingan pengenalan pola tanda tangan menggunakan metode JST backpropagation dan perceptron. Dengan metode backpropagation, menghasilkan akurasi pelatihan sebesar 100% dan akurasi uji sebesar 86%. Sedangkan dengan metode perceptron menghasilkan akurasi pelatihan sebesar 100% dan akurasi uji sebesar 76%. Kedua hasil penelitian tersebut memperlihatkan bahwa metode JST backpropagation lebih akurat dibandingkan dengan metode JST perceptron dalam pengenalan tanda tangan. Hal tersebut diakibatkan oleh faktor algoritma backpropagation lebih rumit dan proses pelatihannya lebih lama dibandingkan dengan metode perceptron [5].

Penelitian mengenai pengenalan aksara batak dengan metode JST perceptron telah dilakukan oleh Tambunan (2015), diperoleh kesimpulan bahwa metode perceptron mampu mengenali aksara batak dan mampu menganalisa dengan hasil yang tepat dengan membandingkan nilai hasil keluaran dan nilai target [6]. Penelitian mengenai pengenalan citra objek sederhana dengan metode JST perceptron yang dilakukan oleh Pujiyanta (2009) menunjukkan hasil JST perceptron mempunyai presentase ketepatan yang cukup baik, yaitu dengan rata-rata 72,25% [7]. Oleh karena itu dalam penelitian ini menggunakan metode JST perceptron untuk pengenalan citra sidik jari.

• 2.    Landasan Teori
  
  2.1    Sidik jari

Sidik jari merupakan pola kulit pada ujung jari. Sidik jari setiap orang memiliki bentuk khas, sangat sulit untuk membuat tiruan suatu sidik jari dan tidak berubah seumur hidup kecuali seseorang mengalami kecelakaan yang serius [8]. Sidik jari bedasarkan polanya dibagi dalam tiga kategori seperti tampak pada Gambar 1 yaitu arch (mengalir), loop (melereng), dan whorl (melingkar) [4].

a)                  b)                   c)

Gambar 1. Pola sidik jari : (a) arch, (b) loop, dan (c) whorl [4].

• 2.2    Jaringan saraf tiruan perceptron

Jaringan saraf tiruan (artificial neural network) atau dikenal dengan JST memiliki peran penting pada kemajuan teknologi terutama untuk pengenalan pola. Jaringan saraf tiruan merupakan sistem komputasi dengan arsitektur dan operasinya didasari oleh pengetahuan tentang sel saraf biologi di dalam otak. Kemampuan JST adalah dapat melakukan pembelajaran dan pendeteksian terhadap sesuatu objek. Unit terkecil dari JST adalah neuron. Satu neuron terdiri dari n input, setiap input memiliki bobot. Selain itu,

terdapat input yang bersifat statis yaitu bias. Selanjutnya masing-masing input dan bias masuk ke fungsi aktivasi [9].

Lapisan penyusun JST perceptron pada dasarnya dibagi menjadi dua lapis (layer) seperti yang diperlihatkan pada Gambar 2 yaitu [6]:

• 1)    Lapisan masukkan (input layer) adalah bagian yang berfungsi menerima input data dari suatu permasalahan.

• 2)    Lapisan keluaran (output layer) adalah bagian yang merupakan solusi JST dari suatu permasalahan [10].

Gambar 2. Arsitektur JST perceptron [10].

Keterangan:

x1,...,xi,...xn      = unit masukan

y1,...,yj,...yn      = unit keluaran

b1,...,bj,...bn      = bias

w11,...,wij,...wnm = bobot.

Algoritma JST perceptron berikut berlaku untuk input biner atau bipolar dan terget bipolar, serta nilai threshold θ, dan bias b. Langkah-langkah algoritma pelatihan perceptron adalah sebagai berikut:

Langkah 0	: bobot dan bias diberi nilai awal (biasanya bobot dan bias diberi nilai 0) beri nilai learning rate (α) (0<α≤1) biasanya α diberi nilai 1.
Langkah 1 Langkah 2 Langkah 3	: selama kondisi berhenti bernilai salah lakukan langkah 2-6. :    untuk tiap-tiap pasangan pola pelatihan s : t, lakukan langkah 3-5. :    set aktivasi unit input, i = 1, ..., n: xi = si                                                                                      (1)
Langkah 4	: hitung respon dari unit output, j = 1, ..., m: y _ inj = bj + ∑ χlwj                                                  (2) i ' 1   jikay_inj > θ y j = f (y _ n)) = ' 0  jika - θ ≤ yJnj ≥ θ                                (3) -1 jika y_in < θ

Langkah 5

: perbaiki bobot dan bias jika terjadi kesalahan pada pola ini: Jika yj ≠ tj maka Wj (baru) = wj (lama) + at jXi                                                 (4) bj (baru) = bj (lama) + atj                                                (5) jika y = t wj (baru) = wj (lama)                                                 (6) bj (baru) = bj (lama)                                                     (7)

Langkah 6

: test kondisi berhenti, jika tidak ada bobot yang berubah dalam langkah 2 maka stop dan jika ada maka lanjutkan kembali ke langkah 1 [11].

• 2.3    Evaluasi kinerja JST perceptron

Ukuran yang dipakai untuk menilai kinerja dari metode JST perceptron yaitu: keakuratan prediksi, percision, recall, false positive rate, dan ROC graphs. Untuk menentukan nilai dari kelima ukuran tersebut diawali dengan menentukan matrik konfusi (confusion matrix) [12].

• a)    Confusion matrix

Elemen diagonal confusion matrix yaitu elemen (1,1), (2,2), ... (n,n), dengan n adalah jumlah kelas. Elemen tersebut merupakan sampel uji yang diklasifikasikan dengan benar, sedangkan elemen lain adalah sampel yang klasifikasinya salah. Confusion matrik keseluruhan sampel dapat disederhanakan menjadi confusion matrik biner (2 kelas). Confusion matrik biner terdiri dari:

• -  TP (true positove) adalah jumlah kelas positif dikenali sebagai kelas positif.

• -  FP (false positive) adalah jumlah kelas negatif dikenali sebagai kelas positif.

• -  FN (false negatif) adalah jumlah kelas negatif dikenali sebagai kelas negatif.

• -  TN (true negatif) adalah jumlah kelas negatif dikenali sebagai kelas negatif [12].

• b)    Predictive accuracy

Predictive accuracy atau disingkat accuracy merupakan ukuran yang menyatakan perbandingan antara banyaknya sampel yang diklasifikasikan dengan benar dengan jumlah seluruh sampel. Accuracy dapat dinyatakan dengan persamaan (8) berikut [12]:

accuracy =

TP + TN

TP + FP + FN + TN

(8)

c)

Precision

Precision adalah matrik yang menyatakan perbandingan antara banyaknya sampel yang diklasifikasikan sebagai positif yang benar-benar positif. Dapat dinyatakan dengan persamaan (9) berikut [12]:

TP precision =--------

TP + FP

(9)

d)

Recall

Recall atau sering disebut true positive rate (TP Rate) adalah ukuran banyaknya sampel positif yang diklasifikasikan dengan benar sebagai positif. Dapat dinyatakan dengan persamaan (10) berikut [12]:

TP Rate =

TP

TP + FN

(10)

e)

False positive rate

False positive rate (FP Rate) atau sering disebut false alarm rate (FAR) adalah ukuran banyaknya sampel negatif yang diklasifikasikan dengan salah sebagai positif. Dapat dinyatakan dengan persamaan (11) berikut [12]:

FP Rate =

FP

FP + TN

(11)

• f)    ROC graphs

Receiver operating characteristic (ROC) graphs adalah grafik dimana sumbu horisontal menyatakan nilai FP rate dan sumbu vertikal merupakan TP rate. Tiap titik dalam ROC graphs dinyatakan dengan pasangan koordinat (x,y) dimana x dan y secara berurutan merepresentasikan FP rate dan TP rate. Suatu metode pengklasifikasi (classifier) dikategorikan baik jika koordinat titik pasangan (FP rate; TP rate) terletak di sebelah kiri atas ROC graphs [12].

• 3.    Metode Penelitian/Eksperimen

Penelitian ini dilakukan menggunakan komputer dengan processor core i5-3337U 1,80 GH_Z, 4 GB RAM dengan sistem operasi Windows 10. Program aplikasi komputer untuk mengimplementasikan kode program JST perceptron adalah aplikasi Matlab R2017a.

• 3.1    Data penelitian

Sampel yang didapatkan berupa data rekaman citra sidik jari yang diambil dari 4 kartu surat ijin mengemudi (SIM) mahasiswa Program Studi Fisika FMIPA UNUD. Sampel citra sidik jari tersebut direkam menggunakan scanner Cannon PIXMA MG2570S. Jumlah sampel dalam penelitian ini adalah 20 citra sidik jari berukuran 50 x 50 pixel. Kedua puluh (20) sampel ini dibagi menjadi dua bagian, yaitu:

4 sampel pelatihan seperti diperlihatkan pada Tabel 1 dan 16 sampel uji seperti diperlihatkan pada Tabel 2. Sampel tersebut dikatagorikan menjadi 4 kelas yaitu: sidikjari1, sidikjari2, sidikjari3, dan sidikjari4.

Tabel 1. Sampel pelatihan.

Kelas

Sampel

Kelas

sidikjari1

Sampel

sidikjari3

sidikjari2

sidikjari4

Tabel 2. Sampel uji.

Kelas

Sampel

sidikjari1

sidikjari2

sidikjari3

sidikjari4

• 3.2    Alur Penelitian

Langkah yang dilakukan dalam pengambilan dan pengolahan sampel ditujukkan pada Gambar 3.

Gambar 3. Alur pengambilan dan pengolahan sampel.

Proses pengambilan sampel citra melalui scan sidik jari pada kartu SIM dari empat responden menggunakan scanner Cannon PIXMA MG2570S. Citra yang didapatkan berformat .jpg dari scanner kemudian diolah menggunakan aplikasi Microsoft Paint sehingga didapatkan citra sidik jari pelatihan dan citra yang memiliki noise berukuran 50x50 pixel berformat .jpg. Proses merancang antarmuka program menggunakan GUI (Graphical User Interface) pada Matlab R2017a. Antarmuka program terbagi menjadi dua bagian utama, yaitu panel pelatihan (training) untuk menentukan nilai bobot dan bias hasil

pelatihan sesuai algoritma pelatihan JST perceptron dan panel pengujian (testing) untuk menguji sampel citra sidik jari sesuai dengan algoritma pengujian JST perceptron. Proses memasukkan kode program metode JST perceptron pada Matlab R2017a. Proses memasukkan berkas sampel dalam format .jpg pada antarmuka yang telah dibuat, kemudian citra sidik jari akan muncul. Proses training untuk melihat bobot dan bias dari sampel citra. Proses testing untuk menentukan keberhasilan dalam pengenalan sampel citra sidik jari baik yang tanpa noise maupun memiliki noise.

• 4.    Hasil dan Pembahasan
  
  4.1    Hasil

Data hasil pengujian pada Tabel 3 merupakan pengujian sampel citra dengan nilai learning rate (α)=0,0001 dan threshold (θ)=1.

Tabel 3. Data hasil pengujian dengan nilai learning rate (α)= 0,0001.

Uji                     Hasil                     Uji                       Hasil

Kelas     Sampel     Kelas     Sampel     Kelas     Sampel     Kelas       Sampel

sidikjari1

sidikjari1

sidikjari1

sidikjari1

sidikjari1

sidikjari2

sidikjari2

sidikjari2

sidikjari2

sidikjari2

sidikjari1

sidikjari1

sidikjari1

sidikjari1

sidikjari1

sidikjari2

sidikjari2

sidikjari2

sidikjari2

sidikjari2

sidikjari3

sidikjari3

sidikjari3

sidikjari3

sidikjari4

sidikjari4

sidikjari4

sidikjari4

sidikjari4

sidikjari3

sidikjari3

sidikjari3

sidikjari3

sidikjari3

sidikjari3

sidikjari4

sidikjari4

sidikjari4

sidikjari4

sidikjari1

Selain menggunakan nilai α=0,0001, pada penelitian ini juga menggunakan nilai α yang bervariasi, yaitu: 0,001, 0,01, 0,1, dan 1. Setelah dilakukan perekapan seperti pada Tabel 3, maka diperoleh hasil yang ditampilkan seperti pada Tabel 4.

Tabel 4. Hasil pengamatan dengan nilai α bervariasi yaitu: 0,0001, 0,001, 0,01, 0,1, dan 1.

No.	Learning      Jumlah      Jumlah Sampel Terkenali      Jumlah Sampel Tidak Rate (α)        Iterasi            dengan Benar           Terkenali dengan Benar
1 2 3 4 5	0,0001             141                    19                             1 0,001              24                    19                             1 0,01                20                    19                             1 0,1                  11                      19                               1 1                      11                        19                                 1

• 4.2    Analisis hubungan antara nilai learning rate (α) dengan jumlah iterasi

Dari Tabel 4 dapat diperoleh hubungan antara nilai learning rate dengan jumlah iterasi dengan membuat grafik jumlah iterasi terhadap learning rate, hasilnya seperti Gambar 4. Hubungan tersebut ditentukan dengan cara analisis regresi pangkat dan analisis koefisien determinasi (R²).

Gambar 4. Grafik hubungan learning rate (α) dengan jumlah iterasi.

Dari grafik pada Gambar 4 diperoleh persamaan pangkat dan koefisien determinasi (R²). Persamaan pangkat dalam kasus ini diperoleh sebagai berikut:

y = 7,4431x~^0,255

(12)

Persamaan (12) menunjukkan bahwa nilai learning rate dengan jumlah iterasi mempunyai hubungan berupa fungsi atau persamaan pangkat. Koefisien determinasi yang diperoleh menunjukkan bahwa hubungan antara learning rate dengan jumlah iterasi adalah kuat yaitu 0,7888, yang artinya 78,88% perubahan jumlah iterasi ditentukan oleh nilai learning rate.

• 4.3    Evaluasi kinerja JST perceptron

• a)    Confusion Matrix

Bentuk confusion matrix dari data hasil pengujian pengenalan 20 sampel citra sidik jari dengan nilai α=0,0001 diperlihatkan pada Tabel 5.

Tabel 5. Confusion matrix 20 sampel uji dengan α=0,0001.

Actual Class	Predicted Class
	sidikjari1	sidikjari2	sidikjari3	sidikjari4
sidikjari1	5	0	0	0
sidikjari2	0	5	0	0
sidikjari3	0	0	5	0
sidikjari4	1	0	0	4

Tabel 6. Confusion matrix biner 20 sampel uji dengan α=0,0001.

Actual Class	Predicted Class
	Positive (+)	Negative (-)
Positive (+)	5 (TP)	0 (FN)
Negative (-)	1 (FP)	14 (TN)

dimana TP (True Positive) adalah jumlah kelas positif dikenali sebagai kelas positif, FP (False Positive) adalah jumlah kelas negatif dikenali sebagai kelas positif, FN (False Negative) adalah jumlah kelas positif dikenali sebagai kelas negatif, dan TN (True Negative) adalah jumlah kelas negatif dikenali sebagai kelas negatif. Dalam penelitian ini sidikjari1 adalah sebagai kelas positif, sedangkan kelas yang lainnya sebagai kelas negatif.

• b)    Predictive accuracy

Nilai accuracy untuk α=0,0001 dapat dihitung dengan menggunakan persamaan (8) dan data pada Tabel 6, sebagai berikut:

accuracy =

5 +14

5 +1 + 0 +14

19

20

= 0,95

• c)    Precision

Nilai Precision untuk α=0,0001 dapat dihitung dengan menggunakan persamaan (9) dan data pada Tabel 6 sebagai berikut:

Precision = — = — = 0,83

5 +1   6

• d)    Recall

Nilai TP rate untuk α=0,0001 dihitung dengan menggunakan data pada Tabel 6 dan persamaan (10) diperoleh:

TP Rate = —-— = 1

5 + 0

• e)    False positive rate

Dengan menggunakan data pada Tabel 6 dan persamaan (11) dapat dihitung nilai FP rate untuk α=0,0001 sebagai berikut:

FP Rate =     = — = 0,07

1+14  15

• f)    ROC graphs

Dari hasil perhitungan untuk nilai α=0,0001 didapatkan nilai FP Rate=0,07 dan TP Rate=1. Sehingga koordinat titik (FP Rate; TP Rate) pada ROC graphs yaitu (0,07; 1) seperti ditampilkan pada Gambar 5.

Gambar 5. ROC graphs untuk nilai α=0,0001.

Grafik pada Gambar 5 menunjukkan bahwa nilai FP Rate yaitu 0,07 pada ROC graphs lebih dekat dengan nilai 0 daripada nilai 1. Selain itu, koordinat (FP Rate; TP Rate) terletak pada sebelah kiri atas ROC graphs. Sehingga metode JST perceptron dapat dikatagorikan sebagai metode yang baik dalam mengenali citra sidik jari. Dengan cara yang sama dapat dilakukan evaluasi kinerja metode JST perceptron dalam mengenali sampel citra sidik jari dengan nilai learning rate sama dengan 0,0001, 0,001, 0,01, 0,1, dan 1. Hasil perhitungannya ditampilkan pada Tabel 7.

Tabel 7. Evaluasi kinerja metode JST perceptron dalam mengenali sampel citra sidik jari dengan nilai α bervariasi, yaitu 0,0001, 0,001, 0,01, 0,1, dan 1.

Learning Rate	Jumlah Iterasi	TP	FP	FN	TN	TP   FP Accuracy Precision Rate  Rate			ROC Graphs x     y
0,0001	141	5	1	0	14	0,95	0,83	1     0,07	0,07	1
0,001	24	5	1	0	14	0,95	0,83	1     0,07	0,07	1
0,01	20	5	1	0	14	0,95	0,83	1     0,07	0,07	1
0,1	11	5	1	0	14	0,95	0,83	1     0,07	0,07	1
1	11	5	1	0	14	0,95	0,83	1     0,07	0,07	1

Tabel 7 menunjukkan bahwa pada pengujian sampel dengan menggunakan nilai learning rate yang bervariasi diperoleh hasil evaluasi kinerja dari metode perceptron dalam mengenali sampel citra sidik jari yang sama. Dari hasil tersebut dapat dikatakan nilai learning rate pada penelitian ini baik digunakan dalam pelatihan JST perceptron. Selain itu, pada Tabel 7 terlihat semakin besar nilai learning rate maka jumlah iterasi yang diperlukan untuk melatih JST perceptron semakin kecil.

• 4.4    Pembahasan

Berdasarkan data yang diperoleh dapat ditentukan hubungan antara nilai learning rate dengan jumlah iterasi. Hubungan tersebut ditentukan dengan cara analisis regresi pangkat dan analisis koefisien determinasi. Dari grafik pada Gambar 4 diperoleh persamaan (12) dan koefisien determinasinya, yang menunjukkan bahwa nilai learning rate dengan jumlah iterasi adalah memenuhi suatu fungsi atau persamaan berpangkat negatif. Persamaan tersebut menunjukkan bahwa semakin besar nilai learning rate maka jumlah iterasi yang diperlukan untuk proses pelatihan adalah sangat kecil. Koefisien determinasi yang diperoleh menunjukkan bahwa hubungan antara learning rate dengan jumlah iterasi kuat yaitu 0,7888, yang artinya 78,88% perubahan jumlah iterasi ditentukan oleh nilai learning rate.

Proses evaluasi kinerja JST perceptron menggunakan beberapa ukuran yaitu accuracy, percision, TP rate, FP rate, dan ROC graphs. Suatu metode pengenalan dikatakan relatif baik jika menghasilkan nilai accuracy, percision, dan TP rate semuanya mendekati/sama dengan 1, dan nilai FP rate mendekati/sama dengan 0 [12]. Untuk menentukan nilai dari keempat ukuran tersebut diawali dengan menentukan confusion matrix. Elemen diagonal confusion matrix pada Tabel 5 yaitu elemen (1,1), (2,2), (3,3), dan (4,4) merupakan sampel uji yang dikenali dengan benar, sedangkan elemen lain merupakan sampel yang dikenali dengan salah. Confusion matrix 4 kelas dapat disederhanakan menjadi confusion matrix 2 kelas (biner), dengan memilih kelas sidikjari1 sebagai kelas positif, sedangkan kelas lainnya sebagai kelas negatif. Confusion matrix biner diperlihatkan pada Tabel 6, dan dari data pada tabel tersebut dapat diperoleh nilai TP, FP, FN, dan TN.

Bedasarkan hasil perhitungan didapatkan nilai accuracy=0,95, percision=0,83, dan TP rate=1, sedangkan nilai FP rate=0,07. Maka dapat disimpulkan bahwa metode JST perceptron merupakan metode yang baik dalam pengenalan citra sidik jari, karena nilai accuracy, percision, TP rate mendekati/sama dengan 1 dan nilai FP rate pada ROC graphs mendekati 0.

Nilai FP rate dan TP rate digunakan sebagai koordinat titik pasangan pada ROC graphs seperti tampak pada Gambar 5. Suatu metode pengenalan (classifier) dikatagorikan baik jika koordinat titik pasangan (FP rate; TP rate) terletak di sebelah kiri atas ROC graphs [12]. Gambar 5 menampilkan koordinat titik pasangan (FP rate; TP rate) yaitu (0,07; 1) terletak di sebelah kiri atas ROC graphs. Sehingga dapat disimpulkan bahwa metode JST perceptron yang digunakan dalam penelitian ini dikatagorikan sebagai metode yang baik. Jadi secara keseluruhan dari hasil evaluasi kinerja menunjukkan bahwa metode JST perceptron adalah metode yang baik dalam mengenali citra sidik jari. Namun dapat

dikatakan metode ini relatif baik, karena bergantung pada penentuan nilai learning rate, threshold, dan citra yang diujikan.

• 5.    Kesimpulan

Dari hasil evaluasi kinerja JST perceptron menunjukkan bahwa metode ini merupakan metode yang relatif baik dalam pengenalan citra sidik jari, baik yang tanpa noise maupun memiliki noise. Hal ini dapat dilihat dari nilai accuracy, precision, TP rate, FP rate dan ROC graphsnya, yaitu nilai accuracy, percision, TP rate mendekati/sama dengan 1 dan nilai FP rate pada ROC graphs mendekati 0.

Ucapan Terima Kasih

Penulis menyampaikan terimakasih kepada Lab. Fisika Komputasi, Program Studi Fisika, FMIPA, UNUD yang telah memberikan bantuan fasilitas dalam penelitian ini. Serta staf dosen bidang minat Elektronika, Instrumentasi dan Komputasi, Prodi Fisika, FMIPA, UNUD yang telah memberikan saran serta masukan terkait penelitian ini.

Daftar Pustaka

• [1]    Abdullah A.G., 2012, Diktat Mata Kuliah ET 171. Pengantar Kecerdasan Buatan BAB IV, Prodi Pendidikan Teknik Elektro FPTK UPI, Bandung, pp. 1-15.

• [2]    Santi R.C.N., 2008, Identifikasi Biometrik Sidik Jari dengan Metode Fraktal, Jurnal Teknologi Informasi DINAMIK, Vol. XIII, No.1, pp. 68-72.

• [3]    Gapar I K.K., Widagda I G.A dan Suarbawa K.N., 2018, Pengenalan Suara Manusia dengan Menggunakan Metode Jaringan Saraf Tiruan Hebb, Buletin Fisika, Vol. 19, No. 1, pp. 16-22.

• [4]    Yanti N., Rachman F.Z., Jamal N., Purwanto E. dan Fachrurozy, 2018, Jaringan Saraf Tiruan untuk Pengenalan Citra Sidik Jari pada Smart Home, Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. 5, No. 5, pp. 597-604.

• [5]    Alqurni R.P. dan Muljono, 2016, Pengenalan Tanda Tangan Menggunakan Metode Jaringan Saraf Tiruan Perceptron dan Backpropagation, Techno.COM, Vol. 15, No. 4, pp. 352-363.

• [6]    Tambunan F., 2015, Pengenalan Aksara Batak dengan Metode Perceptron, IT Jurnal, Vol. 2, No. 2, pp. 1-11.

• [7]    Pujiyanta A., 2009, Pengenalan Citra Objek Sederhana dengan Jaringan Saraf Tiruan Metode Perceptron, Jurnal Informatika, Vol. 3, No. 1, pp. 268-277.

• [8]    Husen R, Sutikno T., dan Pujianta A., 2015, Pengenalan Pola Sidik Jari Berbasis Jaringan Saraf Tiruan Perambatan Balik, Jurnal Ilmiah Teknik Elektro Komputer dan Informatika, Vol. 1, No. 1, pp. 1-20.

• [9]    Ariana A. A. G. B., 2016, Perbandingan Metode SOM/Kohonen dengan Adaptive Resonance Theory 2 pada Data Mining Perusahaan Retail, Magister Teknik Elektro Fakultas Teknik Universitas Udayana, Denpasar, pp. 20-24.

• [10]    Siang J.J, 2005, Jaringan Saraf Tiruan dan Pemrogamannya Menggunakan Matlab, Penerbit Andi, Yogyakarta, pp. 2-60.

• [11]    Fausett L., 1994, Fundamentals of Neural Networks Architectures, Algoritms, and Application, Prentice Hall.Inc., Upper Saddle River, pp. 59-80.

• [12]    Widagda I G.A. dan Suyanto H., 2019, Klasifikasi Pola Berbentuk Primitif dengan Menggunakan Metode Principal Component Analysis (PCA), Buletin Fisika, Vol. 20, No. 2, pp. 12-21.

46