Pengenalan Kepribadian …

I Gede Sujana E. P., dkk

PENGENALAN KEPRIBADIAN SESEORANG BERDASARKAN SIDIK JARI DENGAN METODE FUZZY LEARNING VECTOR QUANTIZATION DAN FUZZY BACKPROPAGATION

I Gede Sujana Eka Putra1, I K G Darma Putra2, I Putu Agung Bayupati2 1Mahasiswa Pascasarjana Teknik Elektro, Fakultas Teknik, Universitas Udayana 2Staf Pengajar Jurusan Teknologi Informasi, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361

Email: [email protected], [email protected], [email protected]

Abstract

Kepribadian dapat diidentifikasi melalui analisis pola sidik jari. Pengenalan kepribadian umumnya menggunakan uji psikometri melalui serangkaian tahapan yang relatif panjang. Melalui analisis pola sidik jari, dapat diidentifikasi kepribadian secara lebih efisien. Penelitian ini mengajukan algoritma klasifikasi Fuzzy Learning Vector Quantization (Fuzzy LVQ) karena waktu komputasi yang lebih cepat dan tingkat pengenalan yang tinggi, dan dengan metode Fuzzy Backpropagation yang mampu menyelesaikan model data non linier. Tahapan penelitian terdiri dari akuisisi dan klasifikasi. Tahapan pertama melalui akuisisi sidik jari, ekstraksi fitur, proses pelatihan, dan pre-klasifikasi. Selanjutnya tahap klasifikasi, melalui klasifikasi fitur sidik jari uji menggunakan algoritma Fuzzy LVQ, dibandingkan dengan Fuzzy Backpropagation. Kepribadian diidentifikasi melalui pola hasil klasifikasi menggunakan basis pengetahuan dermatoglyphics. Unjuk kerja diukur dari pencocokan pola hasil pre-klasifikasi dan hasil klasifikasi. Hasil penelitian menunjukkan klasifikasi Fuzzy LVQ tingkat kecocokan tertinggi 93,78% dengan iterasi pelatihan maksimum=100 epoh pada target error 10-6. Sedangkan Fuzzy Backpropagation dengan tingkat kecocokan tertinggi 93,30% dengan iterasi maksimum diatas 1000 epoh pada target error 10-3. Hal ini menunjukkan Fuzzy LVQ memiliki unjuk kerja lebih baik dibandingkan Fuzzy Backpropagation. Survey responden dilakukan untuk menguji kesesuaian analisa kepribadian sistem dibandingkan dengan kepribadian responden, dan hasil survey menunjukkan analisa kepribadian sistem sebagian besar cocok dengan kepribadian responden.

Kata Kunci : Sidik Jari, Kepribadian, Klasifikasi, Fuzzy LVQ, Fuzzy Backpropagation.

  • 1.    PENDAHULUAN

Kepribadian seseorang dapat diidentifikasi dengan analisis pola sidik jari berdasarkan teori dermatoglyphics[1],[2]. Pola sidik jari berhubungan erat dengan fungsi dan sistem kerja otak, dimana sistem kerja otak mencerminkan kepribadian, bakat dan kecerdasan seseorang [1]. Sidik jari manusia tidak ada yang sama dan dikelompokan dalam 3 tipe yaitu pola arch, loop dan whorls, sedangkan pola yang lain merupakan variasi pola yang timbul dengan mengacu pada ketiga pola dasar sidik jari tersebut[3]. Gartner mengemukakan teori multiple intelligence, terdapat delapan kemampuan otak berkaitan dengan kecerdasan, kepribadian dan bakat[1]. Secara umum identifikasi kepribadian dilakukan menggunakan uji psikometri yang melalui serangkaian tahapan yang relatif panjang dan lama. Melalui analisis pola sidik jari, merupakan pendekatan lebih efisien untuk memahami kepribadian dan bakat seseorang berdasarkan teori dermatoglyphics[1]. Berdasarkan penelitian Bhuyan et.al [7], menggunakan klasifikasi sidik jari dengan teknik hierarchical agglomerative clustering dengan metode FPROCK yang mengklasifikasikan citra dengan konsep ketetanggaan setiap obyek, hanya dapat mengidentifikasi 6 kelas pada tingkat akurasi 97.3%. Sedangkan Minarni [8] meneliti tentang klasifikasi sidik jari dengan metode ekstraksi ciri dengan transformasi wavelet dan

klasifikasi sidik jari menggunakan algoritma Learning Vector Quantizations (LVQ), mampu menghasilkan akurasi 85% dalam 5 kelas pola sidik jari. Berdasarkan penelitian tersebut, penulis menggunakan algoritma Fuzzy LVQ dan Fuzzy Backpropagation untuk mengetahui unjuk kerja proses klasifikasi dari 11 pola sidik jari. Penulis menggunakan metode Fuzzy LVQ karena metode klasifikasi ini memiliki keunggulan waktu komputasi yang lebih cepat serta tingkat pengenalan yang lebih baik daripada jaringan syaraf probabilistik lainnya. Tetapi Fuzzy LVQ memerlukan ketersediaan seluruh komponen data pelatihan dan tidak dapat memulai proses pelatihan jika data pelatihan belum lengkap tersedia secara keseluruhan. Sedangkan Fuzzy Back propagation, dalam proses pembelajaran menggunakan multilayer neural network yang memungkinkan proses pembelajaran yang detail, kemampuan menggunakan model data non linier (tidak beraturan) dan toleransi kesalahan yang tinggi, yang dapat memecahkan masalah yang cukup rumit dan mengandung ketidakpastian. Tetapi metode ini memerlukan epoh pelatihan yang cukup tinggi untuk mencapai target error pelatihan yang ditentukan. Paper ini membahas tentang bagaimana proses klasifikasi pola sidik jari dengan algoritma Fuzzy LVQ yang dibandingkan dengan Fuzzy Backpropagation, dan bagaimana unjuk kerja

klasifikasi pola sidik jari pada Fuzzy Backpropagation dibandingkan dengan Fuzzy LVQ. Paper ini membahas tahapan klasifikasi dilakukan dalam dua tahapan yaitu melalui akuisisi sidik jari, ekstraksi fitur, proses pelatihan, dan pre-klasifikasi. Selanjutnya tahap klasifikasi, melalui klasifikasi fitur sidik jari uji menggunakan kedua metode, selanjutnya dibandingkan klasifikasi dengan metode Fuzzy LVQ, dengan Fuzzy Backpropagation. Kepribadian diidentifikasi melalui pola hasil klasifikasi menggunakan basis pengetahuan dermatoglyphics. Unjuk kerja diukur dari pencocokan pola hasil pre-klasifikasi dan hasil klasifikasi. Hasil penelitian menunjukkan Fuzzy LVQ memiliki tingkat kecocokan lebih baik dibandingkan Fuzzy Backpropagation. Survey responden dilakukan untuk menguji kesesuaian analisa kepribadian sistem dibandingkan dengan kepribadian responden, dan hasil survey menunjukkan analisa kepribadian sistem sebagian besar cocok dengan kepribadian responden.

  • 2.    PENELITIAN SEBELUMNYA DAN BASIS PENGETAHUAN KEPRIBADIAN

Penelitian sebelumnya sudah dilakukan yang memiliki keterkaitan dengan analisis kepribadian atau analisis sidik jari.

Amrut A. Mahajan et.al [4] meneliti tentang keterkaitan parameter kuantitatif dermatoglyphics yaitu jumlah garis guratan (ridge) a-b sidik jari, dan sudut ATD untuk mendiagnosa pasien pengidap asma bronchial. Jumlah garis guratan (ridge) a-b yang tinggi, dapat digunakan sebagai satu kriteria diagnosa untuk pasien penderita asma bronchial.

Shitala Prasad et.al [5] meramalkan kepribadian seseorang dengan menganalisa tulisan tangan dalam bentuk digital dengan menggunakan enam ciri yaitu ukuran huruf, kemiringan huruf dan kata, dasar kata, tekanan tulisan, spasi antar huruf dan kata. Eksperimen dilakukan dalam dua tahapan, yaitu tahapan pertama (A) menggunakan 2/3 dari data sampel sebagai data training dan 1/3 data sebagai data uji. Tahap ini menggunakan 100 responden , dimana 2/3 dari data sampel tulisan tangan dan hasil psikologinya digunakan untuk melatih sistem dan 1/3 data sampel tulisan tangan diuji untuk mengetahui akurasinya, diperoleh hasil akurasi 90.3%. Tahap kedua (B) menggunakan satu data sebagai data uji dan data sampel sisanya digunakan untuk melatih sistem, diperoleh hasil akurasi 93.86%.

M. Cesarik et.al [6] menganalisa pola sidik jari untuk mengidentifikasi tingkat kecerdasan dengan parameter ridge count (jumlah guratan sidik jari), jumlah guratan (ridges) antara triradius A, B, C, D pada telapak tangan dan sudut ATD tangan kiri dengan tangan kanan. Sample yang digunakan adalah 70 orang yang memiliki IQ tinggi (superior intelligence) dan 400 orang yang memiliki kecerdasan sedang atau biasa. Metode yang digunakan adalah metode statistik analisis variance dan analisis diskriminan kesimpulan yang diperoleh

adalah tingkat kecerdasan bertambah seiring dengan pertambahan ridge count (guratan sidik jari) dan penurunan sudut ATD telapak tangan.

M H Bhuyan et.al [7] meneliti metode klasifikasi sidik jari yang dirancang dengan teknik hierarchical agglomerative clustering dengan metode FPROCK yang mengklasifikasikan citra dengan konsep ketetanggaan setiap obyek. Unjuk kerja teknik klasifikasi diukur dengan False Acceptance Rate dan akurasi dataset berbagai variasi ukuran. Teknik FPROCK dapat mengidentifikasi 6 kelas pada tingkat akurasi 97.3%. Sedangkan teknik klasifikasi lain dapat mengklasifikasikan hanya 5 kelas dengan akurasi 80% sampai 94.8%.

Minarni [8] meneliti tentang klasifikasi sidik jari dengan metode ekstraksi ciri dengan transformasi wavelet dan mereduksi dimensi citra masukan sidik jari. Pengenalan dan klasifikasi dengan jaringan syaraf tiruan Learning Vector Quantizations (LVQ) mengelompokkan sidik jari ke salah satu pola utama sidik jari (whorl, left loop, right loop, arch, dan tenth arch). Sebagai basis masukan jaringan syaraf, digunakan citra ukuran 16 x 16, 32 x 32, dan 64 x 64 dan dianalisis juga pengaruh besarnya dimensi vektor masukan terhadap unjuk kerja pengenalan. Hasil penelitian menunjukkan unjuk kerja pengenalan meningkat cukup signifikan untuk masukan dengan dimensi yang lebih besar (64 x 64) dibandingkan dengan masukan yang lebih kecil (32 x 32 dan 16 x 16). Dari pengujian terlihat bahwa pengurangan laju pelatihan awal 0,1 memberikan unjuk kerja terbaik (85%). Pengenalan dengan ekstraksi ciri wavelet Daubechies meningkatkan unjuk kerja sebesar 1% dibandingkan dengan wavelet Haar.

Sri Kusumadewi [9] meneliti masalah klasifikasi kualitas produk, untuk menentukan apakah suatu produk termasuk dalam kualitas baik, cukup, atau buruk. Fuzzy Backpropagation digunakan untuk menentukan kualitas produk, menggunakan derajat keanggotaan pada neuron output sebagai target pembelajaran. Kualitas suatu produk digolongkan menjadi 3 golongan, yaitu kualitas-1 (baik), kualitas-2 (cukup), dan kualitas-3 (buruk). Kualitas produk dipengaruhi oleh 3 faktor, yaitu penyusutan volume, kenaikan derajat keasaman, dan cacat kemasan. Ada 27 pola data yang akan dilatih dan menggunakan algoritma pelatihan backpropagation levenberg marquardt, dengan 1 lapisan tersembunyi dan 10 neuron pada lapisan tersembunyi, maksimum epoh = 10000, toleransi error = 10 , laju pembelajaran = 1. -7 Hasil pelatihan memberikan MSE sebesar 9,854x10 dan koefisien korelasi antara output jaringan dan target output sebesar 1.

M. Soleymani Baghshah et.al [10] meneliti tentang kemampuan metode fuzzy untuk mengenali tulisan Persian (Farsi) secara online. Penelitian ini mengggunakan model pembelajaran Fuzzy LVQ untuk membedakan token sejenis yang tampak pada akhir karakter. Konsep fuzzy linguistik digunakan untuk menggambarkan fitur token yang lain,

selanjutnya metode ini digunakan pada database Persian untuk karakter tulisan tangan dan untuk mendapatkan pengenalan yang lebih tinggi dibandingkan dengan pendekatan yang lain. Dalam penelitian ini digunakan database lengkap yang berisi karakter yang ditulis oleh 128 orang. Tingkat pengenalan metode ini pada database mencapai 88% dan meningkat menjadi 95% saat parameter yang digunakan, diatur sesuai dengan permintaan penulis. Jumlah aturan (rules) dalam pengujian menggunakan 30 aturan. Hasil penelitian menunjukkan kinerja dari algoritma yang diajukan lebih akurat jika dibandingkan dengan hasil penelitian sebelumnya. Biaya komputasi dalam pendekatan ini lebih rendah dibandingkan dengan penelitian sebelumnya, dan dapat diterapkan secara online.

Kepribadian dapat diidentifikasi melalui sidik jari disebabkan adanya keterkaitan setiap jari dengan struktur bagian otak[1]. Sidik jari ibu jari terhubung ke bagian lobus pre-frontal, telunjuk terhubung ke bagian lobus frontal, jari tengah terhubung ke bagian lobus parietal, jari manis terhubung ke bagian lobus temporal dan jari kelingking terhubung ke bagian lobus occipital[1]. Struktur yang ada pada sidik jari memberikan informasi mengenai sensitifitas dan kemampuan merespons organ bagian otak. Keterkaitan pola sidik jari terhadap kepribadian digambarkan dalam basis pengetahuan Tabel 2.1

Tabel 2.1 Basis Pengetahuan Keterkaitan Pola Sidik Jari Terhadap Kepribadian [1][2]

Jenis Jari

Pola

Kepribadian

Jempol kiri

Whorl

Jiwa pemimpin, memiliki visi dan tujuan, aktualisasi diri, semangat kuat mencapai tujuan

Telunjuk kiri

Loop

Keputusan bersifat rasional, progressif dan inovatif, mendominasi setiap situasi

Jari tengah kiri

Whorl

Perasaan mendalam, percaya diri, suka kompetisi, berjiwa seni (artisitik),suka berdiskusi

Jari manis kiri

Loop

Berkomunikasi dengan penuh perasaan, emosional, reaktif sesuai dengan lingkungan, mementingkan pencapaian tujuan komunikasi daripada bagaimana komunikasi disampaikan.

Kelingki ng kiri

Arch

Sudut pandang dan adaptasi lingkungan berdasarkan pada tata keyakinan, tata nilai dan kebiasaan yang telah terbentuk dalam dirinya

Jempol kanan

Whorl

Manajemen komunikasi, perencanaan dan pengambilan keputusan,

aktualisasi diri

Telunjuk kanan

Whorl

Daya nalar tinggi, bersifat logis dan cerdas, keputusan kreatif

Jari tengah kanan

Loop

Bersikap progresif dan berani menentang arus serta berani mencoba sesuatu yang baru, menemukan cara-cara alternatif yang kreatif

Jari manis kanan

Loop

Gaya komunikasi yang unik dan kreatif dan tidak umum, mementingkan tujuan komunikasi daripada bagaimana komunikasi itu disampaikan

Kelingki ng kanan

Arch

Kemampuan beradaptasi dengan perubahan lingkungan dilandasi dengan tata nilai dan keyakinan yang telah tertanam(normatif dan tata nilai yang diyakini benar).

  • 3.    SISTEM KLASIFIKASI FUZZY BACK PROPAGATION

Sistem klasifikasi Fuzzy Back propagation melalui tahapan proses pelatihan dan proses klasifikasi.

  • 3.1    Pelatihan dengan Fuzzy Backpropagation

Pelatihan dilakukan dengan tahapan yaitu: [9], [18], [19]

  • 1)    Normalisasi fitur input, menentukan nilai mean dan standar deviasi setiap kelas dengan persamaan

µk= ri^ , dengan k =1,2,..11   .................(1)

----N , dengan k =1,2,..11 ............ (2)

  • 2)    Menghitung jarak terbobot pola sampel terhadap setiap kelas k, dengan persamaan:

zik =                       , dengan k = 1,2,..,11

.................. (3)

  • 3)    Menghitung derajat keanggotaan pola ke-i pada setiap kelas dengan persamaan

1

µk(xi) = ~ l ^ιψ, ; dengan k = 1, 2, 3, .., 11

......... (4)

  • 4)    Menghitung derajat keanggotaan paling fuzzy

( )= f2p⅛ζxj)           O S Pk(^i) ^ 0.5

µINT(xi)= h —2(1— μjc(xl))2 0.5 s μk(xl)≤ 1

............ (5)

  • 5)    Pola input ke-i, xi akan memiliki target output ke-k dk=

f tliNτkxι)' Iinrttk kasuspatirιg fuzzy

t tlkiχι^           yang Iainnva

................ (6)

  • 6)    Menentukan bobot awal input (v) ke hidden layer dan bobot awal (v0) bias ke hidden layer, secara acak dimensi 11x11.

  • 7)    Menentukan bobot awal (w) hidden layer ke output, ditentukan nilai secara acak.

  • 8)    Operasi penjumlahan terbobot pada hidden layer

z_inj = voj +                   (7)

  • 9)    Melakukan operasi aktifasi penjumlahan terbobot dengan fungsi aktifasi sigmoid, dengan persamaan

zj =                                (8)

  • 10)    Menghitung nilai output layer dengan

persamaan

y_ink = w0k+                        (9)

  • 11)    Menghitung sinyal output dengan fungsi

aktifasi:

yk =                          (10)

  • 12)    Menghitung kuadrat error, dengan nilai

error e = 0- yk                (11)

Jumlah kuadrat error = e 2          (12)

  • 13)    Menghitung perubahan bobot awal (Δw0) hidden ke output layer

δ=(Ti - y)-f\ 1-f—L_ ^

U + e-y_in J     11+ e-y_in J    ....'1j'

Δw0 = α - δ

Δ wk = α - δ - zk

  • 14)    Menghitung informasi error διnk = δ ∙Wk

    (14)

    (15)

    (16)

    (17)


    δk = δin



  • 16)    Menghitung koreksi bias (digunakan untuk memperbaiki nilai v0j):

Δv0j = α ∙ δj              

  • 17)    Tiap-tiap unit output   (Yk, k=1,2,3,...,m)

memperbaiki bias dan bobotnya (j=0,1,2,...,p):

wjk(baru) = wjk(lama) + Δwjk

Proses iterasi berlangsung terus menerus sampai target error tercapai atau iterasi maksimum tercapai (mana yang lebih dahulu tercapai).

  • 3.2    Klasifikasi dengan Fuzzy Backpropagation Klasifikasi pola uji dilakukan dengan tahapan

sebagai berikut:[9],[18],[19]

  • 1)    Mendapatkan bobot hasil pelatihan, yaitu bobot input ke lapisan tersembunyi (v), bobot awal bias ke dalam lapisan tersembunyi (vo), bobot lapisan tersembunyi ke lapisan output (w), dan

bobot bias lapisan tersembunyi ke lapisan output (wo).

  • 2)    Operasi penjumlahan terbobot setiap kelas pada hidden layer

z_inj = voj +                          ........ (22)

dengan xi adalah pola pengujian ternormalisasi.

  • 3)    Melakukan operasi aktifasi penjumlahan terbobot pada setiap kelas dengan fungsi aktifasi sigmoid, dengan persamaan

zj =                         (23)

  • 4)    Menghitung nilai output layer pada setiap kelas dengan persamaan

y_ink = w0k+                     (24)

  • 5)    Menghitung sinyal output pada setiap kelas dengan fungsi aktifasi:

yk =                     (25)

  • 6)    Nilai yk tertinggi sebagai kelas hasil klasifikasi

  • 4.    SISTEM KLASIFIKASI FUZZY LEARNING VECTOR QUANTIZATION

    • 4.1    Pelatihan dengan Fuzzy LVQ

Tahapan pelatihan Fuzzy LVQ sebagai berikut:[10], [18]

  • 1)    Penentuan nilai pusat awal untuk setiap kluster Nilai pusat awal setiap kluster, menggunakan 11 fitur pola sidik jari acuan.

v ={ v1,0 ; v2,0 ; v3,0 ; v4,0 ; v5,0 ; v6,0 ; v7,0 ; v8,0; v9,0; v10,0; v11,0 }

  • 2)    Perhitungan nilai bobot setiap iterasi dengan persamaan

m f-ml

m = mi + k        , dengan k=1,2,..11    (26)

N

  • 3)    Perhitungan matriks partisi setiap kluster, dengan menggunakan persamaan Fuzzy C Means sebagai berikut:

    ut j.k —


    1


    j_rm m-1


(27)

dengan 1 ≤ i ≤ M dan 1 ≤ j ≤ 11

  • 4)    Perhitungan laju pembelajaran (learning rate) kluster

σ ij,k   (Σf=l^tj.fc) 1>       ...... C28)

dengan 1 ≤ i ≤ M dan 1 ≤ j ≤ 11

  • 5)    Penentuan pusat kluster baru.

Vj,k = Vj,ko + σ j,k∑fLι ¾⅛(Xi - Vj,k-1)

.. (29)


dengan 1 ≤ j ≤ 11

  • 6)    Perhitungan nilai error (e).

ek = ∑}=ι(vj,fc — vj.k-ι) ..... (30)

Proses iterasi berlangsung terus sampai target error tercapai atau maksimum iterasi tercapai (mana yang tercapai lebih dahulu).

  • 4.2    Klasifikasi dengan Fuzzy LVQ

Klasifikasi pola uji dengan Fuzzy LVQ dilakukan dengan menghitung jarak Euclidean antara pola pengujian ternormalisasi dengan bobot pola pelatihan ternormalisasi. Jarak Euclidean antara 2 pola fitur u dan v, dihitung dengan persamaan: [10], [18], [20]

=                           ...... (31)

Klasifikasi diperoleh dari jarak terpendek dari dua pola fitur u dan v tersebut.

  • 5.    MODEL IMPLEMENTASI

    • 5.1    Gambaran Umum Sistem

Sistem dibagi ke dalam 2 tahapan yaitu proses pelatihan dan proses klasifikasi. Proses pelatihan dimulai dengan proses akuisisi sidik jari, ekstraksi fitur, pre-klasifikasi sidik jari, pelatihan dengan algoritma Fuzzy LVQ dan Fuzzy Backpropagation. Proses pelatihan menghasilkan bobot pelatihan untuk digunakan dalam proses klasifikasi. Sedangkan proses klasifikasi dimulai dengan akuisisi sidik jari, ekstraksi fitur, pre-klasifikasi sidik jari dan proses klasifikasi sidik jari dengan menggunakan bobot pelatihan 2 algoritma. Pre-klasifikasi bertujuan untuk inisialisasi nama pola sesuai dengan bentuk pola citra akuisisi berdasarkan pengamatan. Pola sidik jari yang teridentifikasi, dianalisis untuk mengetahui kepribadian responden berdasarkan basis pengetahuan kepribadian pada Tabel 2.1. Unjuk kerja kedua algoritma diperoleh dengan membandingkan pola hasil pre-klasifikasi dan hasil klasifikasi, dengan menghitung jumlah pola yang cocok dan jumlah yang tidak cocok dari keseluruhan pengujian. Selanjutnya dilakukan pengujian tingkat kesesuaian kepribadian berdasarkan teori dibandingkan dengan kepribadian responden.

  • 5.2    Akuisisi Sidik Jari dan Ekstraksi Fitur

Akuisisi sidik jari dilakukan dengan melakukan pemindaian 10 sidik jari dengan fingerprint scanner dengan hasil berupa citra sidik jari. Selanjutnya dilakukan pre-klasifikasi (membandingkan bentuk citra sidik jari dengan citra acuan dan memilih pola yang sesuai berdasarkan bentuk pola secara kasat mata). Tahapan berikutnya adalah proses pencocokan sidik jari hasil akuisisi dengan seluruh sidik jari acuan, menggunakan teknik minutiae matching score [14],[15],[16],[17]. Teknik ini merupakan teknik untuk mencari titik minusi pada posisi yang bersesuaian dari kedua pola sidik jari yang dibandingkan, dan hasil pencocokan ini diperoleh matching score. Deretan matching score digunakan sebagai fitur sidik jari berupa 11 deret score yang digunakan sebagai fitur pola sebuah sidik jari.

  • 5.3    Pelatihan dan Klasifikasi dengan Fuzzy

Backpropagation

Pelatihan dilakukan dengan tahapan sebagai berikut:

  • 1)    Normalisasi fitur input

  • 2)    Menghitung jarak terbobot pola sampel terhadap setiap kelas

  • 3)    Menghitung derajat keanggotaan setiap pola pada setiap kelas

  • 4)    Menghitung derajat keanggotaan pola paling fuzzy

  • 5)    Menghitung target output pola

  • 6)    Menentukan bobot awal input ke hidden layer dan bobot awal bias ke hidden layer, dan bobot awal hidden layer ke output secara acak

  • 8)    Operasi penjumlahan terbobot pada hidden layer

  • 9)    Melakukan operasi aktifasi penjumlahan terbobot dengan fungsi aktifasi sigmoid

  • 10)    Menghitung nilai output layer dan sinyal output hasil aktifasi

  • 11)    Menghitung kuadrat error

  • 12)    Menghitung perubahan bobot awal hidden ke output layer

  • 13)    Menghitung koreksi bobot (untuk memperbaiki nilai bobot)

  • 14)    Menghitung koreksi bias (digunakan untuk memperbaiki nilai bobot)

  • 15)    Tiap-tiap unit output memperbaiki bias dan bobotnya

  • 16)    Tiap-tiap unit hidden layer memperbaiki bias dan bobotnya

Proses iterasi berlangsung terus menerus sampai target error tercapai atau iterasi maksimum tercapai (mana yang lebih dahulu tercapai). Klasifikasi pola uji Fuzzy Backpropagation dilakukan dengan tahapan sebagai berikut:

  • 1)    Mendapatkan bobot hasil pelatihan, yaitu bobot input ke lapisan tersembunyi, bobot awal bias ke dalam lapisan tersembunyi, bobot lapisan tersembunyi ke lapisan output, dan bobot bias lapisan tersembunyi ke lapisan output.

  • 2)    Operasi penjumlahan terbobot setiap kelas pada hidden layer

  • 3)    Melakukan operasi aktifasi penjumlahan terbobot pada setiap kelas dengan fungsi aktifasi sigmoid.

  • 4)    Menghitung nilai output layer pada setiap kelas

  • 5)    Menghitung sinyal output pada setiap kelas

Nilai yk tertinggi sebagai kelas hasil klasifikasi

  • 5.4 Pelatihan dan Klasifikasi dengan Fuzzy LVQ

Tahapan pelatihan Fuzzy LVQ sebagai berikut:

  • 1)    Penentuan nilai pusat awal untuk setiap kluster

  • 2)    Perhitungan nilai bobot setiap iterasi

  • 3)    Perhitungan matriks partisi setiap kluster

  • 4)    Perhitungan laju pembelajaran (learning rate) kluster

  • 5)    Penentuan pusat kluster baru.

  • 6)    Perhitungan nilai error (∈).

Proses iterasi berlangsung terus sampai target error tercapai atau maksimum iterasi tercapai (mana yang tercapai lebih dahulu).

Klasifikasi pola uji dengan Fuzzy LVQ dilakukan dengan menghitung jarak Euclidean antara pola pengujian ternormalisasi dengan bobot pola pelatihan ternormalisasi. Klasifikasi diperoleh dari jarak terpendek dari dua pola fitur u dan v tersebut.

  • 6.    ANALISA DAN HASIL PENELITIAN

    • 6.1    Kondisi Pelatihan dan Pengujian

Akuisisi sidik jari dilakukan dengan melakukan pemindaian 10 sidik jari dengan fingerprint scanner URU4500 dengan hasil berupa citra sidik jari. Sampel sidik jari responden diperoleh dari responden dengan jumlah sampel 4320 sampel yang dibagi ke dalam 2328 sampel pelatihan dan 1992 sampel pengujian. Sampel jari yang digunakan dalam kondisi kering. Kelas terdiri dari 11 pola referensi yaitu Simple Arch, Tenth Arch, Radial Loop, Ulnar Loop, Double Loop, Spiral Whorl, Concentric Whorl, Imploding Whorl, Press Whorl, Peacock Eye, Variant [11], [12], [13]. Jumlah responden adalah 108 responden yang berasal dari mahasiswa Sekolah Tinggi Ilmu Komputer Indonesia dan karyawan PT Tripper Nature.

Pelatihan pada algoritma Fuzzy Back propagation dilakukan dengan parameter jumlah epoch pelatihan 1000 epoh, error pelatihan = 10-3, pangkat pembobot kemiringan kurva, fd=5 fe=2, dan selanjutnya dilatih menggunakan variasi parameter fd=8 fe= 2, fd=10 fe=2, menggunakan jumlah neuron lapisan input dan lapisan tersembunyi = 11 neuron.

Pelatihan pada algoritma Fuzzy LVQ, parameter yang digunakan adalah jumlah epoch pelatihan 100 epoh, error pelatihan=10-6, dan koefisien laju pelatihan yaitu mi=5 mf= 2, dan juga diuji dengan variasi parameter mi=8 mf= 2, dan mi=10 mf= 2.

  • 6.2    Perbandingan Tingkat Kecocokan Algoritma

Fuzzy LVQ dan Fuzzy Backpropagation

Unjuk kerja algoritma dihitung dengan membandingkan hasil pola pre-klasifikasi dengan pola hasil klasifikasi Fuzzy LVQ atau Fuzzy Backpropagation, dan menghitung jumlah cocok klasifikasi pola. Prosentase kecocokan algoritma klasifikasi Fuzzy Backpropagation ditunjukkan pada Tabel 6.1.

Tabel 6.1 Prosentase Kecocokan Fuzzy Backpropagation Pada Beberapa Parameter

Jenis Jari

fd=5, fe=2

fd=8, fe=2

fd=10, fe=2

Jempol Kanan

82,49%

82,95%

82,49%

Telunjuk Kanan

89,72%

89,72%

89,72%

Tengah Kanan

89,11%

89,11%

89,11%

Manis Kanan

93,26%

91,71%

86,53%

Kelingking Kanan

86,09%

82,12%

86,09%

Jempol Kiri

82,91%

82,91%

82,41%

Telunjuk Kiri

91,01%

89,42%

91,01%

Tengah Kiri

91,19%

92,23%

92,23%

Manis Kiri

93,30%

93,30%

93,30%

Kelingking Kiri

90,26%

90,26%

90,26%

Prosentase kecocokan tertinggi pada algoritma Fuzzy Backpropagation terdapat jari manis kiri sebesar 93,3% dan terendah pada kelingking kanan sebesar 82,12%.

Prosentase kecocokan algoritma klasifikasi Fuzzy LVQ ditunjukkan pada Tabel 6.2.

Tabel 6.2 Prosentase Kecocokan Klasifikasi Fuzzy Learning Vector Quantization

No

Jari

Cocok

Tidak Cocok

%

Cocok

1

Jempol Kanan

180

37

82,95%

2

Telunjuk Kanan

204

22

90,27%

3

Tengah Kanan

180

22

89,11%

4

Manis Kanan

181

12

93,78%

5

Kelingking Kanan

174

21

89,23%

6

Jempol Kiri

164

40

80,39%

7

Telunjuk Kiri

174

15

92,06%

8

Tengah Kiri

178

15

92,23%

9

Manis Kiri

181

13

93,30%

10

Kelingking Kiri

176

19

90,26%

Prosentase kecocokan tertinggi pada jari manis kanan sebesar 93,78% dan kecocokan terendah pada jempol kiri sebesar 80,39%.

Pola hasil pre-klasifikasi dibandingkan dengan pola hasil klasifikasi kedua algoritma Fuzzy LVQ dan Fuzzy Backpropagation, selanjutnya dapat dihitung prosentase kecocokannya yang digambarkan dalam Tabel 6.3.

Tabel 6.3 Perbandingan Prosentase Kecocokan Algoritma Fuzzy LVQ dan Fuzzy Backpropagation

Jari

Fuzzy LVQ

Fuzzy Backpropagation

C

TC

% Cocok

C

TC

% Cocok

Jempol Kanan

180

37

82,95%

179

38

82,49%

Telunjuk Kanan

204

22

90,27%

192

22

89,72%

Tengah Kanan

180

22

89,11%

180

22

89,11%

Manis

Kanan

181

12

93,78%

180

13

93,26%

Kelingking Kanan

174

21

89,23%

130

21

86,09%

Jempol Kiri

164

40

80,39%

165

34

82,91%

Telunjuk Kiri

174

15

92,06%

172

17

91,01%

Tengah Kiri

178

15

92,23%

176

17

91,19%

Manis Kiri

181

13

93,30%

181

13

93,30%

Kelingking Kiri

176

19

90,26%

176

19

90,26%

Keterangan: C=cocok, TC=tidak cocok

Algoritma Fuzzy LVQ memiliki prosentase kecocokan tertinggi 93,78% sedangkan algoritma Fuzzy Backpropagation memiliki kecocokan tertinggi 93,30%.

Unjuk kerja juga ditunjukkan dari jumlah iterasi yang diperlukan untuk mencapai target error yang ditentukan, seperti yang ditunjukkan pada Gambar 6.1 dan Gambar 6.2.

Gambar 6.1 Perbandingan Jumlah Iterasi dengan Variasi Pangkat Pembobot Fuzzy Backpropagation

Gambar 6.1 menunjukkan jumlah epoh pelatihan cenderung menurun seiring dengan meningkatnya nilai parameter pangkat pembobot (fd, fe). Jumlah iterasi maksimum yang diperlukan yaitu 2001 untuk mencapai target error 10-3 terjadi pembelajaran pada jempol kiri.

Gambar 6.2 Perbandingan Jumlah Iterasi dengan Variasi Pangkat Pembobot pada Fuzzy LVQ

Gambar 6.2 menunjukkan jumlah epoh pelatihan cenderung menurun seiring dengan meningkatnya parameter laju pelatihan mi, mf. Pada pelatihan Fuzzy LVQ diperlukan jumlah iterasi maksimum= 100 untuk mencapai target error yaitu 10-6 terjadi pada kelingking kanan.

  • 6.3    Pengujian Kepribadian Sistem dan

    Kepribadian Responden

Bakat dan kepribadian responden diidentifikasi dari 10 pola sidik jari yang diperoleh dari hasil klasifikasi, ditunjukkan dalam Gambar 6.3 dan Gambar 6.4.

Gambar 6.3 Tampilan Antarmuka Sistem Analisa Bakat Berdasarkan Sepuluh Sidik Jari

Gambar 6.4 Tampilan Antarmuka Sistem Analisa Kepribadian Berdasarkan Sepuluh Sidik Jari

Pengujian kesesuaian kepribadian responden dilakukan dengan melakukan survey terhadap 60 responden untuk melakukan verifikasi tingkat kesesuaian analisa kepribadian sistem dibandingkan dengan kepribadian responden. Form survey berisi 10 deskripsi hasil analisa kepribadian berdasarkan basis pengetahuan kepribadian (teori dermatoglyphics), dan responden diminta untuk melakukan verifikasi kepribadian tersebut dicocokkan dengan kepribadian. Verifikasi dilakukan dengan memilih satu di antara 4 pilihan kepribadian yaitu: sangat cocok (score 3), sebagian besar cocok (score 2), sebagian kecil cocok (score 1) dan tidak cocok (score 0).

Berdasarkan hasil verifikasi tersebut, diperoleh jumlah rataan score keseluruhan 137,7 sehingga rata-rata score diperoleh 137,7 / 60 = 2.295 berada pada jangkauan score 2 sampai 3. Hal ini menunjukkan hasil analisa kepribadian sistem sebagian besar cocok dengan kepribadian responden.

  • 7.    SIMPULAN

Pengembangan sistem klasifikasi pola sidik jari untuk identifikasi kepribadian melalui tahapan akuisisi sidik jari dan tahapan klasifikasi, dimana tahapan akuisisi menggunakan fingerprint scanner URU4500, dilanjutkan dengan ekstraksi fitur sidik jari, proses pelatihan, proses klasifikasi dan identifikasi kepribadian berdasarkan pola hasil klasifikasi. Algoritma Fuzzy LVQ memiliki tingkat kecocokannya lebih baik dibandingkan Fuzzy Backpropagation dengan prosentase kecocokan tertinggi 93,78% dan prosentase kecocokan tertinggi Fuzzy Backpropagation diperoleh 93,30%. Meningkatkan nilai parameter pangkat pembobot fd dan fe pada algoritma Fuzzy Backpropagation dan parameter laju pembelajaran mi dan mf pada

algoritma Fuzzy LVQ, menyebabkan laju pelatihan semakin meningkat. Survey responden dilakukan untuk menguji kesesuaian analisa kepribadian sistem dibandingkan dengan kepribadian responden. Hasil survey menunjukkan analisa kepribadian sistem sebagian besar cocok dengan kepribadian responden.

  • 8.    DAFTAR PUSTAKA

  • [1]    Ifa H. Misbach (Psikolog), Dahsyatnya Sidik Jari, Menguak Bakat dan Potensi untuk Merancang Masa Depan Melalui Fingerprint Analysis, Tim Psikobiometric Research Jakarta: Visimedia. 2010

  • [2]    Suyadi. Rahasia Sidik Jari, Cara Mudah Mendeteksi Bakat dan Kecerdasan Anak dengan Sidik Jari, Flash Book. Jakarta.2010.

  • [3]    Pollock, W.C. Character Analysis From Fingerprint and Hands, New York: Press Inc. 1971

  • [4]    Amrut A. Mahajan, K. K. Gour. Dermatoglyphic Patterns in Patients of Bronchial Asthma- A Quantitative Study, International Journal of Biological & Medical Research, Bhopal India. 2011.

  • [5]    Shitala Prasad, Vivek Kumar Singh, Akshay Sapre. Handwriting Analysis based on Segmentation Method for Prediction of Human Personality using Support Vector Machine, International Journal of Computer Applications Volume 8– No.12. Allahabad India: October 2010

  • [6]    M. Cesarik, D. Bozicevic, J. Milicic, V. Ivekovic, R. Pavicevic. Quantitative Dermatoglyphics Analysis in Persons With Superior Intelligence, 1996.

  • [7]    M H Bhuyan, D K Bhattacharyya. An Effective Fingerprint Classification and Search Method. International Arab Journal of e-Technology, Vol. 1, No. 3, January. 2010.

  • [8]    Minarni, Klasifikasi Sidik Jari dengan Pemrosesan Awal Transformasi Wavelet, 2010.

  • [9]    Sri Kusumadewi,   Fuzzy Back Propagation

untuk Klasifikasi Pola (Studi Kasus: Klasifikasi Kualitas Produk), SNATI. 2006

  • [10]    M. Soleymani Baghshah, S. Bagheri Shouraki, S. Kasaei, A Novel Fuzzy Classifier Using Fuzzy LVQ to Recognize Online Persian Handwriting, 2006.

  • [11]    Davide Maltoni, Dario Maio, Anil K Jain, Sail Prabhakar. Handbook Of Fingerprint Recognition. Second Edition. London: SpringerVerlag. 2009

  • [12]    Mark R. Hawthorne, Fingerprint Analysis and Understanding, London: Taylor and Francis Group, 2009

  • [13]    Edward D. Campbell, Fingerprints and Palmar Dermatoglyphics, 1998.

  • [14]    Jianjiang Feng, Combining Minutiae Descriptors for Fingerprint Matching, Pattern Recognition 41 (2008) page 342 – 352. 2008

  • [15]    Virginia Espinosa, Minutiae Detection Algorithm for Fingerprint Recognition, IEEE AESS System Magazine. Maret, 2012.

  • [16]    Jayant V Kulkarni, Jayadevan R, Suresh N Mali, Hemant K Abhyankar, and Raghunath S Holambe, A New Approach for Fingerprint Classification based on Minutiae Distribution. International Journal of Electrical and Computer Engineering, 2006.

  • [17]    F.A. Afsar, M. Arif and M. Hussain, Fingerprint Identification and Verification System using Minutiae Matching. National Conference on Emerging Technologies, Islamabad, 2004.

  • [18]    Sri Kusumadewi dan Sri Hartati, Neuro-Fuzzy, Integrasi Sistem Fuzzy dan Jaringan Syaraf, Edisi Kedua, Graha Ilmu. Yogyakarta. 2010

  • [19]    Stefka Stoeva, Alexander Nikov, A Fuzzy Backpropagation Algorithm, Elsevier Science B.V. Fuzzy Sets and Systems 112: page 27- 39. 2000

  • [20]    darma putra, Sistem Biometrika, Konsep Dasar, Teknik Analisis Citra, dan Tahapan Membangun Aplikasi Sistem Biometrika, Yogyakarta: Andi Offset, 2009.

Teknologi Elektro

63

Vol. 13 No. 2 Juli- Desember 2014