More Related Content
Recently uploaded
Recently uploaded (9)
Featured
Featured (20)
Identifikasi Sidik Jari Menggunakan Jaringan Syaraf Tiruan Propagasi Balik dan Learning Vector Quantization Berbasis Minutiae
- 1. Identifikasi Sidik Jari Menggunakan Jaringan Syaraf Propagasi Balik dan Learning Vector Quantization Berbasis Minutiae Fitur Bifurcation Deri Olanda - 09021281419046
- 4. Metode Identifikasi Sidik Jari Hidden Markov Model Euclidean Distance Propagasi Balik Learning Vector Quantization
- 5. Identifikasi Sidik Jari Menggunakan Propagasi Balik atau Learning Vector Quantization Jin dan kawan-kawan, (2002) – Propagasi Balik Arifin (2011) – Propagasi Balik Khuwaja (2002) – LVQ Donni dan Kawan-kawan (2016) - LVQ
- 6. Perbandingan Propagasi Balik dan Learning Vector Quantization Syafria DKK (2014) - Suara paru-paru, Propagasi Balik Lebih baik Mailani DKK (2016) - Huruf Hijaiyah, Propagasi Balik Lebih baik Dessy dan Irawan (2012) - Wajah, LVQ Lebih Baik Leleury DKK (2016) – Penyakit Dalam, LVQ Lebih Baik
- 7. Research Question ? 1. Bagaimana arsitektur dari metode jaringan syaraf propagasi balik dan learning vector quantization untuk identifikasi sidik jari? 2. Manakah metode yang lebih cepat saat menangani identifikasi sidik jari? 3. Manakah metode yang lebih akurat saat menangani identifikasi sidik jari?
- 8. Tahapan Penelitian Data Latih Praproses Binerisasi Skeletonisa si Ekstraksi Ciri Pelatihan Bobot Hasil Pelatihan Data Uji Praproses Ekstraksi Ciri Pengujian Analisis Hasil
- 9. Praproses Sampel Binerisasi Skeletonisasi 𝑓 𝑥, 𝑦 = 0, 𝑓(𝑥, 𝑦) < 𝜃 1, 𝑓(𝑥, 𝑦 ≥ 𝜃 Zhang-Suen
- 11. Numerisasi Minutiae Atas Bawah Kanan Kiri • Hitung Jumlah Minutia Untuk Setiap Kecenderungan Arah Yang Sama • Hitung Jumlah Jarak Antar Minutia Untuk Setiap Kecenderungan Arah Yang Sama { X1, X2, X3, X4 , X5, X6 , X7, X8 }
- 12. Arsitektur Propagasi Balik dan LVQ Propagasi Balik LVQ
- 13. Rancangan Tabel Analisis Waktu dan Akurasi Metode Epoch Data Latih Data Uji Rata-rata Akurasi Rata-rata Waktu Identifikasi Rata-rata Akurasi Rata-rata Waktu Identifikasi 100 % s % s 500 % s % s 1000 % s % s 3000 % s % s 5000 % s % s Data Pengujian Propagasi Balik Learning Vector Quantization Rata-rata Akurasi Rata-rata Waktu Identifikasi Rata-rata Akurasi Rata-rata Waktu Identifikasi Data Latih % s % s Data Uji % s % s
- 14. Grafik Garis Performa Pelatihan 0 005 , 1 , 0 0,15 0,2 ,25 0 0,3 ,35 0 4 , 0 045 , 0,5 0 1000 3000 5000 Epoch Performa Pelatihan 500 100
- 15. Terimakasih
- 16. Zhang-Suen Subiterasi pertama poin kontur P1 dihapus dari pola jika memenuhi kondisi : a. 2 ≤ B (P1) ≤ 6 b. A (P1) = 1 c. P2 x P4 x P6 = 0 d. P4 x P6 x P8 = 0 Dimana A(P1) adalah nomer dari pola 01 kemudian menentukan P2, P3, ... P8 merupakan 8 tetangga dari P1. Nilai B(P1) merupakan jumlah tetangga tidak nol dari P1, adalah : B(P1) = P2 + P3 + P4 + ... + P8+P9 Jika semua kondisi tidak terpenuhi maka nilai P2, P3, P4, ..., P9 adalah A(P1) = 2, dan P1 tidak dihapus dari citra. subiterasi kedua hanya kondisi (c) dan (d) yang berubah : c. P2 x P4 x P8 = 0 d. P2 x P6 x P8 = 0 Proses ini dilakukan berulang hingga tidak ada lagi poin yang akan dihapus.
Editor's Notes
- Guratan-guratan pada tapak jari yang halus menonjol keluar (Ridges) dipisahkan oleh celah (Valleys) yang membentuk struktur tertentu yang unik. Struktur unik tersebut disebut Minutiae.
- Ada 3 bentuk atau fitur pada minutia, Pertama Ridge Ending Kedua Land Ketiga Bifurcation Dari ketiga fitur ini, bifurcation lebih mudah untuk diekstraksi karena jarang didapati false minutia / minutia palsu saat proses ekstraksi ciri.
- Banyak Metode Yang Dapat Digunakan Untuk identifikasi Sidik jari Diantaranya HMM, Euclidean Distance, Propagasi Balik, atau Learning Vector Quantization (LVQ) Dan metode yang ingin saya gunakan adalah Propagasi balik dan LVQ.
- Karena Kedua metode ini sudah pernah digunakan beberapa kali untuk identifikasi sidik jari Diantaranya digunakan oleh Jin DKK - BP Arifin – BP Khuwaja – LVQ Donni DKK - LVQ
- Kedua Metode ini pun sudah pernah dibandingkan menggunakan Object penelitian yang lain diantaranya.... Setelah mengetahui bahwa Perbandingan BP dan LVQ mendapati hasil yang berbeda-beda untuk objek yang berbeda maka saya ingin membandingkan kembali kedua metode tersebut dengan menggunakan object sidik jari dengan menggunakan ekstraksi minutiae fitur bifurcation.
- Untuk mengetahui manakah metode yang lebih baik maka dibuatlah research question sebagai berikut...
- Data yang akan digunakan adalah citra sidik jari yang terdiri dari 40 objek dan dari setiap objek diambil 10 sampel. 6 sampel akan digunakan sebagai data latih dan 4 sampel akan digunakan sebagai data uji. Data tersebut didapat dari data penelitian yang diambil dan digunakan oleh Tiara Mardalin pada tahun 2016.
- Binerisasi adalah suatu teknik untuk merubah citra menjadi RGB atau grayscale menjadi citra biner atau warna hitam dan putih. Kedua warna ini masing-masing diwakili oleh angka-angka biner (0 dan 1), angka 0 merepresentasikan warna hitam sedangkan 1 merepresentasikan warna putih. membentuk citra biner dengan cara thresholding atau pembatasan nilai pada tiap-tiap piksel. Jika nilai rata-rata RGB (grayscale) dalam sebuah piksel atau f(x,y) kurang dari nilai threshold maka piksel tersebut diberikan nilai 0 sebaliknya jika lebih dari ambang batas maka piksel tersebut akan diberi nilai 1. Skeletonisasi proses penipisan citra biner, yang mengupas kontur citra biner hingga mencapai lebar 1 piksel. Metode Thinning yang akan digunakan adalah Algoritma Zhang-Suen.
- Untuk mendapatkan minutiae fitur bifurcation digunakan bentuk percabangan dengan matriks 3x3. Jumlah bentuk percabangan pola sebanyak 26 buah. Dari 26 pola percabangan tersebut kemudian dibagi berdasarkan kecenderungan arahnya.
- Jumlah minutia dan jumlah jarak antar minutia untuk setiap kecenderungan arah yang sama akan dijadikan sebagai masukan (Input) pada proses selanjutnya.
- Arsitektur akan digunakan pada propagasi balik adalah : 1 Lapisan Masukan dengan 8 Neuron+Bias, 1 Lapisan Tersembunyi dengan 16 Neuron +bias, dan 1 Lapisan Keluaran dengan 7 Neuron. Fungsi aktivasi yang akan digunakan adalah fungsi Sigmoid. Untuk LVQ akan digunakan 1 lapisan Masukan dengan 8 Neuron, dan 1 lapisan Keluaran dengan 40 Neuron atau Kelas.
- Hasil dari pengujian akan dibandingkan rata-rata akurasi dan rata-rata waktu identifikasi dari setiap metode menggunakan skema pelatihan dengan Epoch yang berbeda
- Untuk mengetahui performa dari proses pelatihan, maka akan dilihat melalui naik-turunnya nilai MSE (Mean Square Error) menggunakan beberapa skema pelatihan dengan epoch yang berbeda.