K-Fold Cross Validation Penelitian Terdahulu

2.5.4 Fungsi Aktivasi

Fungsi aktivasi merupakan bagian penting dalam tahap perhitungan JST karena dipakai untuk menentukan keluaran dari suatu neuron. Peran fungsi aktivasi pada jaringan saraf tiruan adalah untuk mengaktifkan keluaran dari jaringan dan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak. Beberapa fungsi aktivasi yang dipakai dalam JST adalah:

2.5.4.1 Fungsi

sigmoid biner logsig Fungsi sigmoid biner memiliki range nilai [0,1]. Oleh karena itu, fungsi ini sering digunakan untuk Jaringan Saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Fungsi sigmoid biner dirumuskan sebagai: = 1 1 + − 2.31 dengan ′ = 1 − 2.32

2.5.4.2 Fungsi

sigmoid bipolar tansig Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja fungsi ini memiliki range antara 1 sampai -1. Fungsi sigmoid bipolar dirumuskan sebagai: = 1 − − 1 + − 2.33 dengan ′ = 1 2 1 + 1 − 2.34

2.6 K-Fold Cross Validation

Cross validation validasi silang merupakan metode untuk memperkirakan akurasi kesalahan dari data berdasarkan “resampling” Sarle, β004. K-Fold Cross Validation membagi data menjadi k subset yang ukurannya sama satu sama lainnya. Himpunan Universitas Sumatera Utara yang dihasilkan yaitu S 1 , S 2 ,…, S k yang digunakan sebagai data pelatihan dan data pengujian. Dalam metode ini, dilakukan iterasi sebanyak k kali. Setiap melakukan iterasi, salah satu subset dijadikan data uji, sedangkan subset lainnya sebagai data latih. K-fold cross validation akan mengulang pengujian sebanyak k kali, dan hasil pengukuran adalah nilai rata-rata dari k kali pengujian.

2.7 Penelitian Terdahulu

Tabel 2.1 Penelitian Terdahulu No Pengarang Judul Keterangan 1 Kaur et.al, 2008 Fingerprint Verification System using Minutiae Extraction Technique Pengenalan dilakukan dengan menghilangkan titik minusi yang dianggap salah, menemukan titik percabangan dengan menghasilkan citra thinning dengan hasil yang baik. Telah ditemukan 24 percabangan bifurcation dalam penelitian ini, sehingga sistem memerlukan waktu ekseskusi yang lebih singkat. 2 Kanata, 2008 Deteksi Sidik Jari Berbasis Alihragam Gelombang Singkat wavelet dan Jaringan Saraf TiruanJST Khusus Kota Mataram dan Sekitarnya Penelitian ini menerapkan wavelet daubechies yang digunakan untuk menghasilkan ciri dari sidik jari dengan memilih koefisien yang dihasilkan yang memiliki nilai magnitude terbesar dan menggunakan backpropagation sebagai pembelajarannya . Ruang citra warna yang digunakan YIQ skala keabuan. Pada penelitian ini mampu mengenali 100 data Universitas Sumatera Utara sidik jari yang pernah dilatihkan dan mampu menguji citra yang terdistorsi sebesar 70 3 Saraswat, 2010 An Efficient Automatic Attendance System Using Fingerprint Verification Technique Pengenalan dilakukan dengan memperhatikan minusi sidik jari, menghilangkan titik minusi yang dianggap tidak perlu dan menggunakan transformasi fourier dalam perbaikan citranya. Hasil verifikasi sekitar 92 dengan penggunaan waktu yang lebih singkat. 4 Pokhriyal et.al, 2010 Fingerprint Authentication using 2-D Wavelets Pada penelitian ini menggunakan wavelet dan pseudo Zernike Moments. Wavelet digunakan untuk mengurangi noise dan mengekstraksi ridge. Sedangkan pseudo Zernike moments digunakan untuk mengekstraksi fitur yang membawa informasi deskriptif mengenai citra sidik jari dan sebagai pencocokannya digunakan Euclidean distance 5 Barua et.al, 2011 Fingerprint Identification Penelitian ini menerapkan sistem identifikasi sidik jari online menggunakan minutiae based dengan melakukan beberapa tahapan yaitu deteksi tepi, thinning, ekstraksi fitur dan klasifikasi. Tahap praproses Universitas Sumatera Utara meliputi binerisasi dan skeletonisasi ridge, yang dibutuhkan untuk klasifikasi. Fitur yang dinilai yaitu endpoint, percabangan bifurcation, dan titik inti core point dari sidik jari, yang kemudian dilanjutkan dengan penghapusan minusi yang dianggap salah. 6 Reavindo, 2009 Pengaruh Faktor Proporsional Pada Jaringan Saraf Propagasi Balik Untuk Pengenalan Wajah Berbasis Eigenface Faktor pembelajaran ketiga yang disebut faktor proporsional digunakan pada penelitian ini untuk mengamati pengaruhnya pada pengenalan wajah berbasis eigenfaces. Pengaruh tersebut dapat diukur melalui perbandingan kinerja dari kedua jenis jaringan saraf propagasi balik tersebut. Kinerja jaringan yang digunakan sebagai acuan adalah kecepatan konvergensi jaringan, kemampuan memorisasi dan kemampuan generalisasi jaringan. Melalui pengukuran terhadap kinerja tersebut, maka penelitian ini menilai bahwa faktor proporsional akan memperburuk kinerja jaringan saraf bila digunakan pada interval [0.1 , 0.9] dan [0.01 , 0.09] sedangkan pada interval [0.001 , 0.009] Universitas Sumatera Utara akan memberikan kinerja yang baik. Universitas Sumatera Utara BAB 3 ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan proses sistem jaringan saraf tiruan propagasi balik untuk pengenalan citra sidik jari dan analisis kebutuhan sistem yang akan dibangun serta perancangannya. Tindakan yang akan dilakukan pada tahap perancangan adalah mentransformasikan model analisis ke model perancangan.

3.1 Analisis Data Sistem