BAB 1
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi perangkat lunak dewasa ini tidak terlepas dari berkembangnya studi mengenai kecerdasan buatan. Ada dua hal yang termasuk dari
kecerdasan buatan ini yaitu peniruan proses berfikir dan peniruan proses komputasi. Salah satu bagian dari peniruan proses komputasi adalah jaringan saraf tiruan.
Jaringan Saraf Tiruan JST merupakan bagian dari kecerdasan buatan, yaitu teknologi komputasi yang berbasis pada model saraf manusia dan mencoba
mensimulasikan tingkah laku dan kerja model saraf manusia terhadap berbagai masukan Haykin, 1999, yang saat ini semakin berkembang pesat dan mampu
menyelesaikan permasalahan yang kompleks seperti pengenalan pola. Salah satu algoritma pembelajaran yang cukup representatif terhadap proses kerja jaringan saraf
manusia adalah algoritma jaringan saraf propagasi balik Puspitaningrum, 2006. Salah satu pola yang dapat dijadikan sebagai objek penelitian adalah sidik jari. Ada
beberapa teknik dalam pengenalan sidik jari yaitu correlation based match, minutiae based match dan pattern image based match. Salah satu pendekatan yang populer
adalah dengan menggunakan pencocokan pada local feature seperti minutiae matching. Minutiae adalah tipe khusus dari pola guratan sidik jari, seperti ending,
bifurcation dan islands Maltoni, 2003. Teknik ini membutuhkan praproses yang rumit karena sensitif terhadap noise, dan memerlukan citra dengan resolusi baik.
Selain menggunakan tingkat lokal pada sidik jari, pengenalan sidik jari juga dapat dilakukan dengan memperhatikan tingkat global pada sidik jari, yakni pencocokan
fitur yang dilakukan pada keseluruhan citra. Fitur sidik jari ini dapat diperoleh dengan metode ekstraksi fitur ataupun dengan menggunakan filtering dan operasi
transformasi. Dalam penelitian ini, penulis menggunakan teknik ketiga yaitu pattern
Universitas Sumatera Utara
image based match dengan memperhatikan tingkat global sidik jari. Tahapan awal dalam pengenalan sidik jari adalah prapengolahan citra dan ekstraksi fitur.
Proses ekstraksi fitur dilakukan untuk mendapatkan nilai fitur yang dibutuhkan pada tahap pengklasifikasian. Berbagai metode ekstraksi fitur telah banyak digunakan
untuk mendapatkan nilai fitur sebagai masukan dalam pengenalan sidik jari. Salah satu metode yang sering digunakan sebagai ekstraksi fitur adalah transformasi wavelet
diskrit .
Transformasi wavelet diskrit mempunyai kemampuan ekstraksi fitur yang baik karena fitur-fitur yang penting tidak akan hilang ketika dimensi citra mengalami
reduksi Putra, 2010 .
Beberapa penelitian tentang jaringan saraf tiruan propagasi balik telah banyak dilakukan untuk mengamati tingkat konvergensi, lamanya proses pembelajaran dan
keakuratan dari algoritma ini dalam mempelajari setiap pola yang dikehendaki dan untuk menghindari local minima saat proses pembelajaran Zweiri et al.,2003.
Beberapa penelitian tersebut dilakukan dengan menitikberatkan pada faktor-faktor yang dianggap dapat mempercepat proses pembelajaran yaitu laju pembelajaran
α dan momentum . Laju pembelajaran merupakan parameter jaringan dalam
mengendalikan proses penyesuaian bobot. Biasanya nilai laju pembelajaran yang optimal bergantung pada kasus yang dihadapi.
Momentum digunakan untuk mempercepat pelatihan jaringan. Momentum melibatkan penyesuaian bobot yang
ditambah dengan faktor tertentu dari penyesuaian sebelumnya Haykin, 2009. Agar kedua faktor dapat saling melengkapi maka diperlukan kombinasi kedua parameter
ini. Zweiri et al. 2003 mengusulkan penambahan salah satu faktor yang disebut faktor proporsional . Hasil penelitian membuktikan bahwa ketiga faktor ini dapat
mempercepat jaringan mencapai konvergen. Dengan adanya faktor proporsional ini, diharapkan jaringan memiliki tingkat konvergensi yang tinggi agar tingkat kesalahan
yang diinginkan tercapai.
Universitas Sumatera Utara
1.2 Rumusan Masalah
Kategori