MODEL SISTEM PRESENSI BIOMETRI SIDIK JARI DENGAN CIRI COOCURRENCE MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK

Abstract

Sistem presensi sidik jari merupakan sistem identifikasi biometrik berdasarkan karakteristik sidik jarinya. Sidik jari mempunyai pola yang berbeda tiap orang yang tidak akan berubah seumur  hidup, kecuali jika terjadi kecelakaan serius. Sidik jari telah terbukti akurat, aman, mudah, dan nyaman untuk dipakai sebagai identifikasi. Sistem presensi biometri sidik jari fingerprint pada dasarnya adalah pencocokan  yang sangat dipengaruhi oleh kondisi permukaan sidik jari, yang dapat bervariasi karena berbagai faktor, maka pada saat merekam jari harus benar-benar dalam keadaan bersih. Berdasarkan pengamatan, muncul persoalan diantaranya sering terjadi kegagalan sehingga harus diulang bahkan pengulangan tersebut ada mencapai belasan kali.  Dalam proses pembacaan dan verifikasi, seorang karyawan bisa membutuhkan waktu tiga sampai lima menit. Hal ini menyebabkan tujuan utama penggunaan fingerprint untuk efektivitas dan efisiensi menjadi tidak tercapai. Berdasarkan kondisi tersebut maka dalam upaya membangun sistem presensi karyawan sesuai dengan harapan, diperlukan sebauh metodologi yang handal dan akurat. Dilain pihak potensi Jaringan Saraf Tiruan (JST) dapat memberi peluang untuk menyelesaikan persoalan presensi biometri sidik jari yang ada. Jaringan saraf tiruan merupakan suatu model pemroses yang memiliki  kemampuan adaptasi yang baik terhadap karakteristik data atau input. Dalam beberapa kasus, jaringan syaraf tiruan mampu melakukan pengenalan objek 100%. Penelitian ini mencoba untuk menggunakan keunggulan jaringan saraf tiruan dalam pengenalan objek sidik jari. Algoritma yang digunakan adalah backpropagation yang dikenal handal untuk berbagai karakteristik data. Data yang diproses sebagai masukan oleh jaringan saraf tiruan adalah ciri unik yang dihasilkan dengan bantuan coocurrence matrix yang menggambarkan hubungan ketetanggaan piksel citra sidik jari. Setiap objek yang berbeda memiliki hubungan ketetanggaan piksel yang khas. Ciri yang digunakan meliputi 7 (tujuh) ciri yaitu 1) Anguler Second Moment (ASM) atau Uniformity of Energy, 2) Entrophi, 3) Momen tingkat ke-m atau m^th-Order Elemen Difference 4) Moment  invers,tingkat ke-m m atau m^th-Order Inverse Elemen Difference Moment,  5) Probabilitas Maksimum (max c_ij), 6) Korelasi (Correlation), dan 7) Cluster Shade. Hasilnya menunjukkan bahwa untuk data training 60% ke atas, sistem jaringan saraf tiruan dapat mengenali sidik jari dengan baik mencapai 100% namun membutuhkan pembelajaran yang lama dengan stoping error 0,0001.