Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDi era teknologi saat ini, peningkatan keamanan merupakan salah satu hal yang sangat penting dilakukan. Untuk dapat mengakses suatu area tertentu, dibutuhkan metode keamanan yang dapat memastikan hanya orang yang telah terverifikasi saja yang bisa mengaksesnya. Dalam pengembangannya, metode keamanan berupa pin atau password sebagai metode verifikasi pengguna digantikan oleh metode keamanan berbasis biometrik. Metode keamanan berbasis biometrik mengandalkan karakteristik biologis manusia yang unik dan sulit untuk dipalsukan. Sidik jari merupakan salah satu karakteristik biometrik manusia yang digunakan sebagai bagian dari metode keamanan saat ini. Metode keamanan sidik jari umumnya mengandalkan suatu modul yang akan mengambil sampel sidik jari pengguna, menganalisa, dan membandingkan data yang diterima dengan database yang telah ada. Pengembangan yang akan dilakukan pada tugas akhir ini berfokus pada pengembangan metode komparasi yang tidak dilakukan di dalam module fingerprint reader, namun berada di perangkat komputer, sehingga data sidik jari yang telah tersimpan serta metode komparasi yang dilakukan akan lebih aman dan terpercaya. Dengan menggunakan metode komparasi yang ada, didapatkan nilai recognition rate untuk minimum distance = 0 senilai 100 menggunakan database Neurotechnology dan data yang diperoleh dari fingeprint reader module, dengan kecepatan pemrosesan terbaik sebesar 9,4 detik untuk proses komparasi 80 database.

---

ABSTRACTIn today 39 s era of technology, increased security is one of the most important things to do. In order to access a particular area, a security method is required that ensures only verified people can access it. In its development, the security method of pin or password as a method of user verification is replaced by a biometric based security method. Biometric based security methods rely on unique and difficult to forge human biological characteristics. Fingerprint is one of the human biometric characteristics used as part of the current security method. The Fingerprint security method generally relies on a module that will take a user 39 s Fingerprint sample, analyze, and compare data received with an existing database. The development that will be carried out in this final project focuses on the development of comparative methods that are not done in the Fingerprint reader module, but reside in the computer device, so that the Fingerprint data that has been stored and the comparation method will be safer and more reliable. Using the existing comparative method, the value of Recognition rate for minimum distance 0 is 100 using Neurotechnology database and data obtained from fingerprint reader module, with the best processing speed of 9.4 seconds for 80 database comparation process. "

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."