• Pendahuluan

Pengenalan sistem multi-biometrik secara otomatis seperti pengenalan emosi dari

ekspresi wajah dan pengenalan identifikasi sidik jari yang efisien. Hal ini memberikan
kemampuan kecerdasan komputer dalam meningkatkan kemampuan untuk identifikasi
dengan cara mengenali pola. Karena dalam pengenalan emosi dari ekspresi wajah
memainkan peran implisit dalam proses komunikasi, dan mencerminkan perilaku manusia,
otomatis pengenalan emosi adalah tugas untuk menumbuhkan sebuah minat Sedangkan
sidik jari telah menjadi topik yang menarik dalam beberapa tahun terakhir karena sifat unik
sidik jari dalam proses otentikasi. Otentikasi sidik jari dianggap sebagai satu kesatuan cara
paling aman untuk melindungi informasi pengguna karena keunikan dan daya tahannya.
Proses ini akan memperoleh kemudahan dalam mendeskripsikan suatu hal yang menjadi
hasil atau tujuan.

• Metode
Pada prinsip utamanya metode yang digunakan untuk melakukan identifikasi atau
pengenalan yaitu melakukan deteksi, ekstraksi, seleksi, dan klasifikasi terhadap pola.
Tahap pertama merepresentasikan objek dengan cara mendeteksi serta mengukur dan
mempertimbangkan keadaan permulaan objek atau keadaan netral. Setelah gambar
disempurnakan untuk meningkatkan kualitasnya, gambar tersebut akan diekstraksi di mana
fitur ekstensif berbeda seperti Area, holo entropy, SURF dan fitur SIFT diekstraksi. Tahap
Ekstraksi merupakan tahapan utama dalam pemrosesan citra atau pola karena menyediakan
parameter untuk mengevaluasi pola untuk tujuan klasifikasi. Dalam proses klasifikasi
jaringan syaraf tiruan bekerja memanfaatkan dua tahap, yaitu tahap pelatihan dan tahap
lainnya adalah tahap pengujian.
Salah satu dari algoritma yang dapat digunakan dalam tahap klasifikasi yaitu
algoritma back propagation. Algoritma ini pada dasarnya menandakan kebijakan
pembelajaran yang dikelola dan tambahan dapat membedakan runtuhnya regulasi delta.
Untuk prinsip eksekusi kompilasi, itu memerlukan kumpulan data efisiensi dasar untuk
input yang beragam dan bervariasi. Dalam proses latihan (training), gambar input
diekstraksi dari fitur dan vektor fitur ini disediakan sebagai masukan ke jaringan saraf.
Awalnya, node menerima bobot acak. Seperti keluarannya sudah diketahui. Pada tahap
 pelatihan, keluaran yang diperoleh dari jaringan saraf dibandingkan dengan yang asli dan
bobot bervariasi untuk mengurangi kesalahan. Proses ini dilakukan untuk data yang besar
agar menghasilkan sistem yang stabil dengan bobot yang ditetapkan di node. Strukturnya
direpresentasikan pada Gambar 1.

Gambar 1. Struktur dari Artificial Neural Network

Dalam tahap pengujian, gambar masukan diumpankan ke jaringan saraf terlatih

yang memiliki bobot tertentu. Node dan output dihitung untuk mengklasifikasikan gambar
sesuai dengan kumpulan data yang dilatih (training). Biasanya proses jaringan syaraf tiruan
akan berhenti setelah tahap pengujian. Dengan memasukkan proses optimasi, akurasi
klasifikasi akan ditingkatkan dengan memberikan yang lebih baik klasifikasi objek
gambar.

• Hasil dan Pembahasan

Kinerja pendekatan yang diusulkan divalidasi dengan menggunakan matrik yaitu
presisi, sensitivitas, spesifisitas, akurasi, dan F-Measure. Matrik ini dinilai untuk pengujian
pelatihan yang berbeda persentase dan ditabularisasi. Matrik serupa untuk metode yang
ada juga dievaluasi dan ditabulasikan. Presisi menunjukkan kesesuaian kelas dari label data
dengan label positif yang dihasilkan dari tahap klasifikasi. Sensitivitas menunjukkan
keefektifan pengklasifikasi untuk mengidentifikasi label positif. Kekhususan menunjukkan
 seberapa efektif pengklasifikasi mengidentifikasi label negatif. Akurasi menunjukkan
keefektifan keseluruhan pengklasifikasi. F-measure menunjukkan hubungan antara label
positif data dan yang diberikan oleh pengklasifikasi.
Salah satu aspek penting dari pemakaian teknik neural network adalah berapa
jumlah iterasi atau percobaan yang harus diterapkan dalam mentraining suatu jaringan. Hal
ini akan mempengaruhi tingkat performansi dari algoritma Artifical Neural Networks.
Dengan jumlah percobaan yang terlalu banyak mungkin akan menghasilkan nilai error
yang sangat kecil dalam tahap training. Jika terjadi sebaliknya atau nilai error yang
didapatkan semakin tinggi kasus ini biasa disebut dengan overfitting.Karena error dalam
tahap validasi sangatlah penting guna dijadikan pedoman untuk melakukan prediksi pada
data yang tidak diketahui nilai target atau outputnya.
Hasil yang diperoleh dari pengenalan ekspresi dan sidik jari jika ditinjau dari
akurasinya memperoleh nilai akurasi diatas 90%. Dapat di ilustrasikan pada gambar 2
berikut ini :

Gambar 2. Representasi Grafis dari Metrik Kinerja

• Kesimpulan dan Saran

Dalam upaya ini, untuk mengatasi masalah klasifikasi pola yang pada pengenalan
ekspresi menunjukkan hasil evaluasi pendekatan ini pada tiga database yang diketahui
telah memberikan hasil yang maksimal dengan menggunakan jaringan syaraf
 pengklasifikasian, dengan akurasi pengenalan emosi 99% pada database CK +, 84,7% pada
Oulu-CASIA VIS database, dan 93,8% pada database JAFFE. Kemudian untuk identifikasi
sidik jari menunjukkan nilai metrik kinerja diatas 90%. Dalam pengerjaan kedepaannya
dapat mengatasi kebutuhan jumlah data training yang cukup, karena data training tersebut
mempengaruhi terhadap hasil.

• Daftar Pustaka

[1] F. Z. Salmam, A. Madani, and M. Kissi, “Emotion recognition from facial expression
based on fiducial points detection and using neural network,” Int. J. Electr. Comput.
Eng., vol. 8, no. 1, pp. 52–59, 2018, doi: 10.11591/ijece.v8i1.pp52-59.
[2] S. R. Borra, G. J. Reddy, and E. S. Reddy, “An efficient fingerprint identification
using neural network and BAT algorithm,” Int. J. Electr. Comput. Eng., vol. 8, no. 2,
pp. 1194–1213, 2018, doi: 10.11591/ijece.v8i2.pp1194-1213.

Link Artikel 1 : http://ijece.iaescore.com/index.php/IJECE/article/download/10098/8777

Link Artikel 2 : http://ijece.iaescore.com/index.php/IJECE/article/view/9838