Biometrics is my research focus. I interest to it because they have many advantages compared to conventional method such as user-id and password for login. I ‘ve been looking for biometrics text book in Indonesian, but I have not find it yet until now. Thanks to someone who has upload this book, finally I found it.

If you want to make fingerprint, iris, face, signatture, and others identification system, you must read this book. Also, it discusse more about the standard of biometrics system, what are their limitations?, characteristic?, etc. After the fast development of web-based system (internet), the web-based biometrics system is very interesting to many researcher today.

Matlab merupakan bahasa komputasi teknis yang bermaksud membantu para saintis dalam melaksanakan kegiatan sehari-harinya (riset, project, data processing, dan sebagainya). Kendala mahasiswa yang menggunakan matlab sebagai tool pendukung adalah saat disidang mahasiswa tersebut tidak sanggup menjelaskan konsep dasar yang melatar belakangi operasi pada Matlab. Beberapa penguji terkadang meminta source code dalam bahasa tertentu seperti C++ dan Java. Jika mahasiswa yang bersangkutan sudah mempelajari teori dasarnya terlebih dahulu mungkin tidak ada masalah, namun jika karena terdesak oleh waktu dan mahasiswa itu tidak sempat mempelajari dasar teori algoritma yang mendasarinya, malapetaka akan menimpa mahasiswa itu. Sebenarnya pada help Matlab, setiap akan memberikan referensi tutorial, Matlab memberikan dasar teori pendukungnya dengan disertai oleh buku rujukan yang bisa kita beli atau download di internet.

Untuk kasus dimana dosen penguji meminta kode sumber, mungkin agak sedikit bermasalah terutama jika dosen penguji tersebut tidak mengakui M-file sebagai bahasa pemrograman layaknya C++, Java, VB dan sejenisnya. Untuk menyiasati hal itu ada baiknya kita mengkonversi bahasa matlab menjadi bahasa C++. Langkahnya adalah dengan membuat deployment project (file – new – Deployment Project). Setiap kita selesai membuat kompilasi program menjadi exe, Matlab selalu menyediakan source code dalam bahasa C++ di folder “Src”. Berikut ini contoh program menghitung beasiswa dengan menggunakan FIS dan ANFIS yang setelah dikompilasi muncul file dalam bahasa C++.

Sebenarnya inti dari programming adalah algoritma, jadi jika kita memahami algoritma maka bahasa apapun dapat kita kuasai. Fanatik terhadap satu bahasa menurut saya kurang baik. Tetapi sebisa mungkin kita memahami dua atau tiga bahasa pemrograman yang dapat kita jadikan alat dalam menterjemahkan algoritma yang telah kita kuasai atau sedang dipelajari.

Gambar di atas mengilustrasikan hasil running file executable hasil kompilasi dari bahasa Matlab. Tampak bahwa matlab sudah mampu membuat aplikasi layaknya bahasa pemrograman yang umum dipakai, disetai dengan GUI yang sudah maju sejak versi 6 hingga sekarang (versi 7).

Salam …

Rahmadya Trias Handayanto

Dari dua jenis cara membuat Jaringan Syaraf Tiruan (JST), cara pembuatan dengan command window sebaiknya dilakukan jika Anda ingin membuat JST dengan beberapa hidden layer karea cara GUI (dengan nntool) tidak menyertakan hidden layer di dalamnya.

    Sesuai dengan namanya, JST bermaksud membuat sistem yang mirip syaraf biologis dengan suatu algoritma (ingat, syaraf tiruan dengan “y”, bukan saraf, itu lain lagi artinya J ). Jika kita punya data masukan dengan keluaran tertentu maka kita dapat mengajarkan ke JST sehingga apabila ada masukan yang berbeda, sistem akan mampu memprediksi keluarannya berdasarkan aturan yang dipelajari lewat mekanisme learning/training.

    Misal kita ingin mengajari JST pemangkatan. Tentu saja jika pemangkatan tidak perlu dengan JST, hard computing pun bisa. Tapi ini kita jadikan percobaan karena mudah dalam memverifikasikan hasilnya. Kenyataan di lapangan terkadang kita tidak menjumpai kasus yang memiliki formula matematis dalam menghitungnya misalnya tanda tangan, kita tidak dapat membuat formula matematis suatu tanda tangan.

    Buat suatu input = [1 2 3 4 5 6 7 8 9 10]; dan output = [1 4 9 16 25 36 49 64 81 100]; yang merupakan pangkat dari input. Untuk membuat JST dengan katakanlah dua hidden layer dengan masing-masing layer memiliki 30 neuron. Banyak istilah asing ya .. emang bikin pusing, neuron itu merupakan analogi yang dalam hal ini fungsi alih yang fungsinya meneruskan sinyal atau sebaliknya mematikan sinyal. Saatnya meramu JST, misal kita butuh neuron input sebanyak data masukan, 10 buah dan keluaran 10 buah.

Sengaja nih saya gunakan image, biar Anda belajar dengan mengetik langsung (tidak copy – paste). Baris pertama bermaksud mendefinisikan matriks masukan, dilanjutkan dengan keluarannya. Karena keluaran (diistilahkan dengan target) didefinisikan maka JST yang kita buat masuk kategori Supervised Learning (pembelajaran terpandu). Baris ketiga bermaksud membuat suatu jaringan syaraf tiruan dengan dua buah hidden layer, masing-masing 30 neurons dan input dengan 10 neurons. Sebenarnya parameternya ada banyak (lihat baris keempat), goal, epoch, dan lain-lain. Sebaiknya lihat help pada matlab dengan mengetik help newff. Di akhir script, JST yang kita buat akan melakukan proses learning.

Perhatikan gambar di atas, tampak dua buah hidden layer. Apakah hasilnya akurat? Tentu saja tidak, saya dan siswa-siswa saya terkadang berkali-kali meramu JST sehingga dihasilkan hasil yang optimal. Untuk mengujinya, lakukan perintah “sim”.

Lihat simulasi yang terakhir, ngaco kan? Masak 3 kwadrat = 61? Tambahkan jumlah Neuron di lapis tersembunyi (Hidden Layer). Menurut riset di jurnal-jurnal, hidden layer yang optimal itu satu saja, perlu diingat, makin banyak hidden layer, proses menjadi sangat lambat dan terkadang komputer Anda tidak sanggup memprosesnya sehingga muncul pesan “Out of Memory “. Coba ramu lagi, Cao ..

Rahmadya Trias Handayanto

Update: 26 Nov 2015

Ada yg bertanya jumlah hidden yang terbaik, apa patokannya. Referensi yg jelas-jelas mengatakan bahwa jumlah hidden optimal satu saja cukup adalah karangan Laurent Fausett judulnya: Fundamental of Neural Network: Architecture, Algorithms, and Applications, hal 299.

Sementara kalo mau tau alasan detilnya mengapa harus ada hidden layer, baca bukunya Hagan (Neural network Design). Katanya untuk mengatasi problem logika XOR yang bikin JST sempat mengalami masa suram krn ga bisa menyelesaikannya.

Update: 31 Juli 2018

Berkembangnya piranti hardware saat ini memungkinkan JST untuk memproses jumlah neuron dan hidden layer yang lebih banyak. Akibatnya, dalam perkembangannya JST dioptimalkan dengan menambah jumlah neuron dan hidden layer. Istilah JST dengan jumlah hidden layer yang banyak dikategorikan sebagai deep learning. Saat ini deep learning banyak diriset. Jadi JST dengan jumlah hidden layer lebih dari satu belum tentu tidak optimal. Beberapa trik diperlukan, salah satunya adalah memodifikasi fungsi transfer.

After about three months, we’ve just finished the Automatic Neural Network-Based Network Analyzer for Hot Spot Area. We created it by Matlab program and by other softwares such us Wireshark (http://www.wireshark.org) and Quick Screenshot Capture.

This system works simple by analyzing the image (with Artificial Neural Network Algorithm) from network traffic graph of wireshark that has captured periodically by Quick Screenshot Capture (or other application that available in the market). The resume will cluster the network by three cluster: Normal Condition, High Traffic Condition and Unnormal Condition. The unnormal condition may be happen if the viruses or DOS attacks threat our Hot Spot. Here is the demonstration of our application.

instead of for Network Analyzer, this system can be implemented for analyzing surveillance by using web cam or other devices.

Biasanya pada gui yang kita rancang membutuhkan logo atau informasi lainnya yang berkaitan dengan software yang kita buat. Matlab menyediakan fasilitas menampilkan gambar dengan fungsi-fungsinya.

Langkah pertamanya adalah mendrag objek Axes ke layar disain Form. Karena axes inilah yang akan menayangkah gambar yang kita perlu tampilkan. Berikut ini contoh script sederhana yang diletakkan pada fungsi “Opening Function”.

1. axes(handles.axes1);
   
2. image(imread(‘logo’,‘jpg’));
   
3. grid off;
   
4. axis off;
   

Penjelasan:

Baris 1) bermaksud mengarahkan gambar (image) ke object bernama axes1 dilanjutkan dengan line 2) membaca (imread) file gambar bernama “logo.jpeg”. Baris 3) dan 4) hanya bermaksud meniadakan grid dan axis karena memang yang ditampilkan bukan grafik (citra).

Beberapa literatur banyak kita jumpai baik terbitan lokal maupun internasional yang membahas mengenai JST. Teknik yang merupakan salah satu dari sekian banyak teknik dalam Soft Computing. Ada baiknya kita membaca landasan teori mengenai JST pada salah satu buku itu, bila perlu buat ulang dari algoritma yang tersedia dengan bahasa pemrograman yang Anda kuasai seperti C++, Pascal atau Java. Matlab menyediakan toolbox yang dapat kita lihat struktur programnya. Misal kita ingin tahu bagaimana Matlab membuat JST. Ketik saja di command window: >> edit newff. Maka kita dapat melihat alur program M-File yang merupakan fungsi untuk merakit JST.

Misalnya kita memiliki tiga buah masukan dan satu keluaran. Keluaran yang dihasilkan akan kita arahkan ke sasaran tertentu. Teknik ini sering dikenal dengan nama Supervised Learning. Misal kita memiliki tiga buah sampel yang masing-masing menyatakan kurang, baik, dan cukup. Katakanlah sampel itu A, B, dan C. A=[0; 0; 1], B=[1; 0; 1] dan C=[1; 1; 1]. Perhatikan, di Matlab vektor kita nyatakan dengan matriks kolom. Berikutnya, karena bertipe pembelajaran terpandu, kita harus membuat target, T=[1 5 10]. Perhatikan, untuk target matriks dibuat dengan vektor baris. Artinya jika ada masukan seperti A, keluarannya harus mendekati target=1, jika masukan B, keluaran harus mendekati 5, dan begitu pula untuk masukan C. Untuk pembelajarannya, JST melakukan secara simultan A, B dan C. Jadi input untuk pembelajarannya: Input = [A B C] yang sama dengan, Input =[0 1 1; 0 0 1; 1 1 1] yang merupakan matriks tiga baris dan tiga kolom. Jika seluruh matriks sudah diinput pada command window, maka kita sudah siap untuk merakit JST. Ketik “nntool” pada Comand Window.

Klik Import, pilih variabel input pada workspace untuk input dan T pada workspace untuk target. Klik OK saat Anda diminta konfirmasinya. Jika sudah berarti kita telah memberikan masukan dan target pembelajaran. Tinggal kita merakit JST, klik “New” dilanjutkan dengan melakukan setting di Toolbox. Pilih masukan dan targetnya (Input dan T). Secara default, jumlah neuron per layer adalah 10 (layer tersembunyi). Di sinilah letak kelemahan JST. Jika Anda gunakan neuron terlalu banyak, jangan heran jika ada pesan kesalahan “Out of Memory”.

Jika sudah OK, pada nntool, dobel klik network1. Tentu saja Anda boleh merubah nama network1 menjadi nama lain sesuai selera. Lakukan proses pembelajaran dengan mengklik “Train”. Kembali kita diminta memilih Input dan Target. Jika sudah klik “Train Network”.

Selamat, Anda telah berhasil membuat JST sekaligus melakukan pembelajaran terhadap JST tersebut dengan tiga masukan tersebut. Kembali ke nntool, langkah terakhir yang tidak kalah pentingnya adalah mengeksport JST itu ke workspace dengan mengklik tombol “Export”. Pilih salah satu saja yaitu network1, karena akan kita gunakan untuk menguji masukan tertentu apakah masuk kategori kurang(1), cukup(5) atau baik(10).

Untuk mengujinya, pada command window, jika anda ketik sim(network1,A), anda harus menemukan jawaban= 1. sim(network1,B), jawabannya harus 5, begitu juga yang C, jawaban harus 10. Coba misalkan ada data baru D=[1; 1; 0], cenderung masuk kelas baik, cukup atau kurang? Ketik saja sim(network1,D). Jawabannya adalah 10, berarti dia masuk kelas “Baik”. Mudah bukan? Tinggal tugas Anda adalah membuat tampilan visualnya (GUI) agar pengguna mudah memakai program JST yang baru saja Anda hasilkan lewat console. (Note: untuk yang ingin mengetahui competitive network, lihat posting berikutnya). Siapa tahu ada yang ingin melihat penerapan JST di identifikasi pola, lihat di sini. Atau jika ada yang tertarik untuk menerapkan JST untuk peramalan, bisa lihat di sini.

Rahmadya Trias Handayanto

Jaringan Syaraf Tiruan (JST) merupakan salah satu teknik dalam Soft Computing yang bermaksud meniru mekanisme otak biologi. Otak biologi yang terdiri dari Neron dengan Axon dan Dendritnya ditiru oleh JST berupa pembobotan pada neuronnya. Bobot dapat berisi penguatan ataupun pelemahan dengan fungsi yang berbeda-beda seperti linear, sigmoid, tangen sigmoid, dan fungsi matematis lainnya. Untuk merubah bobot agar sesuai dengan yang diharapkan perlu dibuat mekanisme pembelajaran. Salah satu teknik pembelajaran yang terkenal adalah perambatan balik (backpropagation).

Matlab menyediakan toolbox yang lengkap untuk membuat sistem JST, baik berupa fungsi ataupun layanan GUI-nya. Untuk yang gemar mempelajari Algoritma, ada baiknya Anda membaca algoritma dari M-File yang ada pada Source Code Matlab. Karena beberapa dosen tidak menyukai Matlab untuk pembelajaran karena khawatir mahasiswanya tidak berfikir tentang Algoritma pemrograman dan cenderung tinggal pakai. Sebenarnya banyak situs-situs yang menyediakan source code dengan bahasa C++ untuk sistem JST (atau mungkin Java). Akan tetapi jika anda sudah familiar dengan algoritmanya, dan ingin membangun aplikasi dengan cepat dan berpenampilan visual yang menarik, tentu saja pilihan kita jatuh ke software yang mendukung untuk itu, salah satunya adalah Matlab.

Salah satu yang kerap mengganggu saya untuk membuat aplikasi berbasis JST adalah kendala pembelajaran (learning). JST sangat membutuhkan sumber daya RAM yang tinggi, kerap kali jika neuron terlalu banyak, Matlab terkadang memunculkan pesan Out of Memory. Salah satu contohnya adalah saat saya membuat klasifikasi dari grafik yang diumpan oleh software “Wireshark” dengan target klasifikasi ke dalam kategori jaringan normal, padat ataukah tidak normal (ada virus, DOS, dan sejenisnya). Matriks gambar ukuran 200 x 300 harus sanggup saya konversi menjadi berukuran kecil bervektor kolom 100, dan tetap saja meminta saya menaikan RAM 3 Gb, padahal laptop saya memiliki RAM 2 Gb dan terpaksa saya perkecil lagi resolusinya menjadi vektor kolom 20 saja. Tentu saja akurasinya akan berkurang. Oleh karena itu saat pembelajaran sebaiknya pinjam saja komputer setara server dengan RAM yang besar dan Prosesor terbaru.

Aslinya gambar tersebut adalah grafik trafik jaringan dengan axis dan ordinat yang dibuang dengan fungsi “Imcrop” yang merupakan fungsi cropping suatu gambar untuk menghilangkan bagian lain yang diperlukan.

Pengolahan citra bermaksud mengkonversi gambar menjadi matriks dan vektor yang kemudian akan diolah oleh JST untuk keperluan pembelajaran ataupun klasifikasi ke dalam kelas tertentu. Sehingga saat dijalankan akan menghasilkan pesan tertentu.

Selamat mencoba

Rahmadya Trias Handayanto