Pemodelan Sistem Implementasi Jaringan Saraf Tiruan Untuk Pengenalan Tanda Tangan

3.2 Pemodelan Sistem

Perancangan memiliki tujuan untuk menentukan kondisi akhir yang diharapkan dari perangkat lunak yang akan dibangun dan merumuskan cara yang harus dilakukan untuk memperoleh hasil tersebut. Pada perangkat lunak pengenalan tanda tangan dengan menggunakan jaringan saraf tiruan metode propagasibalik, tahap perancangan yang dilakukan mencakup perancangan arsitektur jaringan, perancangan data flow diagram, kamus data, perancangan antarmuka dan perancangan prosedural.

3.2.1 Perancangan Arsitektur Jaringan

Jaringan yang akan dirancang dalam penelitian ini adalah jaringan propagasibalik backpropagation. Arsitektur jaringan yang akan dibangun memiliki 1 lapisan tersembunyi. Masukan terdiri dari 600 neuron sesuai dengan jumlah data biner matriks 20 x 30 yang dihasilkan pada proses ekstraksi ciri tanda tangan, lapisan tersembunyi dengan 100 neuron, dan 4 neuron untuk keluaran sebagai target, dimana: vektor keluaran target 1 adalah 0 0 0 1, vektor keluaran target 2 adalah 0 0 1 0, vektor keluaran target 3 adalah 0 0 1 1, vektor keluaran target 4 adalah 0 1 0 0, vektor keluaran target 5 adalah 0 1 0 1, vektor keluaran target 6 adalah 0 1 1 0, vektor keluaran target 7 adalah 0 1 1 1, vektor keluaran target 8 adalah 1 0 0 0, vektor keluaran target 9 adalah 1 0 0 1, vektor keluaran target 10 adalah 1 0 1 0. Fungsi sigmoid biner digunakan sebagai fungsi aktivasi pada semua lapisan jaringan saraf tiruan. Universitas Sumatera Utara Y 1 Z 1 1 Z j . . . 1 X 1 X 600 X i . . . . . . Lapisan masukan d 600 i l Lapisan tersembunyi dengan 100 unit sel . . . Lapisan keluaran d 4 i l Z 100 Y 2 Y 3 Y 4 Arsitektur jaringan saraf tiruan yang digunakan pada penelitian ini dapat dilihat pada Gambar 3.3. Gambar 3.3 Arsitektur Jaringan Saraf Tiruan untuk Pengenalan Tanda Tangan

3.2.2 Data Flow Diagram DFD dan Spesifikasi Proses

DFD adalah suatu model logika data atau proses yang dibuat untuk menggambarkan darimana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa yang menghasilkan data tersebut dan interaksi antara data yang tersimpan dan proses yang dikenakan pada data tersebut. DFD menunjukan hubungan antar data pada sistem dan proses pada sistem. DFD rinci dari perancangan sistem jaringan saraf tiruan metode propagasibalik yang dirancang terdiri dari tiga level, yaitu level 0 yang dapat dilihat pada Gambar 3.4, level 1 yang dapat dilihat pada Gambar 3.5, level 2 yang dapat dilihat pada Gambar 3.6 dan Gambar 3.7. Universitas Sumatera Utara Gambar 3.4 DFD Level 0 DFD level 0 di atas menggambarkan sistem secara garis besar yang memperlihatkan masukan, proses, dan keluaran dari sistem yang akan dirancang. Proses yang terjadi pada diagram konteks atau DFD Level 0 di atas dapat dijelaskan dengan menggunakan spesifikasi proses pada Tabel 3.1 berikut: Tabel 3.1 Spesifikasi Proses Diagram Konteks Nama Input Keterangan Proses Output Proses 0 data_lthn, laju_bljr, bts_tlrns_error, epoch, bobot_awal, data_uji, target Pengenalan pola tanda tangan dengan jaringan saraf tiruan nilai_keluaran data_lthn, laju_bljr, bts_tlrns_error, epoch, bobot_awal, data_uji, target, order_perintah nilai_keluaran P.0 Sistem Jaringan Saraf Tiruan Propagasibalik Pengguna Universitas Sumatera Utara Pengembangan proses yang terjadi pada DFD level 0 di atas dapat dijabarkan pada DFD level 1 berikut: Gambar 3.5 DFD Level 1 Pada gambar di atas dapat dilihat bahwa terdapat 2 pilihan proses yang dapat dilakukan pada sistem jaringan saraf tiruan ini yaitu: 1. Proses Pelatihan Proses pelatihan merupakan proses yang dilakukan untuk melatih jaringan saraf tiruan, yaitu dengan cara melatih jaringan saraf tiruan dengan data pelatihan sampai jaringan saraf tiruan berhasil mengenali data pelatihan tersebut. 2. Proses Pengujian Proses pengujian merupakan proses yang dilakukan untuk menguji kemampuan memorisasi dan generalisasi jaringan saraf tiruan dalam mengenali tanda tangan. bobot_akhir nilai_keluaran nilai_keluaran data_uji data_lthn, target, laju_bljr, bts_tlrns_error, epoch, bobot_awal Pengguna P.2 Proses Pengujian P.1 Proses Pelatihan bobot_akhir bobot_akhir Universitas Sumatera Utara Pengujian dilakukan melalui dua tahap, yaitu pengujian terhadap data yang telah dilatihkan dan pengujian terhadap data baru yang belum pernah dilatihkan. Spesifikasi proses dari DFD level 1 pada Gambar 3.3 dijelaskan pada tabel berikut: Tabel 3.2 Spesifikasi Proses Diagram Level 1 No Nama Proses Input Keterangan Proses Output P.1 Proses Pelatihan data_lthn, target, laju_bljr, bts_tlrns_error, epoch, bobot_awal Proses pelatihan jaringan nilai_keluaran, bobot_akhir P.2 Proses Pengujian data_uji, bobot_akhir Proses pengujian jaringan nilai_keluaran Proses 1 pada Gambar 3.6 merupakan proses pelatihan jaringan saraf tiruan. Untuk lebih jelasnya, proses pelatihan jaringan saraf tiruan dapat dilihat pada gambar DFD level 2 proses pelatihan berikut ini: Gambar 3.6 DFD Level 2 Proses Pelatihan nilai_keluaran bobot_akhir citra_biner citra_rgb Pengguna P.1.1 Browsing File Citra Tanda P.1.2 Prapengolahan Citra P.1.3 Ekstraksi Ciri P.1.4 Pelatihan JST data biner target, laju_bljr, bts_tlrns_error, file_data nilai_keluaran Universitas Sumatera Utara Spesifikasi DFD level 2 proses pelatihan ditunjukkan pada tabel berikut: Tabel 3.3 Spesifikasi Proses DFD Level 2 Proses Pelatihan No Nama Proses Input Keterangan Proses Output P.1.1 Proses Browsing File Citra Tanda Tangan file_data Melakukan browsing file citra tanda tangan yang akan dilatih citra_rgb P.1.2 Proses Prapengolahan Citra citra_rgb Melakukan pengolahan citra sehingga diperoleh citra biner citra_biner P.1.3 Proses Ekstraksi Ciri citra_biner Mengubah tanda tangan yang terdapat dalam file gambar menjadi susunan kode angka data_biner P.1.4 Proses Pelatihan JST target, laju_bljr, bts_tlrns_error, epoch, bobot_awal data_biner Melatih jaringan saraf tiruan nilai_keluaran, bobot akhir Universitas Sumatera Utara Untuk menguji jaringan saraf tiruan, maka dilakukan proses pengujian. Proses pengujian dapat dilihat pada gambar DFD level 2 proses pengujian berikut: Gambar 3.7 DFD Level 2 Proses Pengujian Spesifikasi DFD level 2 proses pengujian ditujukkan pada tabel berikut: Tabel 3.4 Spesifikasi Proses DFD Level 2 Proses Pengujian No Nama Proses Input Keterangan Proses Output P.2.1 Proses Browsing File Citra Tanda Tangan file_data Melakukan browsing file citra tanda tangan yang akan diuji citra_rgb P.2.2 Proses Prapengolahan Citra citra_rgb Melakukan pengolahan citra sehingga diperoleh citra biner citra_biner citra_rgb Pengguna P.2.1 Browsing File Citra Tanda Tangan file_data P.2.2 Prapengolahan citra data_biner nilai_keluaran citra_biner P.2.3 Ekstraksi Ciri P.2.4 Pengujian JST bobot_akhir Universitas Sumatera Utara Tabel 3.4 Spesifikasi Proses DFD Level 2 Proses Pengujian lanjutan No Nama Proses Input Keterangan Proses Output P.2.3 Proses Ekstraksi Ciri citra_biner Mengubah tanda tangan yang terdapat dalam file gambar menjadi susunan kode angka data_biner P.2.4 Proses Pengujian JST bobot_akhir, data_biner Menguji jaringan saraf tiruan nilai_keluaran

3.2.3 Kamus Data

Kamus data merupakan suatu data yang disusun untuk memudahkan selama proses analisis dan desain. Selain suatu dokumen, kamus data mengumpulkan dan mengkoordinasi istilah-istilah data yang terdapat pada diagram alir. Penganalisis sistem harus hati-hati dalam mengkatalogkan istilah-istilah yang berbeda-beda yang menunjuk pada item yang sama. Kehati-hatian ini membantu dalam menghindari duplikasi, memungkinkan adanya komunikasi yang baik antara bagian-bagian yang saling berbagi basis data, dan membuat upaya pemeliharaan lebih bermanfaat. Kamus data juga bertindak sebagai standar tetap untuk elemen- elemen data. Masukan-masukan kamus data bisa dibuat setelah diagram aliran data dilengkapi atau bisa juga disusun saat diagram aliran data sedang dikembangkan. Penganalisis sistem bisa saja membuat suatu diagram aliran data level 0 dan sekaligus membuat masukan-masukan data awal. Selanjutnya, sewaktu penganalisis sistem mengembangkan diagram level data menjadi diagram anak, penganalisis juga bisa memodifikasi masukan-masukan kamus data yang baru sesuai dengan aliran data pada diagram alir anak. Universitas Sumatera Utara Berikut ini merupakan kamus data yang berisikan data yang digunakan pada diagram alir data pada proses pelatihan dan pengujian:

3.2.3.1 Kamus Data Proses Pelatihan

Kamus data untuk proses pelatihan adalah sebagai berikut: Tabel 3.5 Kamus Data Proses Pelatihan Nama Tipe Data Deskripsi file_data integer File citra bitmap hasil scanning yang tersimpan di komputer citra_rgb integer File yang akan mengalami proses pengolahan citra target boolean Data yang menjadi target pelatihan citra_biner boolean File yang akan diekstraksi cirinya data_biner real Data masukan untuk proses pelatihan laju_lthn real Laju pelatihan yang akan digunakan bts_tlrns_error real Batas toleransi error yang akan digunakan epoch real Maksimum iterasi yang akan digunakan bobot_awal real Bobot awal yang akan digunakan bobot_akhir real Bobot akhir yang dihasilkan pada proses pelatihan Universitas Sumatera Utara

3.2.3.2 Kamus Data Proses Pengujian

Kamus data untuk proses pengujian adalah sebagai berikut: Tabel 3.6 Kamus Data Proses Pengujian Nama Tipe Data Deskripsi file_data integer File citra bitmap hasil scanning yang tersimpan di komputer citra_rgb integer File yang akan mengalami proses pengolahan citra citra_biner boolean File yang akan diekstraksi cirinya data_biner boolean Data masukan untuk proses pengujian nilai keluaran real Nilai akhir dari proses pengujian

3.2.4 Perancangan Antarmuka

Perancangan antarmuka menguraikan bagaimana komunikasi internal perangkat lunak, komunikasi terhadap sistem yang digunakan dan komunikasi terhadap pengguna. Tujuan utama dari perancangan antarmuka pengguna adalah untuk menciptakan suatu komunikasi yang efektif antara manusia dan komputer. Form pelatihan dan pengenalan tanda tangan memuat 7 buah tombol, yaitu tombol pelatihan, tombol simpan bobot bias, tombol uji memorisasi, tombol uji generalisasi, tombol buka data, tombol pengenalan, dan tombol keluar. Tombol pelatihan digunakan untuk pelatihan, tombol simpan bobot bias digunakan untuk menyimapn bobot akhir hasil pelatihan, tombol uji memorisasi digunakan untuk menguji kemampuan memorisasi jaringan, tombol uji generalisasi digunakan untuk menguji kemampuan generalisasi jaringan, tombol buka data digunakan untuk mengambil data tanda tangan yang akan dikenali dari tempat penyimpanan, tombol pengenalan digunakan untuk proses pengenalan tanda tangan, dan tombol keluar digunakan untuk keluar dari aplikasi. Universitas Sumatera Utara Gambar 3.8 Antarmuka Aplikasi Jaringan Saraf Tiruan PROGRAM JARINGAN SARAF TIRUAN PROPAGASIBALIK UNTUK PENGENALAN TANDA TANGAN PELATIHAN Node Layar Tersembunyi Laju Pembelajaran Fungsi Aktivasi Batas Toleransi Error Maksimum Iterasi PELATIHAN SIMPAN BOBOT BIAS Gambar: Ukuran Gambar: x PENGENALAN BUKA DATA PENGENALAN KELUAR PENGUJIAN UJI MEMORISASI UJI GENERALISASI Universitas Sumatera Utara

3.2.5 Perancangan Prosedural

Tahapan selanjutnya dalam perancangan perangkat lunak adalah tahapan perancangan prosedural atau detail algoritma. Hal ini dilakukan untuk mempermudah dalam pengkodean yang akan dilakukan. Algoritma dan Flowchart Proses Pelatihan Berikut ini algoritma proses pelatihan, yaitu: 1. Mulai. 2. Inisialisasi bobot awal dengan bilangan acak kecil, bias, dan parameter-parameter. 3. Tentukan target. 4. Masukkan data pelatihan. 5. Hitung semua keluaran di unit tersembunyi z j . 6. Hitung semua keluaran di unit keluaran y k . 7. Periksa apakah kuadrat error 0,05, jika ya maka lakukan langkah ke-8, jika tidak maka lakukan langkah ke-12. 8. Periksa apakah epoch 1000, jika tidak maka lakukan langkah ke-9, jika ya maka lakukan langkah ke-13. 9. Hitung faktor δ unit keluaran dan suku perubahan b obot w kj 10. Hitung faktor δ unit tersembunyi dan suku perubahan bobot v ji 11. Update bobot. 12. Simpan bobot akhir. 13. Selesai. Gambaran aliran proses kerja dari algoritma pelatihan di atas dapat ditunjukkan oleh Gambar 3.9 pada flowchart berikut: Universitas Sumatera Utara Gambar 3.9 Flowchart Pelatihan Ya Mulai Inisialisasi bobot secara random, bias, dan parameter-parameter Tidak Error 0,05 Tidak Ya Hitung semua keluaran di unit tersembunyi z j Epoch 1000 Simpan bobot akhir Basisdata Selesai Update bobot Hitung semua keluaran di unit keluaran y k Hitung faktor δ unit keluaran dan suku perubahan bobot w kj Hitung faktor δ unit tersembunyi dan suku perubahan bobot v ji Data Pelatihan Tentukan target Universitas Sumatera Utara Algoritma dan Flowchart Proses Pengujian Berikut ini algoritma proses pengujian, yaitu: 1. Mulai. 2. Gunakan bobot akhir pelatihan. 3. Masukkan data pengujian. 4. Hitung semua keluaran di unit tersembunyi z j . 5. Hitung semua keluaran di unit keluaran y k . 6. Menentukan keputusan, benar sesuai target atau tidak. 7. Selesai. Gambaran aliran proses kerja dari algoritma pengujian di atas dapat ditunjukkan oleh Gambar 3.10 pada flowchart berikut: Gambar 3.10 Flowchart Pengujian Selesai Gunakan bobot akhir Hasil pelatihan Mulai Data Uji Hitung semua keluaran di unit tersembunyi z j Hitung semua keluaran di unit keluaran y k Keputusan benar sesuai target atau tidak Universitas Sumatera Utara BAB 4 IMPLEMENTASI DAN PENGUJIAN Pada bab ini akan dilakukan implementasi dan pengujian perangkat lunak. Perangkat lunak dibuat dengan menggunakan bahasa pemrograman Matlab 7.0 yang telah menyediakan fungsi-fungsi di dalamnya toolbox Neural Network. Pengujian perangkat lunak untuk memrepresentasikan review akhir dari analisis, perancangan dan implementasi.

4.1 Lingkungan Implementasi