SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION
i
TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE
BACKPROPAGATION
Oleh ZAITUN
Sistem pengenalan citra pola tanda-tangan merupakan salah satu aplikasi dalam ilmu komputer, aplikasi ini dapat membantu proses pengolahan data pola tanda-tangan. Pengolahan data dilakukan dengan menggunakan image processing sebagai pembantu (assistance system) yang dapat meningkatkan kinerja dari sistem kontrol dan informasi, khususnya pada bidang perbankkan maupun kenoktarisan serta pada instansi-instansi lain. Ada beberapa tahap dalam sistem pengenalan citra pola tanda-tangan ini yaitu citra pola tanda-tangan dihasilkan melalui proses scanning (pemindaian), kemudian citra tanda-tangan digital yang dihasilkan dipotong secara manual, proses selanjutnya dilakukan threshold, deteksi batas, pembagian citra, dan representasi nilai input. Proses pelatihan dilakukan dengan menggunakan dua perlakuan yaitu pertama dengan nilai laju pemahaman berbeda dan yang kedua pelatihan dengan jumlah unit layar tersembunyi berbeda, pelatihan paling baik didapat dengan laju pemahaman 0.3 dan jumlah unit tersembunyi 10 dengan menghasilkan waktu pelatihan singkat dan error relatif kecil. Pengenalan pola tanda-tangan dilakukan dengan dua percobaan, yaitu berdasarkan 1 jumlah pola pelatihan dan 5 jumlah pola pelatihan. Dari data penelitian, kemampuan sistem dalam mengenali pola luaran semakin besar jika jumlah pola pelatihan semakin banyak, dengan jumlah 1 pola pelatihan maka sistem mampu mengenali pola luaran sebesar 50% sedangkan dengan 5 pola pelatihan sistem mampu mengenali pola luaran sebesar 70%.
Kata Kunci: Pengolahan Citra, Laju Pemahaman, Unit Layar Tersembunyi, Pola Pelatihan, Tanda-Tangan.
(2)
ii
SIGNATURE USING NEURAL NETWORK SYSTEM WITH BACKPROPAGATION METHOD
By ZAITUN
Image pattern recognition system of human signature is one in the application of computer science, which can help data processing signatures. Data processing with using image processing as assistance system to improve the performance of the control system and information, a specialy on the banking and notary sector or other institutions. There are some steps in the image pattern recognition system of human signature, first image signature resulting from the scanning process then will be cut manually the image of digital signature, the next process performed threshold, the detection of a boundary, subdivision of image and representation of the value inputs. The training process using two treatment, first with different value of learning rate and the second training process with different value unit of hidden layer, The best training obtained at value of learning rate 0.3 and value unit of hidden layer 10 with resulting the time training brief and error minor relatively. Pattern recognition of signatures is performed with two experiment, that is with the one number of training pattern and five number of training pattern. From the research data, the capability of a system to recognize external pattern is improved if the number of training pattern is increasing, with the number of training pattern one system is able to recognize the external pattern 50% while the system with five number of training patterns is able to recognize of patterns external 70%.
Keywords: Image Processing, Learning rate, Unit Hidden Layer, Training Patterns, Signature.
(3)
BACKPROPAGATION
Oleh ZAITUN
Skripsi
Sebagai Salah Satu Syarat untuk Mencapai Gelar SARJANA SAINS
Pada Jurusan Fisika
Fakultas Matematika dan Ilmu Pengetahuan Alam
UNIVERSITAS LAMPUNG BANDAR LAMPUNG
(4)
(5)
(6)
Dmgm ini mya trrenydaksn bshqrs dalam $l$ipsi ini tidak fsdryst karya yang pernah dilakt*an oleh omng lain, kwuali yang &rnrtis dicebut dalam daftar
Apabila pernyahru
ini
tidak benar, meka saya bqspdia .tiken"isa*si
s6uaid€ogan hulrum yang berlaku
Bmdar
lampn&
ilAeustus 201 4 r:e #lYI
Z*ihn
(7)
vii
Penulis yang bernama lengkap Zaitun dilahirkan di Kedondong Pesawaran pada tanggal 14 September 1992, sebagai anak kedelapan dari pasangan Bapak Abdul Basyid Jahri dan Ibu Pakhriah. Pendidikan formal yang pernah ditempuh penulis, SD Negeri 1 Way Kepayang Kedondong diselesaikan pada tahun 2003, SMP Negeri 1 Kedondong diselesaikan tahun 2006, dan menyelesaikan sekolah menengah atas di SMAN 1 Kedondong pada tahun 2009. Penulis diterima di Universitas Lampung, Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Fisika pada tahun 2009 melalui jalur khusus Penelusuran Kemampuan Akademik dan Bakat (PKAB). Penulis memilih bidang keilmuan Fisika Instrumentasi sebagai bidang yang ditekuni, selama menempuh pendidikan. Penulis pernah menjadi asisten Praktikum Fisika Dasar I dan II, Elektronika Dasar I dan II, Pemrograman Komputer, Fisika Komputasi, Sensor dan Pengkondisian Sinyal, Sistem Pengaturan, Teknik Antarmuka, Basis Data, dan Mikrokontroller. Penulis juga pernah aktif sebagai Anggota Pengurus HIMAFI FMIPA Unila periode 2010-2011 dalam bidang SOSMAS. Penulis juga pernah memperoleh Beasiswa Peningkatan Prestasi Akademik dan Beasiswa Bantuan Mahasiswa pada tahun 2010-2013. Praktik Kerja Lapangan (PKL) Penulis dilakukan pada bulan Agustus 2012 di Bandar Udara Raden Inten II Lampung Selatan, dengan judul “Sistem Pengiriman Informasi Secara Otomatis Melalui Frekuensi Radio dengan Menggunakan Alat Automatic Terminal Information Service (ATIS)”, dan menyelesaikan penelitian skripsi di Jurusan Fisika dengan judul “Sistem Identifikasi dan Pengenalan Pola Citra Tanda-Tangan Menggunakan Sistem Jaringan Saraf Tiruan (Artificial Neural Networks) Dengan Metode Backpropagation”.
(8)
viii
“Ibunda ku yang terhebat dan tiada duanya sepanjang hidupku”
“
Almarhum Ayahanda ku tercinta
”
“
Kakak-kakakku tersayang
yang aku miliki”
“Almamater tercinta”
(9)
“.... tak seorang pun mengetahui berbagai nikmat yang menanti, yang
indah dipandang sebagai balasan bagi mereka, atas apa yang mereka
kerjakan...”
As-Sajdah : Ayat 17
“
The biggest enemy
’s to be a subject for
yourself. Then the greatest
strength is controlling your soul and your
mind”
“when we pray, god hears more than we say, Answers more than we
ask, gives more than we imagine in his own time and
in his own way”
“..dan (malaikat
-malaikat) yang membagi-bagi urusan, sesungguhnya
apa yang dijanjikan padamu pasti benar...”
Adz-zarriyat: 4-5
“Sesungguhnya ketidaktahuan merupaka keberuntungan, karena
memberikan banyak kesempatan untuk belajar dan kesempatan untuk
mencoba”
(Zaitun Basyid)
(10)
x
Alhamdulillahi rabbil’alamin. Segala puji hanya milik Allah, Dzat yang senantiasa menganugerahkan ilmu pengetahuan kepada manusia. Sehingga
penulis dapat menyelesaikan skripsi yang berjudul “Sistem Identifikasi dan Pengenalan Pola Citra Tanda-Tangan Menggunakan Sistem Jaringan Saraf Tiruan (Artificial Neural Networks) dengan Metode Backpropagation” yang merupakan salah satu syarat untuk mendapat gelar Sarjana Sains dari Universitas
Lampung.
Penulis menyadari skripsi ini masih banyak kelemahan dan ketidaksempurnaan.
Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun
terhadap kelanjutan dan hasil yang akan dicapai. Selain itu penulis juga
mengucapkan terimakasih kepada seluruh pihak yang telah membantu penulis.
Semoga skripsi ini bisa bermanfaat bagi pembaca maupun penulis.
Bandar Lampung, Agustus 2014 Penulis,
(11)
xi
Dengan ketulusan dan kerendahan hati, penulis mengucapkan terima kasih kepada pihak-pihak yang telah banyak membantu dan mendukung penulis dalam menyelesaikan skripsi ini. Ucapan terima kasih penulis ucapkan kepada: Bapak Prof. Dr. Warsito, D.E.A., selaku Pembimbing I yang telah banyak memberikan pendapat serta nasehatnya kepada penulis dan kesabarannya dalam membimbing penulis, serta memberikan tema pada penelitian ini. Bapak Gurum Ahmad Pauzi S.Si.,M.T., selaku Pembimbing II yang telah banyak memberikan ilmu, bimbingan serta nasehat yang sangat bermanfaat bagi penulis. Bapak Drs. Amir Supriyanto, M.Si., selaku Penguji yang telah banyak membantu dan selalu memberikan pengarahan, saran serta nasehat yang membangun kepada penulis. Ibu Dra. Dwi Asmi, M.Si., Ph.D., selaku Dosen Pembimbing Akademik (PA) yang telah meluangkan waktu untuk memberikan bimbingan, saran, masukan dan motivasi pada penulisan skripsi ini. Ibu Dr. Yanti Yulianti, M.Si., selaku Ketua Jurusan Fisika FMIPA Unila dan Bapak Arif Surtono, S.Si., M.Si.,M.Eng., selaku Sekretaris Jurusan Fisika, beserta seluruh Dosen dan Karyawan Jurusan Fisika FMIPA Unila. Sahabat-sahabat terbaikku : Dwi, Ika, Fitri, Elda, Sari dan Riza. Terima kasih atas canda tawa, kebersamaan, kekeluargaan dan cerita yang kalian telah rangkai selama ini. “Semuanya Tidak akan terlupa kawan!!”. Teman-teman seperjuanganku Fisika 2009, terimakasih atas bantuan dan semua cerita semasa kuliah. SUKSES untuk kita semua. Keep spirit !!. Mba Ilfa, mba Nurma, Riza Septiani, bang Feb, mba Yeni, Dio, kak Imam, terimakasih atas kebersamaannya dan semua bantuan yang telah diberikan. Semoga Allah memberikan balasan yang lebih besar atas semua bantuan kalian. Aamiin Yaa Rabbal ‘Alamiin.
Bandar Lampung, Agustus 2014 Penulis,
(12)
xii DAFTAR ISI
Halaman
ABSTRAK ... i
ABSTRACT ... ii
HALAMAN JUDUL ... iii
HALAMAN PERSETUJUAN ... iv
HALAMAN PENGESAHAN ... v
HALAMAN PERNYATAAN ... vi
RIWAYAT HIDUP ... vii
HALAMAN PERSEMBAHAN ... viii
MOTTO ... ix
KATA PENGANTAR ... x
SANWACANA ... xi
DAFTAR ISI ... xii
DAFTAR TABEL ... xv
DAFTAR GAMBAR ... xvi
I. PENDAHULUAN A. Latar Belakang ... 1
B. Rumusan Masalah ... 4
C. Tujuan Penelitian ... 4
D. Batasan Masalah ... 5
(13)
xiii
A. Penelitian Terdahulu ... 6
B. Perbedaan dengan Penelitian Sebelumnya ... 9
C. Teori Dasar ... 9
1. Citra ... 9
2. Jenis Citra Digital ... 11
3. Citra Bitmap ... 15
4. Pengolahan Citra Digital ... 16
5. Pengenalan Pola ... 21
6. Sistem Biometrik ... 21
7. Perbandingan Biometrik ... 23
8. Verifikasi Tanda Tangan ... 24
9. Kecerdasan Buatan ... 25
10. Jaringan Saraf Tiruan ... 25
11. Propagasi-balik (Back Propagation) ... 33
12. Borland Delphi ... 37
III. METODE PENELITIAN A. Waktu dan Tempat Penelitian ... 42
B. Alat dan Bahan ... 42
1. PC/Komputer ... 42
2. Perangkat Lunak (Software) ... 42
3. Data Penelitian ... 43
C. Langkah Kerja Penelitian ... 43
D. Rancangan Sistem ... 45
E. Pengujian Sistem ... 51
IV.HASIL DAN PEMBAHASAN A. Pengolahan Data ... 54
1. Proses Pemindaian (Scanning) ... 54
(14)
xiv
B. Hasil dan Pengujian Jaringan Saraf Tiruan ... 66 1. Pengujian Proses Pelatihan ... 67 2. Pengujian Proses Pengenalan ... 81 V. KESIMPULAN DAN SARAN
A. Kesimpulan ... 92 B. Saran ... 93
DAFTAR PUSTAKA LAMPIRAN
(15)
xv
DAFTAR TABEL
Tabel Halaman
1. Tingkat keberhasilan pada citra tanda-tangan yang digunakan sebagai sampel . ... 7
2. Tingkat keberhasilan pada citra tanda-tangan baru sebagai sampel ... 7
3. Hasil percobaan untuk representasi biner pada toleransi galat
0.001 lr 0.2 ... 8
4. Perbandingan karakteristik biometrik ... 23
5. Spesifikasi teknis ... 42
6. Pengujian terhadap proses pelatihan dengan nilai laju pemahaman
berbeda ... 51
7. Pengujian sistem terhadap proses pelatihan dengan jumlah unit layar tersembunyi berbeda ... 52
8. Pengujian dengan satu pola yang digunakan dalam proses
pembelajaran ... 52
9. Pengujian dengan lima pola yang digunakan dalam proses
pembelajaran ... 53
10. Data hasil pembelajaran dengan nilai learning rate berbeda ... 77
11. Data pembelajaran dengan jumlah unit layar tersembunyi berbeda .. 79
12. Data pengujian pola dengan 1 jumlah pola pelatihan ... 88
(16)
xvi
DAFTAR GAMBAR
Gambar Halaman
1. Contoh citra biner berukuran 10 x 11 pixel dan representasinya dalam
data digital ... 11
2. Contoh citra biner ... 12
3. Contoh citra grayscale ... 13
4. Format warna RGB ... 14
5. Contoh citra RGB ... 14
6. Bitmap dengan nilai matriksnya ... 15
7. Contoh pengolahan citra (a) citra agak kabur (b) citra yang diperbaiki ... 16
8. Koordinat titik pojok bagian citra yang akan dicrop ... 17
9. Operasi cropping (a) citra asli (b) citra hasil cropping... 18
10. Operasi pengubahan citra RGB menjadi citra keabuan ... 19
11. Ilustrasi pengambilan keputusan pada proses thresholding ... 19
12. Ilustrasi deteksi batas (a) citra awal, (b) citra hasil deteksi batas ... 20
13. Model neuron ... 27
14. Arsitektur jaringan saraf tiruan ... 29
15. Jaringan lapis tunggal ... 30
16. Jaringan dengan banyak lapisan ... 30
17. Jaringan dengan lapisan kompetitif ... 31
18. Arsitektur jaringan saraf tiruan propagasi-balik ... 35
(17)
xvii
22. Citra tanda-tangan ... 43
23. Diagram alir penelitian ... 43
24. Blok diagram rancangan sistem ... 46
25. Blok diagram segmentasi citra ... 47
26. Diagram alir ekstraksi ciri ... 48
27. Blok diagram pengenalan citra ... 50
28. Citra tanda-tangan digital hasil pemindaian ... 55
29. (a) citra hasil pemindaian, (b) citra hasil pemisahan ... 56
30. Tampilan awal page control pengolahan citra ... 57
31. (a) citra tanda-tangan rgb, (b) citra tanda-tangan biner ... 58
32. (a) citra awal, (b) citra hasil deteksi batas ... 60
33. (a) citra hasil deteksi batas, (b) citra-citra hasil pemotongan ... 62
34. (a) citra hasil deteksi batas, (b) citra hasil pembagian, (c) nilai-nilai matriks citra hasil pembagian ... 63
35. (a) citra hasil pemotongan menjadi 32 bagian, (b) representasi nilai input citra tanda-tangan ... 65
36. Tampilan awal program pelatihan backpropagation ... 68
37. (a) bobot dan bias awal hasil inisialisasi, (b) bobot dan bias awal hasil perubahan pada proses pelatihan ... 73
38. Grafik hubungan antara α dan lama pelatihan ... 78
39. Grafik hubungan antara unit hidden layer terhadap waktu pelatihan ... 80
40. Tampilan awal halaman pengujian sistem jaringan saraf tiruan ... 82
41. Tampilan halaman pengujian dan proses pengolahan data ... 83
(18)
xviii
45. Citra tanda-tangan dengan nama kenal Een ... 90
46. 3 buah citra tanda-tangan dengan nama kenal yang sama ... 90
(19)
BAB I PENDAHULUAN
A. Latar belakang
Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia
dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan,
khususnya dibidang Identifikasi. Identifikasi merupakan proses penting dalam
mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno,
dkk, 2008). Salah satu contohnya yaitu sistem pengenalan diri (self
recognition) yang merupakan teknologi yang digunakan untuk mengenali
identitas seseorang melalui teknik identifikasi (Sahtoni, 2012). Teknik
identifikasi biometrik didasarkan pada karakteristik alami manusia, yaitu
karakteristik prilaku dan karakteristik fisiologis, identifikasi biometrik
memiliki keunggulan dibanding dengan metode konvensional dalam hal tidak
mudah dicuri atau digunakan oleh pengguna yang tidak berwenang (Sediyono,
dkk, 2009). Karakteristik fisiologis yang sering digunakan seperti; pola iris,
pola retina, ciri khas wajah serta pola sidik jari. Sedangkan karakteristik
prilaku meliputi; pola tanda tangan, karakter tulisan tangan dan pola ucapan
(Hidayatno, dkk, 2008).
Manusia dapat dengan mudah untuk mengenali wajah seseorang, maupun suara
(20)
tersebut terjadi karena otak manusia menggunakan elemen-elemen yang saling
terkoneksi dalam suatu jaringan yang disebut neuron-neuron untuk memproses
informasi yang didapat, sedangkan jika masalah-masalah tersebut di pecahkan
komputer, maka akan menimbulkan berbagai kesulitan (Riadi, 2001). Bagi
komputer untuk mengenali suatu citra diperlukan data-data fisik yaitu bentuk
dari citra tersebut dan data-data lain seperti penambahan tekstur dan warna,
sehingga komputer akan mudah mengenalinya (Pujiyanta, 2009). Untuk
mengatasi hal tersebut berbagai riset telah dilakukan untuk meningkatkan
kemampuan computer, serta merancang suatu perangkat lunak yang dapat
menerapkan sistem kerja menyerupai sistem kerja otak manusia yang disebut
sebagai Jaringan Saraf Tiruan ( JST). Salah satu jenis JST yang paling umum
dan handal adalah JST yang menggunakan metode pembelajaran
propagasi-balik (back propagation). Metode ini merupakan metode pendekatan nilai hasil
output terhadap nilai pembanding. Banyak aplikasi yang dapat diterapkan
menggunakan JST dengan metode propagasi-balik, salah satunya adalah dalam
pengenalan tanda tangan.
Pengenalan tanda tangan termasuk kedalam masalah pengenalan pola (pattern
recognition), pada umumnya pengenalan tanda tangan bertujuan untuk
mengidentifikasikan seseorang yang merupakan bagian dari security sistem.
Saat ini identifikasi tanda tangan masih dilakukan secara manual, yaitu dengan
cara mencocokkan dengan tanda tangan yang asli. Pengenalan tanda tangan
termasuk masalah yang sulit dalam pengenalan pola, hal tersebut dikarenakan
setiap tanda tangan seseorang memiliki ciri-ciri yang identik namun tidak
(21)
gunakan untuk mengidentifikasinya. Dalam hal tersebut kita membutuhkan
sistem perangkat lunak untuk menganalisis dan mengidentifikasi tanda tangan
seseorang.
Telah banyak penelitian yang dilakukan untuk mengenali tanda tangan, salah
satunya adalah penelitian yang dilakukan oleh Riadi (2001). Penelitian ini
menggunakan metode JST propagasi-balik yang memiliki arsitektur multi layer
neural network dengan satu lapisan tersembunyi. JST yang digunakan melalui
tiga tahap representasi pola input, yaitu representasi biner, bipolar dan kontinu.
Sedangkan data tanda tangan berupa tanda tangan kasar (raw signature image)
tanpa dilakukan ekstraksi ciri dari citra tanda tangan. Penelitian lain dilakukan
oleh Hidayatno, dkk (2008) dengan menggunakan metode-metode
propagasi-balik standar, data tanda tangan yang digunakan sebagai masukan bukan lagi
tanda tangan kasar, tetapi citra tanda tangan yang telah dilakukan tahap
segmentasi dan ekstraksi ciri. Namun tahap segmentasi hanya menggunakan
proses klasterisasi, tanpa dilakukan pengolahan citra lebih lanjut.
Penelitian-penelitian tersebut masih dapat dikembangkan bukan hanya sebagai
pengidentifikasi melainkan juga sebagai pengenal citra tanda tangan, dengan
penggunakan metode praproses serta penggunaan JST yang lain sebagai
pembanding.
Berdasarkan hasil penelitian di atas, penulis mencoba membuat sistem
pengenalan pola citra tanda tangan dengan melakukan pengolahan citra yang
(22)
satu buah layar tersembunyi serta menggunakan metode pembelajaran
propagasi-balik.
B.Rumusan Masalah
Berdasarkan latar belakang masalah yang telah dijelaskan, maka rumusan
masalah pada penelitian ini antara lain:
1. mengetahui dan memahami proses segmentasi dan ekstraksi ciri pada
pengolahan citra;
2. bagaimana merancang dan membuat aplikasi pengenalan pola pada citra
tanda tangan menggunakan JST dengan metode propagasi-balik;
3. bagaimana aplikasi yang telah dibuat dapat mengenali pemilik dan pola
tanda tangan sesuai yang di inputkan.
C. Tujuan Penelitian
Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut.
1. Merancang sistem yang mampu memproses dan mengekstraksi citra tanda
tangan.
2. Merancang program yang digunakan untuk mengenali dan
mengidentifikasi citra tanda tangan.
3. Membuat aplikasi JST dengan metode propagasi-balik yang dapat
digunakan untuk mengidentifikasi serta mengenali pemilik dari citra tanda
(23)
D. Batasan Masalah
Sesuai dengan rumusan masalah, batasan masalah untuk penelitian ini
meliputi:
1. proses pengolahan dilakukan pada citra yang berformat bitmap;
2. citra tanda tangan yang di ekstraksi merupakan citra tanda tangan
berwarna hitam dan background berwarna putih;
3. program JST yang dirancang hanya memiliki satu lapisan tersembunyi
(Single Hidden Layer);
4. alat bantu software yang digunakan adalah Delphi 7.
E.Manfaat Penelitian
Manfaat penelitian ini adalah sebagai berikut.
1. Sebagai alat security sistem dalam sebuah instansi kenoktarisan.
2. Memberikan kemudahan dalam penggunaan sistem perbankkan apabila
aplikasi ini dapat diterapkan secara langsung terhadap sistem informasi
nasabah, sehingga dapat mempermudah jalannya sistem.
3. Untuk mengembangkan wawasan keilmuan dan menambah pengetahuan
tentang image processing, khususnya permasalahan dalam mengekstraksi
serta sementasi citra.
4. Untuk mengembangkan wawasan keilmuan dan menambah pengetahuan
dibidang JST, khususnya permasalahan dalam mengenali dan
(24)
BAB II
TINJAUAN PUSTAKA
A.Penelitian Terdahulu
Penelitian tentang pengenalan tanda-tangan ini sudah pernah dilakukan
sebelumnya. Salah satunya dilakukan oleh Achmad Hidayatno, dkk (2008)
yaitu membuat aplikasi identifikasi tanda-tangan menggunakan JST. Penelitian
tersebut menggunakan metode perambatan-balik dengan mendesain suatu
sistem jaringan yang memiliki satu lapisan tersembunyi (Hidden Layer). Hasil
penelitian menunjukkan tingkat keberhasilan mencapai 95% terhadap sampel
citra tanda-tangan yang telah digunakan sebelumnya sebagai citra
pembelajaran, tingkat keberhasilan mencapai 88% yang dihasilkan dari
pengujian terhadap citra tanda-tangan di luar basisdata atau citra tanda-tangan
baru. Namun penelitian memiliki beberapa kekurangan yaitu citra tanda-tangan
hanya melalui dua tahap pengolahan citra yaitu segmentasi dan ekstraksi ciri,
selain itu sistem hanya mampu mengenali pemilik tanda-tangan tanpa
menampilkan citra tanda-tangan asli dari database. Beberapa hasil simulasi
(25)
Tabel 1. Tingkat keberhasilan pada citra tanda-tangan yang di gunakan sebagai sampel (Hidayatno, dkk, 2008)
Tabel 2. Tingkat keberhasilan pada citra tanda-tangan baru sebagai sampel (Hidayatno, dkk, 2008)
Responden Perhitungan Tingkat
Keberhasilan
Agung ∑ �����
∑ ���� x 100% = % 100%
Bambang ∑ �����
∑ ���� x 100% = % 100%
Bayu ∑ �����
∑ ���� x 100% = % 100%
Pasca ∑ �����
∑ ���� x 100% = % 100%
Ratih ∑ �����
∑ ���� x 100% =
9 %
90%
Ricky ∑ �����
∑ ���� x 100% = % 100%
Sari ∑ �����
∑ ���� x 100% = % 100%
Vidi ∑ �����
∑ ���� x 100% = 9
% 90%
Riva ∑ �����
∑ ���� x 100% = 7
% 70%
Dinar ∑ �����
∑ ���� x 100% = % 100% Seluruh Data ∑ �����
∑ ���� x 100% = 9
% 95%
Responden Perhitungan Tingkat
Keberhasilan Agung Bp ∑ �����
∑ ���� x 100% = % 80%
Danang ∑ �����
∑ ���� x 100% = % 100%
Peter ∑ �����
∑ ���� x 100% = % 80% Sudarmono ∑ �����
∑ ���� x 100% = % 100%
Teguh ∑ �����
∑ ���� x 100% = % 80% Seluruh Data ∑ �����
(26)
Penelitian serupa juga dilakukan oleh Riadi (2001), yaitu JST untuk
pengenalan tanda-tangan. Penelitian tersebut juga menggunakan model JST
perambatan balik yang memiliki arsitektur multi layer neural network dengan
satu lapisan tersembunyi, serta membandingkan dengan metode lain yaitu
metode pembelajaran radial basis function, yang merupakan jenis JST
Probabilistic Neural Network (PNN) dengan bantuan software Matlab 5.3.
Namun, pada penelitian yang dilakukan oleh Riadi ini citra tanda-tangan yang
digunakan berupa data tanda-tangan kasar (raw signature image) tanpa melalui
proses ekstraksi ciri. Sedangkan proses pembelajaran pada sistem JST
mengunakan nilai toleransi galat 0.001 dan 0.0001, laju pembelajaran (lr) 0.1,
0.2, dan 0.3, serta jumlah neuron lapisan tersembunyi antara 10 hingga 100.
Hasil penelitian secara umum diukur menggunakan parameter konvergensi atau
tingkat kecepatan JST mempelajari pola input, serta generalisasi atau tingkat
pengenalan JST dalam mengenali sejumlah pola yang diberikan. Salah satu
hasil simulasi dari penelitian yang dilakukan oleh riadi dapat dilihat pada tabel
3.
Tabel 3. Hasil percobaan untuk representasi biner pada toleransi galat 0.001 lr 0.2 (Riadi, 2001)
∑
Neuron Tersembunyi
Konvergensi Generalisasi
Detik Test Epoh Detik
Epoh Nilai Maksimum
TH>0.3
10 207 360.87 98 94 1.02
30 137 583.64 97 94 2.5
50 129 821.52 96 83 3.6
70 127 1145.9 98 84 3.74
(27)
B.Perbedaan dengan Penelitian Sebelumnya
Pada penelitian ini penulis mencoba menggunakan bantuan bahasa
pemrograman Borland Delphi 7. Menerapkan beberapa pengolahan citra
lainnya yang lebih komplek terhadap citra input, selain yang telah digunakan
pada penelitian yang dilakukan oleh Hidayatno, dkk, (2008), untuk diuji
cobakan pada citra jenis tanda-tangan yang berbeda dengan membandingkan
salah satu hasil penelitian sebelumnya dalam hal tingkat keakurasian antara
hasil simulasi dengan data yang diinputkan. Setelah mendapatkan tingkat
keberhasilan yang baik terhadap pengenalan pemilik pola tanda-tangan, proses
selanjutnya yang ingin dicapai adalah menampilkan kembali citra tanda-tangan
dari database yang digunakan sebagai citra pembelajaran.
C.Teori Dasar 1. Citra
Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu
objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat
optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar
pada monitor televisi atau bersifat digital yang dapat langsung disimpan
pada suatu media penyimpan (Sutoyo, dkk, 2009). Kata citra atau yang
dikenal secara luas dengan kata gambar dapat diartikan sebagai suatu fungsi
intensitas cahaya dua dimensi, yang dinyatakan oleh f(x,y), di mana nilai
atau amplitudo dari f pada koordinat spasial (x,y) menyatakan intensitas
(kecerahan) citra pada titik tersebut (Gonzales dan Woods, 2002),
(28)
f(0,0) f(0,1) ... f(0,M-1)
f(1,0) f(1,1) ... f(1,M-1)
. . .
: : :
f(N-1,0) f(N-1,1) ... f(N-1,M-1)
f (x,y) =
sebuah image (gambar) pada bidang dua dimensi, dimana sebuah citra
tersebut dapat ditinjau dari sudut pandang matematis dengan fungsi yang
continue dari intensitas cahaya pada bidang dua dimensi. Secara teoritis
citra dapat dikelompokan menjadi 2 (dua) macam, yaitu citra kontinu dan
citra diskrit (citra digital). Citra kontinu dihasilkan dari system optic yang
menerima sinyal analog contohnya, yaitu mata manusia dan kamera analog.
Sedangkan citra digital dihasilkan melalui proses digitalisasi terhadap citra
kontinu contohnya, kamera digital dan scanner.
Suatu citra dapat didefinisikan sebagai fungsi f (x,y) berukuran M baris dan
N kolom, dengan x dan y adalah koordinat (x,y) dinamakan intensitas atau
tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan nilai
amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka
dapat dikatakan bahwa citra tersebut adalah citra digital. Citra digital dapat
ditulis dalam bentuk matrik sebagai berikut:
Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut
dengan picture elements, image elements, pels, atau pixels. Istilah terakhir
(29)
2. Jenis Citra Digital
Nilai suatu piksel memiliki nilai rentang tertentu, dari nilai minimum
sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda
tergantung dari jenis warnanya. Namun, secara umum jangkauannya adalah
0 – 255. Berikut adalah jenis-jenis citra berdasarkan nilai pikselnya (Putra, 2010).
a. Citra Biner
Citra biner adalah citra digital yang hanya memiliki 2 kemungkinan nilai
piksel yaitu hitam dan putih. Nilai 0 mewakili warna hitam dan nilai 1
mewakili warna putih. Citra biner disebut juga dengan citra black &
white atau citra monokrom. Oleh karena itu, setiap piksel pada citra biner
cukup direpresentasikan dengan 1 bit. Contoh citra biner dapat dilihat
pada Gambar 1 dan 2.
Gambar 1. Contoh citra biner berukuran 10 x 11 piksel dan representasinya dalam data digital (Putra, 2010)
(30)
Gambar 2. Contoh citra biner (Basuki, 2006)
b. Citra Grayscale
Citra grayscale merupakan citra yang hanya memiliki satu nilai kanal
pada setiap pikselnya, dengan kata lain nilai Red = Green = Blue. Warna
yang dimiliki adalah warna hitam, keabuan, dan putih. Jenis citra ini
disebut dengan aras keabuan karena warna abu-abu diantara warna
minimum (hitam) dan warna maksimum (putih). Pada umumnya citra
grayscale memiliki kedalaman piksel 4 bit dan 8 bit. Citra dengan 4 bit
memiliki 24 =16 kemungkinan warna, yaitu 0 (minimal) 15 (maksimal).
Sementara citra dengan 8 bit memiliki 28 = 256 warna, yaitu 0 (minimal)
hingga 255 (maksimal). Contoh citra grayscale dapat dilihat pada
(31)
Gambar 3. Contoh citra grayscale (Basuki, 2006)
c. Citra Warna
Pada citra warna (true color) setiap pikselnya merupakan kombinasi dari
3 warna dasar yakni Red, Green, Blue, sehingga warna ini disebut juga
dengan citra RGB. Banyaknya warna yang mungkin digunakan
tergantung kepada kedalaman piksel citra yang bersangkutan. Setiap
komponen warna memiliki kedalaman piksel sendiri dengan nilai
minimum 0 dan nilai maksimum 255 (8 bit). Hal ini menyebabkan setiap
piksel pada citra RGB membutuhkan media penyimpanan 3 byte. Jumlah
kemungkinan kombinasi warna pada citra RGB adala 224 = lebih dari 16
juta warna. Dan intensitas suatu titik pada citra warna merupakan
kombinasi dari intensitas derajat keabuan merah (fmerah, (x,y)), hijau
(fhijau, (x,y)) dan biru (fbiru, (x,y)). Format warna RGB dan contoh citra
(32)
Gambar 4. Format warna RGB (Basuki, 2006)
Pada citra warna masing-masing komponen warna RGB mempunyai nilai
0 sampai 255 (8 bit) derajat kecerahan/derajat keabuan (Basuki, 2006).
(33)
3. Citra Bitmap
Menurut Jannah dalam Wiliyana (2012) citra bitmap adalah susunan bit-bit
warna untuk tiap pixel yang membentuk pola tertentu. Pola-pola warna ini
menyajikan informasi yang dapat dipahami sesuai dengan persepsi indra
penglihatan manusia. Format file ini merupakan format grafis yang fleksibel
untuk platform Windows sehingga dapat dibaca oleh program grafis
manapun. Format ini mampu menyimpan informasi dengan kualitas tingkat
1 bit sampai 24 bit. Citra bitmap didefinisikan sebagai fungsi f (x,y) dengan
x dan y adalah koordinat bidang. Besaran f untuk tiap koordinat (x,y) disebut
intensitas atau derajat keabuan citra pada titik tersebut. Pada Gambar 6
ditunjukkan gambar bitmap beserta nilai matriksnya.
Gambar 6. Bitmap dengan nilai matriksnya (Wiliyana, 2012)
Dari definisi di atas yang diperjelas oleh Gambar 6, bitmap dimodelkan
dalam bentuk matriks. Nilai pixel atau entri-entri dari matriks ini mewakili
warna yang ditampilkan di mana ordo matriks merupakan dimensi panjang
dan lebar dari bitmap. Nilai-nilai warna ditentukan berdasarkan intensitas
(34)
oleh bilangan cacah. Nilai 0 menerangkan tidak adanya cahaya sedangkan
nilai yang lain menerangkan adanya cahaya dengan intensitas tertentu.
Nilai-nilai ini bisa didapatkan melalui fungsi-fungsi yang disediakan oleh
bahasa pemrograman berdasarkan input berupa lokasi entri-entri matriks
yang hendak dicari.
4. Pengolahan Citra Digital
Pengolahan citra merupakan proses untuk menghasilkan citra sesuai dengan
keinginan atau kualitasnya menjadi lebih baik. Masukkannya adalah citra
dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra
masukan. Misal citra warnanya kurang tajam, kabur (blurring) dan
mengandung noise (misal bintik-bintik putih) sehingga perlu ada
pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit
diinterpretasikan karena informasi yang disampaikan menjadi berkurang
(Maqrifad, 2010). Adapun contoh dari implementasi pengolahan citra digital
seperti ditunjukkan pada Gambar 7.
(a) (b)
Gambar 7. Citra agak kabur (a), citra yang diperbaiki (b) (Balza dan Kartika, 2005)
(35)
4.1. Cropping Citra
Proses Cropping merupakan suatu proses pemotongan bagian tertentu dari
suatu citra sehingga diperoleh citra yang berukuran lebih kecil. Proses ini
bertujuan untuk memisahkan objek yang satu dengan objek yang lain dalam
suatu gambar untuk mempercepat proses selanjutnya. Menurut Balza dan
Kartika (2005) rumus yang digunakan untuk melakukan operasi cropping
ini adalah:
′ = −
� untuk = � sampai xR ′= −
� untuk = � sampai B .. ... (2.1)
(xL,yT) dan (xR,yB) masing-masing adalah koordinat titik pojok kiri atas dan
pojok kanan bawah bagian citra yang hendak dicrop (Gambar 8).
Gambar 8. Koordinat titik pojok bagian citra yang akan dicrop
Dengan h’(high) merupakan tinggi citra dan w’ (width) merupakan lebar citra. Ukuran citra berubah menjadi :
w′= �− �
h′ = B− � ... (2.2)
dan transformasi baliknya adalah :
= ′ + � untuk ′ = sampai w′− = ′ − � untuk ′ = sampai
h
′−(36)
Contoh proses cropping ditunjukan pada gambar dibawah ini.
(b)
(a) Citra di-crop
Gambar 9. Operasi cropping (a) citra asli (b) citra hasil cropping
4.2. Proses Grayscale
Proses ini bertujuan untuk merubah citra true color atau citra RGB menjadi
citra abu-abu. Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer,
G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya
tetap diperhatikan 3 layer di atas. Bila setiap proses perhitungan dilakukan
menggunakan 3 layer, berarti dilakukan tiga perhitungan yang sama.
Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1
layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini
tidak ada lagi warna, yang ada adalah derajat keabuan. Pemilihan
pemrosesan pada tingkat abu-abu ini dipilih karena lebih sederhana karena
hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu
dirasakan sudah cukup untuk memproses suatu gambar. Menurut Pitas
(1993) perubahan citra 24 bit RGB menjadi citra abu-abu adalah dengan
menghitung rata-rata dari intensitas 0.299*red, 0.587*green, 0.114* blue
(37)
Gambar 10. Operasi pengubahan citra RGB menjadi citra keabuan
4.3. Tresholding atau Binarisasi
Proses thresholding atau binarisasi pada prinsipnya adalah melakukan
pengubahan nilai intensitas warna piksel menjadi 2 nilai yaitu 0 dan 255.
Proses thresholding dilakukan dengan cara melihat perbedaan intensitas
warna dari suatu citra.
Gambar 11. Ilustrasi pengambilan keputusan pada proses thresholding
0.299*R
Ʃ
0.587*G
0.114*B
Gray
Gray
Gray
Citra Dibandingka AMBANG
BATAS
255 (Putih)
0 (Hitam)
LEBIH BESAR AMBANG
LEBIH KECIL AMBANG
(38)
Input untuk proses thresholding ialah citra abu-abu (grayscale image) atau
citra warna (color image). Output dari proses ini ialah citra biner, yang
mana pixel hitam mewakili foreground dan pixel putih mewakili
background, atau sebaliknya. Nilai intensitas yang sering digunakan yaitu
0 untuk pixel hitam, 1 atau 255 untuk pixel putih (Balza dan Kartika,
2005).
4.4. Deteksi Batas
Proses Deteksi batas merupakan salah suatu proses pengolahan citra yang
bertujuan untuk mendapatkan obyek citra tepat pada batas obyek tersebut.
Proses deteksi batas hanya bisa dilakukan terhadap citra hitam putih atau
citra biner. Bagian tepi citra yang tidak dibutuhkan akan dibuang secara
otomatis (Putu, 2010).
(a) (b)
Gambar 12. Ilustrasi deteksi batas (a) citra awal, (b) citra hasil deteksi batas
4.5. Ekstraksi Ciri
Setelah objek-objek yang ada berhasil disederhanakan pada proses
pengolahan citra, tahap berikutnya adalah mengekstraksi ciri-ciri tertentu
dari setiap objek atau karakter dari citra. Pada tahap ini membagi citra
hasil deteksi batas menjadi 32 potongan citra atau dibagi-bagi menjadi
(39)
melebihi jumlah yang ditentukan maka kotak tersebut diberi nilai 1, jika
tidak diberi nilai 0. kemudian melakukan penyimpanan data matriks
sebagai data referensi
5. Pengenalan Pola
Pengenalan pola (pattern recognition) merupakan konsep yang sangat luas
aplikasinya dalam banyak bidang antara lain: biomedical (EEG, ECG,
Rontgen, Nuclear, Tomography, Tissue, Cells, Chromosomes, meteorolgy (remote sensing), industrial inspection (robotic vision) dan digital
microscopy. Beberapa aplikasi dalam bidang komputer dan informatika
diantaranya: speech recognition, speaker identification, character
recognition, signature verification, image segmentation dan artifcial
intelligence. Menggambarkan pengenalan pola secara garis besar sebagai
serangkaian kegiatan yang mencakup kegiatan pengukuran dunia nyata
dengan alat ukur yang menggambarkan fenomena yang akan diukur diikuti
serangkaian kegiatan preprosesor, ekstrak feature, klasifikasi atau diskripsi
pola. Kegiatan yang fital dalam pengenalan pola adalah kegiatan klasifikasi
dari ruang feature yang diperoleh dari kegiatan seleksi dan ekstrak feature
(Hamzah, 2001).
6. Sistem Biometrik
Biometrik berasal dari bahasa Yunani yaitu, bios artinya hidup dan metron
berarti ukuran. Biometrik berarti mengukur karakteristik pembeda
(40)
untuk melakukan pengenalan secara otomatis, terhadap identitas orang
tersebut, dengan membandingkanya dengan karakteristik yang sebelumnya
telah disimpan pada suatu database. Pengertian pengenalan secara otomatis
pada definisi biometrik diatas adalah dengan menggunakan teknologi
(computer), pengenalan terhadap identitas seseorang dapat dilakukan secara
waktu nyata (realtime), tidak membutuhkan waktu berjam-jam atau
berhari-hari untuk proses pengenalan tersebut (Sutoyo, 2009).
Sistem biometrik memberikan pengakuan individu yang didasarkan pada
beberapa jenis fitur atau karakteristik yang dimiliki oleh individu. Sistem
biometrik bekerja dengan terlebih dahulu menangkap fitur, seperti rekaman
suara sinyal digital untuk pengenalan suara, atau mengambil gambar warna
digital untuk pengenalan wajah dan iris mata. Sampel ini kemudian berubah
dengan menggunakan beberapa jenis fungsi matematika menjadi sebuah
template biometrik. Template biometrik akan memberikan normalisasi,
efisiensi dan sangat diskriminatif merepresentasi fitur tersebut, yang
kemudian membandingkan dengan template lain untuk menentukan
identitas. Kebanyakan sistem biometrik menggunakan dua model operasi.
Yang pertama adalah modus pendaftaran untuk menambahkan template ke
dalam database, dan yang kedua adalah identifikasi, dimana sebuah template
dibuat untuk perbandinagn individu dan kemudian di cari dalam database
(41)
7. Perbandingan Biometrik
Tabel 4 menunjukkan perbandingan karakteristik biometrik yang didasarkan
pada Tanda-tangan, pola, tingkat kesalahan, aplikasi.
Tabel 4. Perbandingan karakteristik biometrik (Jain, dkk, 2004)
Metode Pola Tingkat
Kesalahan Aplikasi Pengenalan
Iris Iris 1/1.200.000
High-Security Facilites Pengenalan
Sidik Jari Sidik Jari 1/1.000 Universal Bentuk
Tangan
Ukuran, panjang, dan
ketebalan telapak tangan 1/700
Low-Security Facilites Pengenalan
Wajah
Outline, bentuk dan distribusi dari mata dan hidung 1/100 Low-Security Facilites Tanda Tangan
Bentuk huruf, urutan,
penulisan dan tekanan 1/100
Low-Security Facilites Suara Karakteristik suara 1/30 Pelayanan
Telepon
Karakteristik biometrik dibagi menjadi dua, yaitu biometrik physiological
dan biometrik behavorial (Gonzales & Wood, 2002) .
1. Physiological
Dihubungkan dengan bentuk tubuh atau badan, misalnya: fingerprints,
face recognition, hand geometry, dan iris recognition.
2. Behavioral
Dihubungkan dengan tingkah laku seseorang, misalnya: keystroke,
(42)
8. Verifikasi Tanda Tangan
Verifikasi tanda tangan terdiri dari dua jenis, yaitu:
1. Verifikasi tanda tangan dinamis
Metode verifikasi tanda tangan (signature) dengan akuisisi data secara
dinamis disebut juga metode online. Dalam metode ini proses akusisi
data dilakukan bersamaan dengan proses penulisan. Data yang diambil
pada umumnya bermacam-macam, tidak hanya berupa koordinat posisi
titik-titik penulisan, tetapi juga informasi dinamis lain seperti tekanan,
kecepatan, gaya penekanan tangan pada pena dan lain sebagainya. Jenis
data yang dapat diambil sangat bergantung pada kemampuan peralatan
masukan yang digunakan. Peralatan masukan yang sering digunakan
untuk mengakuisisi data secara dinamis ini disebut digitizer.
2. Verifikasi tanda tangan statis
Metode verifikasi dengan akuisisi data secara statis disebut juga dengan
metode offline. Berbalikan dengan metode dinamis, metode statis
melakukan akuisisi data setelah proses penulisan selesai dilakukan atau
bahkan kemungkinan lama setelah proses penulisan dilakukan. Seseorang
menuliskan tanda tangannya pada kertas, yang kemudian diubah menjadi
citra digital dengan menggunakan scanner. Dari citra inilah selanjutnya
diproses untuk menentukan otentik atau tidaknya tanda tangan tersebut
(43)
9. Kecerdasan Buatan
Kecerdasan buatan (Artificial Intelligence atau AI) adalah ide-ide untuk
membuat suatu perangkat lunak komputer yang memiliki kecerdasan
sehingga perangkat lunak komputer tersebut dapat melakukan pekerjaan
yang dilakukan oleh manusia, dengan kata lain membuat sebuah komputer
dapat berpikir dan bernalar seperti manusia. Tujuan dari kecerdasan buatan
ini adalah membuat komputer lebih cerdas, mengerti tentang kecerdasan dan
membuat mesin lebih berguna bagi manusia. Kecerdasan buatan dapat
membantu meringankan beban kerja manusia misalnya dalam membuat
keputusan, mencari informasi secara lebih akurat, atau membuat komputer
lebih mudah digunakan dengan tampilan yang lebih mudah dipahami. Cara
kerja kecerdasan buatan adalah menerima input, untuk kemudian diproses
dan kemudian mengeluarkan suatu output yang berupa suatu keputusan.
Kecerdasan buatan memungkinkan komputer untuk berpikir dengan cara
menyederhanakan program. Kecerdasan buatan dapat menirukan proses
belajar manusia sehingga informasi baru dapat digunakan sebagai acuan di
masa-masa mendatang.
10. Jaringan Saraf Tiruan
Menurut Nugroho (2005) bahwa JST adalah sistem komputasi dimana
arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di
(44)
manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak
manusia tersebut.
Sedangkan menurut Kusumadewi dalam Fanindia (2013) JST merupakan
representasi buatan dari otak manusia yang selalu mencoba mensimulasikan
proses pembelajaran pada otak manusia tersebut. Istilah buatan disini
digunakan karena jaringan saraf ini diimplementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran.
Menurut Siang (2009) JST dibentuk sebagai generalisasi model matematika
dari jaringan saraf biologi dengan asumsi sebagai berikut.
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirimkan diantara neuron-neuron melalui
penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi
aktivasi yang dikenakan pada penjumlahan masukan (input) yang
diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan
dengan suatu batas ambang.
a. Model Saraf (Neuron)
Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
(45)
menghasilkan sebuah nilai keluaran. Neuron tersebut akan berhubungan
dengan neuron-neuron yang lain jika ada bobot-bobot yang
menghubungkannya. Hal tersebut dapat dilihat pada Gambar 13.
Gambar 13. Model neuron (Haykin, 1999)
Menurut Siang (2009) satu neuron terdiri dari tiga bagian dasar yaitu :
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi.
Jalur-jalur tesebut memiliki bobot/ keluaran yang berbeda-beda. Bobot yang
bernilai positif akan memperkuat sinyal dan yang bernilai negatif akan
memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola
hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan
(dan juga model yang terbentuk).
2. Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal
yang sudah dikalikan dengan bobotnya.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input
(46)
b. Arsitektur Jaringan Saraf Tiruan
Menurut Heaton dalam Fanindia (2013) pembagian arsitektur JST dapat
dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja JST
bisa dilihat dari jumlah lapisan (layer) dan jumlah neuron pada setiap
lapisan. Lapisan-lapisan penyusun JST dapat dibagi menjadi tiga, yaitu:
1. Lapisan Masukan (input layer)
Neuron-neuron di dalam lapisan masukan disebut input neuron, yang
menerima input dari dunia luar. Input yang dimasukkan merupakan
penggambaran dari suatu masalah.
2. Lapisan Tersembunyi (hidden layer)
Neuron-neuron yang berada dalam lapisan tersembunyi disebut
hidden neuron. Penentuan jumlah neuron pada lapisan tersembunyi
merupakan bagian yang sangat penting dalam arsitektur JST.
Penggunaan neuron yang terlalu sedikit pada lapisan tersembunyi
akan menghasilkan sesuatu yang disebut underfitting. Underfitting
terjadi ketika hanya sedikit neuron pada hidden layer yang mampu
mendeteksi signal pada sejumlah data yang rumit. Sedangkan, jumlah
hidden neuron yang terlalu banyak juga dapat mengakibatkan
beberapa masalah. Pertama, mengakibatkan jaringan mengalami
overfitting, yaitu ketika jaringan memproses terlalu banyak informasi
melebihi kapasitas. Kedua, mengakibatkan waktu proses pelatihan
(47)
3. Lapisan keluaran (output layer)
Neuron-neuron pada lapisan keluaran disebut output neuron. Keluaran
dari lapisan ini merupakan keluaran JST terhadap suatu permasalahan.
Arsitektur JST yang terdiri dari input layer, lapisan tersembunyi, dan
lapisan keluaran dapat dilihat pada Gambar 14.
Gambar 14. Arsitektur JST (Fanindia, 2013)
Beberapa arsitektur jaringan yang sering dipakai dalam JST antara lain
(Siang, 2009):
1. Jaringan dengan lapisan tunggal (single layer network)
Jaringan dengan lapisan tunggal hanya memiliki satu buah lapisan
bobot koneksi. Jaringan ini hanya menerima masukan dan kemudian
secara langsung akan mengolahnya menjadi keluaran tanpa harus
melalui lapisan tersembunyi. Arsitektur jaringan lapis tunggal dapat
(48)
Gambar 15. Jaringan lapis tunggal (Siang, 2009)
2. Jaringan dengan banyak lapisan (multilayer network)
Jaringan dengan banyak lapisan merupakan perluasan dari lapisan
tunggal. Jaringan ini memiliki satu atau lebih lapisan yang terletak di
antara lapisan masukan dan lapisan keluaran (sering disebut lapisan
tersembunyi). Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit daripada lapisan dengan
lapisan tunggal, dengan pembelajaran yang lebih rumit. Jaringan
dengan banyak lapisan dapat dilihat pada Gambar 16.
Gambar 16. Jaringan dengan banyak lapisan (Siang, 2009) 3. Jaringan dengan lapisan kompetitif (competitive layer network)
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak
(49)
Gambar 17. Jaringan dengan lapisan kompetitif (Siang, 2009)
c. Pelatihan Terawasi dan Tidak Terawasi
Dalam JST berdasarkan cara memodifikasi bobotnya, ada dua macam
pelatihan yang dikenal yaitu pelatihan atau pembelajaran terawasi
(supervised learning) dan pelatihan tidak terawasi (unsupervised
learning). Pada pelatihan terawasi, kumpulan masukan yang
digunakan, keluaran-keluarannya telah diketahui. Perbedaan antara
keluaran-keluaran aktual dengan keluaran-keluaran yang diinginkan
digunakan untuk mengoreksi bobot JST agar JST dapat menghasilkan
jawaban sedekat (semirip) mungkin dengan jawaban yang benar yang
telah diketahui oleh JST.
Pada pelatihan tidak terawasi, atau pelatihan tanpa guru, JST
mengorganisasi dirinya sendiri untuk membentuk vektor-vektor
masukan yang serupa, tanpa menggunakan data atau contoh-contoh
pelatihan. Struktur menggunakan dasar data atau korelasi antara
(50)
pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada.
(Puspitaningrum, 2006).
d. Kelebihan Jaringan Saraf Tiruan
JST memiliki sejumlah besar kelebihan dibandingkan dengan metode
perhitungan lainnya (Hermawan, 2006), yaitu: sebagai berikut.
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi
ada gangguan dan ketidakpastian. Hal ini karena JST mampu
melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti
statistik dari data.
2. Kemampuan merepresentasikan pengetahuan secara fleksibel.
JST dapat menciptakan sendiri representasi melalui pengaturan
diri sendiri atau kemampuan belajar (self organizing).
3. Kemampuan untuk memberikan toleransi atas suatu distorsi
(error/fault), dimana gangguan kecil pada data dapat dianggap
hanya sebagai noise (guncangan) belaka.
4. Kemampuan memproses pengetahuan secara efisien karena
memakai sistem paralel, sehingga waktu yang diperlukan untuk
mengoperasikannya menjadi lebih singkat.
e. Aplikasi Jaringan Saraf Tiruan
Beberapa aplikasi JST adalah sebagai berikut.
1. Pengenalan Pola (Pattern Recognation)
JST dapat dipakai untuk mengenali pola (misal huruf, angka,
(51)
2. Signal Processing
JST (model ADALINE) dapat dipakai untuk menekan noise dalam
saluran telepon.
3. Peramalan
JST juga dapat dipakai untuk meramalkan apa yang akan terjadi di
masa yang akan datang berdasarkan pola kejadian yang ada di
masa yang akan datang berdasarkan pada kejadian yang ada di
masa lampau (Siang, 2009).
11. Propagasi-balik (Backpropagation)
Kelemahan JST terdiri dari layar tunggal membuat perkembangan JST
menjadi berhenti pada sekitar tahun 1970-an. Algoritma pelatihan
propagasi-balik pertama kali dirumuskan oleh Werbos dan dipopulerkan
oleh Rumelhart bersama McClelland untuk dipakai pada JST. Algoritma ini
termasuk metoda pelatihan terbimbing (supervised) dan didesain untuk
operasi pada JST feed forward lapis jamak (Purnomo, Kurniawan, 2006).
JST dengan lapisan tunggal memiliki keterbatasan dalam pengenalan pola.
Kelemahan ini bisa ditanggulangi dengan menambahkan satu/beberapa
lapisan tersembunyi diantara lapisan masukan dan keluaran. Meskipun
penggunaan lebih dari satu lapisan tersembunyi memiliki kelebihan manfaat
untuk beberapa kasus, tapi pelatihannya memerlukan waktu yang lama.
Maka umumnya orang mulai mencoba dengan sebuah lapisan tersembunyi
(52)
Penemuan propagasi-balik yang terdiri dari beberapa lapisan membuka
kembali pengetahuan dibidang JST. Terlebih setelah berhasil ditemukannya
berbagai aplikasi yang dapat diselesaikan dengan propagasi-balik, membuat
JST semakin diminati, diantaranya diterapkan di bidang finansial,
pengenalan pola tulisan tangan, pengenalan pola suara, sistem kendali,
pengolah citra medika dan masih banyak lagi keberhasilan propagasi-balik
sebagai salah satu metoda komputasi yang handal.
Seperti halnya model JST yang lain, propagasi-balik melatih jaringan untuk
mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali
pola yang digunakan selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola masukan yang serupa (tapi
tidak sama) dengan pola yang dipakai selama pelatihan (Siang, 2009).
Istilah propagasi-balik (penyiaran kembali) diambil dari cara kerja jaringan
ini, yaitu bahwa gradient error unit-unit tersembunyi diturunkan dari
penyiaran kembali error-error yang diasosiasikan dengan unit-unit keluaran.
Hal ini karena nilai target untuk unit-unit tersembunyi tidak diberikan.
Metode ini menurunkan gradien untuk meminimkan penjumlahan error
kuadrat keluaran jaringan. Nama lain dari propagasi-balik adalah aturan
delta yang digeneralisasi (generalized delta rule) (Puspitaningrum, 2006).
a. Arsitektur Propagasi-balik
Di dalam jaringan propagasi-balik, setiap unit yang berada di lapisan
(53)
Hal serupa berlaku pula pada lapisan tersembunyi. Setiap unit yang ada
di lapisan tersembunyi terhubung dengan setiap unit yang ada di lapisan
keluaran (Puspitaningrum, 2006).
JST propagasi-balik terdiri dari banyak lapisan (multilayer neural
network):
1. Lapisan masukan (1 buah). Lapisan masukan terdiri dari
neuron-neuron atau unit-unit masukan, mulai dari masukan 1 sampai unit
masukan n.
2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdiri dari
unit-unit tersembunyi mulai dari unit tersembunyi 1 sampai unit
tersembunyi p.
3. Lapisan keluaran (1 buah). Lapisan keluaran terdiri dari unit-unit
keluaran mulai dari unit keluaran 1 sampai unit keluaran m.
Arsitektur JST propagasi-balik dapat dilihat pada Gambar 18.
(54)
Gambar 18 adalah arsitektur propagasi-balik dengan n buah masukan
(ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri dari p
unit (ditambah sebuah bias), serta m buah unit keluaran. Vij marupakan
bobot garis dari unit masukan xi ke unit lapisan tersembunyi zj (vj0
merupakan bobot garis yang menghubungkan bias di unit masukan ke
unit lapisan tersembunyi zj). wkj merupakan bobot dari unit lapisan
tersembunyi zj ke unit keluaran yj ke unit keluaran yk (wk0 merupakan
bobot dari bias di lapisan tersembunyi ke unit keluaran zk).
b. Kelemahan Yang Sering Terjadi Pada Propagasi-balik
1. Pada Fase Pelatihan (Training)
Seringnya terjebak pada kondisi yang disebut sebagai kondisi
optimum lokal (local minimal), sehingga sulit mencapi konvergen
sesuai dengan galat yang diinginkan. Keadaan JST tersebut sulit atau
bahkan tidak dapat berkembang menjadi lebih pintar lagi, walaupun
dilatih berulang-ulang. Hal ini biasanya diatasi dengan menggunakan
koefisien momentum.
2. Pada Fase Pengujian (Testing)
Pada fase ini hal tak diinginkan yang sering terjadi adalah kondisi
overfitting/overtraining, yaitu suatu kondisi JST kehilangan sifat
generalitasnya (lost of generalisation). Generalitas adalah kemampuan
untuk memberikan jawaban yang benar, untuk suatu masukan yang
berbeda namun sejenis dari data-data yang dilatihkan pada JST
(55)
keluaran yang diinginkan tersebut dapat terjadi karena kesalahan
sampling data atau adanya derau (noise) pada data pelatihan sehingga
target data pelatihan kurang handal.
Bila JST kehilangan sifat tersebut, pada fase pengujian, salah satu ciri
yang muncul adalah biasanya JST hanya mengenali bagian akhir dari
pasangan data yang dilatihkan pada fase pelatihan. Kondisi tersebut
dapat diakibatkan oleh jumlah pelatihan yang berlebihan, sehingga
dapat diatasi dengan memberhentikan pelatihan lebih dini.
Penambahan bias pada lapisan keluaran ataupun pada masing-masing
lapisan struktur JST, juga merupakan salah satu cara untuk mengatasi
hal tersebut. Kehandalan untuk memperoleh struktur JST sesuai
dengan kapasitas yang diperlukan tersebut sangat erat sekali dengan
jumlah unit sel pada lapisan tersembunyi, sekaligus jumlah bobotnya
juga ikut menentukan. Sebaliknya kondisi undertraining juga dapat
terjadi, untuk hal ini biasanya terjadi oleh karena proses pelatihan
belum sempurna.
12. Borland DELPHI
Delphi merupakan salah satu piranti pengembangan aplikasi bebasis
windows yang dikeluarkan oleh Borland International. Bahasa
Pemrograman Delphi awalnya dari bahasa pemrograman Pascal setingkat
Visual C, Visual Basic dan notasi sekunder, membuat Borland Delphi
lebih mudah dipelajari untuk programmer yang telah terbiasa memakai
(56)
petunjuk dari fitur help (dokumentasi) nya yang terintegrasi dan mudah di
akses. IDE Delphi pun lebih mudah digunakan dan memungkinkan
adaptasi yang lebih cepat secara visual karena di lengkapi dengan
penggunaan alat bantu visual berupa tombol-tombol dan icon yang mudah
di akses dan diingat (Sahtoni, 2012).
Menurut Saiful dalam Sahtoni (2012) pada dasarnya IDE Delphi dibagi
menjadi tujuh bagian utama, yaitu Menu, Speed Bar, Component Palette,
Form Designer, Code Explorer, Object Treeview, dan Object Inspector.
Tampilan Borland Delphi dapat dilihat pada gambar di bawah ini.
Gambar 19. Tampilan Borland Delphi
Menu
Menu pada Delphi memiliki kegunaan seperti menu pada aplikasi
windows lainnya, semua yang ada berhubungan dengan IDE Delphi dapat
dilakukan dari menu. Contohnya memanggil atau menyimpan program,
(57)
Speed Bar
Speed Bar atau sering juga disebut toolbar berisi kumpulan tombol sebagai
pengganti beberapa item menu yang sering digunakan. Dengan kata lain,
setiap tombol pada speed bar menggantikan salah satu item menu. Sebagai
contoh, tombol kiri atas adalah pengganti menu File | New, tombol
disebelah kanannya adalah pengganti menu File | Open, dan seterusnya.
Component Palette
Component Palette berisi ikon yang melambangkan komponenkomponen
pada VCL (Visual Component Library) atau CLX (Component Library for
Cross Platform). VCL merupakan pustaka komponen yang dengannya
dapat membangun aplikasi. Pada Component Palette terdapat beberapa tab,
yaitu Standard, Additional, Data Access, dan seterusnya.
Form Designer
Form Designer merupakan tempat untuk merancang jendela aplikasi.
Perancangan form dilakukan dengan meletakkan komponen-komponen
yang diambil dari component pelette.
(58)
Code Explorer
Code Explorer adalah tempat untuk menuliskan program. Pernyataan
pernyataan tersebut ditulis dalam bentuk bahasa object Pascal. Kita tidak
perlu menuliskan semua kode sumber karena Delphi telah menuliskan
semacam kerangka program.
Object TreeView
Object TreeView berisi daftar komponen yang telah diletakkan pada Form
Designer. Sebagai contoh, jika meletakkan 2 komponen, TgroupBox dan
TLabel, Object TreeView terlihat seperti gambar 21.
Gambar 21. Object tree view pada IDE Delphi Object Inspector
Object inspector digunakan untuk mengubah karakteristik komponen. Pada
object inspector terdapat 2 tab yaitu Properties dan Event. Tab tersebut
dapat diaktifkan salah satu dengan menklik Properties atau Event. Pada tab
properties, bisa digunakan untuk mengubah property dari komponen yang
(59)
menyisipkan kode dalam menengani kejadian tertentu. Kejadian bisa
dibangkitkan karena beberapa hal, seperti pengklikan mouse, penekanan
tombol keyboard, penutupan jendela, dan sebagainya. Misalnya onClick,
(60)
BAB III
METODE PENELITIAN
A. Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan Februari 2014 sampai dengan Juli 2014 di
Laboratorium Pemodelan Fisika, Jurusan Fisika, Fakultas Matematika dan
Ilmu Pengetahuan Alam, Universitas Lampung.
B. Alat dan Bahan
Alat dan bahan yang digunakan dalam penelitian ini antara lain:
1. PC/Komputer
Adapun spesifikasi laptop yang digunakan pada penelitian ini dapat
dilihat pada tabel 5.
Tabel 5. Spesifikasi teknis
Deskripsi Spesifikasi
Processor Intel (R) Core (TM) i3 (2,10 GHz)
Video Intel® Graphic
RAM 1 GB
Hardisk 500 GB
Operating System Microsoft Windows 7 Ultimate
2. Perangkat Lunak (Software)
(61)
3. Data Penelitian
Dalam perencanaan penelitian ini, objek yang akan digunakan adalah
berupa citra tanda-tangan, dengan citra tanda-tangan ini mempunyai
background berwarna putih dan tanda-tangan berwarna hitam seperti
pada gambar 22.
Gambar 22. Citra tanda-tangan
C. Langkah Kerja Penelitian
Langkah kerja penelitian dapat kita lihat pada Gambar 23 dibawah ini.
Gambar 23. Diagram alir penelitian Mulai
Pembuatan Diagram Blok
Merealisasikan Sistem
Pengujian Sistem
Berhasil/ tidak
T
B
Pengambilan Data Pengolahan Data Pembuatan Laporan
(62)
Langkah kerja penelitian sebagai berikut:
1. Pembuatan diagram blok
Perancangan Blok Diagram sistem ini dibuat dengan menghubungkan satu
blok dengan blok lainnya dan dapat memastikan hubungan antara blok satu
dengan lainnya adalah benar dan sesuai dengan teori.
2. Merealisasikan sistem
Realisasi sistem yang dirancang pertama kali adalah mempersiapkan dan
mengatur sistem untuk segmentasi citra tanda-tangan yang meliputi
threshold, operasi deteksi batas untuk memperoleh ukuran citra sesuai
yang diinginkan, operasi grayscale untuk mengubah citra RGB menjadi
citra skala keabuan, dan proses threshold untuk mengubah citra skala
keabuan menjadi citra biner. Citra biner tersebut menjadi inputan untuk
proses pembelajaran serta pengujian pada sistem JST. Perancangaan
selanjutnya membuat sistem untuk pengenalan citra tanda-tangan dengan
menggunakan aplikasi JST menggunakan metode propagasi-balik yang
merupakan algoritma dengan metode pelatihan terbimbing (supervised)
dan didesain untuk operasi pada JST feed forward lapisan jamak
(multi-layer).
3. Pengujian sistem
Pengujian sistem dilakukan dengan memproses citra tanda-tangan. Citra
tanda-tangan tersebut akan melalui proses grayscale yang berfungsi untuk
merubah citra RGB ke citra skala keabuan. Selanjutnya proses threshold
(63)
hitam dan putih), dengan tujuan untuk memisahkan latar depan dengan
latar belakang. Setelah didapat citra biner, dilakukan proses penyeleksian
pada citra tanda-tangan melalui proses deteksi batas, yang bertujuan untuk
menghilangkan bagian sisi-sisi citra tanda tangan. Pembelajaran dan
pengujian data tanda-tangan menggunakan JST dengan metode
propagasi-balik.
4. Data keluaran
Data keluaran yang dihasilkan dari serangkaian proses di atas adalah
berupa pengenalan sistem terhadap pemilik citra tanda-tangan, serta
menampilkan kembali citra tanda-tangan yang tersimpan dalam database.
5. Pengambilan Data
Pengambilan data dilakukan setelah pembuatan dan pengujian rangkaian
selesai dilakukan, kemudian data yang diperoleh tersebut diolah sebagai
bahan pembuatan laporan.
6. Pengolahan Data
Pengolahan data dilakukan dan diambil beberapa kali untuk mendapatkan
nilai dan hasil yang baik.
D. Rancangan Sistem
Rancangan sistem pada penelitian ini merupakan langkah-langkah yang
dilakukan dalam pembuatan sistem pengenalan citra tanda-tangan, yang
(64)
pengenalan citra tanda-tangan. Rancangan sistem pada penelitian ini dapat
dilihat pada Gambar 24.
Gambar 24. Blok diagram rancangan sistem Mulai
Akuisisi Data
Segmentasi Citra
Ekstraksi Ciri
Latih JST
Uji JST/Cari Bobot Simpan Bobot
Akhir
Selesai
T
Y
Pengenalan Pola
T
Y
Tampilkan Citra Database
(65)
Penjelasan blok diagram rancangan sistem pada gambar diatas adalah sebagai
berikut.
1. Akuisisi Data
Akuisisi data merupakan tahap awal dalam rancangan sistem pada
penelitian. Tahap ini dimulai dari pengumpulan citra tanda-tangan yang
akan diolah dalam proses segmentasi citra.
2. Segmentasi Citra
Gambar 25. Blok diagram segmentasi citra
Citra tanda-tangan yang akan digunakan pada proses pembelajaran dan
proses pengujian terlebih dahulu melalui proses segmentasi citra, proses
pertama yaitu threshold. Proses ini akan mengubah citra tanda-tangan
RGB menjadi citra tanda-tangan skala keabuan (grayscale) setelah itu
citra di ubah menjadi citra biner. Secara umum proses pengambangan
citra RGB maupun citra grayscale untuk menghasilkan citra biner adalah
sebagai berikut.:
, = { � , ≥ �
� , < �} ………..…(3.1)
g(x,y) merupakan citra biner dari citra grayscale maupun RGB
f(x,y), dan T menyatakan nilai ambang. Nilai T memegang peranan yang
sangat penting dalam proses pengambangan. Kualitas hasil citra biner Citra Masukan
Deteksi Batas Threshold
Citra Hasil Deteksi batas
(66)
sangat tergantung pada nilai T yang digunakan (Putu, 2010). Citra biner
yang didapat selanjutnya melalui proses deteksi batas untuk
menghilangkan bagian-bagian tepi citra tanda-tangan yang tidak
digunakan.
3. Ekstraksi Ciri
Gambar 26. Diagram alir ekstraksi ciri
Tahap ini meliputi proses klasterisasi, proses ini membagi dan memotong
citra menjadi 32 bagian sama besar, sehingga didapat potongan-potongan
citra tanda-tangan yang akan digunakan didalam proses representasi
input.
4. Proses Pembelajaran
Representasi input potongan-potongan citra tanda tangan yang didapat
dari proses klasterisasi digunakan untuk proses selanjutnya yaitu proses
pembelajaran atau pelatihan dalam sistem JST. Pelatihan propagasi-balik
pada program penelitian menggunakan fungsi aktivasi sigmoid biner
yang memiliki range nilai (0,1). Sebenarnya fungsi aktifasi pada
pelatihan propagasi-balik ada 2 jenis yang sering digunakan yaitu
sigmoid biner dan sigoid bipolar. Fungsi aktivasi sigmoid bipolar
bentuknya hampir mirip dengan fungsi aktifasi sigmoid biner, tapi pada Pembagian
citra
Representasi Input Citra Hasil Deteksi
(67)
sigmoid bipolar memiliki range nilai (-1,1). Menurut Siang (2009)
persamaan fungsi aktivasi sigmoid biner sebagai berikut:
f(x) =
+�− dengan turunan f’(x) = f(x)(1-f(x)) …………. (3.2)
Persamaan fungsi aktivasi sigmoid bipolar sebagai berikut:
f(x) =
+�−
-
2dengan turunan f’(x)
=
+ � − �…
…….. (3.3) Setelah fungsi aktivasi ditentukan maka selanjutnya programmenjalankan fase pelatihan propagasi-balik yang terdiri dari tiga fase
yaitu, fase maju, fase mundur dan fase perubahan bobot.
a. Fase Maju
Pada fase ini dilakukan perhitungan nilai keluaran dari layar input
menuju layar tersembunyi dan nilai keluaran dari layar tersembunyi
menuju layar keluaran. Persamaan yang digunakan yaitu:
Zinj = V0j +
∑
�= iv
ijZj = f(zinj) =
+ �− �
yink =
w
0k +∑
�= jw
jky
k= f(yin
k) =+ �− � ………(3.4) b. Fase Mundur
Fase ini dilakukan untuk menghitung faktor kesalahan pada layar
keluaran menuju layar tersembunyi dan pada layar tersembunyi
menuju layar masukkan. Persamaan yang digunakan yaitu:
(68)
∆wjk = αδk zj
δj = δinj f’(zinj)
∆vij = αδj xi ………(3.5)
c. Fase Perubahan Bobot
Proses ini akan menentukan bobot pelatihan yang akan digunakan
dalam pengenalan citra tanda-tangan. Perubahan bobot dihitung
menggunakan persamaan:
Wjk (baru) =
w
jk (lama) + ∆wjkVij (baru) =
v
ij (lama) + ∆vij ...(3.6)5. Pengenalan Citra Tanda-tangan
Gambar 27. Blok diagram pengenalan citra
Proses ini akan menggunakan bobot akhir dalam proses pembelajaran.
Citra tanda-tangan masukan akan melalui proses pencocokan terhadap Citra Tanda-tangan
masukan
Gunakan Bobot Akhir pada Proses Pembelajaran
Proses Pencocokan
Menampilkan Citra Tanda-tangan Asli dari Database serta
(69)
bobot akhir pembelajaran yang tersimpan, Jika sebuah bobot akhir
ditemukan sesuai dengan karakter citra tersebut, maka sistem dapat
mengenali karakter tersebut, dan keluaran dari sistem berupa citra
tanda-tangan asli beserta nama pemilik tanda-tanda-tangan tersebut.
E. Pengujian Sistem
Setelah dilakukan perancangan dan pembuatan sistem, dilakukan pengujian
sistem pada program pengenalan citra tanda-tangan menggunakan JST
dengan metode propagasi-balik.
1. Proses Pelatihan
a. Pengujian sistem terhadap proses pelatihan dengan nilai laju
pemahaman berbeda.
Tabel 6. Pengujian sistem terhadap proses pelatihan dengan nilai laju pemahaman berbeda.
No α
(Learning Rate)
Error Lama pelatihan
(70)
b. Pengujian sistem terhadap proses pelatihan dengan jumlah unit layar
tersembunyi berbeda.
Tabel 7. Pengujian sistem terhadap proses pelatihan dengan jumlah unit layar tersembunyi berbeda.
No Unit Hidden
Layer
Error Lama Pelatihan
α
(Learning Rate)
Epoch/iterasi
c. Pengujian terhadap pola citra tanda-tangan dengan satu buah pola
pelatihan yang digunakan pada proses pembelajaran .
Tabel 8. Pengujian dengan satu pola yang digunakan dalam proses pembelajaran .
NO Nama Pemilik
Tingkat Keberhasilan pola pelatihan
Tingkat Keberhasilan Pola Pengujian
(71)
d. Pengujian terhadap pola citra tanda-tangan dengan lima buah pola
pelatihan yang digunakan pada proses pembelajaran .
Tabel 9. Pengujian dengan lima pola yang digunakan dalam proses pembelajaran .
NO Nama Pemilik
Tingkat Keberhasilan pola pelatihan
Tingkat Keberhasilan Pola Pengujian
(1)
53
d. Pengujian terhadap pola citra tanda-tangan dengan lima buah pola pelatihan yang digunakan pada proses pembelajaran .
Tabel 9. Pengujian dengan lima pola yang digunakan dalam proses pembelajaran .
NO Nama
Pemilik
Tingkat Keberhasilan pola pelatihan
Tingkat Keberhasilan Pola Pengujian
(2)
92
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan, maka dapat disimpulkan:
1. Sistem pengenalan pola tanda-tangan merupakan sistem yang dapat dirancang untuk mengenali pola tanda-tangan yang serupa dengan menampilkan persentase kecocokan.
2. Pengenalan pola dilakukan dengan pencocokan nilai representasi input pola pengujian terhadap pola pelatihan, sistem akan mampu mengenali pola masukkan jika persentase kecocokan atau kemiripan mencapai 60% atau lebih. 3. Lamanya waktu pelatihan ditentukan oleh besarnya nilai laju pemahaman dan
banyaknya jumlah unit pada lapisan tersembunyi.
4. Sistem memiliki pelatihan dengan waktu tercepat yaitu 14 detik dengan nilai laju pemahaman 0.3 dan banyaknya unit layar tersembunyi 10.
5. Semakin banyak jumlah pola citra tanda-tangan yang digunakan pada proses pelatihan, akan membuat sistem semakin besar kemungkinan untuk mengenali setiap pola luaran yang diujikan.
6. Jika pola pelatihan sebanyak 1 buah, maka sistem mampu mengenali pola luaran sebesar 50% sedangkan dengan pola pelatihan 5, sistem mampu mengenali pola tanda-tangan luaran sebesar 70%.
(3)
93
B. Saran
Berikut ini adalah saran dari penulis agar dimasa yang akan datang sistem ini dapat dibuat jauh lebih baik lagi.
1. Proses deteksi batas terkadang mengalami kesalahan dengan memotong citra tidak tepat pada batas akhir tanda-tangan karena disebabkan oleh terjadinya noise pada proses pemindaian, diharapkan nantinya setelah proses pemindaian dilakukan citra digital yang dihasilkan dibersihkan dengan mengedit citra tanda-tangan digital.
2. Proses pengambilan nilai representasi input lebih tepat sesuai dengan yang diharapkan dan tidak terjadi kesalahan pembacaan kedalaman nilai piksel. 3. Sistem jaringan saraf tiruan dalam penelitian dibuat dengan satu layar
tersembunyi, diharapkan kedepnnya sistem memiliki lebih dari satu layar tersembunyi.
4. Jumlah pola pelatihan diperbanyak untuk meningkatkan keberhasilan sistem dalam mengenali pola tanda-tangan luaran yang diujikan.
(4)
DAFTAR PUSTAKA
Balza, A., dan Kartika, F. 2005. Teknik Pengolahan Citra Digital menggunakan
Delphi. Ardi Publishing. Yogyakarta.
Basuki, A. 2006. Image Formation. http://lecturer.eepisits. edu/ ~ basuki/lecture/ sesi2citra.pdf.diakses tanggal 3 Desember 2013.
Fanindia. 2013. Jaringan Saraf Tiruan Propagasi Balik Tiga Faktor Dalam Pengenalan Sidik Jari. Skripsi. Medan: Universitas Sumatera Utara.
Gonzales, Rafael C., Richard E. Woods. 2003. Digital Image Processing. USA: Addison-Wesley Publishing Company Inc.
Hamzah, A. 2001. Pengenalan Pola dengan Fuzzy Clustering. Academia Ista Vol
4 No1. Yogayakarta: Lembaga Penelitian Institut Sains dan Teknologi
AKPRIND.
Haykin, S. 1999. Neural Networks A Comprehensive Foundation. 2nd edition. Prentice Hall.
Heaton, J. 2008. Introduction to Neural Networks with Java. 2ndEdition. New York: Heaton Research, Inc.
Hermawan, A., 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit Andi
Hidayatno, A., Isnanto, R. R., & Buana, D. K. W. 2008. Identifikasi Tanda-Tangan Menggunakan Jaringan Saraf Tiruan Perambatan-Balik (Backpropagation). Jurnal Teknologi Vol 1 No 2, hal 100-106.
Jain, Anil K., dkk. 2004. Data Clustering : 50 Years Beyond K-Means. Michigan 48824 USA: Department of Computer Science & Engineering Michigan State University East Lansing.
Maqrifad, P. 2010. Analisis Perbandingan Pendeteksi Garis Tepi Pada Citra Digital Antara Metode Edge Linking Dan Operator Sobel. Skripsi. Medan: Universitas Sumatera Utara.
(5)
Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Penerbit Informatika.
Pittas, I. 1993. Digital Image Processing Algoritms, Prentice Hall International (UK) Ltd.
Pujiyanta, Ardi. 2009. Pengenalan Citra Objek Sederhana Dengan Jaringan Saraf Tiruan Metode Perceptron. Jurnal Informatika Vol 5 No 1.
Purnomo HM, Kurniawan A. 2006. Supervised Neural Network dan Aplikasinya. Yogyakarta: Graha Ilmu.
Putra, D. 2010. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi.
Putu, 2010. Image Thresholding/Pengambangan Citra. http//Computer Technology and Entertaintment Image Processing .blogspot.com/ 2010. blogspot.com. Diakses pada tanggal 20 Desember 2013 pukul 16. 10 WIB.
Puspitaningrum, Dyah. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
Riadi. 2001. Jaringan Syaraf Tiruan Untuk Pengenalan Tanda Tangan. Skripsi. Bogor: Institut Pertanian Bogor.
Sahtoni. 2012. Akuisisi Dan Analisis Sistem Pengenalan Karakter Pada Citra Plat Nomor Kendaraan Menggunakan Metode Template Matching. Skripsi. Bandar Lampung: Universitas Lampung.
Sediyono, E., Nataliani, Y., Rorimpandey, C.M. 2009. Klasifikasi Sidik Jari dengan Menggunakan Metode Wavelet Symlet. Jurnal Informatika Vol 5 No 2.
Siang, Jong Jek. 2009. Jaringan Syaraf Tiruan & Pemrogramannya
Menggunakan Matlab. Yogyakarta: Andi Offset.
Nugroho HF. 2005. Pengenalan Wajah dengan JST Backpropagation. SNATI. Yogyakarta.
Simanjuntak, H. 2011. Pengertian Citra dan Pembentuk Citra. http://contohdanfungsi.blogspot.com/2011/03/pengertian-citra.html.
diakses tanggal 3 Desember 2013.
Sutoyo, T., Mulyanto, E., Suhartono, V., Nurhayati, D.O., Wijanarto. 2009. Teori
(6)
Wiliyana. 2012. Perbandingan Algoritma Arithmetic Dengan Geometric Mean Filter Untuk Reduksi Noise Pada Citra. Skripsi. Medan: Universitas Sumatera Utara.