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.

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.

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

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"i

sa*si

s6uai

d€ogan hulrum yang berlaku

Bmdar

lampn&

ilAeustus 201 4 r:e #l

YI

Z*ihn

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”.

viii

“Ibunda ku yang terhebat dan tiada duanya sepanjang hidupku”

“

Almarhum Ayahanda ku tercinta

”

“

Kakak-kakakku tersayang

yang aku miliki”

“Almamater tercinta”

“.... 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)

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,

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,

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

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

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

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

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

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

xviii

45. Citra tanda-tangan dengan nama kenal Een ... 90

46. 3 buah citra tanda-tangan dengan nama kenal yang sama ... 90

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

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

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

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

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

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

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 ∑ �����

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

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),

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

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)

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

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

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).

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

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)

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

′−

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

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

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

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

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

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,

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

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

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

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

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

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

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

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

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,

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

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

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.

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

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

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,

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.

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

menyisipkan kode dalam menengani kejadian tertentu. Kejadian bisa

dibangkitkan karena beberapa hal, seperti pengklikan mouse, penekanan

tombol keyboard, penutupan jendela, dan sebagainya. Misalnya onClick,

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)

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

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

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

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

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

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

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) =

+�−

-

2

dengan turunan f’(x)

=

+ � − �

…

…….. (3.3) Setelah fungsi aktivasi ditentukan maka selanjutnya program

menjalankan 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 +

∑

�₌ i

v

ij

Zj = f(zinj) =

+ �− �

yink =

w

0k +

∑

�₌ j

w

jk

y

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:

∆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) + ∆wjk

Vij (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

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

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

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

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

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%.

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.

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.

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

Wiliyana. 2012. Perbandingan Algoritma Arithmetic Dengan Geometric Mean Filter Untuk Reduksi Noise Pada Citra. Skripsi. Medan: Universitas Sumatera Utara.