Sebagai tambahan, biasanya beberapa data yang sudah diklasifikasikan diasumsikan telah tersedia untuk melatih sistem.
Prapengolahan adalah transformasi masukan data mentah untuk memebantu kemampuan komputasional dan pencari ciri serta untuk mengurangi
derau. Pada prapengolahan citra sinyal yang ditangkap oleh sensor akan dinormalisasi agar citra menjadi lebih siap untuk diolah pada tahap pemisahan
ciri. Kualitas ciri yang dihasilkan pada proses pemisahan ciri sangat bergantung pada hasil prapengolahan.
Gambar 2.2 Struktur Sistem Pengenalan Pola
Klasifikasi merupakan tahap untuk mengelompokkan masukan data pada satu atau beberapa kelas berdasakan hasil pencarian beberapa ciri yang signifikan
dan pemrosesan atau analisis terhadap ciri itu. Setiap kelas terdiri dari sekumpulan objek yang memiliki kedekatan kemiripan ciri. Munir, 2004Putra, 2009
2.3 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-
Prapengola han
Ekstraksi Ciri
Algoritma Kalsifikasi
Pengukuran m
i
Pola data p
i
Klasifikasi Sensor
Universitas Sumatera Utara
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. Putra, 2009
2.4 Jaringan Saraf Tiruan
2.4.1 Pengertian Jaringan Saraf Tiruan
Jaringan saraf tiruan artificial neural network, atau disingkat JST, adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel
saraf biologis di dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak
manusia tersebut.
Selain pengertian di atas, jaringan saraf tiruan dapat diartikan sebagai sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan
saraf biologi. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari jaringan saraf biologi yang didasarkan atas asumsi sebagai berikut
Hermawan, 2006 Puspitaningrum, 2006 Siang, 2009:
Universitas Sumatera Utara
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut 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, setiap neuron menggunakan fungsi aktivasi
biasanya bukan fungsi linier yang dikenakan pada jumlahan masukan yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan
suatu batas ambang.
Karakteristik jaringan saraf tiruan ditentuka n oleh tiga hal: 1.
Pola hubungan antar-neuron disebut dengan arsitektur jaringan. 2.
Metode penentuan bobot-bobot penghubung disebut metode pelatihantraininglearningproses belajar jaringan.
3. Fungsi aktivasi.
Adapun cara belajar jaringan saraf tiruan sebagai berikut Puspitaningrum, 2006:
Ke dalam jaringan saraf tiruan dimasukankan informasi yang sebelumnya telah diketahui hasil keluarannya. Pemasukan informasi ini dilakukan lewat node-node
atau unit-unit masukan. Bobot-bobot antarkoneksi dalam suatu arsitektur diberi nilai awal dan kemudian jaringan saraf tiruan dijalankan. Bobot-bobot ini bagi
jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu
sampai diperoleh yang diharapkan.
Hal yang ingin dicapai dengan melatihmengajari jaringan saraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan
generalisasi. Yang dimaksud dengan kemampuan memorisasi adalah kemampuan jaringan saraf tiruan untuk memanggil kembali secara sempurna sebuah pola yang
telah dipelajari. Kemampuan generalisasi adalah kemampuan jaringan saraf tiruan untuk menghasilkan respon yang bisa diterima terhadap pola-pola masukan yang
Universitas Sumatera Utara
serupa namun tidak identik dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam jaringan saraf tiruan itu
dimasukankan informasi baru yang belum pernah dipelajari, maka jaringan saraf tiruan itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan
keluaran yang paling mendekati.
2.4.2 Algoritma Umum Jaringan Saraf Tiruan
Algoritma pembelajaranpelatihan jaringan saraf tiruan: Dimasukkan n contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan:
1. Inisialisasi bobot-bobot jaringan. Set i=1.
2. Masukkan contoh ke-i dari sekumpulan contoh pembelajaran yang
terdapat dalam set pelatihan ke dalam jaringan pada lapisan masukan. 3.
Cari tingkat aktivasi unit-unit output menggunakan algoritma aplikasi. If
kinerja jaringan memenuhi standar yang ditentukan sebelumnya memenuhi syarat berhenti
Then exit. 4.
Update bobot-bobot dengan menggunakan aturan pembelajaran jaringan. 5.
If i=n, then reset i=1
Else i=i – 1
Ke langkah 2
Algoritma aplikasipengujian jaringan saraf tiruan: Dimasukkan sebuah contoh pelatihan ke dalam jaringan saraf tiruan. Lakukan:
1. Masukkan kasus ke dalam jaringan pada lapisan masukan.
2. Hitung tingkat aktivasi node-node jaringan.
3. Untuk jaringan koneksi umpan maju, jika tingkat aktivasi dari semua unit
keluarannya telah dikalkulasi, maka exit. Untuk jaringan koneksi balik, jika tingkat aktivasi dari semua keluaran menjadi konstan atau mendekati
konstan, maka exit. Jika tidak, kembali ke langkah 2. Jika jaringannya tidak stabil, maka exit dan fail.
Universitas Sumatera Utara
2.4.3 Model Neuron
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan saraf tiruan. Neuron terdiri dari tiga elemen pembentuk:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur
tersebut memiliki bobot kekuatan yang berbeda-beda. Bobot yang bernilai positip 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 jaringan yang terbentuk.
2. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal
yang sudah dikalikan dengan bobotnya.
Misalkan x
1
, x
2
, … , x
m
, adalah unit-unit masukan dan w
j1
, w
j2
, … , w
jm
adalah bobot penghubung dari unit-unit tersebut ke unit keluaran y
j
, maka unit penjumlah akan memberikan keluaran sebesar u
j
= x
1
w
j1
+ x
2
w
j2
+ … + x
m
w
jm
.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari masukan neuron
akan diteruskan ke neuron lain ataukah tidak.
Gambar 2.3 Struktur Unit Jaringan Saraf Tiruan
Unit pengolah j
∑ X
1
X
j2
X
j1
X
jn
X
2
X
n
Masukan Keluaran
Kekuatan hubungan
Universitas Sumatera Utara
Gambar 2.3 menunjukkan contoh suatu neuron atau struktur unit pengolah jaringan saraf tiruan. Pada sisi sebelah kiri terlihat beberapa masukan yang
menuju ke unit pengolah yang masing-masing dating dari unit-unit yang berbeda xn. Setiap sambungan mempunyai kekuatan hubungan terkait bobot yang
disimbolkan dengan wn. Unit pengolah akan membentuk penjumlahan berbobot dari tiap masukannya dan menggunakan fungsi ambang non-linier fungsi
aktivasi untuk menghitung keluarannya. Hasil perhitungan akan dikirimkan melalui hubungan keluaran seperti tampak pada gambar sisi sebelah kanan.
Hermawan, 2006 Siang, 2009
2.4.4 Arsitektur Jaringan Saraf Tiruan
Pembagian arsitektur jaringan saraf tiruan dapat dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan saraf tiruan bisa dilihat dari jumlah
lapisan layer dan jumlah unit sel pada setiap lapisan.
Lapisan-lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:
1. Lapisan masukan
Unit-unit sel di dalam lapisan masukan disebut unit-unit masukan. Unit- unit masukan menerima masukan dari dunia luar. Masukan yang
dimasukkan merupakan penggambaran dari suatu masalah. 2.
Lapisan tersembunyi Unit-unit sel di dalam lapisan tersembunyi disebut unit-unit tersembunyi.
Keluaran dari lapisan ini tidak secara langsung dapat diamati. 3.
Lapisan keluaran Unit-unit sel pada lapisan keluaran disebut unit-unit keluaran. Keluaran
dari lapisan ini merupakan keluaran jaringan saraf tiruan terhadap suatu permasalahan. Puspitaningrum, 2006
Jaringan saraf tiruan dirancang dengan menggunakan suatu aturan yang bersifat menyeluruh general rule dimana seluruh model jaringan memiliki
Universitas Sumatera Utara
konsep dasar yang sama. Arsitektur sebuah jaringan akan menentukan keberhasilan target yang akan dicapai karena tidak semua permasalahan dapat
diselesaikan dengan arsitektur yang sama.
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf tiruan antara lain Hermawan, 2006 Puspitaningrum, 2006 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.
Gambar 2.4 Jaringan Lapis Tunggal
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.
W
nj
W
1j
W
i1
W
11
W
n1
Y
1
Y
j
Y
m
W
ij
W
nm
W
im
W
1m
X
1
X
i
X
n
Universitas Sumatera Utara
Gambar 2.5 Jaringan dengan Banyak Lapisan
3. Jaringan dengan lapisan kompetitif competitive layer network
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Gambar 2.6 Jaringan dengan Lapisan Kompetitif
2.4.5 Kelebihan Jaringan Saraf Tiruan
Jaringan saraf tiruan memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya, yaitu Hermawan, 2006:
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada
gangguan dan ketidakpastian. Hal ini karena jaringan saraf tiruan mampu melakukan generalisasi, abstraksi, dan ekstraksi terhadap properti statistik
dari data. 2.
Kemampuan merepresentasikan pengetahuan secara fleksibel. Jaringan saraf tiruan dapat menciptakan sendiri representasi melalui pengaturan diri
sendiri atau kemampuan belajar self organizing.
V
nj
V
1j
V
i1
V
11
V
n1
Y
1
Y
j
Y
m
V
ij
V
np
V
ip
V
1p
X
1
X
i
X
n
W
pk
W
1k
W
j1
W
11
W
p1
Y
1
Y
k
Y
m
W
jk
W
pm
W
im
W
1m
Z
1
Z
j
Z
p
- є
- є
- є
- є
- є
- є
1 1
1 1
A
1
A
i
A
m
A
j
Universitas Sumatera Utara
3. Kemampuan untuk memberikan toleransi atas suatu distorsi errorfault,
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.
2.4.6 Aplikasi Jaringan Saraf Tiruan
Beberapa aplikasi jaringan saraf tiruan adalah sebagai berikut: 1.
Pengenalan Pola Pattern Recognation Jaringan saraf tiruan dapat dipakai untuk mengenali pola misal huruf,
angka, suara, atau tanda tangan yang sudah sedikit berubah.
2. Signal Processing
Jaringan saraf tiruan model ADALINE dapat dipakai untuk menekan noise dalam saluran telepon.
3. Peramalan
Jaringan saraf tiruan 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
2.4.7 Fungsi Aktivasi
Dalam jaringan saraf tiruan, fungsi akivasi dipakai untuk menentukan keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan kombinasi linier
masukan dan bobotnya. Jika net = ∑ x
i
w
i
, maka fungsi aktivasinya adalah fnet = f
∑ x
i
w
i
.
Universitas Sumatera Utara
Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut Hermawan, 2006 Siang, 2009:
1. Fungsi identitas
fx = x, untuk semua x 2.3
Fungsi identitas sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil bukan hanya pada range [0,1]
atau [-1,1].
2. Fungsi threshold batas ambang
fx = 2.4
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 atau 1, tapi berharga -1 atau 1 sering disebut threshold bipolar.
Jadi,
fx = 2.5
3. Fungsi sigmoid biner
fx = 2.6
Fungsi sigmoid sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dan dapat diturunkan dengan mudah.
f’x = fx 1 – fx 2.7
4. Fungsi sigmoid bipolar
Bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range -1, 1.
1 jika x
≥ 0 1
jika x 0
1 jika x
≥ 0 -1
jika x 0
1 1 + e
-x
Universitas Sumatera Utara
fx = − 1
2.8
dengan turunan f’x = 2.9
2.4.8 Pelatihan Terawasi dan Tidak Terawasi
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 jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat
semirip mungkin dengan jawaban yang benar yang telah diketahui oleh jaringan saraf tiruan.
Pada pelatihan tidak terawasi, atau pelatihan tanpa guru, jaringan saraf tiruan 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 data yang dieksplorasi.
Paradigma pelatihan ini mengorganisasi pola-pola ke dalam kategori-kategori berdasarkan korelasi yang ada. Puspitaningrum, 2006
2.5 Propagasibalik Backpropagation