APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA JARINGAN SARAF TIRUAN BACKPROPAGATION

Seminar Nasional Informatika 2014

APLIKASI GRAFOLOGI MENGGUNAKAN ALGORITMA
JARINGAN SARAF TIRUAN BACKPROPAGATION
Arwin Halim, Humuntal Rumapea, Deny Saputra G, Sutan Chairul Hasbi L
1

Program Studi Teknik Informatika, STMIK Mikroskil Medan
Jl. Thamrin No. 112, 124, 140 Medan, Sumatera Utara
arwin@mikroskil.ac.id, hrumapea16@yahoo.com, manik.ginting@yahoo.com, hasby_sutan@yahoo.com

Abstrak
Grafologi merupakan salah satu cabang ilmu psikologi yang mempelajari tentang karakter / sifat seorang
manusia melalui pola tulisan tangannya. Dalam menganalisa tulisan tangan, seorang grafolog (ahli grafologi)
membutuhkan waktu yang relatif lama. Sehingga pekerjaan ini dapat diefisienkan dengan membangun suatu
aplikasi grafologi menggunakan kecerdasan buatan (Artificial Intelligence). Backpropagation merupakan
algoritma Jaringan Saraf Tiruan (JST) yang digunakan untuk pengenalan pola pada citra digital. Algoritma
backpropagation akan menentukan nilai bobot - bobot pada proses pelatihan kemudian disimpan ke dalam
database. Nilai bobot tersebut akan digunakan pada proses pengujian. Sebelum informasi citra diproses oleh
algortima maka terlebih dahulu dilakukan proses noise filtering, binerisasi, cropping, dan resizing sehingga
akan dihasilkan citra pola untuk masing - masing huruf. Setiap citra huruf akan dilakukan ekstraksi pola

(feature extraction) yang menghasilkan 100 bit data dan akan dilatih dengan menggunakan algortima
backpropagation. JST bakcpropagation dilatih dengan menggunakan 170 citra huruf dari 7 abjad yaitu a, g, i,
j, o, t, dan y dengan kategori huruf yang berbeda dan diuji dengan 255 citra huruf yang terdiri atas 170 huruf
data latih / data set dan 85 huruf di luar data set, 5 kata dan 2 kalimat dengan panjang tulisan dan jenis tulisan
yang berbeda.
Kata kunci : Grafologi, Jaringan Saraf Tiruan, Backpropagation
1.

Pendahuluan

Teknik identifikasi biometrik didasarkan
pada karakteristik alami manusia, yaitu
karakteristik fisiologis dan karakteristik perilaku
seperti wajah, sidik jari, suara, telapak tangan, iris
mata, retina mata, DNA, dan tulisan tangan. Pola
tulisan tangan yang ditulis oleh setiap orang
memiliki keunikan tersendiri. Saat seseorang
menulis dengan gerakan tangan, orang tersebut
didorong oleh alam bawah sadarnya, sehingga
sangat sulit bagi seseorang untuk menulis sama

persis dengan tulisan yang dibuat oleh orang lain.
Ilmu yang mempelajari karakter seseorang dengan
cara menganalisa tulisan tangannya disebut
grafologi.
Menurut penelitian Nugroho [1], keakuratan
dari hasil analisa grafologi terhadap karakteristik
seseorang mencapai 80% - 90%. Untuk
menganalisa tulisan tangan seseorang dibutuhkan
seorang ahli grafologi (grafolog). Dalam
pekerjaannya, seorang grafolog membutuhkan
waktu yang relatif lama untuk menganalisa tulisan
tangan seseorang. Hal ini dikarenakan grafolog
harus menganalisis tulisan seseorang dengan teliti
berdasarkan ukuran huruf, kategori setiap huruf
dengan kombinasi huruf yang berbeda-beda pada
setiap huruf, kata dan kalimat. Kesalahan pada
analisis huruf yang diakibatkan oleh human-error
dari grafolog dapat berakibat pada kesalahan hasil

analisis grafologi mengenai karakteristik sifat

seseorang. Oleh karena itu, diperlukan sebuah
aplikasi yang mampu menganalisa pola tulisan
berdasarkan ukuran huruf dan kategori huruf yang
dapat digunakan untuk mendeteksi karakteristik
sifat seseorang berdasarkan tulisan tangan
tersebut. Huruf pada tulisan tangan yang
dianalisis dapat berupa satu huruf (karakter), satu
kata atau sebuah kalimat.
Proses pengenalan pola huruf pada tulisan
tangan dapat dianalisis dengan menggunakan
kecerdasan buatan. Hasil tulisan tangan pada
kertas di-scan terlebih dahulu untuk diolah
menjadi suatu citra digital. Setiap citra huruf
dilakukan proses ekstraksi pola (feature
extraction) dan hasil ekstraksi pola akan dilatih
dan dapat dikenali dengan menggunakan jaringan
saraf tiruan. Salah satu algoritma dalam JST yang
dapat digunakan untuk pengenalan pola adalah
backpropagation. Dengan membangun aplikasi
pengenalan pola tulisan tangan menggunakan

algoritma
backpropagation,
kita
dapat
mendapatkan hasil analisis grafologi dengan
waktu yang lebih efisien. Pada penelitian ini
dibangun sebuah aplikasi grafologi yang mampu
menganalisa tulisan tangan yang ditulis dengan
huruf kecil tidak bersambung. Aplikasi dapat
menganalisa huruf berdasarkan ukuran dan
kategori huruf. Selain itu, proses analisis karakter

351

Seminar Nasional Informatika 2014

orang berdasarkan tulisan tangan dapat dilakukan
melalui kalimat yang dituliskan.
2.

Kajian Pustaka
2.

2.1 Citra
Citra (image) adalah gambar pada bidang
dwimatra (dua dimensi). Ditinjau dari sudut
pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada
bidang dwimatra. Citra sebagai keluaran dari
suatu sistem perekaman data dapat bersifat optik
berupa foto, analog berupa sinyal video seperti
gambar pada monitor televisi dan digital yang
dapat langsung disimpan pada suatu pita magnetik
[2].
2.2 Grafologi
Secara etimologis, kata grafologi berasal
dari bahasa yunani, yaitu “grapho” yang berarti
menulis, dan “logos” yang berarti sebuah cabang
studi ilmiah. Sehingga grafologi dapat diartikan
sebagai suatu cabang ilmu yang mempelajari dan

menganalisis tulisan tangan yang secara khusus
berkaitan dengan psikologis manusia [3]. Tulisan
tangan yang dapat dianalisis dalam grafologi
antara lain ukuran (besar dan kecil) tulisan dan
kategori huruf [1,4,5].
a.

b.
1.

352

Ukuran Huruf
Ukuran merupakan cerminan dari konsentrasi
dan keterbukaan seseorang. Berikut adalah
penganalisaan berdasarkan ukuran huruf :
1. Ukuran Huruf Besar. Ukuran huruf besar
menunjukkan seseorang memerlukan
pengakuan dari orang lain. Orang ini
senang untuk diperhatikan dan dipuji.

2. Ukuran Huruf Kecil. Jika seseorang
menulis dengan ukuran huruf kecil,
berarti orang itu memiliki konsentrasi
yang baik dalam rentang waktu yang
panjang terhadap suatu hal. Individu
dengan ukuran huruf kecil biasanya
menempatkan diri dibawah kontrol yang
ketat dan mampu menyelesaikan
pekerjaannya dengan baik.
3. Ukuran Huruf Normal. Apabila tulisan
seseorang berukuran normal maka
kepribadiannya dianggap stabil.
Kategori Huruf
Huruf “i”
- Huruf “i” dengan titik berada disebelah
kanan. Menunjukkan perhatian yang fokus
ke masa depan.
- Huruf “i” dengan titik berada di sebelah
kiri. Menunjukkan fokus perhatian pada
masa lalu dan membutuhkan waktu dalam

berproses dan berpikir.

3.

4.

5.

6.

7.

- Huruf “i” dengan titik berada tepat di atas
batang. Menunjukkan fokus penulis pada
kondisi yang sekarang sedang dijalani dan
memiliki pribadi yang stabil dan sabar.
Huruf “a”
- Huruf “a” terbuka di atas. Seorang yang
fasih dalam berbicara, bahkan kadang kala
berbicara tanpa terlebih dahulu berpikir apa

yang akan dibicarakan, dermawan, jujur
dan tulus.
- Huruf “a” tertutup rapat. Mengindikasikan
seseorang yang tertutup dalam hal yang
berhubungan dengan perasaan. Individu ini
akan jujur dan terus terang jika ditanya
mengenai pendapatnya.
- Huruf “a” balok. Mengindikasikan
individu yang termasuk kedalam golongan
yang menyukai bidang seni, musik, budaya
dan sastra.
Huruf “t”
- t-bar naik ke atas. Menunjukkan individu
yang optimis, dinamis, dan termotivasi.
Selain itu menggambarkan pribadi yang
bersemangat, percaya diri, dan antusias.
- t-barHorizontal. Menunjukkan individu
yang tenang, dapat mengendalikan diri
dalam berfikir dan bertindak.
- t-barMenurun. Menunjukkan individu

yang suka bergantung pada orang lain,
mudah putus asa dan pasrah, serta kurang
termotivasi
Huruf “o”
- Huruf
“o” tertutup. Mengindikasikan
seseorang yang terkadang suka memotong
Pembicaraan.
- Huruf “o” tidak tertutup penuh / terbuka.
Mengindikasikan seseorang yang suka
berkata bohong
Huruf “j”
- Huruf “j” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keinginannya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “j” tanpa titik. Menunjukkan penulis
adalah seorang yang pelupa.
Huruf “g”

- Huruf “g” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keinginannya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “g” garis lurus. Menunjukkan
individu yang mandiri dan percaya diri.
Huruf “y”
- Huruf “y” dengan loop. Mencerminkan
pribadi yang punya keinginan, pasti
terwujud dan apabila meraih keingin-

Seminar Nasional Informatika 2014

annya memerlukan waktu yang lama, maka
akan menjadi beban pikirannya (Kekuatan
motivasi untuk meraih "sukses").
- Huruf “y” garis lurus. Menunjukkan
penulis yang berkepribadian mandiri dan
materialism.
2.3 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (JST) merupakan suatu
sistem pemrosesan informasi yang memiliki
karakteristik - karakteristik menyerupai jaringan
saraf biologi. JST dibentuk sebagai generalisasi
model matematika dari jaringan saraf biologi,
dengan asumsi bahwa [6] :
1. Pengolahan informasi terdiri dari elemen elemen sederhana yang disebut neuron /
simpul.
2. Setiap simpul tersebut berfungsi untuk
menerima atau mengirim sinyal dari atau ke
simpul - simpul lainnya melalui hubungan
koneksi.
3. Tiap hubungan koneksi mempunyai nilai
bobot sendiri. Nilai bobot ini menyediakan
informasi yang akan digunakan oleh jaringan
untuk memecahkan masalah.
4. Tiap simpul mempergunakan fungsi aktivasi
terhadap input yang diterimanya untuk
menentukan sinyal keluaran.

2.4 Algoritma Backpropagation
Backpropagation merupakan suatu teknik
pembelajaran atau pelatihan yang paling banyak
digunakan dalam menangani masalah pengenalan
pola - pola kompleks. Ketika jaringan diberikan
pola masukan sebagai pola pelatihan, maka
pola
tersebut
menuju unit - unit lapisan
tersembunyi untuk selanjutnya diteruskan pada
unit - unit di lapisan keluaran. Kemudian unit unit lapisan keluaran akan memberikan respon
sebagai keluaran JST. Saat hasil keluaran tidak
sesuai dengan yang diharapkan, maka keluaran
akan disebarkan mundur (backward) pada lapisan
tersembunyi kemudian dari lapisan tersembunyi
menuju lapisan masukan [6].
Kemapuan komputasi dari backpropagation
sebagai pola universal dikembangkan menjadi 3
kelompok lapisan perceptron:
1. Lapisan input, yang terdiri dari 1 hingga n
unit input.
2. Lapisan tersembunyi (minimal 1 buah), yang
terdiri dari 1 hingga p unit tersembunyi.
3. Lapisan output, yang terdiri dari 1 hingga n
unit output.
Gambar 1 menunjukkan contoh arsitektur
backpropagation dengan 3 unit masukan X1, Xi,
Xn, 3 unit layer tersembunyi Z1, Zj, Zp dan 2 unit
keluaran Y1, Yk, Ym

Gambar 1. Arsitektur Backpropagation
Algoritma Pelatihan Backpropagation meliputi 3
fase, antara lain:
1. Tahap umpan maju (feedforward)
Pola masukan dihitung maju mulai dari layar
masukan hingga layar keluaran menggunakan
fungsi aktivasi yang ditentukan.
2. Tahap umpan mundur (backpropagation)
Selisih antara keluaran jaringan dengan target
yang diinginkan merupakan kesalahan yang
terjadi. Kesalahan tersebut dipropagasikan
mundur, dimulai dari garis yang berhubungan
langsung dengan unit - unit di layar keluaran
3. Tahap pengupdatean bobot dan bias.
Pada fase ini dilakukan modifikasi bobot
untuk menurunkan kesalahan yang terjadi.
Ketiga fase tersebut diulang - ulang terus
hingga kondisi penghentian dipenuhi.

3.

Metode Penelitian

Tahapan pengembangan aplikasi grafologi
dengan algoritma backpropagation adalah:
1. Pengumpulan data
Data yang dikumpulkan dalam penelitian
berupa data tulisan tangan dalam bentuk
sampel huruf, kata dan kalimat. Setiap data
akan digitalisasi untuk dijadikan sebagai data
training dan data testing.
2. Analisis
Pada tahapan ini dilakukan kajian terhadap
semua teori dan penelitian lain yang
mendukung untuk pengembangan aplikasi
grafologi yang dilakukan. Tahapan ini
mencakup analisis proses pengenalan
grafologi dengan algoritma backpropagation.
3. Desain dan implementasi
Pada tahapan ini dilakukan pengembangan
sistem berdasarkan hasil analisis yang telah
dilakukan sebelumnya.
4. Pengujian dan hasil
Pada tahapan ini dilakukan pengujian
terhadap aplikasi yang telah dikembangkan
untuk mengetahui keakuratan aplikasi
grafologi dengan algoritma backpropagation.
Tahapan pengenalan grafologi dengan
algoritma backpropagation pada penelitian ini
terbagi menjadi beberapa subproses yaitu:
1. Proses Noise Filtering

353

Seminar Nasional Informatika 2014

2.

3.

4.

5.

6.

4.

Metode noise filtering yang digunakan dalam
aplikasi ini yaitu metode pixel neighborhood.
Pixel neighborhood merupakan istilah dalam
image processing yang artinya pixel tetangga.
Proses Binerisasi
Hasil dari proses noise filtering menyebabkan
citra menjadi kabur, sehingga dilakukan
proses binerisasi agar informasi pixel pada
citra menjadi jelas kembali. Untuk
menjalankan proses binerisasi dilakukan
proses grayscale terlebih dahulu
Proses Croping (segmentasi karakter)
Proses croping dilakukan untuk memisahkan
setiap pola huruf yang ada di dalam citra
menjadi citra huruf yang baru. Untuk
menentukan posisi dari huruf yang akan di
crooping, maka akan dilakukan 2 tahapan
yaitu penelusuran secara vertikal dan
penelusuran secara horizontal.
Proses resizing
Masing - masing citra huruf yang baru akan
melalui proses resizing. Proses resizing
dilakukan dengan mengubah ukuran setiap
citra huruf menjadi ukuran 10 x 10 pixel.
Proses ekstraksi pola
Proses ekstraksi pola bertujuan untuk
mengubah nilai dari setiap pixel menjadi 0
atau 1. Ekstraksi pola untuk masing - masing
citra huruf menghasilkan 100 bit data dan
akan dipakai pada proses pelatihan dan
proses pengujian.
Algoritma backpropagation
Aloritma backpropagation mempunyai dua
tahapan yaitu proses pelatihan dan proses
pengujian. Sebelum melakukan proses
pengujian harus dilakukan proses pelatihan
terlebih dahulu. Pada proses pelatihan, semua
data pola yang telah disimpan kedalam data
set akan dilatih secara bersamaan. Pada
proses pengujian, semua pola yang telah
disimpan di dalam database akan diambil
kembali dan dihitung dengan nilai input dari
data yang diuji.

Hasil dan Pengujian

Perangkat lunak dirancang menggunakan
Microsoft Visual Basic 2008 dan SQL Server
2008 R2 digunakan sebagai basis data (database)
serta DotNetBar, sebagai tools tambahan untuk
mendesain antarmuka aplikasi.
4.1 Hasil
Tampilan form pelatihan aplikasi grafologi
dapat dilihat pada Gambar 2. Pada penelitian ini,
aplikasi telah melakukan proses pelatihan untuk
170 huruf dari 17 kategori, dimana setiap kategori
terdiri dari 10 huruf. Setiap huruf yang dilatih

354

digunakan untuk mendapatkan hasil analisis
grafologi seperti yang telah dijelaskan pada
Bagian 2.2.

Gambar 2. Tampilan Proses Pelatihan Aplikasi
Grafologi dengan Algoritma Backpropagation
Tampilan form pengujian aplikasi grafologi dapat
dilihat pada Gambar 3.

Gambar 3. Tampilan Proses Pengujian
Aplikasi Grafologi dengan Algoritma
Backpropagation
4.2 Pengujian
4.2.1 Pengujian Per-Huruf
Tabel 1 menunjukkan hasil pengujian per
huruf citra tulisan tangan terhadap 255 citra huruf
yang terdiri dari 170 data set dan 85 huruf (diluar
data set) dari 17 kategori dengan masing – masing
kategori sebanyak 5 huruf.
Tabel 1. Hasil Pengujian Per-Huruf
Test
Test
(data
Huruf Dataset Diluar (datatrain)
diluar)
A
30
15
100%
73%
G
20
10
95%
70%
I
30
15
93%
80%
J
20
10
80%
70%
O
20
10
95%
80%
T
30
15
90%
73%
Y
20
10
90%
70%
92%
74%
Rata-rata
Dari data pengujian per-huruf secara keseluruhan
data (170 data set dan 85 data diluar) dapat
disimpulkan bahwa nilai keakuratan aplikasi
grafologi menggunakan algoritma jaringan saraf
tiruan backpropagation untuk data set mencapai
92 % dan data diluar mencapai 74 %.

Seminar Nasional Informatika 2014

4.2.2 Pengujian Per-Kata
Tabel 2 menunjukkan hasil pengujian per
kata berdasarkan hasil citra tulisan tangan
terhadap 5 sample kata yang berbeda.

backpropagation berdasarkan huruf yang diamati
mencapai 67.75 % dan secara keseluruhan
mencapai 84 %.
5.

No

Tabel 2. Hasil Pengujian Per-Kata
Huruf yang
Kata
Overall
diamati

1

60 %

67 %

3

75 %
67 %

85 %
85 %

4

75 %

83 %

67%

85%

68,8%

81%

2

5
Rata-rata

Dari data pengujian per-kata secara
keseluruhan data (5 data uji) dapat disimpulkan
bahwa nilai keakuratan aplikasi grafologi
menggunakan algoritma jaringan saraf tiruan
backpropagation berdasarkan huruf yang diamati
mencapai 68.8 % dan secara keseluruhan
mencapai 81 %.
4.2.3 Pengujian Per-Kalimat
Data pengujian per-kalimat berupa dua
sampel tulisan dengan jenis dan panjang kalimat
yang berbeda dapat dilihat pada Gambar 4.

Beberapa kesimpulan yang dapat ditarik dari
hasil pengujian yang telah dilakukan antara lain:
1. Aplikasi grafologi menggunakan JST
Backpropagation mampu mengenali pola
ukuran
huruf
dan
kategori
huruf
’i’,’a’,’t’,’o’,’j’,’g’,’y’ serta pola hurufnya,
yang dapat digunakan untuk mendeteksi
karakteristik seseorang.
2. Adanya tingkat kemiripan pola antara huruf
yang satu dengan yang lain seperti: i titik di
tengah dengan i titik di kiri dan kanan, a
terbuka dengan a tertutup, o terbuka dengan
u, t-bar mendatar dengan t¬-bar naik dan
turun, serta huruf l dengan i, menyebabkan
aplikasi grafolog sulit untuk membedakan
pola hurufnya.
3. Hasil pengujian aplikasi grafolog dengan
algoritma JST Backpropagation yang
dibangun, mampu mendeteksi huruf untuk
analisis
grafologi
dengan
rata-rata
keakuratan sebesar 74% per-huruf, 68% perkata dan 67% per-kalimat untuk huruf yang
berada didalam dan diluar dataset pelatihan.
Daftar Pustaka
[1]
[2]
[3]

Gambar 4. Dua Data Sampel Pengujian PerKalimat

[4]

Tabel 3 menunjukkan hasil pengujian per
kalimat berdasarkan hasil citra tulisan tangan
terhadap dua sample pada Gambar 4.
Tabel 3. Hasil Pengujian Per-Kalimat
Huruf yang
No
Kalimat
Overall
diamati
Saya membuat
1
62.5%
83%
laporan
Analisa tulisan
2
73%
85%
tangan
Rata-rata
67.75%
84%

Kesimpulan

[5]

[6]

Nugroho, Kartiko., 2012, 1 Jam Belajar
Grafologi, Semarang, Effhar Offset.
Munir, R., 2004, Pengolahan Citra Digital,
Informatika, Bandung.
Achsinfina., 2008, Menguak Rahasia
Tulisan Tangan, Jakarta, Puspa Populer.
Shofiyati
Nur
Karimah.,
2012,
Pengembangan Prototipe Aplikasi Grafologi
Terkomputerisasi Menggunakan Algoritma
Jaringan
Saraf
Tiruan
Propagasi,
Yogyakarta, Teknik Informatika/S1, STMIK
AMIKOM.
Amanda Karatika Hubeis, 2012, Analisis
Grafologi Berdasarkan Huruf a Dan t
Menggunakan
Algoritme
K-Nearst
Neighbor, Bogor, Matematika Dan Ilmu
Pengetahuan Alam/S1, Institut Pertanian
Bogor.
Puspitaningrum, Diyah, 2006, Pengantar
Jaringan Saraf Tiruan, Yogyakarta, Penerbit
Andi.

Dari data pengujian per-kalimat secara
keseluruhan data (2 data uji) dapat disimpulkan
bahwa nilai keakuratan aplikasi grafologi
menggunakan algoritma jaringan saraf tiruan

355