19713 1 10 20180514 Unduh ##common.downloadPdf##
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 11, November 2018, hlm. 4590-4599
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Implementasi Ekstraksi Fitur Jumlah Keypoint Descriptor Pada Pengenalan
Tanda Tangan Dengan Algoritme Learning Vector Quantization
Imada Nur Afifah1, Wayan Firdaus Mahmudy2
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected]
Abstrak
Pengenalan tanda tangan sangat penting untuk proses verifikasi tanda tangan. Salah satu metode
pengenalan tanda tangan adalah implementasi algoritme Learning Vector Quantization (LVQ) pada
pengenalan tanda tangan dengan tambahan ekstraksi fitur menggunakan metode Scale Invariant
Features Transform (SIFT). Dalam proses pelatihan pengenalan tanda tangan digunakan fitur-fitur
seperti nilai maksimum piksel hitam dari histogram horizontal dan vertikal, massa pusat objek,
normalisasi luas objek tanda tangan, rasio aspek, fitur tri surface, fitur Six Fold Surface dan fitur transisi
serta tambahan fitur berupa jumlah keypoint yang didapatkan dari hasil penggunaan metode Scale
Invariant Features Transform (SIFT). Dataset yang digunakan antara lain 100 citra untuk data latih dan
100 citra untuk data uji dari 20 kelas yang berbeda. Serta 25 citra diluar kelas yang dilatih sebagai data
yang tidak dikenali. Hasil pengujian diperoleh 71,2% dari pengujian tanpa threshold, 56% dari
pengujian dengan nilai threshold menggunakan nilai maksimum jarak terpendek antara citra dengan
kelas, 45,6% dari pengujian dengan nilai threshold menggunakan nilai maksimum kedua dari jarak
terpendek antara citra dengan kelas.
Kata Kunci: SIFT, Learning Vector Quantization, LVQ, pengenalan, tanda tangan
Abstract
Signature recognition is important for signature verification process. One of the signature recognition
method is implementation Learning Vector Quantization (LVQ) for signature recognition with
additional method of features extraction using Scale Invariant Features Transform (SIFT). In the train
process, this research used some features such as maximum of black pixel in horizontal and vertical
histogram, center of mass, normalized area of signature, aspect ratio, tri surface feature, the Six Fold
Surface feature, transition feature and additional features called number of keypoints. Number of
keypoints are output of Scale Invariant Features Transform (SIFT) method. The dataset used is 100
images for training data and 100 images for testing data from 20 different classes. And 25 images from
out of trained class as unknown data. The result of algorithm testing is 71,2% from testing of nonthreshold process, 56% from testing process with maximum value of minimum euclidean distance
between data and class as threshold value, 45,6% % from testing process with second maximum value
of minimum euclidean distance between data and class as threshold value.
Keywords: SIFT, Learning Vector Quantization, LVQ, recognition, signature
hukum. Sehingga, pengenalan tanda tangan
sangat penting untuk dilakukan.
Fitur-fitur yang digunakan untuk proses
pengenalan tanda tangan dengan menggunakan
citra antara lain adalah nilai maksimum
histogram piksel horizontal dan vertikal, nilai
pusat massa citra, nilai normalisasi luas area
objek tanda tangan pada citra, rasio aspek, fitur
tri surface, fitur Six Fold Surface, dan fitur
transisi (Kumar, et al., 2013). Secara umum pada
penelitian pengenalan tanda tangan kebanyakan
1. PENDAHULUAN
Tanda tangan merupakan suatu tanda yang
dibuat oleh tangan manusia dan dapat digunakan
sebagai autentikasi seseorang. Setiap manusia
memiliki karakteristik tanda tangan yang
berbeda-beda. Tanda tangan berfungsi sebagai
pemberi ciri atau identifikasi diri seseorang
terhadap suatu akta atau dokumen (Wibowo,
2001). Tanda tangan memiliki kedudukan
Fakultas Ilmu Komputer
Universitas Brawijaya
4590
4591
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menggunakan teknik ekstraksi ciri yaitu metode
keberadaan piksel pada bagian-bagian citra yang
sudah tersegmentasi dan algoritme klasifikasi
yang digunakan beragam salah satunya
backpropagation yang dapat menghasilkan
akurasi sebesar 63% (Rahmi, et al., 2016). Fitur
lain yang digunakan dalam pengenalan tanda
tangan adalah fitur Keypoint Descriptor yang
diperoleh dari metode Scale Invariant Features
Transform (SIFT) dengan hasil klasifikasi
menggunakan k-Nearest Neighbour (kNN)
diperoleh akurasinya antara lain dengan
Euclidean Distance sebesar 63%, Cityblock
Distance sebesar 42,3 %, dan dengan Cosine
Distance sebesar 60,5% (Hilman, 2015).
Algoritme Scale Invariant Features Transform
(SIFT) adalah suatu metode ekstraksi fitur
dengan mengubah suatu citra menjadi vektor
fitur lokal yang kemudian akan digunakan dalam
proses deteksi suatu objek (Lowe, 2004).
Ada beberapa teknik yang telah dilakukan
dalam pengenalan suatu tanda tangan dengan
menggunakan kecerdasan buatan. Teknik
pertama dalam pengenalan tanda tangan adalah
Optical Character Recognition (OCR) yang
memiliki kelemahan yaitu tidak dapat
mendeteksi karakter yang tidak berbentuk atau
tidak dapat dibaca. Metode kedua adalah Model
Pendekatan Hidden Markov (HMM) yaitu model
yang sangat sering digunakan untuk analisis
sekuensial dalam verifikasi tanda tangan.
Metode ini mencapai akurasi sebesar 93,18%
untuk proses identifikasi tanda tangan dari
keseluruhan dataset secara offline (Kalera, et al.,
2004). Metode ketiga adalah Neural Network.
Pada penelitian Kumar (2013), pengenalan tanda
tangan
menggunakan
Backpropagation
memperoleh akurasi sebesar 100% pada
pengujian data latih dan 82% pada pengujian
data uji.
Algoritme Learning Vector Quantization
merupakan salah satu algoritme jaringan saraf
tiruan yang sering diaplikasikan dalam proses
pengklasifikasian suatu objek. Penggunaan
beberapa fitur dari objek dan bobot dari setiap
fitur dapat diambil keputusan yang objek
tersebut akan diklasifikasikan. Inti dari proses
pembelajaran di algoritme Learning Vector
Quantization (LVQ) adalah jika jarak fitur suatu
objek memiliki jarak terdekat dengan kelas
targetnya maka bobot fitur dalam kelas tersebut
didekatkan dengan bobot fitur sebelumnya.
Sebaliknya jika jarak fitur suatu objek memiliki
nilai yang dekat dengan kelas yang bukan kelas
targetnya maka perlu dijauhkan bobot fiturnya
Fakultas Ilmu Komputer, Universitas Brawijaya
dengan bobot fitur sebelumnya. Selanjutnya
bobot yang diperoleh akan digunakan sebagai
perhitungan untuk proses pengujian data uji.
Salah satu penggunaan algoritme Learning
Vector Quantization (LVQ) dalam pengenalan
tanda tangan dan salah satu fitur yang digunakan
adalah deteksi tepi diperoleh akurasi sebesar
98% dari 54 citra tanda tangan sebagai data uji
(Qur'ani & Rosmalinda, 2010). Penggunaan
algoritme Learving Vector Quantization (LVQ)
pada pengenalan tanda tangan dapat
dikombinasikan dengan Self Organizing
Kohonen (SOK) yang fungsi dari penggabungan
dua algoritme ini adalah untuk meningkatkan
kecepatan pembelajaran pada saat tahap
pembelajaran maupun pengujian (Ginting, et al.,
2014).
Berdasarkan perolehan dan penjelasan
referensi yang diperoleh, penulis dengan ini
mengambil judul “Implementasi Ekstraksi Fitur
Jumlah Keypoint Descriptor pada Pengenalan
Tanda Tangan dengan Algoritme Learning
Vector Quantization” untuk dikembangkan pada
penelitian ini.
2. LANDASAN KEPUSTAKAAN
2.1 Image Preprocessing
Tahapan-tahapan yang dilakukan dalam image
preprocessing antara lain:
1. Background Elimination
Background elimination dapat dilakukan
dengan cara melakukan konversi dari citra
bewarna ke citra biner dengan menggunakan
thershold (Kumar, 2012). Sebelum konversi ke
citra biner, citra akan di konversi ke citra
grayscale terlebih dahulu.
Gambar 1 Citra Biner
2.
Image Resizing
Proses image resizing adalah proses
pengubahan ukuran piksel citra. Ukuran citra
yang digunakan adalah 256 x 256 piksel. Proses
ini dilakukan pada citra biner.
4592
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2.2 Ekstraksi Fitur
Beberapa fitur yang diekstraksi yaitu:
1.
Gambar 2 Citra Hasil Resizing
3.
Thinning
Thinning adalah suatu proses untuk
pengambilan kerangka pada suatu objek (Kadir
& Susanto, 2013). Metode Thinning yang dapat
digunakan salah satunya adalah metode ZhangSuen.
Nilai Maksimum dari Histogram Horizontal
dan Vertical
Fitur nilai maksimum dari histogram piksel
horizontal diperoleh dari pehitungan jumlah
seluruh piksel setiap baris dan mengambil nilai
terbesar dari hasil perhitungan jumlah seluruh
piksel setiap baris (Kumar, 2012). Sama dengan
fitur nilai maksimum dari histogram piksel
vertikal yaitu mengambil nilai maksimum dari
kolom yang memiliki jumlah piksel terbesar.
Proses ini menghasilkan 2 fitur.
2.
Nilai Massa Pusat
Pertama citra dibagi menjadi 2 area yang
sama. Perhitungan nilai massa pusat
menggunakan nilai rata-rata koordinat setiap
piksel yang menyusun objek (Kadir & Susanto,
2013). Massa pusat objek memiliki dua nilai
yaitu nilai pada koordinat x dan y. Perhitungan
massa pusat memiliki jumlah fitur sebanyak 4
fitur.
3.
Normalisasi Luas Area Objek
Fitur normalisasi luas objek (tanda tangan)
adalah suatu fitur yang didapatkan dari jumlah
piksel yang menyusul objek dibagi dengan
banyak piksel penyusun citra (Kumar, et al.,
2013).
Normalized Area =
Gambar 3 Citra Hasil Thinning
4.
Cropping
Proses cropping adalah proses pemotongan
citra sesuai dengan panjang dan lebar objek
(Kumar, et al., 2013). Hasil cropping setiap citra
berbeda-beda disesuaikan dengan panjang dan
lebar objek yang ada dalam citra.
jumlah piksel penyusun objek
banyak piksel penyusun citra
(1)
4.
Rasio Aspek
Fitur rasio aspek adalah nilai dari
pembagian nilai maksimum dari histogram
piksel horizontal dengan nilai maksimum dari
histogram piksel vertikal (Kumar, et al., 2013).
RasioAspek =
max dari histogram piksel horizontal
max dari histogram piksel vertikal
(2)
5.
Fitur Three Surface
Fitur three surface merupakan pembagian
satu citra menjadi tiga area, lalu setiap area
dihitung normalisasi luas yang mengandung
susunan objek seperti persamaan (2.6) (Kumar,
et al., 2013). Fitur three surface memperoleh
sebanyak 3 fitur.
Gambar 4 Citra Hasil Cropping
Fakultas Ilmu Komputer, Universitas Brawijaya
6.
Fitur Six Fold Surface
Langkah awal pada fitur six fold surface
adalah membagi citra menjadi tiga area yang
sama. Setiap area ditentukan pusat massanya.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4593
Setelah pusat massa diketahui, selanjutnya
adalah membuat garis horizontal diatas dan
dibawah pusat massa. Output dari fitur six sold
surface adalah 6 fitur yaitu dari setiap nilai
jumlah piksel yang dilewati garis horizontal
(Kumar, et al., 2013).
7.
Fitur Transisi
Fitur transisi akan menghasilkan 10 fitur
(Kumar, et al., 2013). Fitur pertama dan kedua
merupakan rasio dari jumlah kolom yang
mengalami transisi nilai piksel dari 0 ke 1 atau 1
ke 0 dengan jumlah kolom penyusun citra
dengan arah transisi dari kiri ke kanan. Untuk
fitur lainnya perhitungan sama seperti transisi
arah kiri ke kanan akan tetapi arah diganti
menjadi kanan ke kiri, atas ke bawah, bawa ke
atas. Fitur yang terakhir adalah mengitung
jumlah transisi dari 0 ke 1 dan 1 ke 0.
Gambar 5 Hasil Difference of Gaussian
(DoG)
(Lowe, 2004)
2.
3.
8.
Fitur Jumlah Keypoint Descriptor
Fitur jumlah keypoint Descriptor adalah
fitur yang didapatkan dari perhitungan banyak
keypoint descriptor yang didapatkan dari suatu
citra menggunakan metode Scale Invariant
Features Transform (SIFT).
4.
5.
2.3 Scale Invariant Features Transform
(SIFT)
Algoritme Scale Invariant Features
Transform (SIFT) adalah sebuah algoritme
untuk metode ekstraksi fitur pada citra dengan
mengubah citra menjadi fitur lokal yang
kemudian akan digunakan sebagai fitur untuk
mendeteksi objek yang diinginkan (Lowe,
2004). Penguraian tahapan dari metode Scale
Invariant Features Transform (SIFT) dapat
dijelaskan sebagai berikut:
1. Melakukan inisialisasi keypoint yaitu
identifikasi lokasi dan skala dengan
melakukan konvolusi. Lalu membuat skala
ruang dengan tingkatan octave. Satu
penurunan tingkatan octave citra konvolusi
berukuran setengah dari citra pada
tingkatan octave sebelumnya. Langkah
terakhir adalah menghitung Different of
Gaussian (DoG).
Fakultas Ilmu Komputer, Universitas Brawijaya
Menentukan Lokalisasi Keypoint dengan
menggunakan akurasi subpiksel persamaan
ekspansi Taylor. Dan untuk keypoint yang
nilainya tidak memenuhi threshold maka
akan dihapus.
Menentukan Orientasi setiap piksel dalam
citra.
Melakukan deskripsi keypoint dengan
menggunakan penggabungan nilai orientasi
dari piksel 4X4 yang dikelompokkan
berdasarkan nilai batas dari bin yang
digunakan.
Menghitung jumlah deskripsi keypoint yang
didapatkan pada langkah nomor 4 sebagai
jumlah keypoint descriptor pada citra.
2.4 Algoritme Learning Vector Quantization
(LVQ)
Learning Vector Quantization (LVQ)
adalah sebuah algoritme dari jaringan syaraf
tiruan yang digunakan untuk melakukan
pembelajaran pada lapisan kompetitif yang
terwarisi (Qur'ani & Rosmalinda, 2010).
Algoritme Learning Vector Quantization (LVQ)
dapat digunakan untuk proses klasifikasi.
Metode yang dilakukan dapat melalui
pendekatan supervised. Dalam proses klasifikasi
menggunakan LVQ dibutuhkan pembelajaran
sehingga ada data pembelajaran (data training)
dalam metode ini. Hasil yang dikeluarkan pada
proses pembelajaran adalah bobot tiap fitur yang
digunakan dalam data. Nantinya bobot ini akan
digunakan dalam proses pertimbangan dan
pengambilan keputusan dalam proses test (data
test).
Pengambilkan
keputusan
berupa
klasifikasi data test pada klas tanda tangan yang
ada.
Algoritme LVQ dibagi menjadi 3
algoritme yaitu LVQ1, LVQ2, dan LVQ3
(Kohonen, et al., 1996). Langkah-langkah dalam
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4594
pelatihan algoritme LVQ1 (Qur'ani &
Rosmalinda, 2010) adalah sebagai berikut:
1. Menginisialisasi bobot setiap fitur dari setiap
kelas klasifikasi ( wij ), nilai maksimum
iterasi, nilai error minimum, nilai Learning
Rate (α) awal dan nilai pengurang Learning
Rate (α).
2. Memasukkan seluruh nilai input ( xij ) dan
target ( T j ). Nilai input adalah nilai dari
ekstraksi ciri satu data latih yang sudah
ternormalisasi. Dan nilai target adalah nilai
target pada data latih.
3. Menginisialisasi kondisi awal parameter
yaitu nilai epoch atau nilai indeks awal iterasi
dengan nilai 0.
4. Melakukan iterasi dengan syarat iterasi
bejalan jika nilai epoch lebih kecil dari nilai
maksimum iterasi dan nilai learning rate
lebih besar dari nilai error minimum.
Langkah nomor 4 ini, pada saat satu kali
iterasi menjalankan langkah 5-8.
5. Menghitung euclidean distance ( S j ) antara
fitur dengan bobot fitur dalam satu kelas.
S j = xij − wij
(3)
6. Menghitung Nilai minimum dari S j . Dan
menentukan hasil kelas klasifikasi ( C j ), dari
perolehan nilai minimum S j .
7. Memperbarui wij dengan ketentuan:
Jika T j = C j maka
w j (t + 1) = w j (t ) + (t )( x(t ) − w j (t )) (4)
Jika T j ≠ C j maka
w j (t + 1) = w j (t ) − (t )( x(t ) − w j (t )) (5)
8. Mengurangi nilai Learning Rate atau alfa.
(baru) = (lama ) − (dec. * (lama )) (6)
9. Memberhentikan iterasi jika sudah melebihi
syarat iterasi.
3. PERANCANGAN ALGORITMA
Proses penyelesaian masalah pengenalan
tanda tangan menggunakana algoritme Learning
Vector Quantization (LVQ) dengan ekstraksi ciri
menggunakan metode Scale Invariant Features
Transform (SIFT) memiliki langkah awal seperti
yang ditunjukkan pada Gambar 6.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6 Flowchart Metode Scale Invariant
Features Transform (SIFT)
Inisialisasi Keypoint merupakan langkah
awal dalam metode Scale Invariant Features
Transform (SIFT). Inisialisasi Keypoint
didapatkan dari nilai ekstrim hasil perhitungan
Different of Gaussian (DoG). Nilai Ekstrim
adalah nilai maksimum atau minimum.
Selanjutnya adalah Lokalisasi keypoint adalah
sub modul yang digunakan untuk memfilter
keypoint yang akan digunakan. Pertama
menghitung akurasi piksel dengan menggunakan
persamaan ekspansi Taylor. Jika hasil dari
perhitungan kurang dari threshold yaitu 0,03
maka akan dihapus. Orientasi atau arah
ditentukan berdasarkan tiap pikselnya, kecuali
piksel terluar. Orientasi ini nantinya akan
digunakan untuk deskripsi dari keypoint.
Selanjutnya adalah proses pelatihan data
latih dengan menggunakan Learning Vector
Quantization (LVQ) yang ditunjukkan pada
Gambar 7. Pada proses pelatihan, langkah awal
yang dilakukan adalah inisialisasi fitur. Dalam
inisialisasi fitur ini juga dilakukan proses
perhitungan fitur jumlah keypoint dengan
menggunakan Scale Invariant Features
Transform (SIFT). Sebelum inisialisasi fitur,
citra sudah melakukan praproses citra.
Selanjutnya adalah inisialisasi bobot fitur dan
parameter-parameter awal. Proses inisialisasi
bobot fitur menggunakan nilai fitur dari salah
satu citra dari setiap kelas yang dilatih.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4595
maka bobot setiap fitur dalam kelas sistem akan
semakin didekatkan. Sebaliknya jika tidak
sesuai, maka akan dijauhkan. Pada proses update
bobot ini, juga terdapat proses penentuan
Threshold untuk jarak terjauh yang masuk
kedalam kelas tersebut. Proses terakhir adalah
update nilai alfa dengan mengurangi nilai alfa
sebelumnya dikurangi dengan nilai decrement
alfa.
Gambar 8 Flowchart Proses Pengujian
Menggunakan Algoritme Learning Vector
Quantization (LVQ)
Gambar 7 Flowchart Proses Pelatihan
Menggunakan Algoritme Learning Vector
Quantization (LVQ)
Setelah inisialisasi parameter dan fitur serta
bobot fitur, selanjutnya dilakukan proses iterasi
dengan syarat iterasi berhenti jika banyak iterasi
melebihi jumlah maksimum iterasi dan nilai alfa
dibawah nilai error minimum. Di dalam sekali
iterasi dilakukan pencarian jarak terdekat dari
setiap kelas terhadap citra. Jika jarak memiliki
nilai terkecil maka citra akan masuk kedalam
kelas klasifikasi tersebut. Proses selanjutnya
adalah update bobot, dimana kelas klasifikasi
dengan kelas target memiliki hasil yang sama
Fakultas Ilmu Komputer, Universitas Brawijaya
Pada proses pengujian citra uji ditunjukkan
pada Gambar 8, langkah awal sama seperti pada
proses pelatihan yaitu melakukan praproses citra
terhadap citra uji dan inisialisasi fitur citra uji.
Dalam penentuan kelas metode yang digunakan
sama dengan proses latih yaitu mencari nilai
minimum euclidean distance. Akan tetapi bobot
yang digunakan adalah bobot dari hasil
perolehan proses pelatihan yang sudah disimpan
dalam database. Serta dalam proses penentuan
kelas, jika sudah mendapatkan nilai terkecil dari
euclidean distance selanjutnya akan dilakukan
proses pengecekkan antara nilai threshold
dengan nilai euclidean distance minimum yang
diperoleh. Jika nilai euclidean distance yang
4596
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
diperoleh lebih kecil daripada nilai threshold
maka citra uji tersebut masuk kedalam kelas
sesuai dengan nilai minimum threshold tersebut.
Sedangkan, jika nilai euclidean distance yang
diperoleh lebih besar dari nilai threshold maka
citra uji dimasukkan kedalam kelad data yang
tidak dikenali.
4. PENGUJIAN DAN PEMBAHASAN
Pengujian dilakukan dengan menggunakan
225 dataset citra tanda tangan dari 20 orang.
Pengambilan
data
latih
dengan
cara
menggunakan 5 citra dari setiap orang, sehingga
total data latih sebesar 100 citra. Data uji sebesar
100 citra dari sisa dataset yang belum digunakan
untuk data latih. Data tambahan ada 25 citra dari
5 orang yang berbeda yang tidak dimasukkan
dalam proses pelatihan pengenalan tanda tangan.
Data 25 citra ini digunakan untuk pengujian
tanda tangan yang tidak dikenali. Pengujian
dalam penelitian ini dilakukan sebanyak enam
kali.
Gambar 10 Grafik Pengujian Nilai Learning
Rate Awal pada Data Latih
4.3 Pengujian Nilai Pengurang Learning
Rate (Decrement Alfa)
Hasil pengujian nilai pengurang Learning
Rate ditunjukkan pada Gambar 11. Nilai
decrement α merupakan nilai yang digunakan
untuk pengurangan learning Rate, maka analisis
nilai decrement α sama dengan learning Rate
atau alfa. Nilai decrement α diperoleh nilai 0,175
karena nilai akurasi yang tertinggi yaitu 92%.
4.1 Pengujian Variasi Fitur
Pengujian variasi fitur digunakan untuk
menguji besar variasi nilai fitur. Pada Gambar 9
ditunjukkan hasil dari pengujian adalah nilai
standar deviasi fitur tertinggi adalah 0,328 yaitu
pada fitur aspek ratio. Sedangkan nilai standar
deviasi fitur terendah adalah 0,006 yang dimiliki
oleh fitur total transisi piksel bernilai 1 ke 0 dan
0 ke 1 serta transisi dari piksel 1 ke 0 dengan arah
dari bawah citra ke atas citra.
Gambar 11 Grafik Pengujian Nilai
Pengurang Learning Rate (α ) atau
Decrement α
4.4 Pengujian Nilai Maksimum Iterasi
Gambar 9 Variasi Fitur
4.2 Pengujian Nilai Learning Rate Awal
Gambar 10 merupakan grafik dari hasil
pengujian nilai learning rate awal pada data
latih. Nilai alfa atau learning rate mempengaruhi
perubahan bobot dalam proses pelatihan. Nilai
alfa awal yang digunakan adalah 0,15 karena
diperoleh dari akurasi yang tertinggi pada
pengujian nilai Learning Rate.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 12 Grafik Pengujian Nilai
Maksimum Iterasi
Pengujian
nilai
maksimum
iterasi
merupakan pengujian untuk menentukan jumlah
iterasi maksimum pada proses pelatihan. Dari
4597
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
grafik pada Gambar 12 maksimum iterasi pada
proses pelatihan diperoleh sebesar 20 iterasi.
Nilai maksimum iterasi diatas 20 memiliki hasil
akurasi yang stabil yaitu 92%.
4.5 Pengujian Data Uji dengan Nilai
Parameter Optimal
Parameter optimal digunakan untuk proses
klasifikasi data atau perolehan output pada
proses pengujian pada data uji. Nilai parameter
optimal didapatkan dari proses pengujian
sebelumnya pada data latih. Proses pengujian
data uji menggunakan nilai Threshold berupa
nilai maksimum dari semua nilai jarak minimum
per kelas.
Tabel 1 Hasil Pengujian Data Uji dengan
Nilai Parameter Optimal
Percobaan Ke -
Akurasi
1
51
2
51
3
51
4
51
5
51
6
51
7
51
8
51
9
51
10
51
Minimum
51
Maksimum
51
Rata-rata
51
Pada Tabel 1 merupakan hasil pengujian
data uji menggunakan nilai paramter optimal
pada data uji dengan kelas yang sudah dilatih.
Hasil pengujian data uji pada kelas yang sudah
dilatih diperoleh akurasi sebesar 51%.
Tabel 2 Hasil Pengujian Data Uji dengan
Kelas yang Belum Dilatih
Percobaan Ke -
Akurasi (%)
1
76
2
76
3
76
4
76
5
76
Minimum
76
Fakultas Ilmu Komputer, Universitas Brawijaya
Maksimum
76
Rata-rata
76
Pada Tabel 2 data uji yang digunakan
adalah data uji yang kelasnya belum pernah
dilatih oleh sistem. Sehingga output yang valid
dari pengujian data uji ini adalah berupa data
tidak dikenali. Dari pengujian data uji ini
didapatkan akurasi sebesar 76% dari 25 citra uji
kelas yang belum dikenali.
4.6 Pengujian Threshold
Pengujian threshold dilakukan pada nilai
tiga macam nilai threshold. Grafik hasil
pengujian threshold pada setiap data uji
ditunjukkan pada Gambar 13. Hasil pengujian
threshold diperoleh kesimpulan bahwa threshold
dapat mengklasifikasi data yang tidak dikenali.
Dan nilai threshold yang sangat baik untuk
digunakan adalah nilai threshold 2 yaitu nilai
yang berasal dari nilai maksimum kedua jarak
terdekat citra dalam satu kelas.
Gambar 13 Grafik Pengujian Nilai
Threshold
4.7 Pengujian Implementasi Fitur Jumlah
Keypoint Descriptor
Pengujian implementasi fitur jumlah
keypoint descriptor menghasilkan suatu
kesimpulan bahwa penambahan ekstraksi fitur
jumlah keypoint descriptor lebih baik daripada
sistem pengenalan tanda tangan yang hanya
menggunakan fitur fraktal global. Hasil
pengujian ini dibuktikan dengan hasil grafik
yang ditunjukkan pada Gambar 14.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4598
minimum sebesar 1 x 10-10. Parameter
pelatihan didapatkan dari hasil pengujian
secara berurutan.
Gambar 14 Grafik Pengujian Implementasi
Keypoint Descriptor
5. KESIMPULAN
Kesimpulan pada penelitian skripsi ini
antara lain:
1. Dalam penelitian ini proses pengenalan tanda
tangan menggunakan algoritme Learning
Vector Quantization (LVQ). Fitur-fitur yang
digunakan antara lain nilai maksimum piksel
horizontal dan vertikal, nilai pusat massa
objek tanda tangan pada citra, nilai
normalisasi luas objek tanda tangan, nilai
rasio antara nilai maksimum horizontal piksel
dengan vertikal piksel, nilai massa pusat pada
tiga area, jumlah area objek tanda tangan
yang dilewati garis atas dan bawah massa
pusat dari tiga area pembagian citra tanda
tangan, dan sepuluh fitur transisi dari nilai
piksel 0 ke 1 atau 1 ke 0. Proses pelatihan
dilakukan dengan menggunakan parameterparameter yaitu bobot fitur dengan nilai
random, nilai optimal Learning Rate awal,
nilai optimal pengurang nilai Learning Rate,
jumlah iterasi optimal. Nilai optimal
beberapa parameter didapatkan dari hasil
pengujian secara bertahap dari 100 citra latih
dari 10 kelas. Hasil dari proses pelatihan
adalah bobot fitur setiap kelas yang akan
digunakan
dalam
proses
pengujian
pengenalan tanda tangan pada 100 citra uji
dari 10 kelas dan 25 citra uji dengan kelas
yang belum pernah dilatih.
2. Rata-rata akurasi citra yang diperoleh dalam
pengujian adalah 92% untuk data latih,
71,2% untuk data uji tanpa menggunakan
threshold, 56% dari data uji dengan
menggunakan threshold 1 dan 45,6% untuk
data uji dengan menggunakan threshold 2.
Dengan parameter awal pelatihan yaitu nilai
Learning Rate atau α sebesar 0.15, nilai
pengurang α sebersar 0.175, banyak iterasi
awal atau nilai maksimum iterasi pelatihan
sebesar 20 kali iterasi dan nilai error
Fakultas Ilmu Komputer, Universitas Brawijaya
3. Implementasi penggunaan fitur jumlah
keypoint descriptor yaitu dengan cara
menggunakan metode Scale Invariant
Features Transform (SIFT). Kode program
untuk memperoleh nilai jumlah keypoint
descriptor dengan menggunakan library di
OpenCV 3 yaitu detectAndCompute yang
menghasilkan beberapa keypoint descriptor.
Fitur jumlah keypoint descriptor selanjutnya
diproses bersamaan dengan fitur fraktal
global untuk pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization (LVQ).
4. Implementasi ektraksi fitur jumlah keypoint
descriptor pada pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization lebih baik daripada tanpa
menggunakan ekstraksi fitur jumlah keypoint
descriptor. Akurasi yang diperoleh dari
penambahan ektraksi fitur jumlah keypoint
descriptor pada pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization adalah sebesar 92% pada data
latih dan 89% pada data uji. Pengenalan tanda
tangan tanpa menggunakan fitur jumlah
keypoint descriptor diperoleh akurasi sebesar
88% pada data latih dan 88% pada data uji.
6. DAFTAR PUSTAKA
Choudhary, N. Y., Patil, R., Bhadade, U. &
Chaudhari, B. M., 2013. Signature
Recognition & Verification System Using
Back Propagation Neural Network.
International Journal of IT, Engineering
and Applied Sciences Research (IJIEASR),
January, 2(1), pp. 1-8.
Ginting, E., Zarlis, M. & Situmorang, Z., 2014.
Kombinasi Algoritma Jaringan Syaraf
Tiruan Learning Vector Quantization
(LVQ) Dan Self Organizing Kohonen Pada
Kecepatan Pengenalan Pola Tanda Tangan.
Techsi, 4(1), pp. 97-110.
Kadir, A. & Susanto, A., 2013. Teori dan
Aplikasi Pengolahan Citra. 1 ed.
Yogyakarta: ANDI.
Kohonen, T., Hynninen, J., Laaksonen, J. K. J.
& Torkkola, K., 1996. LVQ_PAK: The
Learning Vector Quantization Program
Package. Finland: SF-02150 Espoo.
Kumar, M., 2012. Signature Verification Using
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Neural Network. International Journal on
Computer Science and Engineering
(IJCSE), 4(09), pp. 1498-1504.
Kumar, P., Singh, S., Garg, A. & Prabbat, N.,
2013. Hand Written Signature Recognition
& Verification using Neural Network.
International Journal of Advance Research
in Computer Science and Software
Engineering, 3(3), p. 558.
Lowe, D. G., 2004. Distinctive Image Features
from Scale-Invariant Keypoints.
International Journal of Computer, 60(2),
pp. 91-110.
Prabowo, A., Sarwoko, E. A. & Riyanto, D. E.,
2006. Perbandingan Antara Metode
Kohonen Neural Network dengan Learning
Vector Quantization Pada Pengenalan Pola
Tanda Tangan. Jurnal Sains & Matematika
(JSM), 14(4), p. 147.
Qur'ani, D. Y. & Rosmalinda, S., 2010.
Jaringan Syaraf Tiruan Learning Vector
Quantization untuk Aplikasi Pengenalan
Tanda Tangan. Seminar Nasional Aplikasi
teknologi 2010 (SNATI 2010), p. 8.
Rahmi, A., Wijayaningrum, V. N., Mahmudy,
W. F. & Parewe, A. M. A. K., 2016.
Offline Signature Recognition Using
Backpropagation Neural Network.
Indonesian Journal of Electrical
Engineering and Computer Science, 4(3),
pp. 678 - 683.
Sudarma, M. & Sutramiani, N. P., 2014. The
Thinning Zhang-Suen Application Method
in the Image of Balinese Scripts on the
Papyrus. International Journal of
Computer Applications, 91(1).
Wibowo, A. M., 2001. Naskah akademik
rancangan undang-undang tentang tanda
tangan elektronik dan transaksi elektronik:
laporan penelitian tahap pertama versi
1.04. s.l.:Republik Indonesia.
Fakultas Ilmu Komputer, Universitas Brawijaya
4599
Vol. 2, No. 11, November 2018, hlm. 4590-4599
e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id
Implementasi Ekstraksi Fitur Jumlah Keypoint Descriptor Pada Pengenalan
Tanda Tangan Dengan Algoritme Learning Vector Quantization
Imada Nur Afifah1, Wayan Firdaus Mahmudy2
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: [email protected], [email protected]
Abstrak
Pengenalan tanda tangan sangat penting untuk proses verifikasi tanda tangan. Salah satu metode
pengenalan tanda tangan adalah implementasi algoritme Learning Vector Quantization (LVQ) pada
pengenalan tanda tangan dengan tambahan ekstraksi fitur menggunakan metode Scale Invariant
Features Transform (SIFT). Dalam proses pelatihan pengenalan tanda tangan digunakan fitur-fitur
seperti nilai maksimum piksel hitam dari histogram horizontal dan vertikal, massa pusat objek,
normalisasi luas objek tanda tangan, rasio aspek, fitur tri surface, fitur Six Fold Surface dan fitur transisi
serta tambahan fitur berupa jumlah keypoint yang didapatkan dari hasil penggunaan metode Scale
Invariant Features Transform (SIFT). Dataset yang digunakan antara lain 100 citra untuk data latih dan
100 citra untuk data uji dari 20 kelas yang berbeda. Serta 25 citra diluar kelas yang dilatih sebagai data
yang tidak dikenali. Hasil pengujian diperoleh 71,2% dari pengujian tanpa threshold, 56% dari
pengujian dengan nilai threshold menggunakan nilai maksimum jarak terpendek antara citra dengan
kelas, 45,6% dari pengujian dengan nilai threshold menggunakan nilai maksimum kedua dari jarak
terpendek antara citra dengan kelas.
Kata Kunci: SIFT, Learning Vector Quantization, LVQ, pengenalan, tanda tangan
Abstract
Signature recognition is important for signature verification process. One of the signature recognition
method is implementation Learning Vector Quantization (LVQ) for signature recognition with
additional method of features extraction using Scale Invariant Features Transform (SIFT). In the train
process, this research used some features such as maximum of black pixel in horizontal and vertical
histogram, center of mass, normalized area of signature, aspect ratio, tri surface feature, the Six Fold
Surface feature, transition feature and additional features called number of keypoints. Number of
keypoints are output of Scale Invariant Features Transform (SIFT) method. The dataset used is 100
images for training data and 100 images for testing data from 20 different classes. And 25 images from
out of trained class as unknown data. The result of algorithm testing is 71,2% from testing of nonthreshold process, 56% from testing process with maximum value of minimum euclidean distance
between data and class as threshold value, 45,6% % from testing process with second maximum value
of minimum euclidean distance between data and class as threshold value.
Keywords: SIFT, Learning Vector Quantization, LVQ, recognition, signature
hukum. Sehingga, pengenalan tanda tangan
sangat penting untuk dilakukan.
Fitur-fitur yang digunakan untuk proses
pengenalan tanda tangan dengan menggunakan
citra antara lain adalah nilai maksimum
histogram piksel horizontal dan vertikal, nilai
pusat massa citra, nilai normalisasi luas area
objek tanda tangan pada citra, rasio aspek, fitur
tri surface, fitur Six Fold Surface, dan fitur
transisi (Kumar, et al., 2013). Secara umum pada
penelitian pengenalan tanda tangan kebanyakan
1. PENDAHULUAN
Tanda tangan merupakan suatu tanda yang
dibuat oleh tangan manusia dan dapat digunakan
sebagai autentikasi seseorang. Setiap manusia
memiliki karakteristik tanda tangan yang
berbeda-beda. Tanda tangan berfungsi sebagai
pemberi ciri atau identifikasi diri seseorang
terhadap suatu akta atau dokumen (Wibowo,
2001). Tanda tangan memiliki kedudukan
Fakultas Ilmu Komputer
Universitas Brawijaya
4590
4591
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menggunakan teknik ekstraksi ciri yaitu metode
keberadaan piksel pada bagian-bagian citra yang
sudah tersegmentasi dan algoritme klasifikasi
yang digunakan beragam salah satunya
backpropagation yang dapat menghasilkan
akurasi sebesar 63% (Rahmi, et al., 2016). Fitur
lain yang digunakan dalam pengenalan tanda
tangan adalah fitur Keypoint Descriptor yang
diperoleh dari metode Scale Invariant Features
Transform (SIFT) dengan hasil klasifikasi
menggunakan k-Nearest Neighbour (kNN)
diperoleh akurasinya antara lain dengan
Euclidean Distance sebesar 63%, Cityblock
Distance sebesar 42,3 %, dan dengan Cosine
Distance sebesar 60,5% (Hilman, 2015).
Algoritme Scale Invariant Features Transform
(SIFT) adalah suatu metode ekstraksi fitur
dengan mengubah suatu citra menjadi vektor
fitur lokal yang kemudian akan digunakan dalam
proses deteksi suatu objek (Lowe, 2004).
Ada beberapa teknik yang telah dilakukan
dalam pengenalan suatu tanda tangan dengan
menggunakan kecerdasan buatan. Teknik
pertama dalam pengenalan tanda tangan adalah
Optical Character Recognition (OCR) yang
memiliki kelemahan yaitu tidak dapat
mendeteksi karakter yang tidak berbentuk atau
tidak dapat dibaca. Metode kedua adalah Model
Pendekatan Hidden Markov (HMM) yaitu model
yang sangat sering digunakan untuk analisis
sekuensial dalam verifikasi tanda tangan.
Metode ini mencapai akurasi sebesar 93,18%
untuk proses identifikasi tanda tangan dari
keseluruhan dataset secara offline (Kalera, et al.,
2004). Metode ketiga adalah Neural Network.
Pada penelitian Kumar (2013), pengenalan tanda
tangan
menggunakan
Backpropagation
memperoleh akurasi sebesar 100% pada
pengujian data latih dan 82% pada pengujian
data uji.
Algoritme Learning Vector Quantization
merupakan salah satu algoritme jaringan saraf
tiruan yang sering diaplikasikan dalam proses
pengklasifikasian suatu objek. Penggunaan
beberapa fitur dari objek dan bobot dari setiap
fitur dapat diambil keputusan yang objek
tersebut akan diklasifikasikan. Inti dari proses
pembelajaran di algoritme Learning Vector
Quantization (LVQ) adalah jika jarak fitur suatu
objek memiliki jarak terdekat dengan kelas
targetnya maka bobot fitur dalam kelas tersebut
didekatkan dengan bobot fitur sebelumnya.
Sebaliknya jika jarak fitur suatu objek memiliki
nilai yang dekat dengan kelas yang bukan kelas
targetnya maka perlu dijauhkan bobot fiturnya
Fakultas Ilmu Komputer, Universitas Brawijaya
dengan bobot fitur sebelumnya. Selanjutnya
bobot yang diperoleh akan digunakan sebagai
perhitungan untuk proses pengujian data uji.
Salah satu penggunaan algoritme Learning
Vector Quantization (LVQ) dalam pengenalan
tanda tangan dan salah satu fitur yang digunakan
adalah deteksi tepi diperoleh akurasi sebesar
98% dari 54 citra tanda tangan sebagai data uji
(Qur'ani & Rosmalinda, 2010). Penggunaan
algoritme Learving Vector Quantization (LVQ)
pada pengenalan tanda tangan dapat
dikombinasikan dengan Self Organizing
Kohonen (SOK) yang fungsi dari penggabungan
dua algoritme ini adalah untuk meningkatkan
kecepatan pembelajaran pada saat tahap
pembelajaran maupun pengujian (Ginting, et al.,
2014).
Berdasarkan perolehan dan penjelasan
referensi yang diperoleh, penulis dengan ini
mengambil judul “Implementasi Ekstraksi Fitur
Jumlah Keypoint Descriptor pada Pengenalan
Tanda Tangan dengan Algoritme Learning
Vector Quantization” untuk dikembangkan pada
penelitian ini.
2. LANDASAN KEPUSTAKAAN
2.1 Image Preprocessing
Tahapan-tahapan yang dilakukan dalam image
preprocessing antara lain:
1. Background Elimination
Background elimination dapat dilakukan
dengan cara melakukan konversi dari citra
bewarna ke citra biner dengan menggunakan
thershold (Kumar, 2012). Sebelum konversi ke
citra biner, citra akan di konversi ke citra
grayscale terlebih dahulu.
Gambar 1 Citra Biner
2.
Image Resizing
Proses image resizing adalah proses
pengubahan ukuran piksel citra. Ukuran citra
yang digunakan adalah 256 x 256 piksel. Proses
ini dilakukan pada citra biner.
4592
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2.2 Ekstraksi Fitur
Beberapa fitur yang diekstraksi yaitu:
1.
Gambar 2 Citra Hasil Resizing
3.
Thinning
Thinning adalah suatu proses untuk
pengambilan kerangka pada suatu objek (Kadir
& Susanto, 2013). Metode Thinning yang dapat
digunakan salah satunya adalah metode ZhangSuen.
Nilai Maksimum dari Histogram Horizontal
dan Vertical
Fitur nilai maksimum dari histogram piksel
horizontal diperoleh dari pehitungan jumlah
seluruh piksel setiap baris dan mengambil nilai
terbesar dari hasil perhitungan jumlah seluruh
piksel setiap baris (Kumar, 2012). Sama dengan
fitur nilai maksimum dari histogram piksel
vertikal yaitu mengambil nilai maksimum dari
kolom yang memiliki jumlah piksel terbesar.
Proses ini menghasilkan 2 fitur.
2.
Nilai Massa Pusat
Pertama citra dibagi menjadi 2 area yang
sama. Perhitungan nilai massa pusat
menggunakan nilai rata-rata koordinat setiap
piksel yang menyusun objek (Kadir & Susanto,
2013). Massa pusat objek memiliki dua nilai
yaitu nilai pada koordinat x dan y. Perhitungan
massa pusat memiliki jumlah fitur sebanyak 4
fitur.
3.
Normalisasi Luas Area Objek
Fitur normalisasi luas objek (tanda tangan)
adalah suatu fitur yang didapatkan dari jumlah
piksel yang menyusul objek dibagi dengan
banyak piksel penyusun citra (Kumar, et al.,
2013).
Normalized Area =
Gambar 3 Citra Hasil Thinning
4.
Cropping
Proses cropping adalah proses pemotongan
citra sesuai dengan panjang dan lebar objek
(Kumar, et al., 2013). Hasil cropping setiap citra
berbeda-beda disesuaikan dengan panjang dan
lebar objek yang ada dalam citra.
jumlah piksel penyusun objek
banyak piksel penyusun citra
(1)
4.
Rasio Aspek
Fitur rasio aspek adalah nilai dari
pembagian nilai maksimum dari histogram
piksel horizontal dengan nilai maksimum dari
histogram piksel vertikal (Kumar, et al., 2013).
RasioAspek =
max dari histogram piksel horizontal
max dari histogram piksel vertikal
(2)
5.
Fitur Three Surface
Fitur three surface merupakan pembagian
satu citra menjadi tiga area, lalu setiap area
dihitung normalisasi luas yang mengandung
susunan objek seperti persamaan (2.6) (Kumar,
et al., 2013). Fitur three surface memperoleh
sebanyak 3 fitur.
Gambar 4 Citra Hasil Cropping
Fakultas Ilmu Komputer, Universitas Brawijaya
6.
Fitur Six Fold Surface
Langkah awal pada fitur six fold surface
adalah membagi citra menjadi tiga area yang
sama. Setiap area ditentukan pusat massanya.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4593
Setelah pusat massa diketahui, selanjutnya
adalah membuat garis horizontal diatas dan
dibawah pusat massa. Output dari fitur six sold
surface adalah 6 fitur yaitu dari setiap nilai
jumlah piksel yang dilewati garis horizontal
(Kumar, et al., 2013).
7.
Fitur Transisi
Fitur transisi akan menghasilkan 10 fitur
(Kumar, et al., 2013). Fitur pertama dan kedua
merupakan rasio dari jumlah kolom yang
mengalami transisi nilai piksel dari 0 ke 1 atau 1
ke 0 dengan jumlah kolom penyusun citra
dengan arah transisi dari kiri ke kanan. Untuk
fitur lainnya perhitungan sama seperti transisi
arah kiri ke kanan akan tetapi arah diganti
menjadi kanan ke kiri, atas ke bawah, bawa ke
atas. Fitur yang terakhir adalah mengitung
jumlah transisi dari 0 ke 1 dan 1 ke 0.
Gambar 5 Hasil Difference of Gaussian
(DoG)
(Lowe, 2004)
2.
3.
8.
Fitur Jumlah Keypoint Descriptor
Fitur jumlah keypoint Descriptor adalah
fitur yang didapatkan dari perhitungan banyak
keypoint descriptor yang didapatkan dari suatu
citra menggunakan metode Scale Invariant
Features Transform (SIFT).
4.
5.
2.3 Scale Invariant Features Transform
(SIFT)
Algoritme Scale Invariant Features
Transform (SIFT) adalah sebuah algoritme
untuk metode ekstraksi fitur pada citra dengan
mengubah citra menjadi fitur lokal yang
kemudian akan digunakan sebagai fitur untuk
mendeteksi objek yang diinginkan (Lowe,
2004). Penguraian tahapan dari metode Scale
Invariant Features Transform (SIFT) dapat
dijelaskan sebagai berikut:
1. Melakukan inisialisasi keypoint yaitu
identifikasi lokasi dan skala dengan
melakukan konvolusi. Lalu membuat skala
ruang dengan tingkatan octave. Satu
penurunan tingkatan octave citra konvolusi
berukuran setengah dari citra pada
tingkatan octave sebelumnya. Langkah
terakhir adalah menghitung Different of
Gaussian (DoG).
Fakultas Ilmu Komputer, Universitas Brawijaya
Menentukan Lokalisasi Keypoint dengan
menggunakan akurasi subpiksel persamaan
ekspansi Taylor. Dan untuk keypoint yang
nilainya tidak memenuhi threshold maka
akan dihapus.
Menentukan Orientasi setiap piksel dalam
citra.
Melakukan deskripsi keypoint dengan
menggunakan penggabungan nilai orientasi
dari piksel 4X4 yang dikelompokkan
berdasarkan nilai batas dari bin yang
digunakan.
Menghitung jumlah deskripsi keypoint yang
didapatkan pada langkah nomor 4 sebagai
jumlah keypoint descriptor pada citra.
2.4 Algoritme Learning Vector Quantization
(LVQ)
Learning Vector Quantization (LVQ)
adalah sebuah algoritme dari jaringan syaraf
tiruan yang digunakan untuk melakukan
pembelajaran pada lapisan kompetitif yang
terwarisi (Qur'ani & Rosmalinda, 2010).
Algoritme Learning Vector Quantization (LVQ)
dapat digunakan untuk proses klasifikasi.
Metode yang dilakukan dapat melalui
pendekatan supervised. Dalam proses klasifikasi
menggunakan LVQ dibutuhkan pembelajaran
sehingga ada data pembelajaran (data training)
dalam metode ini. Hasil yang dikeluarkan pada
proses pembelajaran adalah bobot tiap fitur yang
digunakan dalam data. Nantinya bobot ini akan
digunakan dalam proses pertimbangan dan
pengambilan keputusan dalam proses test (data
test).
Pengambilkan
keputusan
berupa
klasifikasi data test pada klas tanda tangan yang
ada.
Algoritme LVQ dibagi menjadi 3
algoritme yaitu LVQ1, LVQ2, dan LVQ3
(Kohonen, et al., 1996). Langkah-langkah dalam
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4594
pelatihan algoritme LVQ1 (Qur'ani &
Rosmalinda, 2010) adalah sebagai berikut:
1. Menginisialisasi bobot setiap fitur dari setiap
kelas klasifikasi ( wij ), nilai maksimum
iterasi, nilai error minimum, nilai Learning
Rate (α) awal dan nilai pengurang Learning
Rate (α).
2. Memasukkan seluruh nilai input ( xij ) dan
target ( T j ). Nilai input adalah nilai dari
ekstraksi ciri satu data latih yang sudah
ternormalisasi. Dan nilai target adalah nilai
target pada data latih.
3. Menginisialisasi kondisi awal parameter
yaitu nilai epoch atau nilai indeks awal iterasi
dengan nilai 0.
4. Melakukan iterasi dengan syarat iterasi
bejalan jika nilai epoch lebih kecil dari nilai
maksimum iterasi dan nilai learning rate
lebih besar dari nilai error minimum.
Langkah nomor 4 ini, pada saat satu kali
iterasi menjalankan langkah 5-8.
5. Menghitung euclidean distance ( S j ) antara
fitur dengan bobot fitur dalam satu kelas.
S j = xij − wij
(3)
6. Menghitung Nilai minimum dari S j . Dan
menentukan hasil kelas klasifikasi ( C j ), dari
perolehan nilai minimum S j .
7. Memperbarui wij dengan ketentuan:
Jika T j = C j maka
w j (t + 1) = w j (t ) + (t )( x(t ) − w j (t )) (4)
Jika T j ≠ C j maka
w j (t + 1) = w j (t ) − (t )( x(t ) − w j (t )) (5)
8. Mengurangi nilai Learning Rate atau alfa.
(baru) = (lama ) − (dec. * (lama )) (6)
9. Memberhentikan iterasi jika sudah melebihi
syarat iterasi.
3. PERANCANGAN ALGORITMA
Proses penyelesaian masalah pengenalan
tanda tangan menggunakana algoritme Learning
Vector Quantization (LVQ) dengan ekstraksi ciri
menggunakan metode Scale Invariant Features
Transform (SIFT) memiliki langkah awal seperti
yang ditunjukkan pada Gambar 6.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 6 Flowchart Metode Scale Invariant
Features Transform (SIFT)
Inisialisasi Keypoint merupakan langkah
awal dalam metode Scale Invariant Features
Transform (SIFT). Inisialisasi Keypoint
didapatkan dari nilai ekstrim hasil perhitungan
Different of Gaussian (DoG). Nilai Ekstrim
adalah nilai maksimum atau minimum.
Selanjutnya adalah Lokalisasi keypoint adalah
sub modul yang digunakan untuk memfilter
keypoint yang akan digunakan. Pertama
menghitung akurasi piksel dengan menggunakan
persamaan ekspansi Taylor. Jika hasil dari
perhitungan kurang dari threshold yaitu 0,03
maka akan dihapus. Orientasi atau arah
ditentukan berdasarkan tiap pikselnya, kecuali
piksel terluar. Orientasi ini nantinya akan
digunakan untuk deskripsi dari keypoint.
Selanjutnya adalah proses pelatihan data
latih dengan menggunakan Learning Vector
Quantization (LVQ) yang ditunjukkan pada
Gambar 7. Pada proses pelatihan, langkah awal
yang dilakukan adalah inisialisasi fitur. Dalam
inisialisasi fitur ini juga dilakukan proses
perhitungan fitur jumlah keypoint dengan
menggunakan Scale Invariant Features
Transform (SIFT). Sebelum inisialisasi fitur,
citra sudah melakukan praproses citra.
Selanjutnya adalah inisialisasi bobot fitur dan
parameter-parameter awal. Proses inisialisasi
bobot fitur menggunakan nilai fitur dari salah
satu citra dari setiap kelas yang dilatih.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4595
maka bobot setiap fitur dalam kelas sistem akan
semakin didekatkan. Sebaliknya jika tidak
sesuai, maka akan dijauhkan. Pada proses update
bobot ini, juga terdapat proses penentuan
Threshold untuk jarak terjauh yang masuk
kedalam kelas tersebut. Proses terakhir adalah
update nilai alfa dengan mengurangi nilai alfa
sebelumnya dikurangi dengan nilai decrement
alfa.
Gambar 8 Flowchart Proses Pengujian
Menggunakan Algoritme Learning Vector
Quantization (LVQ)
Gambar 7 Flowchart Proses Pelatihan
Menggunakan Algoritme Learning Vector
Quantization (LVQ)
Setelah inisialisasi parameter dan fitur serta
bobot fitur, selanjutnya dilakukan proses iterasi
dengan syarat iterasi berhenti jika banyak iterasi
melebihi jumlah maksimum iterasi dan nilai alfa
dibawah nilai error minimum. Di dalam sekali
iterasi dilakukan pencarian jarak terdekat dari
setiap kelas terhadap citra. Jika jarak memiliki
nilai terkecil maka citra akan masuk kedalam
kelas klasifikasi tersebut. Proses selanjutnya
adalah update bobot, dimana kelas klasifikasi
dengan kelas target memiliki hasil yang sama
Fakultas Ilmu Komputer, Universitas Brawijaya
Pada proses pengujian citra uji ditunjukkan
pada Gambar 8, langkah awal sama seperti pada
proses pelatihan yaitu melakukan praproses citra
terhadap citra uji dan inisialisasi fitur citra uji.
Dalam penentuan kelas metode yang digunakan
sama dengan proses latih yaitu mencari nilai
minimum euclidean distance. Akan tetapi bobot
yang digunakan adalah bobot dari hasil
perolehan proses pelatihan yang sudah disimpan
dalam database. Serta dalam proses penentuan
kelas, jika sudah mendapatkan nilai terkecil dari
euclidean distance selanjutnya akan dilakukan
proses pengecekkan antara nilai threshold
dengan nilai euclidean distance minimum yang
diperoleh. Jika nilai euclidean distance yang
4596
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
diperoleh lebih kecil daripada nilai threshold
maka citra uji tersebut masuk kedalam kelas
sesuai dengan nilai minimum threshold tersebut.
Sedangkan, jika nilai euclidean distance yang
diperoleh lebih besar dari nilai threshold maka
citra uji dimasukkan kedalam kelad data yang
tidak dikenali.
4. PENGUJIAN DAN PEMBAHASAN
Pengujian dilakukan dengan menggunakan
225 dataset citra tanda tangan dari 20 orang.
Pengambilan
data
latih
dengan
cara
menggunakan 5 citra dari setiap orang, sehingga
total data latih sebesar 100 citra. Data uji sebesar
100 citra dari sisa dataset yang belum digunakan
untuk data latih. Data tambahan ada 25 citra dari
5 orang yang berbeda yang tidak dimasukkan
dalam proses pelatihan pengenalan tanda tangan.
Data 25 citra ini digunakan untuk pengujian
tanda tangan yang tidak dikenali. Pengujian
dalam penelitian ini dilakukan sebanyak enam
kali.
Gambar 10 Grafik Pengujian Nilai Learning
Rate Awal pada Data Latih
4.3 Pengujian Nilai Pengurang Learning
Rate (Decrement Alfa)
Hasil pengujian nilai pengurang Learning
Rate ditunjukkan pada Gambar 11. Nilai
decrement α merupakan nilai yang digunakan
untuk pengurangan learning Rate, maka analisis
nilai decrement α sama dengan learning Rate
atau alfa. Nilai decrement α diperoleh nilai 0,175
karena nilai akurasi yang tertinggi yaitu 92%.
4.1 Pengujian Variasi Fitur
Pengujian variasi fitur digunakan untuk
menguji besar variasi nilai fitur. Pada Gambar 9
ditunjukkan hasil dari pengujian adalah nilai
standar deviasi fitur tertinggi adalah 0,328 yaitu
pada fitur aspek ratio. Sedangkan nilai standar
deviasi fitur terendah adalah 0,006 yang dimiliki
oleh fitur total transisi piksel bernilai 1 ke 0 dan
0 ke 1 serta transisi dari piksel 1 ke 0 dengan arah
dari bawah citra ke atas citra.
Gambar 11 Grafik Pengujian Nilai
Pengurang Learning Rate (α ) atau
Decrement α
4.4 Pengujian Nilai Maksimum Iterasi
Gambar 9 Variasi Fitur
4.2 Pengujian Nilai Learning Rate Awal
Gambar 10 merupakan grafik dari hasil
pengujian nilai learning rate awal pada data
latih. Nilai alfa atau learning rate mempengaruhi
perubahan bobot dalam proses pelatihan. Nilai
alfa awal yang digunakan adalah 0,15 karena
diperoleh dari akurasi yang tertinggi pada
pengujian nilai Learning Rate.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 12 Grafik Pengujian Nilai
Maksimum Iterasi
Pengujian
nilai
maksimum
iterasi
merupakan pengujian untuk menentukan jumlah
iterasi maksimum pada proses pelatihan. Dari
4597
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
grafik pada Gambar 12 maksimum iterasi pada
proses pelatihan diperoleh sebesar 20 iterasi.
Nilai maksimum iterasi diatas 20 memiliki hasil
akurasi yang stabil yaitu 92%.
4.5 Pengujian Data Uji dengan Nilai
Parameter Optimal
Parameter optimal digunakan untuk proses
klasifikasi data atau perolehan output pada
proses pengujian pada data uji. Nilai parameter
optimal didapatkan dari proses pengujian
sebelumnya pada data latih. Proses pengujian
data uji menggunakan nilai Threshold berupa
nilai maksimum dari semua nilai jarak minimum
per kelas.
Tabel 1 Hasil Pengujian Data Uji dengan
Nilai Parameter Optimal
Percobaan Ke -
Akurasi
1
51
2
51
3
51
4
51
5
51
6
51
7
51
8
51
9
51
10
51
Minimum
51
Maksimum
51
Rata-rata
51
Pada Tabel 1 merupakan hasil pengujian
data uji menggunakan nilai paramter optimal
pada data uji dengan kelas yang sudah dilatih.
Hasil pengujian data uji pada kelas yang sudah
dilatih diperoleh akurasi sebesar 51%.
Tabel 2 Hasil Pengujian Data Uji dengan
Kelas yang Belum Dilatih
Percobaan Ke -
Akurasi (%)
1
76
2
76
3
76
4
76
5
76
Minimum
76
Fakultas Ilmu Komputer, Universitas Brawijaya
Maksimum
76
Rata-rata
76
Pada Tabel 2 data uji yang digunakan
adalah data uji yang kelasnya belum pernah
dilatih oleh sistem. Sehingga output yang valid
dari pengujian data uji ini adalah berupa data
tidak dikenali. Dari pengujian data uji ini
didapatkan akurasi sebesar 76% dari 25 citra uji
kelas yang belum dikenali.
4.6 Pengujian Threshold
Pengujian threshold dilakukan pada nilai
tiga macam nilai threshold. Grafik hasil
pengujian threshold pada setiap data uji
ditunjukkan pada Gambar 13. Hasil pengujian
threshold diperoleh kesimpulan bahwa threshold
dapat mengklasifikasi data yang tidak dikenali.
Dan nilai threshold yang sangat baik untuk
digunakan adalah nilai threshold 2 yaitu nilai
yang berasal dari nilai maksimum kedua jarak
terdekat citra dalam satu kelas.
Gambar 13 Grafik Pengujian Nilai
Threshold
4.7 Pengujian Implementasi Fitur Jumlah
Keypoint Descriptor
Pengujian implementasi fitur jumlah
keypoint descriptor menghasilkan suatu
kesimpulan bahwa penambahan ekstraksi fitur
jumlah keypoint descriptor lebih baik daripada
sistem pengenalan tanda tangan yang hanya
menggunakan fitur fraktal global. Hasil
pengujian ini dibuktikan dengan hasil grafik
yang ditunjukkan pada Gambar 14.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4598
minimum sebesar 1 x 10-10. Parameter
pelatihan didapatkan dari hasil pengujian
secara berurutan.
Gambar 14 Grafik Pengujian Implementasi
Keypoint Descriptor
5. KESIMPULAN
Kesimpulan pada penelitian skripsi ini
antara lain:
1. Dalam penelitian ini proses pengenalan tanda
tangan menggunakan algoritme Learning
Vector Quantization (LVQ). Fitur-fitur yang
digunakan antara lain nilai maksimum piksel
horizontal dan vertikal, nilai pusat massa
objek tanda tangan pada citra, nilai
normalisasi luas objek tanda tangan, nilai
rasio antara nilai maksimum horizontal piksel
dengan vertikal piksel, nilai massa pusat pada
tiga area, jumlah area objek tanda tangan
yang dilewati garis atas dan bawah massa
pusat dari tiga area pembagian citra tanda
tangan, dan sepuluh fitur transisi dari nilai
piksel 0 ke 1 atau 1 ke 0. Proses pelatihan
dilakukan dengan menggunakan parameterparameter yaitu bobot fitur dengan nilai
random, nilai optimal Learning Rate awal,
nilai optimal pengurang nilai Learning Rate,
jumlah iterasi optimal. Nilai optimal
beberapa parameter didapatkan dari hasil
pengujian secara bertahap dari 100 citra latih
dari 10 kelas. Hasil dari proses pelatihan
adalah bobot fitur setiap kelas yang akan
digunakan
dalam
proses
pengujian
pengenalan tanda tangan pada 100 citra uji
dari 10 kelas dan 25 citra uji dengan kelas
yang belum pernah dilatih.
2. Rata-rata akurasi citra yang diperoleh dalam
pengujian adalah 92% untuk data latih,
71,2% untuk data uji tanpa menggunakan
threshold, 56% dari data uji dengan
menggunakan threshold 1 dan 45,6% untuk
data uji dengan menggunakan threshold 2.
Dengan parameter awal pelatihan yaitu nilai
Learning Rate atau α sebesar 0.15, nilai
pengurang α sebersar 0.175, banyak iterasi
awal atau nilai maksimum iterasi pelatihan
sebesar 20 kali iterasi dan nilai error
Fakultas Ilmu Komputer, Universitas Brawijaya
3. Implementasi penggunaan fitur jumlah
keypoint descriptor yaitu dengan cara
menggunakan metode Scale Invariant
Features Transform (SIFT). Kode program
untuk memperoleh nilai jumlah keypoint
descriptor dengan menggunakan library di
OpenCV 3 yaitu detectAndCompute yang
menghasilkan beberapa keypoint descriptor.
Fitur jumlah keypoint descriptor selanjutnya
diproses bersamaan dengan fitur fraktal
global untuk pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization (LVQ).
4. Implementasi ektraksi fitur jumlah keypoint
descriptor pada pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization lebih baik daripada tanpa
menggunakan ekstraksi fitur jumlah keypoint
descriptor. Akurasi yang diperoleh dari
penambahan ektraksi fitur jumlah keypoint
descriptor pada pengenalan tanda tangan
menggunakan algoritme Learning Vector
Quantization adalah sebesar 92% pada data
latih dan 89% pada data uji. Pengenalan tanda
tangan tanpa menggunakan fitur jumlah
keypoint descriptor diperoleh akurasi sebesar
88% pada data latih dan 88% pada data uji.
6. DAFTAR PUSTAKA
Choudhary, N. Y., Patil, R., Bhadade, U. &
Chaudhari, B. M., 2013. Signature
Recognition & Verification System Using
Back Propagation Neural Network.
International Journal of IT, Engineering
and Applied Sciences Research (IJIEASR),
January, 2(1), pp. 1-8.
Ginting, E., Zarlis, M. & Situmorang, Z., 2014.
Kombinasi Algoritma Jaringan Syaraf
Tiruan Learning Vector Quantization
(LVQ) Dan Self Organizing Kohonen Pada
Kecepatan Pengenalan Pola Tanda Tangan.
Techsi, 4(1), pp. 97-110.
Kadir, A. & Susanto, A., 2013. Teori dan
Aplikasi Pengolahan Citra. 1 ed.
Yogyakarta: ANDI.
Kohonen, T., Hynninen, J., Laaksonen, J. K. J.
& Torkkola, K., 1996. LVQ_PAK: The
Learning Vector Quantization Program
Package. Finland: SF-02150 Espoo.
Kumar, M., 2012. Signature Verification Using
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Neural Network. International Journal on
Computer Science and Engineering
(IJCSE), 4(09), pp. 1498-1504.
Kumar, P., Singh, S., Garg, A. & Prabbat, N.,
2013. Hand Written Signature Recognition
& Verification using Neural Network.
International Journal of Advance Research
in Computer Science and Software
Engineering, 3(3), p. 558.
Lowe, D. G., 2004. Distinctive Image Features
from Scale-Invariant Keypoints.
International Journal of Computer, 60(2),
pp. 91-110.
Prabowo, A., Sarwoko, E. A. & Riyanto, D. E.,
2006. Perbandingan Antara Metode
Kohonen Neural Network dengan Learning
Vector Quantization Pada Pengenalan Pola
Tanda Tangan. Jurnal Sains & Matematika
(JSM), 14(4), p. 147.
Qur'ani, D. Y. & Rosmalinda, S., 2010.
Jaringan Syaraf Tiruan Learning Vector
Quantization untuk Aplikasi Pengenalan
Tanda Tangan. Seminar Nasional Aplikasi
teknologi 2010 (SNATI 2010), p. 8.
Rahmi, A., Wijayaningrum, V. N., Mahmudy,
W. F. & Parewe, A. M. A. K., 2016.
Offline Signature Recognition Using
Backpropagation Neural Network.
Indonesian Journal of Electrical
Engineering and Computer Science, 4(3),
pp. 678 - 683.
Sudarma, M. & Sutramiani, N. P., 2014. The
Thinning Zhang-Suen Application Method
in the Image of Balinese Scripts on the
Papyrus. International Journal of
Computer Applications, 91(1).
Wibowo, A. M., 2001. Naskah akademik
rancangan undang-undang tentang tanda
tangan elektronik dan transaksi elektronik:
laporan penelitian tahap pertama versi
1.04. s.l.:Republik Indonesia.
Fakultas Ilmu Komputer, Universitas Brawijaya
4599