ANALISA KINERJA JARINGAN SYARAF TIRUAN BACK PROPAGATION TERHADAP PENGENALAN POLA TANDA TANGAN Indrarini Dyah Irawati Departemen Teknik Elektro Institut Teknologi Telkom Bandung
[email protected] ABSTRACT Signature is one of inputs that used for verification process in credit card and debit card application. In this writing, presents a verification method of signature using artificial neural network of back propagation. The verification system using computerized signature basically consists of learning and recognizing processes. In order to implement the verification system, a series of step must be follow. There are image acquisition, conversion from Red Green Blue (RGB) to gray scale image, image resize, edge detection, reshape of image, and classification using back propagation algorithm. The researches are about the performances of verification system toward the different images and the effect of artificial neural network parameter. Experiments show the good performance of back propagation is using error target 0.1%, momentum 0.6, and learning rate 0.9. The number of hidden layer is 1 that consists of 15 hidden neurons. And the combination of activity function between hidden layer and output layer is tansig on hidden layer and purelin on output layer. And the performance of biometric system is indicated by False Acceptance Rate (FAR) in , False Rejection Rate (FRR) in , dan match level in 100%. Key words: artificial neural network, False Acceptance Rate, False Rejection Rate, Match Level PENDAHULUAN Di era milenium sekarang ini, keamanan dan kontrol akses menjadi bagian yang sangat penting. Sistem perbankan menggunakan tanda tangan sebagai salah satu masukan pada proses pengenalan yang dimanfaatkan pada kartu debit dan kartu kredit untuk tujuan keamanan dan kontrol akses. Sistem biometrik tidak ada yang ideal. Pola tanda tangan tiap orang adalah unik, tetapi tidak cukup deskriptif untuk identifikasi, namun demikian dapat dipakai untuk verifikasi atau pengenalan. Pada penulisan ini disajikan suatu metode untuk mengenali pola tanda tangan dengan menggunakan konsep jaringan syaraf tiruan back propagation (JST-BP) dan melakukan pengujian terhadap kinerja JST-BP. Citra digital memiliki harga diskrit dan dapat dinyatakan dalam sebuah matrik M x N di mana M menyatakan baris dan N menyatakan kolom. Nilai dari elemen matrik (pixel) menyatakan derajat kecerahan pada titik tersebut. Pengolahan citra (Fausett, and Laurene, 1994) merupakan proses yang bertujuan memperbaiki kualitas citra, mendapatkan citra asli dari suatu citra yang mengalami degradasi akibat pengaruh derau, dan untuk memperoleh citra dengan karakteristik tertentu sesuai kebutuhan pada tahap lebih lanjut pemrosesan citra. Akuisisi citra merupakan proses memperoleh citra yang tepat yang digunakan sebagai masukan pada system yang digunakan. Citra gray scale adalah format citra yang memiliki warna abu-abu bertingkat dari hitam menuju putih. Citra ini diperoleh dengan melakukan eliminasi sejumlah informasi citra RGB. Konversi citra RGB menjadi citra gray scale ditunjukkan dalam persamaan 1 (Gonzales, Rafael, Wintz, and Richard, 1993). Y =
0.299R + 0.587G + 0.114B
(1)
Tepian citra menunjukkan batasan-batasan citra yang berguna untuk segmentasi objek pada citra. Tepian citra dapat didefinisikan sebagai piksel-piksel yang mengalami perubahan tajam pada skala keabuannya. Deteksi tepi dengan pendekatan algoritma Canny dilakukan berdasarkan konvolusi fungsi citra dengan operator Gaussian dan turunan-turunannya. Jaringan syaraf tiruan back propagation menggunakan algoritma belajar supervised learning di mana dalam proses belajar tersebut pengubahan nilai berlangsung pada arah mundur, yaitu dimulai dari lapisan keluaran dan berakhir di lapisan masukan.
377
∫
∫
Gambar 1. Arsitektur JST-BP dengan 1 Lapisan Tersembunyi Arsitektur standar JST-BP ditunjukkan pada gambar 1 terdiri dari tiga lapisan, yaitu lapisan masukan, lapisan tersembunyi, dan lapisan keluaran. Masukan (p) terdiri dari n elemen. Bobot disimbolkan dengan w, menentukan besar sinyal masukan ke fungsi aktivasi. Bias (b), seperti bobot, input bias bisa konstan atau berubah selama pelatihan. Hasil penjumlahan seluruh masukan yang sudah terboboti kemudian dilewatkan pada suatu fungsi yang akan mengubahnya menjadi keluaran neuron tersebut. Keluaran (a), tergantung pada jenis fungsi aktivasi ( ∫ ) yang digunakan. Keluaran menjadi masukan untuk neuron-neuron di lapisan selanjutnya. Pola pelatihan jaringan back propagation melibatkan tiga hal, yaitu pelatihan maju, perhitungan balik sebagai respon terhadap error, dan pengaturan bobot. Error (δ) merupakan selisih antara nilai keluaran yang diinginkan (t) dengan keluaran yang sesungguhnya (a2), yang ditunjukan pada persamaan 2. δ= t – a2 (2) Sum Square Error (SSE) yang dinyatakan oleh persamaan 3 berikut ini :
SSE = ∑ δ
2
(3)
Parameter kinerja sistem biometric dihitung menggunakan dua parameter, yaitu False Acceptance Rate (FAR) dan False Rejection Rate (FRR). Suatu system biometri harus memiliki ketepatan yang relative tinggi, dengan kata lain memiliki FAR dan FRR sekecil mungkin. FAR dihitung pada masukan yang tidak sesuai dengan acuan, sedangkan FRR dihitung untuk masukan yang sesuai dengan acuan. Perhitungan FAR dan FRR ditunjukkan pada persamaan 4 dan 5, sebagai berikut (Wayman):
(4)
(5) Sistem pengenalan citra tanda tangan ditunjukkan pada gambar 2, secara garis besar terdiri dari proses pelatihan citra latih dan proses pengujian citra uji. Responden yang akan mengujikan tanda tangan terlebih dahulu melakukan proses pelatihan, di mana tanda tangan hasil pelatihan disimpan sebagai database. Pada saat pengujian, database digunakan sebagai masukan untuk proses pengujian. Proses pelatihan dan pengujian ditunjukkan pada gambar 3 dan 4.
378
Gambar 2. Diagram alir sistem pengenalan tanda tangan
Gambar 3 .Proses Pelatihan JST-BP
Gambar 4. Proses Pengujian JST-BP Citra tanda tangan diambil dari 10 responden. Tiap responden melakukan 40 tanda tangan yang terdiri dari 20 citra latih dan 20 citra uji. Tanda tangan dilakukan pada kertas putih berukuran
379
6x3.5cm. Citra tanda tangan ditransfer ke komputer menggunakan scanner jenis Canon D464Uex. Citra hasil scanning merupakan citra warna (RGB) dalam format BMP, berukuran 120x200 pixel. Pemrosesan awal bertujuan untuk mengolah citra agar dapat diambil karakteristiknya. Tahap pemrosesan awal ditunjukkan gambar 5.
Gambar 5. Blok diagram pemrosesan awal citra Citra warna diubah menjadi citra gray scale format BMP berukuran 120x200 piksel. Tujuan pembuatan citra gray scale adalah menyederhanakan perhitungan dengan mengubah matrik berdimensi MxNx3 menjadi MxNx1. Pemotongan citra bertujuan untuk membuang dimensi yang tidak mengandung informasi apapun. Cara pengambilan informasi adalah membuat batas kanan, kiri, atas, dan bawah dengan mengacu pada titik terjauh di setiap sisi yang berisi informasi. Resize adalah proses mengubah ukuran citra. Tujuan resize adalah membuat standar ukuran citra yang sama setelah dilakukan pemotongan pada bagian citra yang tidak penting. Selain itu, resize dapat mengurani beban komputasi pada proses berikutnya. Citra hasil pemotongan berukuran 60x100 piksel. Langkah-langkah deteksi tepi menggunakan algoritma Canny (Greco and Koplowitz, 1994) sebagai berikut: 1. Gradien dihitung dengan konvolusi fungsi citra dengan turunan filter gaussian. Proses konvolusi dua dimensi dapat dipisahkan menjadi dua kali proses konvolusi satu dimensi. 2. Menetapkan nilai batas ambang dari tepian citra. Jika nilai pixel kurang dari nilai batas ambang, maka nilai pixel diset nol, yang berarti bukan tepian citra. Reshape pada JST-BP dilakukan dengan menjumlahkan semua nilai yang berada dalam kolom dari matrik citra sehingga diperoleh matrik berukuran 1x100 yang merupakan input JST-BP. JST-BP yang digunakan terdiri dari 100 elemen input dan 15 neuron output. Penentuan jumlah neuron tersembunyi pada JST-BP dilakukan melalui proses trial and error. Lapisan tersembunyi terdiri dari R neuron. Pada jaringan diujicobakan semua jenis fungsi aktivasi yang ada. JST tersebut dilatih sampai mencapai nilai target error. Personal Identification Number (PIN) merupakan angka sandi untuk menjaga keamanan tiap responden yang melatihkan citra tanda tangannya. Panjang PIN adalah 4 angka yang akan dikonversi dalam bentuk biner 15 digit. PIN merupakan target keluaran dari proses JST-BP. Parameter JST-BP terdiri dari bobot dan bias, momentum, learning rate, jumlah epoch, target error, jumlah neuron pada lapisan tersembunyi, dan fungsi aktivasi pada lapisan tersembunyi dan lapisan keluaran. Inisialisasi bobot dan bias yang digunakan adalah inisialisasi Nguyen Widrow. Jumlah epoch maksimal, L adalah 100, artinya jika sampai dengan 100 siklus target error belum dicapai maka pelatihan dihentikan dan data hasil pelatihan merupakan nilai terakhir dari proses tersebut. Parameter lain ditentukan melalui proses trial and error. Algoritma pelatihan JST-BP mengikuti langkah-langkah sebagai berikut (Fausett, and Laurene, 1994): - Langkah 0 : Inisialisasi Bobot - Langkah1:Selama kondisi terminasi belum tercapai, lakukan langkah 2-9.Kondisi terminasi jika L = 100, SSE < target error (Te) Umpan Maju - Langkah 3 : Setiap neuron masukan menerima masukan pi dan meneruskannya ke neuron di lapisan tersembunyi - Langkah 4 : Setiap neuron tersembunyi (n1j;j=1..R) menggunakan fungsi penambah untuk menjumlahkan nilai masukan yang sudah terboboti dengan bias (b1). Kemudian meng-hitung nilai keluaran, a1=f(n1) dan meneruskannya ke lapisan keluaran.
380
- Langkah 5 : Setiap neuron keluaran (A2k;k=1..15) menghitung nilai keluaran dari masukan (a1) yang sudah ditambahkan dengan bias (b2). Propagasi balik kesalahan - Langkah 6 : Berdasarkan neuron keluaran dan target keluaran (Tk;k=1..15), dihitung faktor kesalahan, δk=(tk-a2)f(n2k) dan faktor perbaikan bobot (w2jk), dengan α adalah laju belajar Δw2jk=αδkn1j, serta faktor bias Δb2k=αδk dan mengirimkan δk ke neuron te rsembunyi - Langkah 7 : Setiap neuron tersembunyi menghitung penjumlahan faktor delta yang diterima 15 tersebut , kemudian mengalikannya dengan turunan dari fungsi pengaktifannya δ _ in
j
=
∑
∂kw2
jk
1
untuk menghitung faktor kesalahan δj=∂_injf’(n1j), faktor perbaikan bobot Δw1ij=αδjpi, serta faktor perbaikan bias Δb1j=αδj Memperbaharui nilai bobot dan bias : - Langkah 8 : neuron keluaran memperbaharui bobot dan bias, w2jk(new)=w2jk(old) + Δw2jk dan neuron tersembunyi memperbaharui bobot dan bias w1ij(new)=w1ij(old) + Δw1kij - Langkah 9 : periksa kondisi terminasi, jika belum tercapai lakukan langkah 2-9 dengan menggunakan data terbaru Algoritma pengujian JST-BP mengikuti langkah-langkah sebagai berikut (Fausett, and Laurene, 1994) : - Langkah 0 : Inisialisasi bobot dan bias, bobot dan bias merupakan data yang diperoleh dari hasil klasifikasi pada pelatihan, yaitu w1ij(new),w2jk(new),b1j(new), dan b2k(new) - Langkah 1 : Setiap neuron masukan menerima input pi dan meneruskannya ke neuron di lapisan tersembunyi - Langkah 2 : Setiap neuron tersembunyi (n1j,j=1…R) menjumlahkan nilai masukan yang sudah terboboti dengan bias b1j(new). Kemudian menghitung nilai keluaran dengan menggunakan fungsi pengaktifan, a1=f(n1j) dan meneruskan ke lapisan keluaran. - Langkah 3 : Setiap neuron keluaran (a2k;k=1..15) menggunakan fungsi pengaktifan untuk menghitung nilai keluaran dari masukan (a1) yang sudah terboboti ditambahkan dengan bias b2k(new). Hasilnya adalah a2k(uji) - Langkah 4 : Berdasarkan data hasil pelatihan a2k dan hasil pengujian a2k(uji) dapat dihitung error yang terjadi δk= a2k - a2k(uji) - Langkah 5 : Menghitung nilai SSE citra uji, jika SSE ≤ Te, maka pengenalan akan berhasil. Hasil klasifikasi JST-BP untuk pelatihan terdiri dari bobot, yaitu w1ij(new) dan w2jk(new), bias, yaitu b1j(new) dan b2k(new), dan vektor keluaran a2k. Hasil klasifikasi dan PIN disimpan dalam database hasil pelatihan dan digunakan pada saat pengujian. Hasil klasifikasi JST-BP untuk pengujian adalah a2k(uji). SSE = ∑ (a2k - a2k(uji))2 akan dibandingkan dengan Te, jika SSE ≤ Te, maka pengenalan dinyatakan berhasil dan bila SSE > Te maka pengenalan dinyatakan gagal. HASIL DAN PEMBAHASAN Citra input dengan format RGB diubah menjadi citra dengan format gray scale seperti ditunjukkan pada gambar 6.
a. Citra UA12 (RGB)
b.Citra UA12 (grayscale)
Gambar 6. Hasil konversi citra RGB ke gray scale Pemotongan citra dilakukan dengan mencari letak dari suatu pixel pada sisi kiri, kanan, atas, dan bawah yang memiliki nilai pixel ≤ nilai batas ambang. Penentuan nilai batas ambang didasarkan pada nilai piksel dari semua warna tinta yang digunakan pada penelitian ini, yaitu : hitam, merah, hijau, biru, dan kuning. Sesuai dengan tabel 1, nilai batas ambang yang bisa digunakan untuk membedakan warna pena dengan warna putih adalah 233.
381
Tabel 1. Representasi warna pena dalam format gray scale dengan kedalaman 8 bit. Representasi Warna Hitam
Merah
Hijau
Biru
Kuning
Nilai pixel maksimum
86
136
202
87
212
Putih 243
Nilai pixel minimum
62
107
193
65
212
246
Proses resize yang digunakan adalah downsize, yaitu mengurangi ukuran citra. Pada eksperimen ini, untuk mendapatkan informasi tepi yang cukup jelas digunakan citra hasil resize berukuran 60x100 pixel.
a. Citra LA1 (60x100pixel)
b.CitraLA1 (30x50pixel)
Gambar 7. Hasil Resize Standar deviasi merupakan parameter pendeteksi tepian canny yang menentukan ketebalan tepian yang terdeteksi, dan menentukan besar redaman pada citra asli. Gambar 8 memperlihatkan hasil deteksi tepi dengan standar deviasi yang berbeda-beda. Semakin besar standar deviasi, maka semakin lebar tepian yang terdeteksi dan semakin besar kemungkinan noise yang diredam. Pada penelitian ini, standar deviasi 1 digunakan sebagai parameter deteksi tepi.
a. σ = 0.5
b. σ = 1
c. σ = 1.5
Gambar 8. Pengaruh standar deviasi terhadap deteksi tepian Nilai batas ambang berada dalam skala 0 sampai dengan 1. Nilai “0” merepresentasikan warna hitam dan “1” merepresentasikan warna putih. Nilai biner “1” diberikan pada pixel-pixel yang memiliki intensitas di atas batas ambang. Gambar 9 memperlihatkan pengaruh nilai batas ambang terhadap hasil deteksi tepi. Semakin besar nilai batas ambang, ketelitian pendeteksi semakin berkurang sehingga banyak informasi pada citra asli yang hilang. Dari hasil pengujian dipilih nilai batas ambang 0.1 sebagai parameter deteksi tepi.
382
a.Threshold =0.01
b.Threshold =0.1
c.Threshold = 0.5
Gambar 9. Pengaruh Threshold Terhadap Deteksi Tepian Penentuan penggunaan fungsi aktivasi dilakukan melalui pengujian terhadap dua kombinasi fungsi aktivasi yang mungkin sesuai tabel 2. Karena sistem pengenalan tanda tangan diharapkan berhasil mengenali semua data pengujian maka pada penelitian berikutnya digunakan fungsi aktivasi tansig pada lapisan 1 dan purelin pada lapisan 2. Parameter yang digunakan untuk percobaan adalah : Momentum (M) =0.9, Te = 0.5%, Learning Rate (LR)= 0.9, Hidden Neurons (HN) = 15.
Tabel 2. Kinerja kombinasi fungsi aktivasi Nama File Uji Kombinasi UA Lap1
Lap2
UB
UC
UD
ME
MW
HP
ME
MW
HP
ME
MW
HP
ME
MW
HP
LogSig PureLin
5
0.375
25%
5
0.344
65%
4
0.343
75%
4
0.329
45%
TanSig PureLin
54
0.579
65%
45
0.531
80%
49
0.547
80%
49
0.516
75%
Keterangan : ME = maksimal jumlah epoch MW = maksimal waktu pengenalan HP = persentase hasil pengenalan citra uji terhadap citra latih Target error merupakan parameter yang menentukan besar kesalahan yang masih ditoleransi oleh sistem. Tabel 3 menunjukkan pengaruh Te terhadap keberhasilan pengenalan citra uji. Semakin besar Te keberhasilan pengenalan citra uji semakin besar. Konsekuensinya, kemungkinan terjadi kesalahan pengenalan juga semakin besar. Oleh karena itu harus dipilih nilai Te yang menjamin sistem berhasil mengenali citra yang pernah dilatihkan dan menghindari kesalahan pengenalan. Tabel 3. Pengaruh nilai Te terhadap pengenalan Pengujian Target Error (%)
File Latih LB Jumlah Citra Uji yang Berhasil Dikenali (%)
File Latih LG Jumlah Citra Uji yang Berhasil Dikenali (%)
UA
UB
UC
UD
UG
UA
UB
UC
UD
UG
0.25 0.10
5% 5% 0%
85% 65% 65%
5% 5% 0%
15% 15% 0%
0% 0% 5%
40% 15% 10%
80% 75% 70%
55% 45% 40%
55% 55% 20%
95% 90% 80%
0.05 0.01
0% 5%
55% 55%
5% 40%
0% 25%
5% 15%
5% 10%
50% 60%
15% 30%
20% 40%
75% 75%
0.50
Penentuan jumlah hidden neurons pada JST-BP dilakukan melalui proses trial and error. Dari tabel 4 menunjukkan bahwa semakin besar jumlah hidden neurons, keberhasilan pengenalan citra semakin berkurang. Oleh karena itu dipilih jumlah neuron 15, dimana pengenalan terhadap citra yang pernah dilatihkan ≥ 50% dan yang tidak dilatihkan < 50%.
383
Tabel 4. Pengujian terhadap jumlah hidden neurons Jumlah Neuron 5 10 12 15
Pengujian Citra Latih LA Citra Latih LB Jumlah Citra Uji yang Berhasil Dikenali Jumlah Citra Uji yang Berhasil Dikenali UA
UC
UD
UG
UB
UE
UH
UK
20 19 14 10
20 19 13 8
20 18 9 8
20 10 0 0
20 19 19 16
20 4 1 1
20 10 7 5
20 10 9 2
> 15
Kinerja tidak dapat dicapai
Kinerja proses pelatihan sangat sensitif pada pengaturan nilai laju belajar dan momentum. Untuk melakukan analisis pengaruh laju belajar, maka ditetapkan nilai momentum (M) = 0, dengan tujuan menghilangkan pengaruh parameter momentum. Pengaruh nilai laju belajar terhadap jumlah epoch, waktu pelatihan, dan hasil pengenalan sistem ditunjukkan pada tabel 5. Tabel 5 Pengaruh nilai laju belajar terhadap jumlah epoch, waktu pelatihan, hasil pengenalan Laju Balajar 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Maksimum jumlah epoch 19 10 7 6 5 6 9 18 59
Maksimum Waktu Pelatihan (s) 0.421 0.390 0.359 0.356 0.328 0.356 0.378 0.392 0.584
Persentase Citra Uji yang Berhasil Dikenali LA LB LG LJ 0% 0% 0% 0% 0% 0% 0% 0% 40% 0% 0% 60% 20% 0% 0% 60% 0% 0% 0% 20% 0% 0% 0% 40% 60% 0% 0% 60% 0% 20% 0% 60% 0% 0% 0% 80%
Dari tabel di atas, dapat disimpulkan bahwa laju belajar 0.9 berhasil mengenali 80% citra LJ dan tidak ada kesalahan pengenalan citra uji lain, tetapi jumlah epoch paling banyak dan waktu pelatihan paling lama. Karena kinerja sistem pengenalan tidak diukur berdasarkan jumlah epoch dan waktu pelatihan, melainkan berdasarkan tingginya keberhasilan pengenalan dan rendahnya kesalahan pengenalan maka laju belajar 0.9 digunakan sebagai parameter JST-BP. Pada pengujian momentum digunakan parameter hasil percobaan sebelumnya. Berdasarkan tabel 6, disimpulkan bahwa momentum terbaik adalah 0.6 karena keberhasilan pengenalan citra uji 80% dan kesalahan 0%. Tabel 6 Pengaruh besarnya momentum terhadap jumlah epoch, waktu pelatihan, hasil pengenalan Momentum 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Maksimum Jumlah Epoch 54 57 57 58 62 57 57 55 55
Maksimum Waktu Pelatihan (s) 0.541 0.579 0.578 0.583 0.609 0.578 0.578 0.548 0.547
Persentase Citra Uji yang Berhasil Dikenali LA LB LG LJ 0% 0% 20% 0% 0% 40% 60% 0% 0% 20% 0% 0% 0% 80% 80% 0% 300% 80% 80% 0% 0% 0% 80% 0% 0% 20% 60% 0% 0% 20% 40% 20% 20% 0% 20% 20%
Pada pengujian citra latih, dilakukan 5 kali pelatihan. Dari hasil pengujian, didapatkan bahwa jaringan dapat mengenali semua citra latih yang diinputkan dengan persentase keakuratan 100%. Pengujian citra uji dilakukan sebanyak 20 kali percobaan. Hasil percobaan menunjukkan bahwa : warna citra uji sangat berpengaruh pada keberhasilan pengujian. Citra warna hitam paling banyak dikenali dibandingkan citra warna lain. Oleh karena itu citra tanda tangan dengan pena warna hitam dapat digunakan untuk aplikasi menggunakan JST-BP. diameter pena sangat berpengaruh terhadap keberhasilan pengenalan. Kegagalan pengenalan terjadi pada tanda tangan menggunakan pena berdiameter 2.5mm. Penggunaan pena berujung tumpul berdiameter 2.5mm tidak dianjurkan karena ketebalan tulisan mengakibatkan bentuk tanda tangan tidak konsisten. keberhasilan pengenalan oleh responden lain maksimal sebesar 20%. Dalam kasus ini, sistem sudah dilengkapi dengan PIN, di mana PIN diberikan pada masing-masing responden untuk mencegah responden lain dapat akses.
384
Pengaruh jumlah citra latih terhadap keberhasilan pengujian menunjukkan bahwa semakin banyak citra yang dilatihkan, keberhasilan pengenalan semakin besar. Sesuai tabel 7, dengan 2 buah citra latih, hasil pengenalan mencapai 75%. Tabel 7 Pengaruh jumlah citra latih terhadap keberhasilan pengenalan Jumlah Citra Latih 1 2 3 4
Jumlah Citra Uji yang berhasil dikenali 3 15 17 18
Persentase Hasil Pengenalan 15% 75% 85% 90%
Nilai FAR dan FRR sangat ditentukan oleh nilai batas ambang dari selisih antara vektor citra latih dan citra uji. Semakin besar nilai batas ambang, nilai FAR semakin besar dan nilai FRR semakin kecil, dan sebaliknya. Nilai batas ambang yang digunakan adalah 0.1%. Citra tanda tangan akan diterima oleh sistem sebagai tanda tangan seseorang jika selisih vektor ≤ 0.1% dan akan ditolak oleh sistem jika selisih > 0.1%. Tabel 8. Nilai FAR Nama Citra Uji UA1 UA2 UA3 UA4 UA5 UA6 UA7 UA8 UA9 UA10 UA11 UA12 UA13 UA14 UA15 UA16 UA17 UA18 UA19 UA20
Hasil Citra Latih Pengujian yang Mengenali Gagal Gagal Berhasil LK16 Gagal Berhasil LK17 Gagal Gagal Gagal Berhasil LK17 Gagal Gagal Gagal Berhasil LK4, LK14, LK15 Gagal Berhasil LK10, LK14, LK16 Gagal Gagal Gagal Gagal Gagal -
Nilai FAR (%) 0% 0% 5% 0% 5% 0% 0% 0% 5% 0% 0% 0% 15% 0% 15% 0% 0% 0% 0% 0%
Tabel 9. Nilai FRR Nama Citra Uji UK1 UK2 UK3 UK4 UK5 UK6 UK7 UK8 UK9 UK10 UK11 UK12 UK13 UK14 UK15 UK16 UK17 UK18 UK19 UK20
Citra Latih yang Gagal Mengenali LK1, LK3,LK4,LK5, LK7-LK16,LK19,LK20 LK1,LK2,LK4,LK5,LK7,LK11-LK19 LK2,LK4,LK5,LK7-LK10, LK12-LK19 LK2,LK4,LK5,LK7-LK11,LK13,LK15-LK17,LK19 LK2,LK4,LK5,LK7-LK13,LK15,LK16,LK18-LK20 LK1,LK2,LK4,LK5,LK8-LK10,LK13,LK15,LK16,LK18-LK20 LK1,LK2,LK4,LK5,LK7-LK13,LK15,LK16,LK19 LK2,LK4,LK7-LK13,LK15-LK17,LK19 LK4,LK5,LK7-LK13,LK15,LK16,LK18,LK19 LK1-LK11,LK13,LK15-LK20 LK1,LK2,LK4,LK5,LK7-LK17,LK19-LK20 LK1,LK2,LK4,LK5,LK7-LK10,LK13,LK14,LK16,LK19 LK1,LK2,LK4,LK7-LK11,LK13-LK16,LK18,LK20 LK2,LK4,LK5,LK7-LK13,LK16,LK19,LK20 LK1,LK2,LK4,LK5,LK8,LK11-LK13,LK15-LK20 LK1-LK16,LK19,LK20 LK1-LK13,LK15-LK18 LK1-LK13,LK15-LK17,LK19 LK2-LK4,LK6-LK9,LK11-LK13,LK15-LK20 LK1-LK4,LK6-LK13,LK15,LK16,LK18,LK19
Nilai FRR (%) 80% 70% 75% 65% 75% 65% 70% 65% 65% 90% 85% 60% 70% 65% 70% 90% 85% 85% 80% 80%
Dari hasil pengujian sesuai tabel 8 dan tabel 9, rata-rata FAR adalah 2.25% dan FRR adalah 74.5%. Nilai FAR yang diperoleh kecil, ini berarti kemungkinan masuknya orang yang tidak berhak mendapatkan akses hanya sebesar 2.25%. Dan kemungkinan gagalnya orang yang berhak akses sebesar 74.5% Pengujian kecepatan sistem dalam melakukan pengenalan citra diperlukan dalam perancangan sistem karena diharapkan sistem dapat bekerja secara real time. Dari hasil pengujian kecepatan sistem sesuai tabel 10, diperoleh rata-rata total waktu pemrosesan adalah 0.4423s dan jika tanpa pelatihan jaringan diperlukan waktu 0.0156s. Waktu proses yang cukup singkat untuk satu sampel citra memungkinan untuk pengembangan sistem pada aplikasi real time.
385
Tabel 10. Data hasil pengujian kecepatan sistem No
Proses
Rata-rata waktu yang diperlukan (s)
1
Pembacaan Citra
0.0154
2
Grayscale & Resize
0.0594
3
Deteksi tepi
0.0657
4
Pelatihan JST
0.2862
5
Pengenalan
0.0156
6
Total Waktu
0.4423
KESIMPULAN Pada JST-BP, fungsi aktifasi yang bisa digunakan adalah tansig, logsig, dan purelin, Hal ini dikarenakan ketiga FA tersebut dapat dicari nilai turunannya.sehingga dapat digunakan untuk mencari nilai faktor kesalahan. Pada pengujian jumlah neuron tersembunyi di lapisan tersembunyi, menunjukkan bahwa semakin besar jumlah neuron, keberhasilan pengenalan semakin berkurang. Hal ini disebabkan semakin banyak jumlah neuron, semakin besar nilai keluaran jaringan yang merupakan akumulasi nilai dari tiap neuron sehingga nilai SSE meningkat. Bila SSE > TE maka hasil pengenalan gagal. Parameter terbaik pada JST-BP meliputi nilai target error = 0.1%, kombinasi fungsi aktivasi pada lapisan 1 adalah tansig dan lapisan 2 adalah purelin, jumlah hidden neuron = 15, laju belajar = 0.9, momentum = 0.1. Dan kinerja JST-BP ditunjukkan dengan nilai rata-rata FAR = , , dan match level = 100%. FRR = DAFTAR PUSTAKA 1) Canny, J, F, Pattern Analysis and Machine Intelligent, IEEE, 1986, halaman 679-698 2) Fausett, and Laurene, 1994, Fundamentals of Neural Networks–Architectures,Algorithms,and Aplications, Prentice Hall, Englewood Cliffs NJ. 3) Gonzales, Rafael, Wintz, and Richard, 1993, Digital Image Processing, Addison-Wesley Publishing Company, USA. 4) Greco and Koplowitz, 1994, On The Edge Location Error for Local Maximum and Zero Crossing Edge Detector, IEEE, volume 16, nomor 12, halaman 1207 5) Nalwan, A, 1997, Pengolahan Gambar Secara Digital, Elek Media Komputindo, Jakarta 6) Patterson, D, W, 1996, Artificial Neural Network: Theory and Applications, Prentice Hall, Singapore 7) Wayman, Fundamentals of Biometric Technology, www.engr.sjsu.edu/biometric/publications.html
386