Identifikasi Citra Tulisan Tangan dengan Metode Alihragam Gelombang Singkat untuk Memprediksi Kematangan Emosional

SNPPTI 2010

ISSN: 2086-2156

Identifikasi Citra Tulisan Tangan dengan Metode Alihragam Gelombang Singkat untuk Memprediksi Kematangan Emosional Supatman Jurusan Teknik Informatika, Fakultas Teknik dan Ilmu Komputer Universitas Mercu Buana Yogyakarta Jl. Wates Km. 10 Yogyakarta, Telp. 0274-6498211,6498212, Fax. (0274)-6498213 E-mail : [email protected], [email protected] Abstrak -- Tulisan tangan yang ditulis oleh setiap orang memikili keunikan tersendiri sehingga dijadikan salah satu metode pemerikasaan klinis secara psikologi. Tulisan tangan dapat dijadikan suatu citra (image) yang dapat diolah dengan metode image processing. Dengan metode alihragam gelombang singkat sebagai pre-processing citra yaitu dengan dekomposisi citra 2D maka dihasilkan citra akhir dan divektorkan sebagai feature vektor. Feature vektor selanjutnya dijadikan vektor masukkan Learning Vector Quantization untuk memprediksi kematangan citra tes dari tulisan tangan yang baru. Dengan data 71 ( 24 data pelatihan dan 47 data uji) perangkat lunak (algoritma) mampu mendeteksi data uji dengan kategori kematangan emosional Baik dan Kurang secara berurutan 100% dan 42.85% dengan rata-rata kemampuan deteksi dari data pengujian mencapai 71.42%. Kata Kunci : Tulisan Tangan, Alihragam Gelom-bang Singkat, LVQ.

sangat memakan waktu yang lama dan sering terjadi pula perbedaan interpretasi terhadap satu sketsa figur manusia tersebut[4]. Tulisan tangan yang ditulis oleh setiap orang memikili keunikan tersendiri sehingga dijadikan salah satu metode pemerikasaan klinis secara psikologi. Tulisan tangan dapat dijadikan suatu citra (image) yang dapat diolah dengan metode image processing dan dengan bantuan metode wavelet serta jaring saraf tiruan Learning Vector Quantization (LVQ) dapat didesain suatu perangkat lunak terhadap citra tulisan tangan yang dapat mengenali suatu citra tulisan tangan yang baru (melalui learning) sehingga dapat secara langsung menginterpretasikan tulisan tangan tersebut dan menentukan sifat kepribadian kemataangan emosional seseorang. II. TINJAUAN PUSTAKA 2.1 Tulisan Tangan Dalam buku “Grafologi Seni Menilai Kepribadian Seseorang Melalui Tulisan Tangan”, Susan Salsabilla berusaha untuk menggariskan suatu metode analisa kepribadian berdasarkan interpretasi tulisan tangan. Telah lama diketahui bahwa individu-individu memperlihatkan aspek-aspek penting dari kepribadian mereka dalam tulisan-tulisan yang digoreskan. Apa yang dirasakan kurang adalah taraf sistematisasi analisa suatu produk grafis yang komprehensif, dapat dikomunikasikan dan juga tidak berat sebelah dalam menggambarkan kerumitan kepribadian [7]. Citra (image) – istilah lain untuk gambar – sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi “sebuah gambar lebih bermakna dari seribu kata” (a picture is more than a thousand words). Maksudnya sebuah gambar dapat memberikan informasi yang lebih banyak dari pada informasi tersebut dalam bentuk kata-kata (tekstual) [5]. 2.2 Histori Penelitian Peneliti pendahulu yang membahas sifat kepribadian dengan melakukan analisa citra hasil tes

I. LATAR BELAKANG Karakteritik dari image dengan metode image processing dapat memberikan informasi tentang sesuatu yang berhubungan dengan keberadaannya. Seseorang melakukan tes psikologi dengan membuat sketsa figur manusia dapat memberikan informasi karakteristik kepribadian yang menggambarnya[4]. Sifat kepribadian tersebut meliputi: kematangan emosi, kemampuan sosial, daya tahan terhadap stres, manajemen konflik, pemecahan masalah, pengambilan keputusan, tanggung jawab dan inisiatif. Selain sketsa figur manusia, untuk mengetahui kepribadian sesorang dapat dilakukan juga melalui analisa tulisan tangan yang ditulis pada kertas putih dengan pensil 2B [7]. Sifat kepribadian seseorang memiliki katagori (SK = Sangat Kurang, K = Kurang, C = Cukup, B = Baik, SB = Sangat Baik). Secara manual, Psikolog akan menginterpretasikan citra tulisan tangan menjadi sebuah katagori tersebut di atas. Sering kali Psikolog harus membuka buku, ataupun mengundang beberapa Psikolog untuk bersama - sama menginter-pretasikan sketsa tulisan tangan yang dihadapi. Langkah ini 74

SNPPTI 2010

ISSN: 2086-2156

psikologi dengan dengan pendekatan pengolahan citra digital dan jaring saraf tiruan adalah: Identifikasi citra sketsa figur manusia dengan metode PCNN untuk memprediksi sifat kepribadian daya tahan terhadap stres[10], dengan keberhasilan indentifikasi mencapai 73,05%. 2.3 Landasan Teori 2.3.1 Format Citra 2.3.1.1 Komponen Citra Digital Citra adalah representasi dua dimensi untuk bentuk fisik nyata tiga dimensi. Citra dalam perwujudannya dapat bermacam-macam, mulai dari gambar hitamputih pada sebuah foto (yang tidak bergerak) sampai pada gambar berwarna yang bergerak pada pesawat televisi. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh bermacam-macam faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis dengan bentuk fisik nyatanya. Citra digital (digital image) adalah citra kontinyu f(x,y) yang sudah didiskritkan baik koordinat spasial maupun tingkat kecerahannya. Setiap titik biasanya memiliki koordinat sesuai dengan posisinya dalam citra. Koordinat ini lazimnya dinyatakan indeks x dan y hanya bernilai bilangan bulat positif, yang dapat dimulai dari 0 atau 1. Citra digital (yang selanjutnya disingkat citra ) dapat dianggap sebagai matrik ukuran M x N yang baris dan kolomnya menunjukkan titik-titiknya yang diperlihatkan pada persamaan 1[5][8][9][10] : 0 ,0 ) f( 0 ,1 ) ... f( 0 ,N  1 )  f(   1 ,0 ) f( 1 ,1 ) ... f( 1 ,N  1 )  f( X=f(x,y)=  ... ... ... ...     f( M  1 ,0 ) f( M  1 ,1 ) ... f( M  1 ,N  1 )  

Kecerahan dari citra direpresentasikan pada nilai tiap-tiap pikselnya. Semakin tinggi nomor pikselnya maka makin terang (putih) citra tersebut. Sedangkan semakin kecil nilai suatu piksel, mengakibatkan warna pada citra tersebut menjadi gelap. Sistem skala kecerahan yang umum terdapat 256 tingkat untuk setiap piksel dan dikenal sebagai grayscale. 2.3.2 Dekomposisi Gelombang Singkat Gelombang-singkat merupakan nama untuk fungsi-fungsi yang memiliki nilai tidak nol hanya dalam waktu tertentu (untuk waktu selebihnya, nilainya nol). Nama gelombang-singkat merupakan terjemahan wavelet (yang juga identis dengan small wave). Dalam bahasa Prancis, gelombang-singkat disebut ondelette [9]. Daubechies [9] menyatakan bahwa alihragam gelombang-singkat merupakan alat yang biasa digunakan untuk menyajikan data atau fungsi atau operator ke dalam komponen-komponen frekuensi yang berlainan, dan kemudian mengkaji setiap komponen dengan suatu resolusi yang sesuai dengan skalanya. Dalam prakteknya, alihragam ini banyak dipakai untuk analisis dan representasi isyarat. Chui [9] menyatakan bahwa alihragam gelombang-singkat mempunyai kemampuan membawa keluar ciri-ciri (feature) khusus dari citra yang diteliti. Gelombang-singkat merupakan keluarga fungsi yang dihasilkan oleh suatu gelombang basis ψ(x) yang disebut gelombang-singkat induk (disebut mother wavelet). Dua kunci utama yang mendasari gelombang-singkat adalah: 1) penggeseran, misalnya Ψ(x-1), Ψ(x-2), dan Ψ(x-b), serta 2) penyekalaan, misalnya Ψ(2x), Ψ(4x), dan Ψ(2j x). Kombinasi kedua operasi inilah yang menghasilkan keluarga gelombang-singkat. Dalam banyak literatur disebutkan bahwa dua keuntungan utama yang ditawarkan oleh gelombang-singkat, yaitu memungkinkan pelokalisasian frekuensi-waktu dan mendukung algoritma cepat [9]. 2.3.4 Pengenalan Pola Teknik pengenalan pola adalah suatu komponen sistem kecerdasan buatan yang penting dan digunakan untuk pra-pengolahan data dan membuat keputusan. Secara garis besar metode pengenalan pola dibagi atas tiga kelompok. Ketiga kelompok ini dibagi berdasarkan pendekatan yang digunakan, yaitu : Statistis, Sintaktis dan Jaring Saraf Tiruan Pengenalan pola menggunakan pendekatan statistik atau disebut teori keputusan, bilamana struktur dan ciri tidak terlalu penting. Hal ini merupakan kebalikan pengenalan pola dengan menggunakan pendekatan sintaktis. Pada pendekatan sintaktis/struktural, dicari ciri yang unik pada citra, yang dapat dimanfaatkan pada proses pengenalan pola. Sedangkan pendekatan jaring saraf tiruan

(1)

Setiap titik memiliki nilai berupa angka digital yang merepresentasikan informasi yang diwakili titik tersebut. Format nilai piksel sama dengan format citra keseluruhan. Pada kebanyakan sistem pencitraan, nilai ini biasanya berupa bilangan bulat positif. 2.3.1.2 Representasi Citra Digital Komputer dapat mengolah sinyal-sinyal elektronik digital yang merupakan kumpulan sinyal biner (bernilai dua: 0 dan 1). Citra digital harus mempunyai format tertentu yang sesuai sehingga dapat merepresentasikan obyek pencitraan dalam bentuk kombinasi data biner. Dalam citra berwarna, jumlah warna dapat beragam mulai dari 16, 256, 65536 atau 16 juta warna yang masing-masing direpresentasikan oleh 4,8,16 atau 24 bit data untuk setiap pikselnya. Warna yang ada terdiri dari 3 komponen utama yaitu nilai merah (red), nilai hijau (green) dan nilai biru (blue). Paduan ketiga komponen utama pembentuk warna tersebut dikenal sebagai warna RGB. 2.3.1.3 Tingkat Abu-abu (Grayscale) 75

SNPPTI 2010

ISSN: 2086-2156

menggunakan matrik bobot untuk proses pengenalan polanya. 2.3.4.1 Learning Vector Quantization (LVQ) Berbagai teori, arsitektur, dan algoritma jaring saraf tiruan digunakan dalam klasifikasi dan pengenalan pola, salah satu diantaranya adalah jaring Learning Vector Quantization (LVQ). LVQ adalah suatu metoda klasifikasi pola yang masing-masing unit keluaran mewakili kategori atau kelas tertentu (beberapa unit keluaran digunakan untuk masing-masing kelas). Vektor bobot untuk suatu unit keluaran sering dinyatakan sebagai sebuah vektor referens. Diasumsikan bahwa serangkaian pola pelatihan dengan klasifikasi yang tersedia bersama dengan distribusi awal vektor referens [2]. Setelah pelatihan, jaring LVQ akan mengklasifikasikan vektor masukan dengan menugaskan pada kelas yang sama sebagai unit keluaran. Pada dasarnya LVQ merupakan suatu metoda pelatihan terhadap lapisan-lapisan kompetitif yang terbimbing. Dikatakan terbimbing karena menggunakan klasifikasi target keluaran yang diketahui untuk setiap pola masukan. Apabila beberapa vektor masukan tersebut memiliki jarak yang sangat berdekatan, maka vektor-vektor masukan akan dikelompokkan dalam kelas yang sama [2][3][10]. 2.3.4.2 Arsitektur Jaringan LVQ merupakan jaringan syaraf dengan tipe arsitektur jaringan lapis-tunggal umpan-maju (Single Layer Feedforward) yang terdiri atas unit masukan (Xn) dan unit keluaran (Ym). Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vektor masukan ke bobot yang bersangkutan. Oleh karena itu, dapat juga dikatakan bahwa setiap neuron output berkorespondensi satusatu dengan vektor referensi.

Dalam penelitian ini, langkah-langkah yang dilakukan adalah sebagai berikut : 3.3.1 Studi Kepustakaan Studi kepustakaan berawal dari ditemukannya masalah yaitu: kesulitan menginterpretasikan tulisan tangan oleh Psikolog, waktu yang dibutuhkan cukup lama dan interpretasi antara Psikolog satu dengan Psikolog yang lain sering berbeda. Maka dimulai mencari kepustakaan yang mendukung pemencahan permasalahan ini termasuk pengambilan data dan penelusuran pustaka-pustaka yang mendukung lebih lanjut. 3.3.2 Pengambilan Data dan Analisis Pengambilan data dilakukan dengan cara melakukan tes terhadap orang-orang yang dijadikan objek 75 orang dengan melakukan tulisan tangan pada kertas kwarto (A4) 80 gram dengan pensil 2B. Kemudian data di-scan dengan resolusi 360 dpi full color dan disimpan dalam file BMP. Selain memproses menjadi citra digital, secara bersamaan dilakukan pula interpretasi dari bantuan Psikologpsikolog (Fakultas Psikologi, Universitas Wangsa Manggala Yogyakarta). Kemudian data dari Psikolog dijadikan data pelatihan pada Neural Network (LVQ). Lebih jelasnya tahap pengambilan data dapat dijelaskan dengan diagram Gambar 1 sebagai berikut:

Gambar 1. Diagram alir pengambilan data dan analisis

3. MEODE PENELITIAN 3.1 Bahan atau Materi Penelitian Bahan yang dipakai dalam penelitian ini adalah tulisan tangan pada kertas putih A4 80 gram yang diberikan ruang 12 x 10 cm dengan jumlah data 75 orang. Dari tulisan tangan tersebut di buat citra dengan jalan melakukan scan terhadap tulisan tangan menjadi file BMP dengan resolusi 360 dpi. Selain men-scan tulisan tangan tersebut dengan bantuan Psikolog-Psikolog di Fakultas Psikologi, Universitas Mercu Buana Yogyakarta untuk menginterprestasikan tulisan tangan tersebut menjadi kelompok : kematangan emosional katagori (B = Baik dan K = Kurang Baik) yang nantinya sebagai data pelatihan (learning) pada neural network (LVQ). 3.2 Alat yang Digunakan Peralatan yang dipakai dalam penelitian ini meliputi: Seperangkat Komputer, Bahasa pemrograman Matlab, Scanner, Kertas A4 80 gram, Pensil 2B 3.3 Jalannya Penelitian

3.3.3 Perancangan Perangkat Lunak Dalam perancangan perangkat lunak maka disusun suatu metode blok diagram yang akan membantu pembuatan modul-modul proses maupun prosedur perangkat lunak ditunjukkan dalam Gambar 2 sebagai berikut :

76

SNPPTI 2010

ISSN: 2086-2156

Gambar 2. Identifikasi Citra Tulisan Tangan dengan metode pre-processingAlihragam Gelombang Singkat dan Klasifikasi LVQ

berupa vektor akan dijadikan masukan pada proses pembelajaran (learning) dan pengenalan (recognition) pada jaring saraf tiruan. 3.3.3.5 Arsitektur Neural Network LVQ Untuk melakukan identifikasi citra tulisan tangan yang terdiri dari proses pembelajaran (learning) dan pengenalan (recognition) maka dibangun arsitektur jaring LVQ dengan masukan fitur vektor dari piksel hasil ekstraksi ciri melalui alihragam gelombang pendek. Kelas keluaran ditujukkan menjadi lima kelas kematangan emosional sesuai tes kepribadian psikologi yaitu kelas 1 (Baik=B) dan kelas 2 (Kurang=K). Arsitektur LVQ ditunjukkan pada Gambar 3.

3.3.3.1 Citra Tulisan Tangan Citra tulisan tangan merupakan hasil dari tulisan tangan dengan pensil 2B dalam segiempat dengan dimensi 12 x 10 cm pada kertas kwarto putih (A4) dengan berat 80 gram. Citra tulisan tangan merupakan coretan sekuensial dari pensil yang membentuk suatu tulisan yang ditentukan kalimatnya. 3.3.3.2 Data Digital Citra Tulisan Tangan (File BMP) Tulisan tangan di scan dengan resolusi 360 dpi untuk menghasilkan data citra digital dan disimpan dalam file BMP. Format file BMP dipilih dalam penyimpanan data citra ini karena file BMP memiliki nilai kompresi yang kecil sehingga informasi yang hilang dapat diminimisasi. 3.3.3.3 Modul Pre-Processing 3.3.3.3.1 Data Citra Tulisan Tangan Data digital citra tulisan tangan dengan format BMP true color (24 bit) merupakan data yang diproses untuk proses-proses selanjutnya. Data citra 24 bit true color terdiri dari 28 layer merah, 28 layer hijau, dan 28 layer biru. 3.3.3.3.2 Konversi Citra Warna True Color ke Citra Gray Data citra tulisan tangan true color 24 bit dalam format BMP dilakukan pemisahan layer penyusun citranya, yaitu layer merah (red), layer hijau (green), dan layer biru (blue). Proses konversi citra warna ke citra abu-abu (gray), dilakukan mengalikan konstanta nilai RGB ke YUV yaitu dengan mengambil layer Y (luminance) untuk mendapatkan nilai luminance yang kuat. Konversi dari RGB ke YUV dengan menambil layer Y (luminance) ditunjukkan pada Gambar 11. 3.3.3.4 Ekstraksi Ciri dengan Metode Alihragam Gelombang Singkat Ekstraksi ciri dengam metode alihragam gelombang singkat yaitu mengekstrak citra dengan dekomposit ke dalam gelombang singkat yang mewakili nilai piksel dan bentuk gelombang Haar dan Doubechies. Dekomposisi pola dilakukan untuk merepresentasikan pola digit ke dalam vektor yang mengandung beberapa informasi mengenai pola tersebut. Hasil dari dekomposisi level kesatu citra asli 320x143 piksel dengan gelombang-singkat Haar adalah empat subbidang pada resolusi yang lebih rendah 160x71 piksel. Keempat subbidang tersebut masing-masing membawa informasi yang berbeda yaitu informasi background, horizontal, vertikal, dan diagonal. Pada level kedua dihasilkan subbidangsubbidang berukuran 80x35 piksel, dan pada level ketiga dihasilkan subbidang-subbidang dengan ukuran 40x17 piksel. Citra level tiga[9] menghasilkan subbidang yang digunakan sebagai ciri yang membedakan kelas. Fitur vektor yang merupakan ciri

Keterangan: n = 680 Gambar 3. Arsitektur Jaring LVQ untuk Identifikasi Citra Tulisan Tangan 3.3.4 Desain Perangkat Lunak Pada tahap desain perangkat lunak ini dilakukan penulisan kode program sesuai dengan flowchart setiap modul ke dalam bahasa matlab programming. Tahapan penulisan kode program dilakukan sebagai berikut: a). Modul pengambilan citra, b). Modul pemisahan layer citra: merah, hijau, biru, c). Modul konversi citra RGB ke YUV, d). Modul ekstrasi ciri dengan alihragam gelombang singkat, e). Modul jaring LVQ dan f). Modul recognition. 3.3.5 Pembelajaran dan Pengujian 3.3.5.1 Pembelajaran Perangkat Lunak Neural Network Learning pada Neural Neworks dilakukan dengan melakukan pembelajaran terhadap perangkat lunak yang telah selesai didesain dengan data-data yang digunakan untuk pembelajaran. 3.3.5.2 Pengujian Data Pengujian data dilakukan dengan menguji data masukan baru untuk mendapatkan prosentase terbaik dalam mengenali data baru. Untuk mendapatkan peningkatan kemampuan pengenalan dilakukan dengan merubah-ubah parameter jaring LVQ untuk setiap pengujian. IV. ANALISA DAN PEMBAHASAN 4.1 Pengolahan Data Masukan Pengolahan awal dilakukan untuk cropping citra, re-size, citra diperlukan untuk mengubah citra asli 77

SNPPTI 2010

ISSN: 2086-2156

dua-dimensi ke dalam pola vektor yang terdiri atas informasi-informasi yang dimiliki citra asli tersebut. Pola-pola vektor yang diperoleh selanjutnya akan digunakan sebagai masukan dalam proses selanjutnya yaitu pembelajaran dan pengenalan menggunakan jaring saraf tiruan LVQ. 4.1.1 Data Citra Data citra berupa data citra BMP, dengan size 5370 x 4000 piksel. Cita data citra hasil scanning ditujukkan pada Gambar 4. 4.1.2 Pra-Pengolahan Citra 4.1.2.1 Cropping Citra Pada tahap pra-pengolahan dilakukan proses konversi citra warna menjadi citra aras keabuan (gray). Gray diambil karena dalam pengolahan citra tulisan tangan, ciri yang ditekankan berupa aspek model kemiringan garis tulisan, diperlihatkan Gambar 4a, dan 4b.

6(b). Dekomposisi wavelet 2D orde 3 menghasilkan citra dengan nilai piksel antara 500 hingga 900. Citra hasil dekomposisi wavelet orde 3 ditunjukkan Gambar 6(c). 4.2 Feature Vektor Tulisan Tangan Feature vektor diperoleh dari vektorisasi hasil citra dekomposisi alihragam gelombang singkat order 3. Vektor ini digunakan sebagai masukkan Jaring Saraf Tiruan LVQ. Feature Vektor dari hasil vektorisasi dekomposisi tulisan tangan ditunjukkan pada Gambar 6.

(a)

(b)

(a) (b) Gambar 4. (a) data citra (b) Hasil Cropping ROI dengan size 5370 x 1200 dari Data Citra (c) (d) Gambar 6. (a) Dekomposisi Citra Order 1., (b). Dekomposisi Citra Order 2., (c) Dekomposisi Citra Order 3. (d) Grafik Featur Vektor Tulisan Tangan

4.1.2.2 Re-size Citra ROI Re-size citra ROI dilakukan untuk mendapatkan citra berdimensi lebih kecil, dimensi citra yang digunakan adalah 320 x 143 piksel. Gambar citra hasil re-size ditunjukkan pada Gambar 15. 4.1.2.3 Konversi RGB ke Luminace Citra warna tulisan tangan hasil resize pada Gambar 5.3 dilakukan konversi pada citra gray (Y luminace), yaitu dengan memisahkan layer R (Merah), G (Hijau), B (Biru) dan dengan faktor pengali ke piksel ke i,j, dengan Y=0.299*R+0.587*G+0.114*B. Hasil proses RGB ke Gray (Y, luminance) ditunjukkan pada Gambar 5.

4.3

Proses Tiap Tahap Sistem Identifikasi Kematangan Emosional Melalui Tulisan Tangan Sistem identifikasi emosional melalui tulisan tangan dibagi atas dua tahap, yaitu proses ekstraksi ciri dengan vektorisasi dari dekomposisi wavelet orde 3 dan klasifikasi. Pada tahap ekstraksi ciri terdiri atas pra-pengolahan citra, wavelet. Proses ekstraksi ciri diperuntukkan dalam mendapatkan fitur vektor, baik yang digunakan untuk pelatihan maupun pengenalan. Kelompok fitur vektor sesuai dengan tes psikologi ditunjukkan dalam Tabel 1. Tabel 1. ROI 320 x 143 Piksel Citra Tulisan Tangan (Data Pelatihan) ROI Citra Tulisan Tangan

(a) (b) Gambar 5. (a) Citra Tulisan Tangan dengan dimensi 320 x 143 piksel. (b) Gambar 16 Citra Y Luminance 4.1.3 Dekomposisi dengan Metode Wavelet Dekomposisi wavelet 2D orde 1 menghasilkan citra dengan nilai piksel antara 150 hingga 450. Citra hasil dekomposisi wavelet orde 1 ditunjukkan Gambar 6(a). Dekomposisi wavelet 2D orde 2 menghasilkan citra dengan nilai piksel antara 500 hingga 900. Citra hasil dekomposisi wavelet orde 2 ditunjukkan Gambar

1. Baik

78

5. Kurang

SNPPTI 2010

ISSN: 2086-2156

2. Baik

6. Kurang 0,75

3. Baik

7. Kurang

0,001 0,0001 0,1 0,01 0,001

7 4 7 5 4

70,00 65,00 100,00 90,00 65,00

42,85 57,14 28,57 28,57 57,14

56,42 61,07 64,28 59,28 61,07

0,0001

3

62,00

57,14

59,57

Sumber : Pengujian.

4. Baik Sumber : Data sample

Tabel 3 menunjukkan bahwa unjukkerja identifikasi rata-rata pada laju pelatihan awal 0.1 dan penurunan laju pelatihan 0.1 mencapai 71.42 % dengan detail unjukkerja identifikasi kematangan emosional Baik dan Kurang masing-masing secara berurutan adalah 100,00% dan 42,85%. V. KESIMPULAN Beberapa kesimpulan yang diambil dari analisa dan pengujian citra tulisan tangan dengan preprocessing awal menggunakan wavelet untuk mengidentifikasi kematangan emosional, ini antar lain: 1. Unjukkerja identifikasi dengan data pelatihan 24 data dan pengujian menggunakan 47 data, perangkat lunak (algoritma) mampu mengidentifikasi dengan rata-rata hingga 71,42% dengan kemampuan identifikasi kematangan emosional Baik dan Kurang secara berurutan masing-masing 100,00% dan 42,85%. 2. Keberhasilan pembelajaran sangat dipengaruhi oleh laju pelatihan awal dan penurunan laju pelatihan. Dalam algoritma sistem ini persentase pengenalan terbaik pada laju pelatihan awal 0.1 dengan penurunan laju pelatihan 0.1 yang mencapai pengenalan rata-rata 71,42 %.

8. Kurang

4.4 Ujicoba Jaring Saraf Tiruan Proses pengujian Jaring LVQ digunakan parameter yang ditunjukkan pada Tabel 2. Tabel 2. Parameter yang digunakan pada Jaring LVQ Jumlah Pola Masukan 24 Pelatihan Jumlah Pola Masukan 47 Pengujian Jumlah Pola Target 2 Variasi Laju Pelatihan (α) 0,1;0,01;0,001;0,0001 Update Laju Pelatihan  =  -  (dec ) Variasi Pengurangan Laju 0,1; 0,25; 0,5;0,75 Pelatihan (dec α) Minimum Laju Pelatihan 0,000001 yang diharapkan Maksimum Iterasi (epoch) 200 Pengujian dilakukan pada pola-pola baru menggunakan vektor hasil dari masukan data citra tulisan tangan yang baru dengan ukuran 320 x 143 dengan parameter ditunjukkan pada Tabel 2. 4.5 Unjukkerja Identifikasi Citra Tulisan Tangan Untuk mengetahui unjukkerja identitifikasi tulisan tangan dengan pre-processing menggunakan wavelet dan identifikasi dengan LVQ ditunjukkan pada Tabel 3 sebagai berikut.

VI. DAFTAR PUSTAKA [1] Duda, R., 2000, “Pattern Clasification, 2nd”, A. Willey-Inter Science Publication. [2] Fausset, Laurence., 1994, “Fundamental Of Neural Network, Architectures, Algorithms, And Applicationa”, Prentice Hall, Englewood Cliffs. [3] Fredric M. Ham., Kostanic, Ivica., 2001, “Prinsiples of Neurocomputing For Science Enginerring”, McGraw-Hill. Inc. [4] Machover, Karen., 1987, “Proyeksi kepribadian dalam gambar figur manusia (suatu metode pemeriksaaan kepribadian)”, Universitas Padjadjaran. [5] Munir, Rinaldi, 2004, “Pengolahan citra digital dengan pendekatan algoritmik”, Infomatika, Bandung. [6] Nicholas V. Swindale and Hans-Ulrich Bauer, “Application of Kohonen's self-organizing feature map algorithm to cortical maps of orientation and direction preference”, The royal society. [7] Salsabilla., Sausan, 2006., “Grafologi Seni Menilai Kepribadian Seseorang Melalui Tulisan Tangan”, Image Press.

Tabel 3. Unjukkerja Tulisan Tangan Unjukkerja Pengenalan (%) Penurunan Laju Pelatihan Iterasi Laju Pelatihan awal ke (dec alfa) (alfa)

0,1

0,25

0,5

0,1 0,01 0,001 0,0001 0,1 0,01 0,001 0,0001 0,1 0,01

88 66 44 33 33 25 17 9 14 10

Baik

100,00 100,00 82,50 65,50 100,00 100,00 75,00 62,50 100,00 97,50

Kurang

42,85 28,57 28,57 57,14 28,57 28,57 28,57 57,14 28,57 28,57

Komulati f

71,42 64,28 55,53 61,32 64,28 64,28 51,78 59,82 64,28 63,03

79

SNPPTI 2010

ISSN: 2086-2156

[8] Supatman, Eko Mulyanto, Mauridhy H.P., 2007, “Identifikasi Tekstur Citra Lidah Menggunakan Metode Gaussian Markov Random Field Untuk Deteksi Dini Penyakit Tifoid”, SITIA 2007, ITS, Surabaya [9] Supatman, 2008, “Identifikasi Tekstur Citra Bubuk Susu Menggunakan Alihragam Gelombang Singkat Untuk Memprediksi Keaslian Produk Susu”, SITIA 2008, ITS, Surabaya [10] Supatman, 2008, “Deteksi Citra Sketsa Figur Manusia Dengan Metode Pulse Couppled Neural Network (PCNN) Untuk Memprediksi Daya Tahan Terhadap Stres”, Semnas Informatika UPN Veteran Yogyakarta.

80