IDENTIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACK-PROPAGATIONDAN JARINGAN SYARAFTIRUAN SELF ORGANIZING MAP

IDENTIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACK-PROPAGATION DAN JARINGAN SYARAFTIRUAN SELF ORGANIZING MAP GleIBs Kurnlatl Putri', Bambang Hidayat', Acbmad Rizaf 1,2)FakultasElektro dan Komunikaai, Institut Teknologi Telkom

'[email protected] com, '[email protected], [email protected] Abstrak Tanda tangan banyak digunakan sebagai slstem Identlflkasi untuk mengenali seseorang. Pada penelitlan Ini, penulis membuat suatu perangkat lunak untuk membantu mengidentlflkasikan tanda tangan seseorang. A1goritma yang akan digunakan mempakan algoritma Jaringan Syaraf Timan. A1goritma Identlfikasl tanda tangan yang digunakan adalah Jaringan Syaraf Timan Backpropagation dan Jaringan Syaraf Timan Kohonen atau sering disebut Self Organizing Map (SOM). Citra RGB hasll akulsls!, dan sudah dikonveni menJadi citra grayscale perlu dUakukan perbaikan terleblb dahulu sebelum diolah. Proses pre-processing-nya sendiri terdiri dar!: corwert to biluuy image, menJadikan citra negatlf, dan proses cropping. Setelah dUakukan proses pre-processing dan mendapaikan citra tanda-tangan yang memllikl kualitas leblb balk, tahap selanJutaya adalab melakukan ektraksl c:iri. Pada tahap InI, citra dibagi-bagi menJadi beberapa baris M dan kolom N. Setlap kotak dilakukan pemayaran plksel dengan matrix model, untuk mendapatkan Intensitas kemunculan dari setlap modeL Setelah obyekobyek yang ada berbasli disederhanakan, tahap selanJutnya adalah identlfikasl dengan menggunakan metode Jaringan Syaraf Timan Back-propagation dan Jaringan Syaraf Timan Self Organizing Map (SOM). Hasll dari Identlflkasi yang diperoleh adalah sistem dapat mengenali pemllik tanda-tangan, serta mendapatkan anitektnr dan parameter Jaringan Syaraf Timan yang terbaik dengan memperbatikan parameter-parameter yang sudah ditentukan. Akurasi yang di dapat dalam pengenalan tanda tangan menggunakan Jaringan Syaraf Timan Back-Propagation adalah 81,78%, dengan Jaringan Syaraf Timan SelfOrganidng Map 71,83"•• Kata kunci: Identlfikasl citra tanda tangan, JST Back-propagation, JST SelfOrganizing Map.

64

,

Abstract Signatllre is widely IIsedas an identification system to indentifY people. In this final projecl, the allthor wd to make application to help IdentifY people signature. The method IIsed here are Nellral Network Algorithm. There are two kind ofNellral Network IIsedin this final projecl, they are Back-propagation Nellral Network and Self Organizing Map Nellral Network. RGB (Red Green Bille) image resllits acqllisition has been conwrted to grayscale image, and it is need to be repaired before being processed. The pre processing, colISistof converting to binary image Inwrting, and cropping processed. After pre processing and get better quality image, the next step is to COndllCt featllre extraction. At this step, the image divided into M rows and N coillmlt. Each sqllare pixel imaging performed with the matrix model, this is do to get the intellSlty of occurrence of each modeL After the objects haw sllccessflllly simplified, the next step is the identification by IISing Back-propagation Artijicilll Nellral Network and Self Organizing Map (SOM) Artificilll Nellral Network. The resllit ofidentification is system can recognize the owner slgnatllre, as well as getting best archlteclllre and parameter of nellral network by due regard the parameters already determined. In addition, in this final project, the author compared the performance both of type nellral networks by look/ng at the acclUYlCJl 'IIId speed parameter in this signatllre recognitionprocess. Keywords: signatllre image identification, Backpropagation neural network, SelfOrganizing Map neural network.

1.

Pendahuluan

Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang digunakan utnuk menganalisis fisik dan kelakuan manusia untuk autentifikasi. Contohnya, dalam pengenalan fisik manusia yaitu dengan pengenalan sidik jari, retina, iris, pola dari wajah (facial patterns), tanda tangan, dan cara mengetik (typing patterns). Tekstur citra tanda tangan yang unik pada setiap orang dapat dianalisis untuk diidentifikasi.

IT Telkom Journal on ICT Volume 1 Nomor 1 Maret Tabuo 2012

Oleh karena itu, diperlukan sebuah sistem yang rnampu menganalisis karakteristik tanda tangan sehingga mempermudah dalam mengidentiftkasi tanda tangan seseorang, apalagi sudah ada Personal Computer (PC) sebagai sarana bantu manusia yang sudah Iazim digunakan, di mana menggantikan mesin ketik. Begim pun kini telah berlc:embang menjadi alat kontrol atau pengendali baik di rumah tangga, di industri, bahkan di lingkungan pendidikan. Pada penelitian sebelumnya [8], telah dilakukan penelltian identitikasi tanda tangan menggunakan metode OCT, OWT, dan Wavelet pada proses ekstraksi cirinya dan pada proses akuisisi citra menggunakan citra basil scan. Perfonnansi sistem yang diperoleh hanya 59%. 2. Dasar Teori 2.1. Citra Digital Citra digital merupakan suatu fungsi kontinu dari intensitas cahaya atau derajat keabuan dalam bidang 2 dimensi yang dapat direpresentasikan dengan fungsi f{xJ'), di mana x dan y menyatakan koordinat posisi piksel ito berada. Piksel merupakan satuan atau elemen terkecil dari citra yang menempati suatu posisi yang menentukan resolusi citra tersebut. Setiap piksel memiliki nilai derajat keabuannya sendiri-sendiri. 2.1.1. Representasi Citra Dig/tal 2 Dlmensl Ketika sebuah citra yang akan melalui proses komputasi, terlebih dahulu menentukan nilai x dan y, dan f{xJ') hams berada pada jangkauan atau range tertentu yang jumlahnya terbatas. Citra dengan ketentuan tersebut disebut citra digital. Citra digital dua dimensi yang berukuran M x N, di mana f{O,O) berada pada sudut kiri dari matriks tersebut, sedangkan f{N-I,M-I) berada pada sudut kanan bawah, 2.1.2. Representasl Matriks Citra Digital Pada matriks citra digital f{xJ'), niIai x dan y menyatakan koordinat posisi piksel tersebut berada, dan nilai f{xJ') menunjukan intensitas (derajat keabuan) piksel pada koordinat tersebut.

I

f(~Y)'

f(O.l1) ~11)

[Ji~ll1)

f(O.n f(l.n

')I-n } .....-1) O
f(N-ln

-lJl-n

2.1.3. Citra RGB

tersebut dapat membentuk warna sekunder, dengan mencampur dua dari ketiga warna tersebut. Campuran warna RGB, diantaranya: a. Warna-warna sekunder, seperti: kuning = merah + hijau, cyan = hijau + biro, magenta = biru + merah. b. Bila semua warna tersebut dicampur, akan menghasilkan warna putih, c. Bila warna RGB tidak dicampur, akan menghasilkan warna hitam. d. Jenis-jenis warna lainnya akan dihasilkan dari campuran warna Iainnya, seperti campuran warna-warna sekunder yang mengbasilkan warna-warna tersier. 2.1.4. Citra Grayscale Citra grayscale atau citra hitam putih adalah sebuah citra yang nilai tiap pikselnya berupa sampel tunggal, di mana nilai tersebut menunjukan informasi intensitas derajat keabuan. Oerajat keabuan merniliki nilai rentang yang dimulai dati hitam yang merupakan intensitas paling lernah sampai ke putih yang merupakan intensitas paling kuat. Rentang nilai tersebut disebut juga dengan sakala keabuan. Panjang dari rentang nilai tersebut bermacam-macam yang mempresentasikan rentang antara nilai maksimum dan minimum Ada yang mempresentasikan dengan nilai I dan 0 (disebut yang juga citra biner) dan juga ada mempresentasikan dengan persentase 0 sampai dengan 100%. Ada tiga macam pengubahan yang dapat dilakukan, tergantung dari bagaimana cara pandang dari furmat warna terhadap grayscale. Grayscale dapat dipandang sebagai nilai keceraban dari suatu citra, dengan nilai kecerahan dapat disesuaikan dengan kemampuan mata untuk melihat suatu warna. Ini biasanya diterapkan pada dunia visual, di mana yang menjadi subjek adalah mata manusia. Gray = intensitas = Y = aR + fJG + yB (I) Grayscale dapat dipandang sebagai nilai ratarata dari ketiga komponen warna R, G, dan B. Nilai ini didapatkan untuk suatau pengolaban nilai R,G, dan B secara sederhana, dengan nilai R, G, dan B dianggap sebagai data. Gray R+G+B 3 (2) Grayscale dapat dipandang sebagai bidang dengan dimensi tiga di mana sumbu-surnbunya merupakan nilai R, G, dan B. Nilai grayscale merupakan ti,&) yang berada dalam bidang tersebut. Gray = JR

RGB adalah kepanjangan dari red (merah), green (hijau), dan blue (biru). Citra RGB adalah citra yang setiap pikselnya dibentuk oleh susunan campuran warna merah, hijau, dan biru, yang biasa disebut sebgai warna primer. Warna-warna primer

2+G2

+J12 (3)

2.1.5. Inverting

Identifiwt Tauda Tangan Menggunakan Jarlngan Syarat Tiruan Back-Propagation dan Jarlngan Syarat Timan SelfOrganiting M4p (Giellis Kurniati Putrf]

,

3

65

Invert dilakukan untuk mendapatkan citra negatif meniru film negatif pada fotografi dengan cara mengurangi nilai intensitas piksel dari nilai keabuan maksimum. Misalnya pada citra dengan 256 derajat keabuan (8 bit), citra negatif diperoleh dengan persamaan: fx,y 255-fx,y (4) Sedangkan pada citra dengan 128 derajat keabuan,

f x,y

128-fx,y

(5)

2.1.6. Konveni ke Biner

karakteristik daIam bujur sangkar ini dipergunakan sebagai pedoman untuk membentuk pola model Metode Pola Busur dengan pembatasan ini disebut dengan Metode Pola Busur Terlokalisasi. Dengan menggunakan sampel tandatangan Indonesia, dari metode ini didapatkan 52 buah pola model yang dikelompokkan menjadi 42 pola model, sepe(fi) terlihat pada Gambar 1. Ada beberapa model yang mirip dikelompokkan menjadi satu model, contohnya seperti nomor 33, 34, dan ~~ dikelompokkan menjadi satu yaitu model J'f) Angka di sebelah kiri atas pola menunjukkao nomor urut pola, sedangkan angka di sebelah kaoan alas pola adalah nomor model.

Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan: hitam dan putih. Piksel-piksel objek bernilai I dan pikselpiksel latar belakang bernilai O. Pada waktu menarnpilkan gambar, 0 adalah putih sedangkan objek berwarna hitam. Konversi dari citra hitamputih (grayscale) ke citra biner dilakukan dengan operasi pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap piksel ke dalam 2 kelas, yaitu hitam danputih.

2.1.7. Cropping Citra yang sudah melalui proses inverting akan di crop untuk mernfokuskan daerah mana saja yang akan diektraksi cirinya. Proses autucroppingnya sendiri dilakukan dengan cara menjumlahkan intensitas piksel secara horizontal dan vertikal Apabila nilainya lebih dari atau sarna dengan I maka citra tersebut rnasuk ke dalam citra yang akan diolah, dan apabila nilainya 0 maka, daerah tersebut yang akan dibuang. 2.1.8.. Pola Bnsur Terlokalisasi Metode Pola Busur Terlokalisasi uu dikembangkan dari Metode Pola Busur (Arc Pattem Method). Prinsip metode ini adalah: dua buah titik akhir (end paint) masing masing A dan B dihubungkan oleh busur-busur (Gambarl). Pada gambar tersebut juga dapat dilihat lima buah titik yang beIjarak sarna ditempatkan di alas busur yang disebut dengan titik karakteristik. Dari Metode Pola Busur tersebut disusun model yang terdiri alas satu atau dua buah titik akhir (end point) dan beberapa titik di antara dna titik akhir. Kombinasi itu menghasilkan model yang banyak sekali, tapi untuk sistem aktual, tidak semua pola model digunakan, karena sangat memperlambat kerja sistem. Masalah ini ditanggulangi dengan mengurangi sebagian pola model yang ada, yaitu dengan melakukan pembatasan pandangan (lokalisasi permasalaban) pada pola model yang didefmisikan di dalam sebuah bujur sangkar kecil berukuran 5 x 5 kotak, Hanya model-model yang dibentuk oleh titik

66

Gambar I. Pola Model Tanda Tangan Indonesia 2.2. Jarlngan syaraf Tiruan Perambatan Balik atau BadqJropagation (JST-BP) Jarlngan syaraf timan Backpropagation (JSTBP) merupakan jaringan syaraf yang sangat populer digunakan untuk memecahkan masalab. Jaringan syaraf timan Backpropagation menggunakan algoritma belajar supervised learning. Propagasi balik merupakan salah satu proses belajar jaringan syaraf timan dimana dalam proses belajar tersebut pengubaban nilai berlangsung pada arab mundur, yaitu mulai dari lapisan keluaran dan berakhir di Iapisan rnasukan 2.2.1. Struktur Janngan Arsitektur standar jaringan timan backpropagation terdiri dari tiga Iapisan, yaitu lapisan masukan, Iapisan tersembunyi, dan lapisan ke1uaran. Masukan jaringan disimbolkan dengan p, p = [PI p] Ps ... PN], dengan N merupakan juru1ah elemen masukan, Bobot disimbolkan dengan w, menentukan besar sinyal masukan ke fungsi aktivasi. Bias, b, seperti bobot, input bias bisa konstan atau berubah seperti bobot selama pelatihan, dengan suatu aturan pembelajaran, Bias

IT Telkom Journal on ICT Volume 1 Nomor 1 Maret Tahun 2012

kemudian dijumlahkan dengan masukan yang sudah terboboti (sinyal yang sudah dikalikan dengan bobot). Kadang-kadang, untuk kepentingan efesiensi waktu pelatihan, penggunaan bias diabaikan. Hasil penjumlahan seluruh masukan yang sudah terboboti kemudian dilewatkan pada suatu fungsi yang akan mengubahnya menjasi keluaran neuron tersebut. Keluaran yang dihasilkan bervariasi, tergantung pada jenis fungsi aktivasi yang digunakan. Pada gambar di atas, fungsi aktivasi disimbolkan dengan f Keluaran disimbolkan dengan a. Keluaran ini kemudian menjadi masukan untuk neuron-neuron di Iapisan selanjutnya. Konsep proses ini dapat dilihat pada Gambar2.

p

y_neltj=w,o+ L.Zjwtj j-I

(8) (9)

Fase II: Propagasi Mundur g. Hitung faktur 0 unit keluaran berdasarkan kesalahan di setiap unit keluaran y, (k = 1,2, ...,

m) 0, = (I, - y,XI - y/)

(10)

0, merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer di bawahnya (langkah h). Hitung suku perubaban bobot w.. (yang akan dipakai nanti untuk merubah bobot w..) dengan Iaju percepatan a. ~"l1

= aO>Zj ;k = 1,2,...,m ;j = 0,1, .. .,p

(II)

h. Hitung faktor 0 unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi Zj 0 = 1,2, ... ,p) m

s _netj

=

LO,"l1 k=1

Faktor 0 unit tersembunyi;

Gambar 2. Konsep Proses Back-Propagation 2.2.2. A1goritma Algoritma pelatihan untuk jaringan dengan satu Iayar tersembunyi (dengan fungsi aktivasi sigmoid biner; a. Inisialisasi semua bobot dengan bilangan acak kecil. b. Jika kondisi penghentian belum terpenuhi, Iakukan langkah c-i c. Untuk setiap pasang data pelatihan, lakukan Iangkah d-i Fase I: Propagasi Maju d. Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya e. Hitung semua keluaran di unit tersembunyi Zj 0 =1,2, ... p)

•

z_netj =Vjo

+ L.XjVji ;=1

(6) (7)

f. Hitung semua keluaran jaringan di unit =1,2, ...., m)

y, (k

OJ =0 netrj(l-Zj) (13) Hitung suku perubaban bobot Vji (yang akan dipakai nanti untuk perubahan bobot vji)

Fase III: Perubahan Bobot i. Hitung semua perubahan bobot Perubahan bobot yang menuju unit keluaran: (14) k= 1,2, , m j = 0,1, ,p Perubahan bobot garis yang menuju unit tersembunyi: vp(baru) =vji(lama) +~vji (15) j ~ 1,2, ,p

;=0,1, ,n keterangan: z_netj = fungsi untuk rnencari keluaran di unit tersembunyi Zj= keluran di unit tersembunyi Vjo = bobot antara unittersembunyi dengan bias Vji = bobot antara unit tersembunyi dengan unit masukan

IdentifIkasl Taoda Tangan Menggunakan Jaringan Syaraf Tiruan Back-Propagation dan Jarlngan SyarafTiruan SelfOrgllnizing Map (Giellis Kurniati Putril

,

(12)

67

• x, ee unit masukan y_neti; = fungsi untuk mencari keluaran di unit keluaran Y. = keluaran di unit keluaran A. = unit kesalahan yang akan dipakai dalam perubahan bobot antara layer keluaran dan tersembunyi I. = target keluaran Llwi; = auku perubahan bobot antara layer keluran dengan layer tersembunyi 0_net, = fungsi unit kesalahan pada unit tersembunyi OJ ee unit kesalaban pada unit tersembunyi LlvJ' = suku perubaban bobot antara layer masukan dengan layer tersembunyi w'j = bobot antara layer tersembunyi dengan layer keluaran Vj' = bobot antara layer tersembunyi dengan layer masukan Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Oalam hal ini, hanya propagasi maju (fangkah e dan j) saja yang dipakai untuk rnenentukan keluaran jaringan.

-..

. --

Gambar 3. Arsitektur Sederhana JST Self Organizing Map 2.3 Jaringan Syaraf Tiruan Self Organizing Map Jaringan Kohonen atau juga sering disebut Self Organizing Map (SOM) pertama kali ditemukan oleh Teuvo Kohonen, seorang profesor dati Finlandia. Jaringan Kohonen dipakai untuk membagi pola masukan ke dalam beberapa kelompok (cluster). Ide dasar dari Jaringan Kohonen adalah menyusun suatu sttuktur dati unitunit pemroses (neuron) yang saling berhubungan yang akan saling berkompetisi Jaringan Kohonen ini banya mendukung satu atau dua dirnensi peta data output sehingga jika data yang dipakai adalah data multidimensi, perlu dilakukan reduksi dimensi menjadi satu atau dua dimensi data (vector quantization). Yang menarik dari Jaringan Kohonen adalah jaringan ini belajar secara unsupervised (tak terbimbing) sehingga tidak diperlukan pasangan vektor input dan target selama proses belajarnya. Arsitektur jaringan syaraf timan selforganizing map disajikan pada Gambar 3.

68

2.3.1. Struktur Jaringan Sehagai contoh, kita akan membahas Jaringan Kohonen dua dimensi, Jaringan ini tersusun dari node-node/ neuron-neuron yang membentuk matriks 20 dimana setiap neuron terhubung sepenubnya dengan input layer. Banyaknya neuron output sendiri tergantung kepada jumlah maksimum cluster atau kelas yang akan dibentuk. Gombar di bawah ini merupakan contoh arsitektur Jaringan Kohonen yang terdiri dati 4 x 4 node yang terhubung dengan 2 node pada input layer. Vektor input adalah vektor masukan terhadap jaringan dimana banyak node input sama dengan panjang setiap vektor input. Misalkan masing-masing vektor input yakni V" V2 , ••• , V. dimana setiap V = (X"X2) . Wif adalah bobot garis yang menghubungkan neuron pada input layer menuju setiap neuron pada output layer. Gambar 2.10 Jaringan Kohonen sederhana. Oalam jaringan SOM, neuron target tidak diletakkan dalam sebuah baris seperti layaknya model jaringan syaraf timan yang lain. Neuron target diletakkan dalam 2 dimensi yang bentukltopologinya dapat diatur. Dalam Matlab disediakan fasilitas untuk mendefinisi topologi jaringan yang berbeda-beda, Topologi yang berbeda akan rnenghasilkan neuron sekitar neuron pernenang yang berbeda sebingga bobot yang dihasilkan juga akan berbeda. Ada 3 macam topologi yang dapat dibentuk yaitu [9]: a. Gridtop Dalam gridtop, neuron disusun dalam array 2 dimensi dengan bentuk persegi. b. Hextop Dalam hextop, neuron disusun dalam array 2 dimensi dengan bentuk heksagonal. c. Randtop Oalam randtop, neuron disusun dalam array 2 dimensi dengan susunan acak, Perubahan bobot dalarn proses pernbelajaran SOM tidak hanya dilakukan pada bobot garis yang terhubung ke neuron pernenang saja, tetapi juga pada bobot garis ke neuron-neuron di sekitarnya. Neuron di sekitar neuron pemenang ditentukan berdasarkan jaraknya dari neuron pemenang, Ada 4 macam defmisi jarak antara 2 neuron yaitu [9]: a. Jarak Euclidist (dist)

Jarak Euclidist adalah jarak antara 2 buah titik di dalam ruang n-dimensi. Misal (xl,y I) dan (x2,y2) adalah koordinat 2 neuron, maka jarak kedua neuron tersebut dihitung dengan rumus berikut: (16) b. Jarak link (linkdist)

IT Telkom Journal on ICT Volume 1 Nomor 1 Maret Tehan 2012

,

Jarak link adalah jumlah langkah yang dibutuhkan untuk menuju neuron tersebut. Jika dalam jaringan SOM menggunakan topologi gridtop dengan linkdist = I, berarti hanya neuron-neuron yang berhubungan Iangsung dengan neuron pemenang saja yang diubah bobotnya (jumIah neuron tetangga = 4). Jika linkdist = 2 maka jumlah neuron tetangga = 12 c. Jarak Manhattan (mandist) Jarak Manhattan antara vektor x(xl.x2, ... ,xn) dan vektor y(y1,y2, .. .,yo) didefmisikan sebagai:

sum(abs(x-

y»

" =Llxi-yil ;:::1

(17)

x, y = titik awal node x;.y; = titik akhir yang akan dijadikan acuan n ~ banyaknya neuron yang berhubungan Jika x ~ (xl,x2) dan y = (y1,y2) menyatakan koordinat neuron yang dibentuk melalui topologi terlentu, maka jarak Manhattan antara neuron x dan y adaIah: D I JI2 jI! J (18) x I, y I = titik awal node acuan x2, y2 = titik akhir node yang akan dijadikan acuan D = jarak antara titik node acuan dengan titik node yang akan dijadikan titik acuan berikutnya d. Jarak persegi (boxdist) Jarak persegi adalah jarak langsung antara neuron pemenang dengan neuron tetangganya (neuron di sekeliling neuron pemenang). Sebagai contoh apabila topologi neuron adalah gridtop, maka paling banyak terdapat 8 buah neuron tetangga dengan boxdist = I, dan terdapat paling banyak 16 tetangga jika boxdist = 2. Jika neuron pemenang terletak di pinggir maka hanya ada 5 neuron tetangga dengan boxdist = I.

Ix! }i!

2.3.2. A1goritma Pelatihan Algoritma belajar dari Jaringan Kohonen adalah sebagai berikut: a. Lakukan Inisialisasi: I) Bobot Wif secara random 2) Learning rate awal dan faktor penunmannya 3) Bentuk susunan node output layer dan jari-jari topologi sekitarnya. b. Selama kondisi berhenti belum tercapai 1akukan langkah 3-8. c. Untuk setiap vektor input lakukan langkah 4-6. d. Dapatkan node output terbaik (Best Matching Unit! BMU) yang vektor bobotnya paling mirip dengan vektor input. e. Tentukan tetangga BMU yang masih berada dalam radius jari-jari dari BMU. f. Modifikasi vektor bobot dari BMU dan node-node tetangga BMU.

g. Modiftkasi learning rate

h. Hitung kondisi berbenti iterasi 2.3.3. Mendapatkan Best Matching Unit (BMU) Salah satn cara yang dapat digunakan dalam mencari BMU adalah mencari node yang mempunyai vektor bobot yang paling rnirip dengan vektor input. Vektor yang paling mirip disini bisa diartikan sebagai jarak terpendek antara vektor bobot suatu node dengan vektor input. Jarak suatn vektor dengan vektor lain dapat dihitung dengan menggunakan rumus Euclidian. Rumus BMU untuk semuaj (semua neuron output):

D=ft"

i.l

(w .. l'

-xi

(19)

,

D = jarak antar vektor input deogan vektor yang memiliki bobot yang mirip deogan vektor input "'i; = bobot antara vektor input dengan vektor tetangga Xi = titik awal node

2.3.4. Mendapatkan tetangga dari BMU Setelab didapatkan BMU, langkah berikutnya adalab mencari tetangga dar! BMU tersebut. Tetangga dari BMU adalah node-node yaog masih berada dalam radius jari-jari dari BMU. Sebelum mencari tetangga dar! BMU perlu diperhatikan bentuk susunan dari neuron! node pada output layer apakah berbentuk satu dimensi atau dua dimensi. Selain itu, juga diperbatikan bentuk representasi jari-jari yang dipakai apakah berbentuk bujur saogkar atau heksagonal. Berikut ini adalah contoh penentuan node tetangga BMU deogan jari-jari R=2. 2.3.5. Modilikasl Vektor Bobot BMU dan Tetangganya Setelah mendapatkan BMU dan tetangganya,

maka dilakukan perubahan bobot terbadap vektor bobot dar! BMU dan tetangganya. Perubahan bobot ini menggunakan rumus:

~=~+a(xi+"r.-)

(20)

2.3.6. Modifikasi Learning rate Pada Jaringan Kohonen, learning rate tidak bemiIai konstan untuk setiap iterasinya. Nilai learning rate selalu berubah tergantung dari faktor penunman yang dipakai. Sebagai contoh nilai learning rate awal a = 0.6 dan pada setiap iterasi niIai learning rate akan dirubah berdasarkan persamaan:

ab.ru = 05 •

ldentinkasi Tauda Tangan Menggunakan Jaringan Syaraf Tiruan Back-Propagation lIan Jaringan SyararTiruan Selj'OrgiUlizing Map IGiellis Kurniati Putri)

a'-

(21)

69

2.3.7. Kondisl bement! iterasl Tend. Tanga:l

1

Kondisi berbeti iterasi adalah kondisi dimana selisih antara Wj' pada saat itu dengan W·, pada itemsi sebelumnya. Sehingga apabila wji berubah

Akul• •1 C/tnI

sedikit saja, maka itemsi sudah mencapai saat dimana ia barns berhenti.

1

3. Perancangan Sistem 3.1 Pemodelan Simulasl Sistem

I~=ar H~= ~

C~c.tih

/

/

1

...............n.

Software

Gambar 4. Simulasi Sistem

Sistem terdiri dati perangkat akuisisi gambar, PC (personal computer), dan software. Sedangkan perangkat akuisisi gambar memakai G-pen merk Genius Easy Pen i405 4" x 5.5" Graphtc Tablet yang disambungkan ke PC. Interkonekasi antar komponen sistem adalab kabel USB pada G-pen disambungkan ke port USB pada PC.

1 Ekslraksl Cln

1 PenguJlan dengan JST

1

3.2 Proses Akuislsi Gambar Proses pengambilan gambar dilakuk:an dengan menggunakan devais G-pen herupa Easy pen yang dopat dikoneksikan ke komputer, dengan menginstal driver G-pen terlebih dahulu. Citra tanda tangan yang diperoleh dopat Iangsung diproses pada program matlab yang telah dibuat. 3.3 Proses Identifikasl Tanda Tangan Secara umum implementasi identifikasi tanda tangan yang dirancang dopat digambarkan dalam diagram aIir di bawab ini:(Proses Iatib & uji)

/

Bobo<JST

I

Tend. Tangen terkenall

(

1 8_.-1

)

Gambar 5. Diagram Alit Proses Identifikasi Tanda Tangan Dapat dilibat pada gambar diagram alir simulasi sistem terdiri dati dua proses, yaitu proses latib dan proses uji. Proses lalib bertujuan mendapatkan bobot yang baik pada saat training Jaringan Syaraf Timan. Sedangkan proses uji digunakan untuk mendapatkan akurasi dan lama sistem mengenal suatu citra berupa satu buah tanda tangan

3.3.1 Input Gambar Pada proses input gambar, ada dua jenis citra yang diinputkan, yaitu citra Iatih dan citra uji. Citra Iatib terdiri dati 100 buah tanda tangan, yang diambil dati 10 orang, jadi masing-masing orang memiliki citra Iatib sebanyak 12 buah. Sedangan citra uji diinputkan dengan cara mengambil tanda tangan seseorang melalui devais G-pen yang telah terhubung ke PersonalComputer.

3.3.2. Preprocessing

(

70

Proses preprosesing terdiri dari beberapa tabapan, yaitu: a. Citra RGB ke citra grayscale Pengubahan dati format warna ke gray level banyak dilakukan dengan tujuan

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tabun 2012

,

penyederhanaan format warna, dimana dalam penggunaannya tidak diperlukan atau diutamakan informasi warna yang ada, tetapi banya perbedaan intensitas dari citra. b. Konversi ke Biner Citra basil akuisisi masib memiliki rentang dari sangat besar oleh karena itu harus dikonversi ke citra biner dengan tujuan mengbasilkan nilai pilesel yaitu 0 dan I saja. Ditnana piksel 0 merupakan latar belakang dari objek tanda tangan yang akan diambil cirinya, dan I ada1ah informasi objek. c. Menjadikan Citra Negatif(Inverting) Citra yang telah dibinerkan, aksn diinvert untuk mendapatkan citra negatif hal ini dilakukan untuk mengurangi nilai intensitas piksel dari nilai keabuan maksimum. d. Pernotongan Gambar (Cropping) Citra yang sudah melalui proses inverting akan di-crop untuk memfokuskan daerah mana saja yang akan diektraksi cirinya. Proses autucropping nya sendiri dilakukan dengan car. menjumlahkan intensitas piksel secara horizontal dan vertikal. Apabila nilai nya lebib dari atau sarna dengan I, maka citra tersebut masuk ke dalam citra yang akan diolah, dan apabila nilai nya 0 maka, daerah tersebut yang akan dibuang.

3.3.3. Ekstraksi Clri Ekstraksi ciri merupakan tahapan untuk mernperoleh frekuensi kemunculan dari masingmasing pola. Proses Ekstraksi ciri yang dilakukan, yaitu mengkorelasi matriks citra tanda tangan dengan matriles model dari metode pola busur terlokalisasi Pola model yang didefinisikan sebuah bujur sangkar kecil berukuran 5 x 5 kotak dikorelasi dengan citra tanda tangan yang akan dikenati poianya. Pola yang memiliki model yang sarna tetapi dengan nomor urut yang berbeda, frekuensi kemunculannya dijumlahkan. Perhitungannya ada1ah menggerakkan setiap pol. model di atas pola biner citra tanda tangan sampai semua titik terlewati. Pada setiap pergeseran di1akukan pembandingan terhadap ruang yang dilingkupi oleh model tersebut, jik. sarna maka frekuensi model tersebut ditarnhahkan. 3.3.4. Pengidentifikasian dengan Jaringan Syaraf Tlruan Back-Propillfation 3.3.4.1. Proses Pelatiban Jaringan

yang akan selalu djperbaiki pad. proses iterasi pelatiban jaringan. Prinsip kerja Jaringan Syaraf Timan Backpropagation pada proses pelatihan terdiri dari propagasi maju, propagasi mundur, dan perubahan bobot. a, Propagasi maju Selama propagasi maju, inputan berupa veletor ciri (=x,) propagasikan ke layar tersembunyi menggunakan fungsi aletivasi. Keluaran dari setiap unit Iayar tersembunyi (=z,) seianjutuya di propagasi maju ke keluaran jaringan (=y.0. selanjutnya, keluran jaringan (=Y.) dibandingkan dengan target yang barns tercapai (=t.0. selisib dari t. - y• • dalah kesalaban yang terjadi. Apabila kesalahan ini lebib kecil dari hatas toleransi yang diingankan, maka iterasi akan dibentikan. Akan tetapi bila kesalaban masib lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalaban yang terjadi. b. Propagasi Mundur Berdasarkan kesalaban t. - yk, (t = target, Y = keluaran) dibitung faktor d. (k = I, 2,... , m) yang dipaksi untuk mendistribusi kesalahan di unit y. ke semua unit tersembunyi yang terhubung langsung dengan y" d. jug. dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faletor &; si setiap unit di layar tersembunyi sebagai dasar perubaban bobot semua garis yang berasal dari unit tersembunyi di Iayar di bawahnya. Demikian seterusnya hingga semua faletor d di unit tersembunyi yang berhubungan langsung dengan

unit masukan dihitung. c. Peruhaban bobot Semua faktor d dihitung, bobot semua garis penghubung antara output dengan hidden. maupun dari hidden dengan output. Perubaban bobot suatu garis didasarkan atas faktor d neuron di atasnya. Proses pelatihan diatas diulang-ulang terns hingga kondisi penghentian dipenuhi, yaitu melihat banyaknya iterasi atau toleransi kesalaban yang diinginkan. Iterasi akan berhenti apabila jurn1ah iterasi yang dilakukan sudah melebibi jumlah maksimum iterasi yang ditetapkan, atau jika kesalaban yang terjadi sudah lebib kecil dari batas toleransi yang diinginkan. Sistem kerja jaringan dapat dilihat dari diagram alir di bawah ini;

Citra hasil ekstraksi merupakan veletor ciri dari masing-masing karakter tanda tangan. Veletorcitra yang diperoleh adalah 120 eiri tanda tangan dengan 42 intensitas ciri model. Node input akan terhubung dengan hidden layer, lalu hidden layer akan dibubungkoo dengan node output dengan adanya koneksi bobot pada setiap hubungan, Bobot inilah

Identilikasi Tanda Tangan Menggunakan Jaringan Syaraf Tiruan Bade-Propagation dan JariDgan SyarafTiruan Se/fOrgan;z;ng MaplGiellis Kurniati Putrf]

71

•

Mulal

Inl.lall_ _ Bobot,

bta •. den

p-.,..meterpa,..~~

.,..

Sobot ben.! dan

D ... pelatltlen

diperbaiki pada proses iterasi pelatihan jaringan. Prinsip kerja algoritma JST SOM selisih antara node-node tetangga, sehingga pada keluaran jaringan adalah node output yang terpilih. Setelah melakukan inisialisasi bobot untuk tiap-t.iap node dengan Dilai. aeak (random), jaringan mula. melakukan perhitungan jarak vektor. Perhitungan jarak vektor dilakukan dengan menjumlahkan selisih/jarak antara vektor input dengan vektor bobot. Secara matematis

dirurnuskan:

DJ= L(wji-xi)2

,

MelatlhJST

t1dak Pelatlhan 5elesal7

ya

*

_ ..... . . . . (22) Setelah diketahui tiap-tiap jarak antara output dengan input, maka dilakukan perhitungan jumlah jarak selisih minimum. Di mana node yang terpilih (winner) berjarak minimum diberi tanda khusus yaitu diberikan angka satu dan node yang lain nol. Tabap akhir algoritma ini adalah melakukan perubaban bobot pada node output yang terpilih bes~a tetangga sekitarnya (misal node yang terpilih adalah node ke-6 dan jumlah neighborhood = 3, maka bobot pada node ke-3 sampai ke-9 akan diubah), yang dirumuskan sebagai berikut:

node

..1ft = .Jt!"" +a(xj-..!fi')

3.3.4.2. Proses Pengujian Jaringan Proses pengujian dilakukan untuk mengidentifikasi inputan berupa tanda tangan. Vektor masukan untuk proses pengenalan berukuran 42xl yang berasal dari ekstraksi eiri setiap eitra tanda tangan. Proses pengujian banya memakai proses propagasi maju saja pada JST, karena bobot terbaik sudah didapat pada saat pelatihan. Karena pada proses pelatihan, penulis sudah melakukan percobaan terhadap parameterparameter 1ST BP, pada proses pengujian tanda tangan penulis menggunakan parameter-parameter terbaik hasil perbobaan tersebut. 3.3.5. Pengidentif1kasian dengan Jaringan SyarafTlruan set/Organizing Map 3.3.5.1. Proses Pelatihan ~aming) Hasil ekstraksi berupa vektor eiri dari masingmasing tanda tangan yang berukuran 42 x I data latih ada 120 tanda tangan, jadi total ukuran data yang akan dilatihkan adalah 42 x 120. Karena masing-masing tanda tangan vektor input-nya berukuran 42 x I, maka dibangun jaringan dengan 42 neuron input. Node input terhubung langsung dengan node output dengan koneksi masing-masing yang memiliki bobot. Bobot ini yang akan

72

(23)

dengan 0 < a(t) < I, serta: x = input piksel, t = waktu, j = indeks node output. a = learning rate, yaitu faktor pengali pada perubahan bobot yang berubah terbadap perubahan galat. Perubahan a ini sesuai dengan banyaknya input yang masuk. Faktor pengali a atau learning rate akan selalu berkurang bila tidak ada perubahan galat, W =bobot, i = indeks node input. kond~i penghentian iterasi adalah se!isih antara "'ii saat rtu dengan wji pada iterasi sebelumnya. Apabila Wji banya berubah sedikit saja, berarti iterasi sudah meneapai konvergensi, sehingga dapat dihentikan. Sama halnya dengan JST yang lainnya, dalam pengklasiflkasiannya menggunakan dua proses, yaim proses pelatihan dan proses pengujian. Pada proses pelatihan dilakukan perubaban parameterparameter yang ada dalam SOM untuk mendapatkan hasil pengenalan tanda tangan yang paling baik pada saat menguji natinya. Parameterparameter yang diubah adalah: a. Topologi jaringan, yaitu bentuk jaringan neuron yang digunakan. Dalam hal ini digunakan topologi gridtop, hextop, randtop b. Fungsi jenis distance, yaitu parameter pemilihan neuron tetangga (neuron terdekat dengan neuron pemenang). Dalam hal ini

IT Telkom Journal on ICf Volume 1 Nomor 1 Maret Tabuo 2012

,

diguanakn fungsi linkdist, boxdist, dist, dan mandist c. Learning rate (o) untuk nilai a = 0,9, a = 0,99, dana = 0,999 Proses pada JST SOM dapat dijelaskan juga pada diagram alir berikut:

--

-j"''''''' -

,

-

Cari niaI error

--

__

tida'

mlnlmum

yo

_boN -....,

.... .............

-....

--

maauk pengenlan diIaIcukan perhitungan fungsi jarak Euclidian terlebib dahulu, Misal: Pada proses pelatihan, tanda tangan ,,ALIFCllan "ADI WAHYUD masuk ke dalam kelas yang sama (kelas 10), maka diambil vektor ciri data Iatib tanda tangan ,,ALIFD dan ,,ADI WAHYUD. Ketika ada data uji yang dikelompokan dalam kelas 10, maka vector ciri dari dta uji tersebut dihitung terlebih dahuhi jarak Euclidian-nya dengan vektor ciri tanda tangan"ALIFD dan ,,ADI WAHYUD, data latih yang mempunyai jarak Euclidian terkecil akan dipilih sebagai teljernahan dati tanda tangan yang diujikan. 3.4. Pengujian Ststem Untuk pengujian sistem digunakan parameter akurasi dan waktu komputasi Pengujian dilakukan untuk setiap parameter yang herbeda. Jadi pada proses analisa dapat diIihat pengarub parameterparameter dalam JST yang digunakan terbadap tingkat akurasi dan waktu yang diperlukan. 3.4.1. Akura.i Akurasi adaIah ukuran ketepatan sistem dalam mengenali input yang diberikan sehingga mengbasilkan keluaran yang benar. Secara sistematis dapat dilihat pada persamaan di bawah

ini: . Aleurasl

Jum/ah data up benar XI 00% ~. 0,,0 jum/ah_data_yang_ululnan (24)

Sernakin tinggi tingkat akurasi sistem menunjukan bahwa sistem memiliki kinerja yang baik karena mampu menganali masukan yang diberikan.

yo

--

Pada proses pelatihan tanda tangan yang

berbeda, sering dikelompokan oleh JST SOM dalam kelas yang sama, oleh karena ita sebelum

-,

....

Gambar 7. Diagram Alir JST SOM 3.3.5.2. Prnses Pengujian Proses pengujian dilaIcukan untuk mengidentifikasi inputan berupa tanda tangan. Vektor masukan untuk proses pengenalan betukuran 42 x I yang berasal dari ekstraksi ciri setiap citra tanda tangan. Algoritma yang digunakan hampir sama dengan proses belajar, hanya saja ditambah dengan proses pengenalan. Karena pada proses pelatihan, penulis sudah melakukan percobaan terhadap parameterparameter jaringan, pada proses pengujian tanda tangan penulis menggunakan parameter-parameter terbaik hasil percobaan tersebut,

3.4.2. Waktu Kemputasl Pengujian kecepatan sistem dalam melakukan proses peneJjemahan diperlukan dalam perancangan sistem untuk melihat seberapa cepat antara Jaringan Syaraf Timan Back-Propagation dengan Jaringan Syaraf Timan Self Organizing Map mana yang lebih cepat dalam proses pelatihan atau pengenalan tanda tangan.

4. Hasn Simulas! 4.1. Pengujian dengan Propagation

Jaringan

Back-

Pengujian dilaIcukan untuk mengetahui pengarub jumlah simpul pada lapis tersembunyi, Iaju pembelajaran, momentum, fungsi aktivasi terhadap kinerja sistern, serta mengukur tingkat keberhasilan sistem dalam mengenali suatu tanda tangan.

Identilikasf Tanda Tangan Meoggunakan Jaringan Syaraf Tiruan Bad-Propagation dan Jaringan SyarafTlruan Se/fOrgan;zing Map (Giellis Kurniati Putrf]

73

,

4.1.1 Pengarnh Learning Rate

Tabel5. Pengaruh Jumlah Hidden Layer Terhadap Prenaunan ..

Pengujian dilakukan dengan I hidden layer dengan fungsi aktivasi tansig, jumIah sirnpul di lapis tersembunyi adalah 120 simpul, dan momentum = 0.9. Tabel basil pengujian dapat dilibat pada Tabel I. Tahell . Penaaruh Leaming Rate Le.,...Rate

E_'

W.IdU(I)

148 14S 147 ISS 164 l6S lS6 162 170

3 3 2 2 3 3 3 3 3 3

UO

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.0 I

T abel 2 Pen aruhMomentum N.

Momeotllm

1 2 3 4 S 6 7 8 0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.0

E_'

Waktu(s)

17l IS8 \S6 128 134

3 3 3 2 2 2 2 2 2

13l

120 118

m

173 140 \37 120 134

6.00 6.67 6.00 S.33 4.00 4.67 5.67

123

120 128 120 118

76.94% 63.33% 73.8~;'

6S.sS%

77.22% 71.67% 69.45% 74.12% 1139%

6.33 6.67 7.33

81.67%

Tahel4 Peng.aruh Fungsi. Aktirvasi

.....

~Ic

uel1ll

.....

"""... Lou..

..... .......

.......

74

TansU!:

1 80.00'A 6S.00'A 67.50%

2 70.00'A 65.00% 70.00'A

1:

3 80.00'1. 62.S0l1

76.67% 64.1'"

67.500fc

68.33Vc

LoN I 7O.llO% 70.00'A 62.SOl 1 t2.Sm 22.5"" 2.SO-;'

2

I

3

78%1 67.50-1.1 60%1

77.5oeA 68'1c 8S.00'A

P.....l1Il 2 7.50';' 32.S«rl 2.SOl

3 12.50"11 IO.OOOIt 2.SOl1

Ju..... h Hidden layer

.........

I 2

I 2

77.22% 80.0001.

3

3

81.78%

Tabel6. Pengaruh Jumlah Hidden Layer Terhadap Penzuiian (Rata-Rata Percobaa.

Jumlab Jrulden hlyn

w....

I 2 3

1 2 3

3.00

2.56 4.17

Berdasarkan Tabel I terlihat bahwa dengan bertarnhahnya nilai learning rate, maka jumlah epoch akan semakin berkurang hingga jaringan dengan menggunakan learning rate 0.3 kemudian akan sernakin bertambah kembali bermula pada simpul 0.4. Laju pernahaman yang terlalu besar akan menyebabkan jaringan tidak stabil, sehingga menyebabkan jumlah epoch sernakin besar. 4.1.2 Pengarnh Momentum

Tahel 3. Pengaruh Jumlah Simpnl La'T aDlS ersembunvi Slmpul w..... (.) .brad e-. 120 240 360 480 600 720 840 960 1080 1200

Percob"D

1: 7S.00'A

Pengujian dilakukan dengan I hidden layer dengan fungsi aktivasi tansig, jumlah simpul di lapis tersembunyi adalah 120 sirnpul, dan learning rate = 0.3. Hasil pengujian dapat dilihat pada Tabel 2. Berdasarkan Tabel 2, terlihat bahwa dengan bertamhahnya nilai momentum, rnaka jumlah epoch akan sernakin berkurang. Hal ini menyebabkan proses pelatihan atau pengujian akan sernakin cepat, 4,1.3 Pengarnh Jumlah Simpul Pengujian dilakukan dengan I hidden layer dengan fungsi aktivasi tansig, learning rate = 0.3 dan momentum = 0.9. Basil pengujian dapat dilihat pada Tahel3. Berdasarkan Tabel 3, terlihat bahwa dengan bertambahnya jumlah sirnpul pada lapis tersernbunyi, akan menyebabkan tingkat akurasi yang sernakin meningkat. Sedangkan rata-rata lama waktu akan sernakin bertambah seiring dengan bertarnhahnya jumlah epoch.

68.33%

69.1,.;.

1: 10.830/0 21.670/. 2..50-;'

4.1.4 Fungsi Aktivasi Penulis mencoba menganalisa fungsi aktivasi mana yang cocok untuk data tanda tangan dalam proses pengujian JST BP. Pengujian dilakukan dengan 1 hidden layer dengan jumlah sirnpul di lapis tersembunyi adalah 120 simpul, dan learning rate = 0.3 dan momentum = 0.9. Hasil pengujian dapat dilihat pada Tabel4. Dari data hasil pengujian dengan I hidden layer, dapat disimpukan dengan fungsi aktivasi tansig

IT Telkom Journal on

,

rc'r

Volume 1 Nomor 1 Maret Tahun 2012

pada layer tersembunyi dan fungsi aktivasi tansig pada layer output yang memiliki nilai akurasi paling besar dalam penggunaannya pada pengujian JST.

4.1.5 Pengarub

Jnmlab Hidden Temadap Pengujian JST ProplIgtmon

Layer Bllck-

Tabel 8. Rata-rata Nilai Akurasi diI seti IS/once ~1llIl D' Epodo IeCll'ftiltgrate distltnce ratarata 100 0.999 Unkdis! 57.22% 100 0.999 Dis! 64.44% 100 0.999 Mandisl 53.61% 100 0.999 Soxd~t 64.78%

Pengujian dilakukan dengan jumlab simpul di setiap lapis tersembunyi adalah 120 simpul, dan learning rate = 0.4 dan momentum = 0.9. Tabel basil pengujian dapat dilibat pada Tabel 5 dan 6. Untuk lebib jelasnya dapat disimak pada grafik pengaruh hidden layer terbadap pengujian Gambar 8 dan 9 . 83.0ll"

""'" +-~---------;;::::2;;-­ !

81.00% +--~--~==--80.00% j - - - - - - - -

~ 79.00% j---~---­ ~ n."" +--n72l<--,

j

Gambar 10. Grafik Nilai Akurasi Pengujian di Setiap Distance

n.OO%

,,76.00%

75_

Tabe19. Hasil Pengujian Berdasarkan P arameter Learntng .Rate

Gambar 8. Grafik Pengaruh Hidden Layer terbadap Akurasi Pengujian Tanda Tangan

.... j - - - - - - - - - - - - -

LumingRat Epodo

0.9 0.99 0.999 0.9999

4JlO

:g

3.50

s: J:,.00

+-------..,=---.-,

....

,.00

--

Gridlop Heuop RandtoP Gridtoo

100 100 100 100 100 100 100 100 100 100 100 100

Hex/OD

Randtop Gridtoo

Hextop Randtop Grtdton

Hextop Randtop

at (a)

0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999 0.999

RandIoo

boxdist _st _st _st

Akurul

65% 65% 71% 63%

4.2. Pengujlan Jaringan SelfOrgllnizing Mllp

,

4.2.1. Pengujlan Parameter Topologi Jaringan terbadap Pengujian Tanda Tangan

Tabel 7. Pengaruh Topologi Jaringan te rbada.D Akurasi. PenaenaIan Tanda Tanzan Epoch

--

4isIance

Dapat dilibat pada Gambar 8, semakin banyak lapisan tersembunyi yang dipakai dalam jaringan, semakin baik nilai akurasi pengenalan tanda tangan yang di dapat. Hanya saja, waktu yang diperlukan untuk pelatiban semakin lama (Gambar 9).

Gambar 9. Grafik Pengaruh Hidden Layer terbadap Lama Waktu Pelatihan Tanda Tangan

Topologl

100 100 100 100

Topologf

FlUlgslJeuIJ Ratarata DimJnce LinktJist

55.00% 52.50% 64.17% 65~3%

Dist

Mnndisl

Boxdist

65~3%

61.67% 58.33% 47.50% 55.00% 64.17% 58.33% 71.83%

Hasil Pengujian berdasarkan parameter topologi jaringan dapat dilihat pada Tabel 7. Pada Pengujian topologi jaringan terbadap akurasi pengenalan, basil paling baik diperoleh saat jaringan menggunakan topologi randtop, Hal ini disebabkan bentuk acak, sehingga cakupan neuron tetangga yang terpilib akan banyak saat perhitungan jarak menggunakan Boxdist. Dari data pengaruh topologi tersebut (Tabel 7), diambil ratarata nilai untuk akumsi pengujian disetiap distance yang dipakai. Hasilnya dapat dilibat pada Tabel 8 dan Gambar 10. Fungsi jarak bertujuan untuk mengambil neuron terdekat terbadap bobot pemenang. Pada pengojian parameter fungsi distance, basil yang paling akurat tergantung dari topologi yang digunakan, misal untuk topologi Gridtop basil yang paling akurat diperoleh saat menggunkan jenis

rdentifikasi Taoda Tangan Menggunakan Juingan Syaraf Tiruan Back-Propagation IanJaringan Syaraf Tiruan SelfOrganizing Map IGiellisKurniatl Putri]

"75

distance linkdist, untuk topologi hextop basil yang paling akurat saat menggunakan distance dist. Hal ini terjadi karena jika topologi jaringan gridtop maka fungsi terrsebut memiliki daerah yang lebib luas disbanding fungsi laiinya, sehingga lebib hanyak neuron yang bisa dicapai pada proses pemhelajaran.

4.2.2 Pengujian Parameter Learning Rate Pengujian dilakukan dengan menggunakan topologi Random dan jenis distance Boxdist. Hasil pengujian herdasarkan parameter learning rate dapat dilihat pada Tahel9. Dapat dilihat pada Tahel 9, apabila nilai learning rate yang dipakai semakin besar, akan menyebabkan persentase akurasi yang bertambab sarnpai nilai learning rate tertentu. Lalu akan mulai semakin berkurang pada titik tersebut Hal ini disebabkan karena apabila terlalu hesar nilai learning rate jaringan akan semakin tidak stabil dalam herlatib 5. Penutup 5.1. KesimpuJan Dari basil analisis terbadap pengujian yang dilakukan pada sistem pengenalan tanda langan, maka dapat ditarik kesimpulan sebagai berikut: a. Pengujian dengan Jaringan Back-Propagation I) Pengaruh bertarnbahnya jumlah simpul pada lapis tersembunyi, menyebabkan akurasi pelatihan/pengenalan semakin meningkat. Sedangkan rata-rata lama waktu akan hertarnbab seiring dengan bertarnbahnya epoch. 2) Untuk mendapatkan arsitektur dan parameter jaringan yang terbaik perlu diperhatikan parameter-parameter jaringan syaraf tiruan seperti laju pembelajaran (learning rate), momentum, dan fungsi aktivasi, dan hesar toleransi erorr. 3) Sistem akan hekerja maksirnal apabila menggunalan learning rate 0.3, karena pada keadaan ini jumlah epoch paling sedikit dan waktu yang dibutuhkan paling cepat saat proses pelatiban 4) Semakin bertambahnya nilai momentum akan menyebabkan herkurangnya epoch yang menyebabkan proses pelatihan/pengujian jaringan semakin cepat. 5) Semakin hanyak hidden layer yang digunakan dalam jaringan, semakin baik akurasi pengujian pengenalan tanda tangan. Hanya saja waktu pelatiban akan semakin lama. b. Pengujian dengan Jaringan Self Organizing Map I) Pengujian topologijaringan

76

Pengujian topologi jaringan terhadap a1curasi pengenalan, basil paling baik dipero leh saat jaringan menggunakan topologi randtop. 2) Pengujian Jenis Distance Pada pengujian parameter fungsi jenis distance, untuk topologi Randtop yang paling baik adalah menguunakan distance Boxdist. Dengan akurasi 71.83% Hal ini disebabkan bentuk acak dari topologi yang dipakai, sehingga cakupan neuron tetangga yang terpilib akan hanyak saat perhitungan jarak menggunakan Boxdist 3) Pengujian Berdasarkan Learning Rate Pada pengujian berdasarkan Learning rate, jika nilai learning rate yang dipakai sernakin besar, akan menyebabkan persentase akurasi yang bertarnbah sampai nilai learning rate tertentu. Lalu akan mulai semakin berkurang pada titik tersebut Hal ini disebabkan karena apabila terlalu hesar nilai learning rate yang digunakan pada jaringan, jaringan akan sernakin tidak stabil dalam herlatib. c. Maksimum akurasi untuk Jaringan Syaraf Tiruan Back-prpagation 81.78% dan Jaringan SyarafTiruan Self Organizing Map 71.83% 5.2 Saran Aplikasi pengolahan citra digital untuk identifikasi tanda tangan ini masib jauh dari kesempurnaan. Oleh karena itu, perlu adanya pengemhangan-pengembangan lebib lanjut yang mampu memperbaiki segala kekukarangan yang ada pada sistem yang telah dibuat. Adapun saransaran yang dapat diberikan sebagai berikut: a. Menggunakan devais yang berkualitas lebib baik seperti PC tablet, agar mendapatkan gambar yang lebib baik lagi b. Dalam menggunakan Jaringan Syaraf Tiruan dalam proses pengenalan tanda tangan diperlukan data latib yang lebib hanyak, banyak apabila menginginkan akurasi yang lebib baik lagi c. Data uji dibedakan alas dua macam, yaitu uji tanda tangan uji ash dan uji tanda tangan uji palsu d. Menggunakan algoritrna ekstraksi ciri yang lain seperti Wavelet. OCT, DWT, atau Histogram Citra.

DAFfAR PUSTAKA [I] [2]

Herrnawan, Ariel; "Jaringan Syaraf Tiruan, Teori dan Aplikasi", Yogyakarta: Andi Offset, 2006. Laboratory, Artificial Intelligence. "Modul ANN Exlusive Training 2007", Bandung: Institut Teknologi Telkom, 2007.

IT Telkom Journal on leT Volume 1 Nomor 1 Maret Tahun 2012

,

•

[3]

Petterson, Dan W., "Artificial Neural Network Theory and Aplication", Singapore: Prentice

Hall, 1996. [4]

[5]

[6]

Prat, William K., "Digital Image Processing. Willey Interscience, 1991. Siang, Jong Jek, "Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB", Yogyakarta: Andi Offset, 2005. Sudana, Oka, "Sistem Verifikasi Tanda Tongan Menggunakan Pola Busur Teralokasi", Universitas Udayana, Denpasar,

2006. (7]

Suyanto, "Algoritma Genetika dalam MATLAB", Yogyakarta: ANDI Yogyakarta,

[8]

Vilda, Jus, "Pengenalan Pola Tanda Tongan Menggunakan Metoda Ekstraksi Ciri DCT,

2005.

DET, Filter 2D Gabor Wavelet ", Bandung: lnstitut Teknologi Teikom, 2009. [9] Fitria, Whielda, "Desain dan Implementasi Penerjemah Huruf Jepang Kana (HiraganaKatakana) ke Huruf Latin Berbasis pengolohan Citra Digital dan Jaringan Syarof Tiruan Self Organizing Map Menggunakan Webcam", Bandung: lnstitut Teknologi Teikom, 2010. Yves, dan David E [10] Chauvin., Rume1hart,"Backpropagation: Theory, Architectures, and Applications", Psychology Press, 1995. [11] Kohonen.,T,"Self Organizing Maps", Findland: Springer, 2001.

Identifikasl Tanda Tangan Menggunakan Jaringan Syaraf Tiruan Back-Propagation dan Jaringan SyarafTiruan Se/fOrgan;zing Map IGiellis Kurniati Putri]

,

77