Pengenalan Citra Tanda Tangan Menggunakan GLCM dan Probabilistic Neural Network (I. Amalia)
PENGENALAN CITRA TANDA TANGAN MENGGUNAKAN GRAY LEVEL CO-OCCURRENCE MATRIX (GLCM) DAN PROBABILISTIC NEURAL NETWORK (PNN) Ismi Amalia Jurusan Teknik Mesin Politeknik Negeri Lhokseumawe Jl. Banda Aceh-Medan Km. 280 P.O. Box 90 Buketrata, Lhokseumawe 24301 E-mail:
[email protected] Abstract The signature of a person is an important biometric attribute of a human being which can be used to authenticate human identity. There are various approaches to signature recognition with a lot of scope of research. In this paper, off-line signature recognition using probabilistic neural network is proposed, where the signature is captured and presented to the user in an image format. Signatures are recognized based on parameters extracted from the signature using gray level co-occurrence matrix. The features obtained are dissimilarity, entropy, and homogeneity. The recognition and verification was performed using probabilistic neural network. The proposed algorithm was tested on 100 signatures. The images of signature were divided in two sets: training set and test set. The leave-one-out cross-validation technique was applied for model validation. The research showed that the average accuracy from PNN was 71%. Key words: GLCM, leave-one-out cross-validation, PNN, signature
PENDAHULUAN Biometrik, yang mengacu pada penentuan identitas seseorang, menjadi aspek penting pada aplikasi keamanan saat ini. Di antara berbagai jenis biometrik, tanda tangan dapat digunakan untuk melakukan transaksi yang aman. Sistem verifikasi tanda tangan dapat dikategorikan menjadi dua kategori, yaitu on-line atau off-line sesuai dengan akuisisi yang digunakan untuk menangkap sampel tanda tangan. Pada sistem off-line, teknik pengolahan citra dan pengenalan pola diterapkan untuk pengenalan tanda tangan [1]. Tanda tangan telah menjadi fitur pembeda untuk identifikasi seseorang. Bahkan saat ini transaksi keuangan, melakukan otentifikasi resmi melalui tanda tangan. Sehingga metode pengenalan tanda tangan perlu terus dikembangkan. Pengenalan tanda tangan off-line lebih kompleks karena tidak adanya karakteristik yang stabil. Tidak ada dua tanda tangan asli yang persis sama. Sehingga biometrik tanda tangan masih menjadi topik riset yang menantang [2]. Pengenalan dan verifikasi tanda tangan mencakup dua tugas yang terpisah namun erat kaitannya. Pengenalan tanda tangan adalah identifikasi pemilik tanda tangan, sedangkan
verifikasi tanda tangan adalah keputusan tentang apakah tanda tangan tersebut asli atau palsu [3]. Penelitian ini menggunakan probabilistic neural network (PNN) untuk pengenalan tanda tangan. Pengenalan tanda tangan dilakukan berdasarkan hasil dari ekstraksi fitur tekstur menggunakan Gray Level Co-occurrence Matrix (GLCM). Gray level co-occurrence matrix (GLCM) atau gray level dependency matrix pertama kali diperkenalkan oleh Haralick untuk mengekstrak fitur tekstur [4]. GLCM adalah conditional joint probabilities dari dua pasangan gray level yang ada [5]. Distribusi piksel gray level dapat dideskripsikan dengan probabilitas dari dua piksel yang memiliki gray level tertentu pada hubungan spasial tertentu. Informasi ini dapat diringkas dalam GLCM dua dimensi yang dapat dihitung untuk berbagai jarak dan orientasi [6]. Penelitian menggunakan gray level cooccurrence matrix untuk mengekstraksi fitur tekstur dari citra telah banyak dilakukan. Dalam bidang biometrik diantaranya adalah pengenalan iris mata, pengenalan sidik jari, pengenalan wajah dan lain sebagainya. Madhu dan Amutha [7] menggunakan fitur energy, entropy, contrast dan inverse difference untuk malakukan pengenalan wajah. Tingkat pengenalan wajah
29
Jurnal Teknologi, Vol. 14, No. 1, April 2014 : 29-34
yang dihasilkan lebih tinggi dan waktu komputasinya lebih rendah untuk citra dengan ekspresi wajah yang berbeda dan juga dengan sudut kemiringan yang berbeda bila dibandingkan dengan metode lain yang sudah ada. Patil dan Patilkulkarni [8] juga menguji kinerja sistem pengenalan iris dengan GLCM untuk mengekstraksi fitur sehingga mampu membandingkan dua gambar mata yang diselidiki. Pendekatan GLCM menggunakan vektor fitur memberikan tingkat pengenalan secara signifikan lebih tinggi, dibandingkan pendekatan teknik lain yang lebih kompleks. Hasil ekstraksi fitur dari citra tanda tangan dengan GLCM pada penelitian ini digunakan untuk melakukan pengenalan tanda tangan dengan menggunakan PNN sebagai classifier. Klasifikasi adalah prosedur untuk mengklasifikasikan pola input ke dalam kelas yang serupa. Pemilihan classifier yang sesuai memerlukan pertimbangan banyak faktor, yaitu akurasi klasifikasi, kinerja algoritme dan komputasi [9]. Probabilistic neural network (PNN) memberikan solusi umum untuk masalah klasifikasi pola dengan pendekatan Bayesian classifiers. PNN menggunakan training set yang supervise untuk mengembangkan fungsi distribusi pada lapisan pola. Oleh karena itu PNN dapat digunakan untuk masalah klasifikasi [10]. Keuntungan utama menggunakan PNN adalah pelatihannya mudah dan cepat. Bobot tidak dilatih melainkan nilai yang ditetapkan. Bobot yang ada tidak pernah berganti-ganti, hanya vektor baru yang dimasukkan ke dalam matriks bobot saat pelatihan, sehingga dapat digunakan secara real time [11]. Penelitian klasifikasi menggunakan PNN telah banyak dilakukan. Diantaranya, Lotfi dan Benyettou [12] menggunakan PNN untuk pengenalan tulisan tangan angka. Hasilnya menunjukkan bahwa PNN melakukan pengenalan angka dengan baik bahkan untuk inputan yang besar dengan hanya menggunakan parameter smoothing sebagai variabel. Namun, ukuran data latih dapat mempengaruhi kinerja PNN secara drastis, jika tidak ada pemilihan sampel terlebih dahulu. PNN dengan data latih yang tepat walaupun jumlah datanya sedikit adalah lebih baik dari pada data latih yang besar tetapi tidak tepat. Sehingga perlu dilakukan pembagian data latih dan uji untuk klasifikasi dengan PNN. Metode pembagian data yang dipilih pada penelitian ini adalah leave-one-out cross validation.
Tujuan dari penelitian ini adalah melakukan pengenalan tanda tangan dengan menggunakan probabilistic neural network (PNN) berdasarkan hasil dari ekstraksi fitur tekstur menggunakan gray level co-occurrence matrix (GLCM). Selanjutnya dilakukan perhitungan akurasi dari hasil pengenalan tanda tangan menggunakan PNN dan GLCM tersebut. Percobaan pengenalan tanda tangan ini dilakukan dengan menggunakan sistem off-line. METODE Tahapan yang dilakukan dalam pengenalan citra tanda tangan berdasarkan ekstraksi fitur menggunakan GLCM ditunjukkan pada Gambar 1. Citra tanda tangan
Praproses Ekstraksi fitur
Cross validation
Data latih
Data uji
Klasifikasi PNN Model klasifikasi
Hasil klasifikasi Evaluasi Akurasi
Gambar 1. Tahapan klasifikasi. Data Data penelitian yang digunakan adalah citra tanda tangan dari sepuluh orang yang berbeda. Setiap orang mempunyai 10 citra tanda tangan, sehingga total citra yang digunakan dalam penelitian ini adalah 100 citra. Contoh citra tanda tangan yang digunakan ditunjukkan pada Gambar 2. Data yang digunakan dalam penelitian ini adalah data dari hasil penelitian Setia [13]. Data tanda tangan pada kertas dikumpulkan. Proses digitalisasi dilakukan dengan menggunakan scanner. Sehingga diperoleh file citra 300 dpi format BMP dan mode RGB.
30
Pengenalan Citra Tanda Tangan Menggunakan GLCM dan Probabilistic Neural Network (I. Amalia)
Orang ke-1
Orang ke-2
Orang ke-3
Orang ke-4
Orang ke-5
Orang ke-6
Orang ke-7
Orang ke-8
Setiap citra akan menghasilkan sebuah cooccurrence matrix. Co-occurrence matrix final dinormalisasi menggunakan Persamaan (1) untuk mengubah matriks GLCM menjadi tabel probabilitas. π (π,π) π,π=0 π (π,π)
π(π, π) = βπβ1π π
dengan ππ adalah nilai matriks GLCM dan π adalah rentang nilai dari π dan π . Fitur tekstur yang diekstraksi dengan GLCM dalam penelitian ini adalah dissimilarity, entropy dan homogeneity, seperti ditunjukkan pada Persamaan (2) sampai (4) berikut : 1. Dissimilarity
π1 = βπ βπ|π β π| β π(π, π)
Orang ke-9
Orang ke-10
Gambar 2. Contoh citra yang digunakan. Praproses Tahap praproses dilakukan untuk mempersiapkan citra yang digunakan sebelum masuk ke tahap ekstraksi fitur. Tahap awal praproses adalah mengubah mode warna citra dari RGB (Red-Green-Blue) menjadi grayscale. Tujuannya adalah penyederhanaan citra yang awalnya terdiri atas tiga layer matriks yaitu Rlayer, G-layer dan B-layer menjadi satu layer matriks sehingga mengurangi waktu pemrosesan. Citra tanda tangan dikonversi menjadi citra 8 bit dengan format PCX berukuran 40Γ60 piksel. Penyuntingan terhadap citra tanda tangan dilakukan agar citra tanda tangan yang diperoleh bersifat teratur. Selanjutnya dilakukan cropping untuk menghilangkan bagian di luar pola yang bukan merupakan pola tanda tangan. Ekstraksi Fitur Tekstur dengan GLCM Ekstraksi fitur tekstur menggunakan gray level co-occurrence matrix (GLCM). GLCM pertama kali diperkenalkan oleh Haralick [14]. GLCM adalah salah satu metode statistika yang dapat digunakan untuk analisis tekstur [4]. Langkah awal untuk mendapatkan informasi tekstur dari citra adalah menentukan cooccurrence matrix. Co-occurrence matrix menunjukkan hubungan spasial antara gray level dalam citra tekstur. Setiap elemen π dengan posisi (π, π) pada GLCM menunjukkan frekuensi relatif dua piksel gray level π dan π. Cooccurrence matrix dalam penelitian ini dihitung pada arah horizontal 0Β° dengan jarak 1 piksel.
(1)
2. 3.
(2)
Entropy
π2 = β βπ βπ π(π, π) β log π(π, π) Homogeneity
1
π3 = βπ βπ 1+(πβπ)2 π(π, π)
(3) (4)
Nilai dissimilarity, entropy dan homogeneity dihitung untuk co-occurrence matrix yang diperoleh sehingga setiap fitur mempunyai sebuah nilai. Informasi fitur untuk setiap citra direpresentasikan sebagai sebuah vektor yang memiliki 3 elemen fitur. Informasi fitur ini menjadi masukan untuk proses klasifikasi dengan PNN. Pembagian Data Data dibagi menjadi dua bagian, yaitu data latih dan uji. Hasil ekstraksi fitur dari data latih digunakan sebagai masukan untuk pelatihan dengan PNN, sedangkan hasil ekstraksi fitur dari data uji digunakan untuk menguji model hasil pelatihan. Pengujian dilakukan untuk mengetahui kemampuan model dalam pengenalan tanda tangan. Pembagian data latih dan uji untuk klasifikasi dengan PNN menggunakan metode leave-one-out cross validation. Satu data dari setiap kelas sebagai data uji dan data lainnya yang tidak digunakan sebagai data uji menjadi data latih. Oleh karena itu, dari 100 citra yang tersedia, sebanyak 90 citra digunakan sebagai data latih dan 10 citra sisanya digunakan sebagai data uji dalam setiap percobaan yang dilakukan. Klasifikasi dengan Probabilistic Neural Network (PNN) Klasifikasi citra dilakukan dengan PNN untuk pengenalan citra tanda tangan. Arsitektur PNN terdiri atas lapisan masukan, pola, penjumlahan dan keputusan [11]. Lapisan
31
Jurnal Teknologi, Vol. 14, No. 1, April 2014 : 29-34
masukan berupa vektor hasil ekstraksi fitur dari citra tanda tangan. Pada lapisan pola, digunakan satu model PNN dengan nilai bias π tetap. Bias merupakan suatu nilai parameter yang berguna untuk menghaluskan fungsi kernel. Nilai bias tidak dapat ditentukan secara langsung, tetapi didapatkan melalui hasil percobaan. Selanjutnya dihitung jarak vektor pelatihan ke vektor pengujian dan menghasilkan vektor yang mengindikasikan kedekatan input ke vektor pelatihan. Setiap keluaran dari lapisan pola dijumlahkan dengan keluaran dari lapisan pola lainnya yang berada dalam satu kelas untuk menghasilkan probabilitas vektor keluaran pada lapisan penjumlahan. Lapisan keputusan mengambil nilai maksimum dari vektor keluaran. Lapisan keputusan memiliki 10 target kelas sesuai dengan jumlah tanda tangan yang ingin dikenali. Akurasi Evaluasi penentuan hasil klasifikasi atau pengenalan citra tanda tangan menggunakan confusion matrix. Confusion matrix lebih sering disebut dengan tabel kontingensi. Kinerja model klasifikasi PNN dalam pengenalan tanda tangan ditentukan dengan akurasi yang dicapai dalam mengklasifikasikan data pengujian setelah dilakukan pelatihan. Tingkat akurasi diperoleh dengan perhitungan: tingkat akurasi ο½
ο₯ data uji benar diklasifik asikan Γ 100%. ο₯ total data uji
Perangkat Keras dan Perangkat Lunak Perangkat keras yang digunakan dalam penelitian ini adalah Processor IntelCore i5 2450 M 2.5 Turbo 3.1 Ghz, memori DDR3 RAM 4 GB dan harddisk 500 GB. Perangkat lunak yang digunakan adalah Sistem Operasi Windows 7 dan Matlab 7.11.0 (R2010b).
HASIL DAN PEMBAHASAN Penelitian ini menggunakan gray level cooccurrence matrix untuk mengekstraksi fitur tekstur dari citra tanda tangan. Fitur yang diperoleh dari hasil ekstraksi fitur digunakan sebagai input bagi pengenalan tanda tangan dengan PNN. Praproses Citra Tanda Tangan Praproses bertujuan mengurangi waktu pemrosesan data (running time). Citra tanda
tangan yang awalnya berupa citra RGB diubah menjadi grayscale. Citra grayscale ini menjadi masukan untuk tahap ekstraksi fitur tekstur. Hasil tahap praproses dari beberapa citra tanda tangan ditunjukkan pada Gambar 3.
Gambar 3. Hasil praproses citra tanda tangan. Ekstraksi Fitur Tekstur Citra Tanda Tangan dengan GLCM Ekstraksi fitur tekstur mempunyai input berupa citra grayscale hasil praproses. Ekstraksi fitur tekstur diawali dengan membentuk cooccurrence matrix. Co-occurrence matrix dibentuk dari suatu citra dengan melihat hubungan ketetanggaan antar dua piksel pada jarak dan orientasi sudut tertentu. Citra input dikuantisasi derajat keabuannya pada jarak π = 1 piksel serta orientasi arah horizontal π = 0Β° . Oleh karena itu untuk setiap citra diperoleh sebuah co-occurrence matrix dengan ukuran matkriksnya sebesar jumlah nilai gray level yang berbeda pada suatu citra. Ukuran co-occurrence matrix maksimal adalah 256 Γ 256. Co-occurrence matrix digunakan untuk mengekstraksi fitur tekstur dari sebuah citra. Tiga fitur tekstur dari Haralick yang digunakan dalam penelitian ini adalah dissimilarity, entropy dan homogeneity. Oleh karena itu diperoleh set fitur tekstur yang terdiri dari 3 elemen untuk setiap citra seperti pada Tabel 1. Berdasarkan Tabel 1, dapat dilihat bahwa pada setiap fitur pada masing-masing citra tanda tangan menunjukkan nilai-nilai yang relatif berbeda. Oleh sebab itu, pengenalan tanda tangan dengan metode ini sangat memungkinkan. Klasifikasi Citra Tanda Tangan dengan PNN Percobaan dilakukan untuk mengklasifikasikan citra tanda tangan ke dalam 10 kelas, yaitu tanda tangan 10 orang yang berbeda. PNN digunakan sebagai classifier. Hasil ekstraksi fitur-fitur dissimilarity, entropy dan homogeneity menjadi input untuk klasifikasi dengan PNN. Setiap data uji yang terdiri atas 3 fitur ini, diukur kedekatannya dengan 3 fitur data latih dari sepuluh kelas tersebut.
32
Pengenalan Citra Tanda Tangan Menggunakan GLCM dan Probabilistic Neural Network (I. Amalia)
Tabel 1. Hasil ekstraksi tiga fitur tekstur citra tanda tangan Citra tanda tangan
Dissimilarity
Entropy
Homogeneity
0.59830
2.00533
0.82243
0.84830
1.69740
0.81578
0.61355
1.91414
0.81038
0.66440
2.19039
0.79864
0.37288
1.68966
0.87332
Orang ke-1
Orang ke-2
Orang ke-3
Orang ke-4
Orang ke-5 0.68474
2.20290
0.78423
0.65338
1.88926
0.80792
0.43050
1.27551
0.89182
0.76610
2.15233
0.78218
Orang ke-6
Orang ke-7
percobaannya. Dari 10 percobaan yang dilakukan, tingkat akurasi hasil klasifikasi dari 10 data uji yang berbeda pada setiap percobaan ditunjukkan pada Tabel 2. Tabel 2 Akurasi hasil klasifikasi dari 10 data uji dengan PNN Percobaan 1 2 3 4 5 6 7 8 9 10
Akurasi (%) 80 50 90 70 80 60 50 60 90 80
Classifier PNN mampu melakukan pengenalan citra tanda tangan dengan akurasi rata-rata sebesar 71%. Akurasi terbesar diperoleh pada percobaan ke 3 dan 9, yaitu sebesar 90%. Pada masing-masing percobaan ini hanya satu citra yang mengalami kesalahan klasifikasi, yaitu citra tanda tangan orang ke-2 yang ditunjukkan pada Gambar 4.
Orang ke-8
Orang ke-9
Orang ke10
Gambar 4. Citra tanda tangan yang salah diklasifikasi pada percobaan ke 3 dan 9. 0.93728
2.30482
0.75072
Nilai bias yang digunakan untuk memperoleh pola atau model klasifikasi dalam percobaan ini adalah π = 0.5. Setiap pola dari masing-masing kelas dijumlahkan dan dihitung population density function. Sebuah citra akan diklasifikasikan ke suatu kelas yang memiliki peluang maksimum. Berdasarkan metode leave-one-out cross validation yang digunakan, untuk memperoleh model klasifikasi terbaik dilakukan sebanyak 10 kali percobaan. Pada setiap percobaan, sembilan citra dari setiap kelas digunakan sebagai data latih dan satu citra lainnya secara bergantian digunakan sebagai data uji. Sehingga secara keseluruhan terdapat 90 citra sebagai data latih dan 10 citra sebagai data uji pada setiap
Akurasi terkecil diperoleh pada percobaan ke 2 dan 7, yaitu sebesar 50%. Citra yang mengalami kesalahan klasifikasi pada kedua percobaan ini ditunjukkan pada Gambar 5. Orang ke-2 Orang ke-5 Orang ke-9 Orang ke-10 Gambar 5. Citra tanda tangan yang salah diklasifikasi pada percobaan ke 2 dan 7.
33
Jurnal Teknologi, Vol. 14, No. 1, April 2014 : 29-34
KESIMPULAN Pengenalan citra tanda tangan berdasarkan hasil ekstraksi fitur gray level cooccurrence matrix (GLCM) menggunakan tiga fitur Haralick. Tiga fitur tekstur tersebut adalah dissimilarity, entropy dan homogeneity. Fiturfitur ini digunakan sebagai inputan untuk pengenalan tanda tangan menggunakan probabilistic neural network (PNN). Fitur-fitur ini mampu mengenali tanda tangan dengan baik. Hasil penelitian menunjukkan bahwa akurasi rata-rata PNN dalam melakukan pengenalan tanda tangan adalah sebesar 71%.
DAFTAR PUSTAKA [1] Zois E.N, Nassiopoulos A, Tselios K, Siores E, Economou G., 2011. Off-line signature verification using two step transitional features, Conference on Machine Vision Applications, Juni 2011, hal. 295-298. [2] Kumar M., 2012. Signature verification using neural network, IJCSE, 4(9), hal. 1498-1504. [3] Deshmukh V.M, Mura S.A., 2012. Signature recognition and verification using ANN, IJITEE, 1(6), hal. 6-8. [4] Sulochana S, Vidhya R., 2013. Texture based image retrieval using framelet transformβGray Level Co-occurrence Matrix (GLCM), IJARAI, 2(2), hal. 68-73. [5] Caihuan W.A, Yonghong Z.A, Kazhong D.B., 2009. Urban area classification in high resolution SAR based on texture features. (Zhang J, Li Z, Cheng P, Yan Q, editor), International Conference on Geospatial Solutions for Emergency Management and the 50th Anniversary of the Chinese Academy of Surveying and Mapping, Beijing (CN): ISPRS. Hal. 281285. [6] Hazra D., 2011. Texture recognition with combined GLCM, wavelet and rotated wavelet features, IJCEE, 3(1), hal.:146-150.
[7] Madhu M, Amutha R., 2012. Face recognition using gray level co-occurrence matrix and snap shot method of the eigen face, IJEIT, 2(6), hal. 483-488. [8] Patil C.M, Patilkulkarni S., 2010. An approach of iris texture analysis and feature extraction for biometric authentication system, IJRTET, 3(4), hal. 23-26. [9] Qurat-ul-ain, Latif G, Kazmi S.B, Jaffar M.A, Mirza A.M., 2010. Classification and segmentation of brain tumor using texture analysis. Proceeding AIKED'10 Proceedings of the 9th WSEAS international conference on Artificial intelligence, knowledge engineering and data bases, Wisconsin (US), hal 147-155. [10] Araghi L.F, Khaloozade H , Arvan M.R., 2009. Ship identification using Probabilistic Neural Networks (PNN), Proceedings of the International MultiConference of Engineers and Computer Scientists, Hongkong, Cina, Maret 2009, hal. 18-20. [11] Wu .SG, Bao F.S, Xu E.Y, Wang Y.X, Chang Y.F, Xiang Q.L., 2007. A leaf recognition algorithm for plant classification using Probabilistic Neural Network, IEEE 7th International Symposium on Signal Processing and Information Technology, Desember 2007, Hal. 11-16. [12] Lotfi A, Benyettou A., 2011. Using probabilistic neural networks for handwritten digit recognition, Journal of Artificial Intelligence, DOI 10.3923, hal. 17. [13] Setia A.P.I., 2007. Identifikasi tanda tangan menggunakan Model Markov tersembunyi, Skripsi, FMIPA, Institut Pertanian Bogor. [14] Haralick R.M, Shanmugan K, Dinstein I.H., 1973. Textural features for image classification, IEEE Trans. Syst. Man. Cybern., 3(6), hal. 610β621.
34
