PENGENALAN POLA TANDA TANGAN MENGGUNAKAN FUZZY KOHONEN CLUSTERING NETWORK

PENGENALAN POLA TANDA TANGAN MENGGUNAKAN FUZZY KOHONEN CLUSTERING NETWORK Krisna Nandian1; Mars Jeremy2; Ricki Chindra3; Edy Irwansyah4 1,2,3,4

Computer Science Department, School of Computer Science, BINUS University, Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 [email protected], [email protected], [email protected] ABSTRACT

The purpose of this research is to develop a signature recognition system using Fuzzy Kohonen Clustering Algorithm Network and use the data to access the results of the introduction of personal data. The methodology in this research is the analysis of the journal, data acquisition, image preprocessing, Hu Moment invariant, Min-max normalization, Fuzzy Kohonen clustering network, and testing. The results obtained in the form of pattern recognition accuracy rate of good signatures of 70%. The conclusion that can is fuzzy Kohonen clustering network can be used for the signature pattern classification, clustering results obtained better after in improved and better accuracy. Keywords: invariant moment, Fuzzy Kohonen clustering network, pattern recognition ABSTRAK Tujuan dari penelitian ini adalah mengembangkan sistem pengenalan tanda tangan menggunakan Algoritma Fuzzy Kohonen Clustering Network dan menggunakan data hasil pengenalan untuk mengakses data personal. Metodologi yang dilakukan pada penelitian ini adalah analisis jurnal, akusisi data, image preprocessing, Hu Moment Invariant, Min-max normalization, fuzzy kohonen clustering network, dan pengujian. Hasil yang didapatkan berupa tingkat akurasi pengenalan pola tanda tangan yang baik yaitu 70%. Kesimpulan yang di dapat adalah fuzzy kohonen clustering network dapat digunakan untuk klasifikasi pola tanda tangan, hasil clustering yang didapat lebih baik setelah di improved dan tingkat akurasi yang baik. Kata Kunci : moment invariant, fuzzy kohonen clustering network, pengenalan pola PENDAHULUAN Pada masa kini, ada beberapa cara untuk mengecek validitas data pribadi seseorang. Mulai dari tanda tangan sampai menggunakan fingerprint. Pada kesempatan kali ini akan dibahas validitas data menggunakan tanda tangan. Tanda tangan adalah tanda sebagai lambang nama yang dituliskan dengan tangan oleh orang itu sendiri sebagai penanda pribadi. Tanda tangan sering digunakan dalam verifikasi data baik dalam sekolah, bank, perusahaan, rumah sakit, pemerintahan dan masih banyak lagi. Tanda tangan setiap orang berbeda-beda, sangat kecil kemungkinan untuk menemukan tanda tangan yang sama antara individu satu dengan lainnya. Bentuk tanda tangan seseorang kadang bisa terdapat perbedaan, namun perbedaannya tidak terlalu signifikan. Ini bisa disebabkan oleh banyak hal seperti suasana hati (mood) dan posisi saat membubuhkan tanda tangan. Suasana hati (mood) seseorang bisa berubah-ubah misalnya orang tersebut sedang gembira maka tanda tangan yang ia bubuhkan bisa sangat baik, bisa juga dikarenakan mood seseorang sedang tidak bagus atau sedang marah maka tanda tangan orang tersebut bisa berbeda dengan aslinya Membubuhkan tanda tangan juga bisa mempengaruhi bentuk tanda tangan, sebagai contoh tanda tangan orang pada saat duduk maupun berdiri dapat menghasilkan bentuk atau pola yang berbeda.

Dikarenakan pentingnya fungsi tanda tangan, ada banyak pihak yang ingin memanipulasi tanda tangan orang lain. Duplikasi tanda tangan dapat merugikan dan termasuk dalam ranah pidana. Tindak Pidana yang sering terjadi adalah berkaitan dengan Pasal 263 KUH.Pidana (membuat surat palsu atau memalsukan surat); dan Pasal 264 (memalsukan akta-akta otentik) dan Pasal 266 KUH.Pidana (menyuruh memasukkan keterangan palsu ke dalam suatu akta otentik). Untuk mengidentifikasi tanda tangan bisa dipastikan secara online maupun offline. Online Signature Recognition digunakan dengan cara membubuhkan tanda tangan pen tablet sedangkan Offline Signature Recognition digunakan dengan menggunakan scanner. METODE PENELITIAN Metode penelitian yang digunakan pada penelitian ini adalah : 1. Analisis jurnal internasional dan nasional. 2. Akuisisi data dengan mengumpulkan tanda tangan. 3. Image preprocessing mengubah tanda tangan menjadi binary image. 4. Hu moment invariant untuk menormalisasi tanda tangan terhadap perubahan skala, rotasi, dan transformasi. 5. Min-max normalization untuk mengubah nilai moment berada pada jarak 0 dan 1. 6. Klasifikasi tanda tangan dengan algoritma Fuzzy Kohonen Clustering Network. 7. Pengujian hasil: tanda tangan hasil latih selanjutnya diuji dengan tanda tangan yang asli. HASIL DAN BAHASAN Berikut ini merupakan rancangan flowchart dari algoritma Fuzzy Kohonen Clustering Network :

Gambar 1 Flowchart Fuzzy Kohonen Clustering Network

Berikut ini adalah penjelasan mengenai proses yang terjadi didalam flowchart: 1. Data Akuisisi Dalam penelitian ini dikumpulkan data sebanyak 80 tanda tangan didapat dari 10 responden, dimana masing-masing responden diambil 8 tanda tangan yaitu pada posisi duduk dan dalam keadaan tenang. Pada tahap training akan digunakan data sebanyak 50 tanda tangan dan untuk pengujian digunakan 30 tanda tangan. 2. Image Preprocessing Citra tanda tangan yang sudah di scan akan diubah menjadi bentuk Red Green Blue (RGB), kemudian data ini diubah menjadi Grayscale supaya lebih mudah dibentuk kedalam Binary Image dengan value ‘1’ dan ‘0’. Selanjutnya border yang terdapat pada data ini akan dihapus, kemudian akan dilakukan pencarian terhadap lokasi pixel yang bukan ‘0’.

a. Original Image

b. RGB Image

c. Grayscale Image

d. Inverted Binary Image

e. Penghapusan Border

f. Ekstrak bounding box

Gambar 2. Image Preprocessing 3. Hu Moment Invariant Untuk ekstraksi fitur akan digunakan Hu Moment Invariant. Metode ini berguna untuk menormalisasi gambar yang berubah-ubah dikarenakan perubahan skala, rotasi dan skala. Tanda tangan responden akan dinormalisasi menjadi : 1. Regular Moment: Moment yang didapatkan dari boundary bentuk dan daerah interior, diubah menjadi fungsi supaya diimplementasi untuk citra digital 2. Moment pusat: Centroid citra digunakan untuk menormalisasi invariant translasi dalam bidang citra.

3. Normalisasi moment pusat: untuk menormalisasi perubahan skala 4. Tujuh fungsi non linear: menormalisasi tanda tangan dari perubahan skala, translasi dan rotasi. Setelah dinormalisasi, tanda tangan sudah dianggap sebagai gambar yang asli, ini dapat memudahkan proses klasifikasi. Moment invariant 50 tanda tangan ini, dimasukkan kedalam Microsoft Excel sebelum diklasifikasi. 4. Min-Max Normalization Moment Invariant tanda tangan ini kemudian akan dinormalisasi menggunakan Min-Max Normalization supaya berada dalam range 0 sampai 1. 5. Fuzzy Kohonen Clustering Network (FKCN) Fuzzy Kohonen Clustering Network (FKCN) menggabungkan learning rate yang dimiliki F C-Mean (FCM) dan update all vector yang dimiliki KCN. Algoritma FKCN: 1. Komputasi laju pembelajaran: (1) =3 t=3 (2)

(3) 2. Improved laju pembelajaran :

(4) tu = 0.7 td = 0.3 mu = 0.4 md = 3

3. Update all weight vector: (5)

4. Komputasi: (6)

5. Jika

< E ,else t=t+1 kembali ke langkah (1)

Setelah mendapatkan cluster center, data Moment Invariant akan di cluster menggunakan Euclidean Distance dengan memakai cluster center FKCN.

6.

Pengujian. Tahap pengujian dilakukan dengan menguji 30 tanda tangan satu per satu. Tanda tangan akan

dikenali dengan melihat jarak yang dimiliki tanda tangan terhadap cluster center, jika berada dalam jarak minimum euclidean yang sudah diatur maka tanda tangan akan dikenali. Namun, jika tanda tangan berada diluar jarak yang sudah ditentukan, maka bukan merupakan tanda tangan yang asli.

Berikut ini hasil penelitian yang sudah dilakukan:

Gambar 3. Data hasil pelatihan tanda tangan dalam berbagai posisi

Pada pelatihan tanda tangan dalam berbagai kondisi yaitu duduk, berdiri, dan terburu-buru. Kami menemukan bahwa tanda tangan pada kondisi tertentu juga mempengaruhi sebuah tanda tangan. Dapat dibuktikan bahwa tingkat akurasi yang di dapat sangat rendah yaitu 74%. Hal itu membuktikan bahwa keseragaman tanda tangan pada berbagai kondisi berbeda. Dari pelatihan yang dilakukan terhadap 50 tanda tangan dari 10 responden, didapatkan hasil pelatihan sebagai berikut:

Gambar 4. Data hasil pelatihan Dari data pelatihan menunjukkan bahwa FKCN mampu mengenali tanda tangan sebanyak 66% dan 44% lainnya mengarah pada tanda tangan responden lain.Pada tanda tangan orang ke-1, ke-3 dan ke-8 membuat akurasi hasil pelatihan berkurang banyak.

Untuk mengetahui kemampuan Fuzzy Kohonen Clustering Network dalam pengenalan pola tanda tangan maka dilakukan pengujian, yang datanya diambil diluar data pelatihan sebagai berikut:

Gambar 5. Data hasil pengujian Dari data pengujian menunjukkan bahwa FKCN mampu mengenali tanda tangan sebanyak 70% dan 30% lainnya mengarah pada tanda tangan responden lain. Pada tanda tangan orang ke-1, ke-3 dan ke-8 membuat akurasi hasil pelatihan berkurang banyak, sama seperti hasil pelatihan.

Pada data pelatihan maupun pengujian terdapat 3 data yang memiliki akurasi rendah yaitu tanda tangan orang ke 1, 3, dan 8. Seperti yang kita lihat di tabel pelatihan tanda tangan orang ke-1 menghasilkan akurasi 0% dan ke-3,ke-8 menghasilkan akurasi 20%. Pada tabel pengujian tanda tangan orang ke-1,ke-8 menghasilkan akurasi 0% dan orang ke-3 menghasilkan akurasi 33.3%. Hal ini disebabkan karena data moment yang dihasilkan hampir berdekatan antara tanda tangan tersebut dengan tanda tangan orang lain. Sehingga menyebabkan klasifikasi tanda tangan tersebut menunjuk ke cluster yang berbeda.

Gambar 6. Data hasil pelatihan tanda tangan tiruan.

Setelah melakukan 3 tanda tangan tiruan untuk masing-masing orang. Hasil yang di dapat dalam melakukan pengujian tersebut hanya memiliki akurasi sebesar 66.6%. Hanya terdapat 2 tanda tangan yang menunjukan ke cluster yang benar. Hal tersebut dikarenakan tanda tangan orang yang berhasil ditiru dengan sempurna dan juga tanda tangan yang berhasil ditiru dengan sempurna memiliki kompleksitas tanda tangan yang sangat rendah. Oleh karena itu program tersebut membaca tanda tangan palsu sebagai tanda tangan asli

SIMPULAN DAN SARAN Berdasarkan hasil dari perbandingan yang telah dilakukan, maka dapat ditarik beberapa simpulan sebagai berikut : 1. Pengenalan pola tanda tangan dengan menggunakan Fuzzy Kohonen Clustering Network dapat dipakai untuk mengenali tanda tangan. 2. Tanda tangan setiap orang berbeda, namun moment invariant yang dihasilkan hampir berdekatan. 3. Cluster center yang didapatkan dari Fuzzy Kohonen Clustering Network lebih baik setelah di improved. 4. Tingkat akurasi yang dihasilkan oleh FKCN adalah 54% untuk data pelatihan dan 60% untuk data pengujian. Setelah FKCN yang di improved akurasi menjadi lebih baik yaitu 66% untuk data pelatihan dan 70% untuk data pengujian.

Pada penelitian ini masih terdapat beberapa hal lain perlu dikembangkan. Saran-saran yang dapat diberikan untuk perkembangan penelitian lebih lanjut yaitu :

1. Data Moment Invariant yang didapatkan berdekatan atau hampir sama, untuk penelitian lebih lanjut bisa menggunakan metode ekstraksi fitur lainnya atau mengembangkan Hu Moment Invariant. 2. Diperlukan penelitian lebih lanjut mengenai Fuzzy Kohonen Clustering Network. Untuk mendapatkan tingkat akurasi yang lebih baik. 3. Dibutuhkan pengujian dengan data yang lebih banyak untuk mengehetahui tingkat akurasi maksimum.

REFERENSI Ahmed, H., Shukla, S., & Rai, H. M. (2014, February). Static Handwritten Signature Recognition Using Discrete Random Transform and Combined Projection Based Technique. In Advanced Computing & Communication Technologies (ACCT), 2014 Fourth International Conference on (pp. 37-41). IEEE. Ainun, Jariah and Mohammad Isa, Irawan and Imam, Mukhlash. (2011). Pengenalan Pola Tanda Tangan Menggunakan Metode Moment Invariant dan Jaringan Syaraf Radial Basis Function (RBF). Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta. 85-90. Chaudhari, B. M., Barhate, A. A., & Bhole, A. A. (2009, June). Signature recognition using fuzzy min-max neural network. In Control, Automation, Communication and Energy Conservation, 2009. INCACEC 2009. 2009 International Conference on (pp. 1-7). IEEE. Ismail, I. A., Ramadan, M. A., El Danf, T., & Samak, A. H. (2008, August). Automatic signature recognition and verification using principal components analysis. In Computer Graphics, Imaging and Visualisation, 2008. CGIV'08. Fifth International Conference on (pp. 356-361). IEEE Danalis, A.; McCurdy, C.; Vetter, J.S (2012). Efficient Quality Threshold Clustering for Parallel Architectures," Parallel & Distributed Processing Symposium (IPDPS), 2012 IEEE 26th International. 1068-1079. Dhillon, I., Guan, Y., dan Kulis, B. (2004). A unified view of kernel k-means, spectral clustering and graph cuts. Computer Science Department, University of Texas at Austin. Gogoi, Ricky dan Kandarpa Kumar Sarma.(2012). ANFIS based Information Extraction using Kmeans Clustering for Application in Satellite Images. International Journal Of Computer Applications 50(7):13-18. Gregorius S. Budhi,Arlinah I. Rahardjo, Hendrawan Taufik. (2008). Hierarchical Clustering Untuk Aplikasi Automated Text Integration.Universitas Kristen Petra Jurusan Teknik Informatika. Jana, P. K., & Naik, A. (2009). An efficient minimum spanning tree based clustering algorithm. In Methods and Models in Computer Science, 2009. ICM2CS 2009. Proceeding of International Conference on (pp. 1-5). IEEE. Kurniastuti, Ima. (2012). Desain Sistem Deteksi Kerusakan Jaringan Dermis Dari Citra Mikroskop Digital Menggunakan Metode Ekstrasi Fitur. Surabaya. Universitas Airlangga.

Lestari, Wiji.(2011).

SISTEM CLUSTERING KECERDASAN MAJEMUK MAHASISWA

MENGGUNAKAN ALGORITMA SELF ORGANIZING MAPS (SOM). STIMIK DUTA BANGSA.Surakarta Moreira, A., Santos, M. Y., dan Carneiro, S. (2005). Density-based clustering algorithms–DBSCAN and SNN. Available at: get. dsi. uminho. pt/local/download/SNN&DBSCAN. pdf.

Muhammad, F. and Irwansyah, E. (2014). Building Damage Hazard Zonation Using FKCN and IDWAlgorithm. JATIT & LLS. Vol.70. No.2 Nirmawati, Dewi Ary. (2012). Deteksi Kelainan Kanker Serviks (CARSINOMA SERVIKS UTERI) Pada Citra Hasil Rekaman CT-SCANMenggunakan Jaringan Syaraf Tiruan. Surabaya. Universitas Airlangga. Reynolds, D.(2009). Gaussian mixture models. Encyclopedia of Biometrics, 659-663. Roni Salambue.(2013). Pengenalan Pola Tanda Tangan dengan Metode Moment Invariant dan Euclidean Distance. Prosiding Semirata FMIPA Universitas Lampung. (461-464). Russel, Stuart and Peter Norvig.(2013). Modern Approach. Prentice Hall,.Englewood Cliff.NewJersey

RIWAYAT HIDUP Krisna Nandian lahir di kota Jakarta pada 3 September 1993. Penulis menamatkan pendidikan S1 di BINUS University dalam bidang Ilmu Komputer pada tahun 2015. Ricki Chindra lahir di kota Tangerang pada tanggal 17 November 1993. Penulis menamatkan pendidikan S1 di BINUS University dalam bidang Ilmu Komputer pada tahun 2015. Mars Jeremy lahir di kota Jakarta pada tanggal 14 November 1991. Penulis menamatkan pendidikan S1 di BINUS University dalam bidang Ilmu Komputer pada tahun 2015.