Pada bagian ini akan digambarkan kesimpulan dari seluruh penelitian dan
saran yang diusulkan untuk pengembangan lebih lanjut.
7
mendukung penulisan tugas akhir klasifikasi tanda tangan manusia dengna metode
jaringan syaraf tiruan backpropagation. Teori – teori yang akan dibahas mencakup
pengertian dasar jaringan syaraf tiruan, metode jaringan syaraf tiruan
backpropagation, dan pengertian mengenai metode PCA (Principal Components
Analysis) yang digunakan untuk mereduksi feature.
2.1 Jaringan Syaraf Tiruan.
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang
dikembangkan dengan model matematika dan memiliki karakteristik mirip dengan
jaringan syaraf biologi dengan asumsi bahwa (Jong JekSiang, 2005) :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirim diantara neuron–neuron melalui penghubung– penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi
yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran
ini selanjutnya dibandingkan dengan suatu batas ambang.
Jadi jaringan syaraf tiruan ditentukan oleh 3 hal yaitu :
1. Pola hubungan antar neuron ( arsitektur jaringan ).
2. Metode untuk menentukan bobot penghubung.
8
3. Fungsi aktivasi.
2.1.1 Arsitektur Jaringan Syaraf Tiruan.
Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan
hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak
pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.
Neuron-neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan
masukan (input layer) merupakan lapisan pertama yang menerima sinyal dari
bagian luar jaringan, lapisan tersembunyi (hidden layer) yaitu lapisan yang
menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output
layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari
sinyal yang diterima .
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf
tiruan antara lain :
1. Jaringan Layar Tunggal (single layer network).
Dalam jaringan layar tunggal, sekumpulan masukan dihubungkan
langsung dengan sekumpulan keluaran.
x1 xi xn y1 yj ym w11 wj1 wm1 w1i wji wmi w1n wjn wmn
Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit masukan (x
1,
x
2, …, x
n) dan m buah unit keluaran (y
1, y
2, …, y
m). Disebut jaringan
layar tunggal karena semua unit masukan dihubungkan dengan semua unit
keluaran, meskipun dengan bobot yang berbeda.
w
jimenyatakan bobot hubungan antara unit ke-i dalam masukan
dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen.
Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk
meningkatkan keakuratan hasil.
2. Jaringan Layar Jamak (multi layer network).
Jaringan layar jamak merupakan perluasan dari layar tunggal.
Dalam jaringan ini, selain unit masukan dan keluaran, ada unit – unit lain
(sering disebut layar tersembunyi). Sama seperti pada unit masukan dan
keluaran, unit dalam satu layar tidak saling berhubungan.
x
1x
ix
nz
1z
pw
11w
j1w
m1w
1pw
jpw
mpv
piv
1nv
pny
1y
jy
mv
11v
p1v
1iGambar 2.2 Jaringan Layar Jamak.
Pada gambar 2.2 ditunjukkan jaringan dengan n buah unit masukan
(x
1, x
2, …, x
n), sebuah layar tersembunyi yang terdiri dari p buah unit
(z
1, …, z
p) dan m buah unit keluaran(y
1, y
2, …, y
m).
10
2.1.2 Fungsi Aktivasi.
Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan
keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi
linier masukan dan bobotnya). Jika net ∑ , maka fungsi aktivasinya adalah
f (net) = f(∑ ) (Jong Jek Siang, 2005).
Fungsi aktivasi dalam jaringan syaraf tiruan :
1. Fungsi threshold (batas ambang).
( ) { (2.1)
Jika fungsi threshold berharga -1 atau 1 disebut threshold bipolar.
2. Fungsi sigmoid.
( )
(2.2)
Nilai fungsi dari fungsi sigmoid terletak antara 0 dan 1 dan dapat
diturunkan menjadi :
( ) ( )( ( )) (2.3)
3. Fungsi Identitas.
( ) (2.4)
Fungsi identitas sering digunakan jika diinginkan keluaran jaringan
berupa bilangan riil (bukan hanya pada range (0,1) atau (-1,1)).
2.2 Jaringan Syaraf Tiruan Backpropagation.
Backpropagation merupakan salah satu contoh dari jaringan layar jamak.
Seperti halnya model jaringan syaraf tiruan lain, backpropagation melatih
jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk
mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola masukkan yang serupa (tapi tidak
sama) dengan pola yang dipakai selama pelatihan.
2.2.1 Arsitektur Backpropagation.
Backpropagation memiliki beberapa unit neuron yang ada dalam satu atau
lebih layar tersembunyi. Gambar 2.3 adalah arsitektur backpropagation dengan
n buah masukan (ditambah sebuah bias), serta m buah unit keluaran.
v
jimerupakan bobot garis dari unit masukan x
ike unit layar tersembunyi
z
j(v
j0merupakan bobot garis yang menghubungkan bias di unit masukan ke
unit layar tersembunyi z
j). w
kjmerupakan bobot dari unit layar tersembunyi z
jke unit keluaran y
k(w
k0merupakan bobot dari bias di layar tersembunyi ke unit
keluaran z
k).
12
1 x1 xi xn 1 z1 zj zp y1 yk ym v10 vj0 vp0 v11 vj1 vp1 v1i vji vpi v1n vjn vpn w10 wk0 wm0 w11 wk1 wm1 w1jwkj wmj w1p wkp wmpGambar 2.3 Arsitektur Backpropagation.
2.2.2 Fungsi Aktivasi Backpropagation.
Fungsi aktivasi pada metode backpropagation tidak hanya menggunakan
sebuah fungsi aktivasi, akan tetapi turunan dari fungsi tersebut juga ikut
digunakan. Backpropagation dapat menggunakan fungsi aktivasi sigmoid biner
(yang memiliki range (0,1)) maupun sigmoid bipolar (yang memiliki range (-1,1))
beserta turunan fungsinya. Pemilihan fungsi aktivasi tergantung kepada kebutuhan
nilai keluaran jaringan yang diharapkan. Bila keluaran jaringan yang diharapkan
ada yang bernilai negatif, maka digunakan fungsi sigmoid bipolar, sebaliknya bila
nilai keluaran jaringan yang diharapkan bernilai positif atau sama dengan nol ,
maka digunakan fungsi sigmoid biner. Selain fungsi sigmoid fungsi yang bias
digunakan dalam metode backpropagation adalah fungsi linier.
Fungsi sigmoid biner :
dengan turunan
( ) ( )( ( )) (2.6)
Fungsi sigmoid bipolar :
( )
(2.7)
dengan turunan
( ) ( ( ))( ( )) (2.8)
Fungsi sigmoid memiliki nilai maksismum = 1. Maka untuk pola yang
targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan
sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang
dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada
layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
2.2.3 Pelatihan Standar Backpropagation.
Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju.
Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan
kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari
garis yang berhubungan langsung dengan unit – unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
14
Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai
berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.
Fase I : Propagasi maju.
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit
tersembunyi di atasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi z
j(j = 1, 2, …, p).
(2.9)
(2.10)
Langkah 5 : Hitung semua keluaran jaringan di unit y
k(k = 1, 2, …, m).
(2.11)
(2.12)
Fase II : Propagasi mundur.
Langkah 6 :Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit
keluaran y
k(k = 1, 2, …, m).
δ
kmerupakan unit kesalahan yang akan dipakai dalam perubahan bobot
layar dibawahnya (langkah 7).
Hitung suku perubahan bobot w
kj(yang akan dipakai nanti untuk merubah
bobot w
kj) dengan laju percepatan α.
; k = 1, 2, …, m ; j = 0, 1, …, p (2.14)
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap
unit tersembunyi z
j(j = 1, 2, …, p).
(2.15)
Faktor δ unit tersembunyi :
(2.16)
Hitung suku perubahan bobot v
ji(yang akan dipakai nanti untuk merubah
bobot v
ji)
(2.17)
j = 1, 2, …, p ; i = 0, 1, …, n
Fase III : Perubahan bobot.
Langkah 8 : Hitung semua perubahan bobot.
Perubahan bobot garis yang menuju ke unit keluaran :
16
Perubahan bobot garis yang menuju ke unit tersembunyi :
( ) ( ) (2.19)
Langkah 9 : Kondisi perulangan.
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk
pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja
yang dipakai untuk menentukan keluaran jaringan.
2.3 PCA (Principal Components Analysis).
PCA digunakan untuk mereduksi dimensi image menjadi feature yang
memiliki dimensi lebih sedikit. PCA akan menangkap variasi total di dalam
kumpulan karakter yang dilatihkan, dan untuk mempresentasikan variasi ini
dengan variable yang lebih sedikit. Suatu image yang dipresentasikan dengan
variable yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada
jika dipresentasikan dengan variable yang banyak dari image tersebut (Wikaria
Gazali dan Lily, 2003).
Adapun langkah – langkah dalam menghitung PCA adalah sebagai berikut :
1. Menyimpan nilai – nilai piksel dari citra tanda tangan ke sebuah vektor
yang dinamakan tou.
[
]
T = Matriks tou / Matriks awal = N x P,
N = jumlah vekor = jumlah citra,
P = ukuran citra.
2. Menghitung noise yang merupakan rata – rata dari semua vektor tou.
∑ (2.20)
= vektor rata – rata = noise,
= vektor tou ke-i.
Sehingga diperoleh vektor [ ]
3. Menghitung vektor fi yang merupakan vektor tou yang bebas noise.
(2.21)
= vektor fi.
Vektor – vektor yang diperoleh digabung menjadi matriks A.
[
]
4. Menghitung matriks covariance.
∑ (2.22)
C = vektor covariance,
A
T= transpose dari matriks A.
Vektor – vektor yang diperoleh digabung menjadi matriks covariance.
[
]
18
5. Menghitung nilai eigen.
( ) (2.23)
= nilai eigen,
I = matriks identitas.
6. Menghitung vektor eigen.
( ) (2.24)
= vektor eigen.
Sehingga dihasilkan vektor V dengan elemen :
[
]
Vektor V diurutkan berdasarkan nilai eigen terbesar dan disimpan dalam
matriks GoodV.
7. Dibangun matriks yang mewakili citra awal.
(2.25)
Diperoleh matriks construct yang bila dikonversi menjadi citra
menghasilkan principal component.
[
]
Ct = elemen dari matriks construct.
8. Membentuk matriks Extract.
[
]
e = elemen dari matriks extract.
9. Normalisasi.
(
20
Bab III. Desain Sistem
Pada bab ini diuraikan desain sistem yang akan dibuat untuk klasifikasi
tanda tangan manusia menggunakan metode jaringan syaraf tiruan
backpropagation sehingga menghasilkan akurasi yang optimal.
3.1 Data
Dalam klasifikasi tanda tangan dengan metode jaringan syaraf tiruan
backpropagation ini digunakan 5 tipe tanda tangan berbeda yang dimiliki oleh 5
orang yang berbeda. Setiap tipe tanda tangan terdiri dari 80 gambar yang akan
dijadikan sebagai data. Tipe tanda tangan yang akan digunakan dalam klasifikasi
tanda tangan ditunjukkan pada tabel 3.1 (gambar seluruh tanda tangan terdapat
pada halaman L-82 sampai dengan L-86).
Tabel 3.1 Tipe Tanda Tangan.
Nomor Nama Tipe Tanda Tangan
Nomor Nama Tipe Tanda Tangan
2. KURNIANINGTYAS
3. TIMOTIUS ARI
4. NUGRAHAYUNINGSIH
5. JB. MAHENDRA
Pada sistem klasifikasi tanda tangan ini, digunakan metode five fold untuk
membagi data menjadi 5 bagian. Dimana 4 bagian digunakan untuk data training
22
Terdapat 80 sample untuk setiap tipe tanda tangan yang diambil dari 5
orang.
Dari hasil perhitungan diperoleh 16 feature tanda tangan untuk setiap
bagian.
Tabel 3.2 Pembagian Feature.
Bagian Orang 1
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 3
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 5
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 2
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 4
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Karena menggunakan metode five fold, maka dilakukan percobaan untuk
training dan testing sebanyak 5 kali untuk setiap tipe tanda tangan. 4 bagian ( 320
feature) digunakan untuk data training dan 1 bagian ( 80 feature) digunakan untuk
data testing.
Tabel 3.3 Percobaan.
Percobaan Training Testing
1 Bagian 1, 2, 3, 4 Bagian 5
2 Bagian 1, 2, 3, 5 Bagian 4
3 Bagian 1, 2, 4, 5 Bagian 3
4 Bagian 1, 3, 4, 5 Bagian 2
5 Bagian 2, 3, 4, 5 Bagian 1
Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan
kelompok data yang digunakan sebagai data training dan data testing. Jika
feature bagian 1, 2, 3, dan 4 digunakan untuk data training, maka feature bagian 5
digunakan untuk data testing begitu seterusnya sesuai table 3.3.
24
3.2 Desain Sistem
Feature Hasil Ekstraksi Jaringan Optimal Ekstraksi Feature Dengan PCA Training dan Testing JST Backpropagation Pengenalan Feature Asli Tanda Tangan .JPG Tanda Tangan DikenaliGambar 3.1 Garis Besar Sistem Pengenalan.
Pada gambar 3.1 dijelaskan mengenai tahapan – tahapan yang dilakukan
dalam sistem pengenalan tanda tangan. Dimulai dari feature asli tanda tangan
sebagai data mentah untuk proses ekstraksi feature dengan metode PCA. Dari
proses ekstraksi feature dihasilkan feature yang dimensinya lebih kecil dibanding
data mentah. Feature yang telah direduksi dijadikan data masukan dalam tahap
training dan testing dengan metode jaringan syaraf tiruan backpropagation,
tahapan terakhir dalam sistem yang dibuat adalah tahap pengenalan. Hasil
pengenalan barupa identitas pemilik tanda tangan.
3.2.1 Ekstraksi Feature.
Dalam tahap ekstraksi feature klasifikasi tanda tangan manusia digunakan
metode Principal Component Analysis (PCA). PCA digunakan karena mampu
mereduksi ukuran suatu obyek sehingga ukuran menjadi lebih ringkas dan mampu
mengambil karakteristik yang penting dari obyek yang diolah. Jika dimensi dari
obyek lebih kecil dan informasi yang terkandung lebih padat, maka obyek tersebut
akan lebih spesifik dibandingkan dengan obyek yang belum diolah sebelumnya.
Hal ini akan mempermudah proses pengenalan obyek lebih lanjut. Komponen
yang diperlukan dalam proses ekstraksi feature adalah 400 citra tanda tangan yang
berekstensi .jpg dengan ukuran 100x100.
Mulai Citra Tanda Tangan Binerisasi Perhitungan Principal Component (PCA) Normalisasi Feature Hasil Ekstraksi Perhitungan Rata-rata Vektor Baris
Selesai
26
Gambar 3.2 menunjukkan tahapan yang dilalui dalam tahap ekstraksi
feature. Tahapan yang ada dalam ekstraksi feature yaitu :
1. Citra Tanda Tangan.
Data masukan yang digunakan adalah citra tanda tangan dengan
tingkat keabuan (gray-scale image) yang berekstensi *.jpg dan berukuran
100x100. Citra tanda tangan yang digunakan diubah ke bentuk vektor
baris. Sehingga untuk 1 citra tanda tangan terbentuk vektor baris dengan
ukuran 1x10000.
2. Tahap Binerisasi.
Nilai piksel yang semula terdiri dari tingkat keabu – abuan,
dikonversi menjadi 0 sampai 1. Konversi dari tingkat keabu-abuan menjadi
nilai 0-1 ini disebuat binerisasi. Hasil binerisasi adalah berupa vektor baris
yang bernilai 0-1 untuk setiap elemennya. Vektor baris hasil binerisasi
kemudian disusun menjadi matriks yang diberi nama tou ( T ). Karena
setiap vektor baris berukuran 1x10000, maka ukuran matriks tou
400x10000.
3. Tahap Perhitungan PCA.
Pada tahap ini dihitung noise pada matriks tou, dibuat matriks baru
(fi) yang merupakan matriks tou yang bebas noise, dihitung nilai pembeda
(eigen value), dibuat vektor eigen (Veigen) yang diurutkan (GoodV)
berdasarkan nilai eigen terbesar dan membentuk principal component
Noise adalah rata – rata dari semua matriks tou yang dihitung
menggunakan rumus (2.20). Setelah diperoleh nilai noise untuk matriks
tou, disusun matriks baru fi dimana setiap vektor baris dari matriks fi bebas
noise dengan menggunakan rumus (2.21). Proses berikutnya dihitung
matriks covariance dengan rumus (2.22) yang digunakan untuk
menghitung nilai eigen dengan rumus (2.23). Dari nilai eigen, dihitung
vektor eigen dengan rumus (2.24). Vektor eigen yang diperoleh diurutkan
berdasar nilai eigen terbesar kemudian disimpan dalam matriks GoodV.
Dibangun matriks yang mewakili citra awal dengan rumus (2.25). Proses
construct menghasilkan suatu matriks principal component. Principal
component yang diperoleh diambil inti sarinya melalui proses ekstraksi
dengan rumus (2.26) yang menghasilkan matriks extract.
4. Tahap Normalisasi.
Nilai dari matriks principal component (extract) dikonversi
menjadi nilai bipolar antar -1 sampai dengan 1 dengan menggunakan
rumus (2.27).
5. Rata – rata Vektor Baris.
Setiap vektor baris dari matriks principal component yang telah
dinormalisasi, dibagi menjadi 20 bagian. Setiap bagian dari vektor baris
dijumlah kemudian dihitung rata-ratanya.
6. Feature Hasil Ekstraksi.
Data yang dihasilkan dari ekstraksi feature adalah berupa matriks
yang ukurannya lebih kecil dibanding dengan matriks tou, yang kemudian
28
dijadikan sebagai input JST backpropagation.
Contoh perhitungan PCA terdapat pada halaman 74 hingga halaman
L-81.
3.2.2 Perancangan JST Backpropagation.
Setelah dilakukan tahap ekstraksi feature, tahap selanjutnya dilakukan
pengenalan dengan metode JST backpropagation. Komponen yang diperlukan
dalam JST backpropagation antara lain :
1. Lapisan Tersembunyi (Hidden Layer)
Dalam penelitian ini dilakukan percobaan JST Backpropagation
dengan 1 hidden layer dan 2 hidden layer.
2. Unit Tersembunyi (node)
Unit tersembunyi yang akan dipakai dalam penelitian adalah 150,
175, 200, 225, dan 250 pada JST Backpropagation dengan 1 hidden layer.
Sedang pada JST Backpropagation dengan 2 hidden layer, unit
tersembunyi yang digunakan untuk layer pertama adalah jumlah unit
tersembunyi pada percobaan 1 hidden layer dan untuk layer kedua
digunakan unit dengan jumlah 25, 50, 75, 100, 125.
3. Fungsi Aktivasi
Fungsi aktivasi yang digunakan dalam penelitian adalah logsig.
4. Target
Target keluaran yang dipakai untuk setiap tipe tanda tangan adalah
1, 0, 0, 0, 0 untuk tipe tanda tangan orang ke-1; 0, 1, 0, 0, 0 untuk tipe
tanda tangan orang ke-2; 0, 0, 1, 0, 0 untuk tipe tanda tangan orang ke-3; 0,
0, 0, 1, 0 untuk tipe tanda tangan orang ke-4 dan 0, 0, 0, 0, 1 untuk tipe
tanda tangan orang ke-5.
5. Epochs
Dalam penelitian ini digunakan batas epoch 50000 untuk JSTBP
dengan 1 hidden layer dan 20000 untuk JSTBP dengan 2 hidden layer.
6. Kecepatan Pembelajaran
Dalam penelitian ini kecepatan pembelajaran yang dipakai sebesar
0,1, baik untuk 1 hidden layer atau 2 hidden layer.
Pembentukan JSTBP Model JST
Klasifikasi JST Hasil Klasifikasi Feature Hasil Ekstraksi TRAINING TESTING Pengenalan Tanda Tangan Dikenali
Gambar 3.3 Proses Pengenalan dengan Metode JST Backpropagation.
Di dalam tahap pengenalan dengan menggunakan metode
backpropagation terdapat 3 sub tahap yang harus dilalui yaitu tahap pelatihan
(training), tahap pengujian (testing) dan tahap pengenalan.
30
3.2.2.1Tahap Pelatihan (Training).
Pembentukan JSTBP Model JST
320 Feature Hasil Ekstraksi
TRAINING
Bobot dan Bias
Gambar 3.4 Skema Tahap Pelatihan.
Data training diperoleh dari perhitungan menurut metode five fold.
Feature tanda tangan dari setiap orang diambil 4 bagian feature yang masing –
masing bagian terdiri dari 16 feature.
Sebanyak 320 data hasil ekstraksi feature digunakan untuk membentuk
jaringan backpropagation. Jaringan yang telah dibentuk kemudian dilakukan
proses training dan menghasilkan model jaringan syaraf tiruan yang berupa bobot
dan bias.
3.2.2.2Tahap Pengujian (Testing)
Klasifikasi JST Hasil Klasifikasi 80 Feature Hasil Ekstraksi TESTING Data Benar Orang ke-1 Data Benar Orang ke-2 Data Benar Orang ke-4 Data Benar Orang ke-3 Data Benar Orang ke-5 Bobot dan Bias
Gambar 3.5 Skema Tahap Pengujian.
Data testing diperoleh dari perhitungan menurut metode five fold. Feature
tanda tangan dari setiap orang diambil 1 bagian feature yang masing – masing
bagian terdiri dari 16 feature.
Dengan menggunakan 80 data hasil ekstraksi feature dilakukan
klasisifikasi. Klasifikasi dilakukan dengan cara membandingkan model jaringan
syaraf tiruan yang telah terbentuk pada tahap training dengan data testing. Dari
tahap klasifikasi, dihasilkan hasil klasifikasi tanda tangan yang berupa jumlah data
yang dapat dikenali dengan benar dari setiap kelompok tanda tangan.
3.2.2.3Penghitungan Akurasi.
Karena menggunakan metode five fold dalam pembagian data, maka
dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa
32
dengan kelompok data.
Dari hasil klasifikasi dilakukan penghitungan berapa tanda tangan orang
ke-1 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3, orang
ke-4, dan orang ke-5; tanda tangan orang ke-2 yang dikenali sebagai tanda tangan
orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda tangan
orang ke-3 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3,
orang ke-4, dan orang ke-5; tanda tangan orang ke-4 yang dikenali sebagai tanda
tangan orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda
tangan orang ke-5 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2,
orang ke-3, orang ke-4, dan orang ke-5.
Confusion matrix yang dihasilkan dari percobaan di sajikan dengan tabel
sebagai berikut :
Tabel 3.4 Confusion matrix.
M1 M2 M3 M 4 M 5
M1 X
M2 X
M3 X
M4 X
M5 X
Dari confusion matrix dihitung besar akurasi. Penghitungan akurasi
dilakukan untuk melihat seberapa optimal jaringan syaraf tiruan backpropagation
∑
∑
∑ = jumlah angka pada diagonal matriks,
∑ = keseluruhan data yang digunakan untuk
pengujian / testing.
3.2.2.4Tahap Pengenalan.
Dari perhitungan akurasi dapat disimpulkan jaringan mana yang paling
optimal yang digunakan untuk tahap pengenalan. Akurasi yang menghasilkan
nilai paling maksimum didapat dari jaringan yang paling optimal pula.
Pengenalan dilakukan dengan membandingkan model jaringan yang diperoleh
dari tahap training dan data pengenalan. Hasil dari tahap pengenalan berupa
identitas individu pemilik tanda tangan.
Tanda Tangan dikenali (Jaringan Optimal)
Pengenalan
Data yang akan dikenali PENGENALAN