1
Pendahuluan
1.1. Latar Belakang Masalah
Tulisan tangan dapat mengungkapkan emosional dan kepribadian seseorang. Analisis tulisan tangan baik dalam bentuk narasi ataupun tanda tangan bukan ditujukan sebagai dokumen pemeriksaan atau penentuan pihak mana yang menulisnya, tetapi lebih jauh mengungkapkan karakteristiknya. Saat menulis, gerakan-gerakan kecil terjadi tanpa disadari. Setiap goresan atau gerakan yang dibuat mengungkapkan ciri kepribadian si penulis.
Dalam grafologi, tulisan tangan dianalisis dengan elemen grafis struktural dalam rangka untuk memperoleh informasi tentang kepribadian penulis [1]. Dari hasil analisis grafologi tulisan tangan, grafologis dapat mengetahui kepribadian dan emosi si penulis. Beberapa pedoman untuk analisis tulisan tangan yaitu tujuh elemen dasar: kecepatan, tekanan, bentuk, dimensi, kontinuitas, arah, dan keteraturan. Dari beberapa elemen dasar tersebut dilakukan pengenalan pola untuk mengetahui karakter seseorang berdasarkan ilmu grafologi [2].
mana metode Learning Vector Quantization mampu mengenali pola tanda tangan dalam mengidentifikasi kepribadian seseorang.
Pada penelitian ini telah dirancang untuk mengenali pola tanda tangan yang ditinjau dari enam fitur melalui enam jaringan secara pararel sehingga memberikan hasil identifikasi kepribadian secara otomatis. Pada sistem yang akan dirancang akan mengidentifikasi dua fitur menggunakan JST berarsitektur Multilayer Perceptron dengan algoritma Learning Vector Quantization.
1.2. Rumusan Masalah
Berdasarkan latar belakang permasalahan yang ada, maka masalah yang dapat teridentifikasi dalam penelitian ini adalah :
1. Bagaimana mengenali karakter seseorang berdasarkan pola tanda tangannya?
2. Bagaimana pengenalan karakter seseorang dari pola tanda tangan dengan menggunakan jaringan syaraf tiruan Learning Vector Quantization?
1.3. Maksud dan Tujuan
Maksud dari penelitian ini adalah untuk menganalisis algoritma Learning Vector Quantization pada simulasi yang dapat mengetahui karakter seseorang lewat pola tanda tangan.
Tujuan yang ingin dicapai dari pembangunan simulasi pengenalan pola tanda tangan ini adalah :
1. Untuk mengetahui akurasi dari algoritma Learning Vector Quantization dalam mengetahui karakter seseorang dari pola tanda tangan.
2. Untuk mengenali karakter seseorang berdasarkan pola tanda tangan.
1.4. Batasan Masalah
Batasan masalah dalam pembuatan simulasi ini adalah sebagai berikut : 1. Data uji berupa citra dari tanda tangan.
2. Citra tanda tangan berformat JPG atau JPEG atau PNG.
4. Tanda tangan yang akan digunakan untuk pelatihan fitur coretan akhir tidak boleh memiliki garis bawah.
1.5. Metodologi Penelitian
Metodologi penelitian yang digunakan dalam penulisan skripsi ini adalah metodologi kuantitatif. Ini dikarenakan hasil akhir dari penelitian ini berupa presentase keakuratan nilai dari analisis tanda tangan.
1.5.1. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah studi literatur dan wawancara kepada ahli grafologi. Proses pengumpulan data dengan cara mengumpilkan jurnal, paper, bahan bacan lainnya dalam bidang grafologi dan implementasi algoritma Learning Vector Quantization serta melakukan wawancara kepada ahli dibidang grafologi.
1.5.2. Metode Pembangunan Perangkat Lunak
Gambar 1.1 Model Software Prototype [4]
Adapun langkah-langkah yang dilakukan untuk pembangunan perangkat lunak antara lain :
1. Gather Requiremen
Pada tahap ini ditujukan untuk mengumpulkan kebutuhan-kebutuhan dalam penelitian seperti pengumpulan data dengan mencari bahan-bahan dari literatur maupun dari sumber lain yang berkaitan dengan penelitian. 2. Quick Design
Pada tahap ini desain awal yang dibuat disesuaikan dengan data-data yang didapat pada tahapan sebelumnya sebagai acuan penelitian.
3. Build Prototype
Pada tahap ini akan dilakukan proses membangun simulasi dengan desain yang dibuat pada tahap quick design.
4. Evaluate
Pada tahap ini simulasi yang dibangun akan diuji oleh penguji, penguji menilai apakah simulasi yang dibangun sudah sesuai dengan tujuan dari penelitian.
5. Refine Prototype
6. Product
Pada tahap ini merupakan tahap akhir, dimana simulasi yang dibangun sudah sesuai dengan tujuan penelitian.
1.6. Sistematika Penulisan
Sistematika penulisan skripsi ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan skripsi ini adalah sebagai berikut:
1. BAB 1 PENDAHULUAN
Pada Bab ini membahas tentang latar belakang permasalahan, serta merumuskan permasalahan yang dihadapi, menentukan maksud dan tujuan diadakannya penelitian, pembuatan batasan masalah, metodologi penelitian dan sistematika penulisan.
2. BAB 2 LANDASAN TEORI
Pada Bab ini membahas tentang teori-teori yang berkaitan dengan topik penelitian yang dilakukan seperti grafologi, artificial intelligence, jaringan saraf tiruan, algoritma Learning Vector Quantization, image processing, edge detection, alat-alat pemodelan (entity relationship diagram, flowmap, diagram konteks, data flow diagram dan kamus data).
3. BAB 3 ANALISIS DAN PERANCANGAN SISTEM
Pada Bab ini akan dibahas mengenai analisis dan perancangan sistem. Analisis yang dilakukan berupa analisis sistem, analisis masukan, analisis proses, analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional. Perancangan yang dilakukan berupa perancangan antar muka, perancangan prosedural, perancangan jaringan semantik.
Pada Bab ini berisi tentang hasil dari analisis yang telah dilakukan sebelumnya,
yang dituangkan dalam bentuk perancangan dan implementasi, baik itu
implementasi dari perangkat lunak, perangkat keras, implementasi basis data,
implemantasi antarmuka, serta pengujian dari simulasi.
5. BAB 5 KESIMPULAN DAN SARAN
7 2.1.Grafologi
Grafologi merupakan ilmu tulisan tangan yang dihasilkan oleh pikiran atau kerja otak, berdasarkan hal tersebuh banyak ahli grafologi yang menyebut tulisan tangan dengan “tulisan otak”. Para ahli menyebutkan bahwa grafologi merupakan sebuah ilmu empiris yang dapat dibuktikan berdasarkan fenomena dalam satu populasi dan ada kuantifikasi hasil atau ada hasil dari uji statistik yang bisa dipertanggungjawabkan.
Grafologi berasal dari kata graphos yang berarti coretan dan logos adalah ilmu. Berdasarkan pengertian tersebut dapat dikatakan bahwa grafologi merupakan sebuah cabang ilmu yang mempelajari sebuah coretan tangan. Tulisan tangan disini bukan selalu huruf saja yang dapat dianalisis, namun sebuah coretan-coretan tangan juga dapat memiliki arti tersendiri. Grafologi juga dikatakan sebagai seni membaca tulisan tangan, karena tulisan setiap orang memiliki ciri-ciri yang khusus. [5]
2.1.1. Sejarah Dan Definisi Grafologi
dari tulisan tangan. Pada tahun 1930, grafologi mulai dipelajari di klinik psikologi Harvard oleh salah satu tokoh penting yaitu Gordon Allport. Selanjutnya pada tahun 1955, Klara Roman dan George Staemphil mulai mengembangkan faktor-faktor penting untuk menilai karakter seseorang dari tulisan tangan.
2.1.2. Manfaat Grafologi
Berdasarkan dari sejarahnya, ilmu grafologi digunakan untuk membaca karakter seseorang dari tulisan tangannya. Berikut adalah beberapa contoh dari manfaat grafologi : [5]
1. Mengetahui lifetrap.
2. Mengetahui karakter orang lain.
3. Membantu kemampuan kita dalam berkomunikasi. 4. Identifikasi.
5. Sarana intropeksi diri. 6. Meningkatkan keahlian. 7. Mengungkap kasus kejahatan.
2.1.3. Cara Kerja Grafologi
Pikiran manusia secara sadar menentukan apa yang akan ditulis oleh seseorang dan secara tidak sadar menentukan bagaimana seseorang menulisnya. Dalam ilmu grafologi cara bagaimana seseorang menulis menggambarkan karakter seseorang. Dari hasil goresan tangannya tersebut dilihat apakah tulisan yang dibuat seseorang memiliki ciri-ciri yang sudah ditetapkan dalam ilmu grafologi. Dari ciri-ciri yang muncul pada tulisan tangan dapat diketahui karakter seseorang dari kombinasi ciri-ciri yang muncul pada tulisan tangannya.
2.1.4. Dasar Penentuan Analisis Tanda Tangan
Tabel 2.1 Tabel fitur dari tanda tangan[1]
Mampu memformasikan pikiran secara tajam.
Lengkung lembut
Hati-hati, ramah, diplomatis.
2 Coretan akhir Menaik Terbuka, pandangan kedepan, keinginan maju, percaya diri.
Menurun Kurang semangat, berfikir realistis, kurang percaya diri, mudah putus asa.
3 Cangkang Lengkung
tertutup
Ketakutan berlebih, introvert, tidak memperdulikan sekitar, tidak suka bergaul dan tidak suka bekerja sama.
4 Coretan di membutuhkan dukungan dalam membuat keputusan, serta memiliki kemampuan dalam memimpin. kurang percaya diri, pesimis.
Cenderung ke
Depresi, pemalu, merasa asing.
8 Tanda tangan terpisah
Tanda tangan terpisah
Memiliki pengalaman yang kurang menyenangkan di masa lalu.
9 Garis terpisah Coretan akhir garis terpisah
Membatasi keinginannya, tidak berani mengambil resiko, sering patah semangat dan ragu mengambil keputusan.
2.2. Pengolahan Citra Digital
Pengolahan citra digital adalah istilah umum untuk berbagai teknik yang keberadaannya untuk memanipulasi dan memodifikasi citra dengan berbagai cara. Setiap foto dengan bentuk citra digital dapat diolah menggunakan perangkat lunak tertentu. Foto adalah contoh gambar berdimensi dua yang dapat diolah dengan mudah.
2.2.1. Pengertian Citra Digital
Citra dapat didefinisikan sebagai fungsi dua dimensi dari f (a, b) dimana a dan b adalah koordinat bidang dan amplitudo dari f pada pasangan koordinat apapun adalah intensitas atau tingkat keabu-abuan dari citra pada titik tersebut. Jika a, b dan nilai intensitas dari f tersebut berhingga, bernilai diskrit, citra tersebut disebut citra digital [6].
2.2.2. Pengolahan Citra
Pengolahan gambar atau pengolahan citra yang sering disebut image processing, merupakan suatu proses yang mengubah sebuah gambar menjadi gambar lain yang memiliki kualitas lebih baik untuk tujuan tertentu [7]. Pengolahan citra mempunyai dua tujuan utama, yaitu sebagai berikut [8].
1. Memperbaiki kualitas citra, dimana citra yang dihasilkan dapat menampilkan informasi secara jelas. Hal ini berarti manusia sebagai pengolah informasi (human perception).
Operasi-operasi pada pengolahan citra diterapkan pada citra bertujuan untuk [3]: 1. Image enhancement adalah perbaikan citra yang dilakukan untuk
meningkatkan kualitas penampakan citra atau menonjolkan beberapa aspek informasi yang terkandung dalam citra.
2. Image restoration adalah menghilangkan atau meminimumkan sebuah cacat yang ada pada sebuah citra.
3. Image segmentation adalah operasi citra yang perlu mengkelompokkan, mencocokan atau mengukur sebuah citra.
4. Image analysis adalah sebuah ektraksi ciri-ciri tertentu yang dimiliki pada sebuah citra untuk membantu dalam pengidentifikasian objek. Proses segementasi citra kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.
5. Image reconstruction adalah penggabungan dari beberapa citra dan menghasilkan sebuah citra baru.
6. Image compression adalah pemampatan sebuah citra, yaitu pengecilan ukuran citra.
7. Steganografi adalah penyembunyian sebuah data rahasia yang disimpan didalam sebuah citra sehingga keberadaan data tersebut tidak diketahui oleh orang lain.
Beberapa jenis operasi dari pengolahan citra adalah sebagai berikut: [9] 1. Modifikasi Kecemerlangan (Brightness Modifikasi)
Mengubah nilai keabuan atau warna dari gelap menjadi terang ataupun sebaliknya mengubah citra yang terlalu terang/pucat menjadi gelap.
2. Peningkatan Kontras (Contrast Enhancement)
Dengan meningkatkan kontras dari sebuah citra maka titik yang cenderung gelap menjadi lebih gelap dan yang cenderung terang menjadi lebih terang. 3. Negasi
Operasi untuk mendapatkan citra negatif (negative image) 4. Pengabuan (Grayscale)
Merupakan proses konversi citra dengan warna sebenarnya (true color) menjadi citra keabuan (grayscale)
Operasi ini digunakan untuk mengubah citra dengan format skala keabuan yang mempunyai nilai lebih dari dua menjadi citra biner yang hanya memiliki dua nilai yaitu 0 dan 1.
6. Pencerminan (Flipping)
Pencerminan merupakan proses menggambar citra ke bentuk kebalikan dari citra tersebut, seperti ketika orang sedang bercermin.
7. Rotasi (Rotating)
Rotasi adalah proses memutar koordinat citra sesuai dengan derajat yang ditentukan
8. Pemotongan (Cropping)
Memotong bagian yang diinginkan dari sebuah citra 9. Pengskalaan (Scaling)
Mengubah ukuran citra menjadi lebih besar atau lebih kecil 10.Deteksi Tepi (Edge Detection)
Deteksi tepi adalah suatu proses yang menghasilkan tepi-tepi dari obyek dalam sebuah citra.
2.2.2.1.Deteksi Tepi (Edge Detection)
Deteksi tepi pada suatu citra adalah proses yang menghasilkan tepi-tepi dari obyek dalam sebuah citra, tepi-tepi ini akan menandai bagian detil sebuah citra. Suatu titik (x,y) dikatakan sebagai tepi dari sebuah citra bila titik tersebut mempunyai perbedaan yang tinggi dengan titik tetangganya.
Macam-macam metode untuk proses deteksi tepi antara lain: [10] 1. Metode Robert
Pada gambar 2.1 digambarkan bahwa operator robert terdiri dari sepasang kernel 2 x 2 konvolusi. Satu kernel yang lain hanya diputar oleh 90°.
Gambar 2.1 Metode Robert
Kernel ini dirancang untuk merespon secara maksimal untuk tepi berjalan pada 45° ke jaringan pixel, satu kernel untuk masing-masing dua orientasi tegas lurus. Kernel dapat diterapkan secara terpisah dengan citra masukan untuk menghasilkan pengukuran yang terpisah dari komponen gradien disetiap orientasi (Gx dan Gy). Besarnya gradien diberikan oleh:
|�| = √� + � 2.1
Walaupun biasanya, sebuah besaran perkiraan dihitung dengan menggunakan persamaan dibawah yang lebih cepat untuk menghitung:
|�| = |� | + |� | 2.2
Sudut orientasi tepi menimbulkan gradien spasial (relatif terhadap orientasi grid pixel) diberikan oleh:
� = � � � (�� ) − � 2.3
2. Metode Prewitt
Gambar 2.2 Metode Prewitt
Filter HPF menciptakan sebuah gambar dimana tepi (perubahan tajam nilai tingkat keabuan) yang akan ditampilkan. Hanya filter dengan ukuran 3 x 3 yang dapat digunakan dengan filter ini. Filter ini menggunakan dua template 3 x 3 untuk menghitung nilai prewitt gradien seperti yang ditunjukkan dibawah ini:
Template:
[−−
− ]
sebagai x [
− − − ]
sebagai y
2.4
Dimana a1 ... a9 adalah tingkat keabuan dari setiap pixel di jendela filter. = − ∗ � + ∗ � − ∗ � + ∗ � − ∗ � + ∗ �
= ∗ � + ∗ � + ∗ � − ∗ � − ∗ � + ∗ � 2.5
Prewitt Gradient
� = √� + � 2.6
3. Metode Sobel
Gambar 2.3 Metode Sobel
Kernel ini dirancang untuk merespon secara maksimal untuk tepi berjalan secara vertikal dan horizontal relatif terhadap grid pixel, satu kernel untuk masing-masing dua orientasi tegak lurus. Kernel dapat diterapkan secara terpisah dengan citra masukan, untuk menghasilkan pengukuran terpisah dari komponen gradien disetiap orientasi (Gx dan Gy). Kemudian dapat digabungkan bersama-sama untuk mencari besarnya nilai mutlak gradien pada setiap titik dan orientasi gradien itu. Besarnya gradien diberikan oleh:
|�| = √� + � 2.7
Walaupun biasanya, sebuah besaran perkiraan dihitung dengan menggunakan persamaan dibawah yang lebih cepat untuk menghitung:
|�| = |� | + |� | 2.8
Sudut orientasi tepi menimbulkan gradien spasial (relatif terhadap orientasi grid pixel) diberikan oleh:
� = � � � (�� ) 2.9
4. Metode Canny
Metode canny merupakan pengembangan dari metode sobel. Perbedaan metode sobel dengan metode canny terletak pada penambahan algoritma pada metode canny. Pada metode canny mempertahankan semua maxima lokal dalam gambar gradien dengan cara : [11]
b. Bandingkan nilai piksel tepian saat ini dengan piksel tepian dalam arah positif dan negatif gradien. Jika arah gradien adalah utara ( θ = 90◦), bandingkan dengan piksel ke utara dan selatan.
c. Jika nilai piksel tepian saat ini adalah yang terbesar, maka simpan nilai tepian tersebut, namun jika bukan, hapus nilai tersebut.
2.2.2.2.Pengolahan Warna
Dalam gambar berwana RGB, pengolahan citra sulit dilakukan. Untuk itulah perlu dibedakan intensitas dari masing-masing warna. Hal yang perlu dilakukan dalam proses ini adalah bagaimana melakukan pembacaan nilai-nilai R, G, dan B pada suatu pixel, menampilkan dan menafsirkan hasil perhitungan sehingga mempunyai arti sesuai yang diinginkan. Salah satu cara yang mudah untuk menghitung nilai warna dan menafsirkan hasilnya dalam model warna RGB adalah dengan melakukan normalisasi terhadap ketiga komponen warna tersebut. Cara melakukan normalisasi adalah sebagai berikut : [10]
= �/(�+�+ ) �= �/(�+�+ )
= /(�+�+ ) 2.10
Nilai warna hasil normalisasi kemudian ditafsirkan dengan melihat besarannya. Jadi dominasi warna dapat dilihat dari besaran nilai tiap indeks. Semua nilai R, G, dan B diasumsikan dalam range [0,1]. Citra yang direpresentasikan dalam model warna RGB terdiri dari tiga komponen citra, masing-masing untuk setiap warna primer (Red, Green, and Blue).
2.3. Kecerdasan Buatan
Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik dari yang dilakukan manusia [12].
“Jika komputer tidak dapat dibedakan dengan manusia saat berbicara melalui terminal komputer, maka bisa dikatakan komputer itu cerdas, mempunyai kecerdasan.”
2. Menurut John McCarthy, 1956
“Untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia”
3. Menurut Herbert Alexander Simon, 2001
“Kecerdasan buatan merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas”
4. Menurut Rich dan Knight, 1991
“Kecerdasan buatan merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia.”
Jadi dapat disimpulkan
Kecerdasan buatan (Artificial Intelligence) berasal dari bahasa inggris yang terdiri dari dua kata. Yang pertama intelligence yang berarti cerdas, sedangkan artificial berarti buatan. Cerdas adalah memiliki pengetahuan dan pengalaman,
penalaran yaitu bagaimana membuat keputusan dan mengambil tindakan, serta moral baik. Cerdas yang dimaksud ini merajuk kepada mesin yang bisa berpikir, menimbang tindakan serta mengambil sebuah keputusan seperti yang dilakukan oleh manusia. Pada gambar 2.4 digambarkan bagaimana membuat mesin memiliki kecerdasan, maka terdapat dua bagian utama yang dibutuhkan dalam penerapannya yaitu: [12]
a. Basis pengetahuan (knowledge base): berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan yang lainnya.
Gambar 2.4 Penerapan Kecerdasan Buatan [12]
2.3.1. Kajian Kecerdasan Buatan
Kecerdasan buatan dikelompokkan berdasarkan dari keluaran yang dihasilkan. Secara garis besar terdapat beberapa kajian yang termasuk kedalam kecerdasan buatan, adalah sebagai berikut [12]:
1. Sistem Pakar (Expert System)
Sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah yang biasa/ dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan masalah tertentu dengan meniru kerja para ahli bidang tertentu.
Dalam penerapannya sistem pakar memiliki banyak kelebihan dan kekurangan, berikut kelebihan dari sistem pakar:
a. Memungkinkan orang awan untuk bisa mengerjakan pekerjaan para ahli b. Bisa melakukan proses berulang-ulang secara otomatis
c. Menyimpan pengetahuan dan keahlian para pakar
d. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka)
e. Mampu beroperasi dalam lingkungan yang berbahaya
f. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Pengguna bisa merespon dengan jawaban ‘tidak tahu’ atau ‘tidak yakin’ pada satu atau lebih pertanyaan selama konsultasi dan sistem pakar tetap akan memberikan jawaban.
h. Dapat digandakan atau diperbanyak sesuai dengan kebutuhan dengan waktu yang minimal dan sedikit biaya
i. Dapat memecahkan masalah lebih cepat daripada kemampuan manusia dengan catatan menggunakan data yang sama
j. Menghemat waktu dalam pengambilan keputusan
k. Meningkatkan kualitas dan produktivitas karena dapat memberi nasehat yang konsisten dan mengurangi kesalahan
l. Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi sistem pakar dengan sistem komputer lain membuat lebih efektif, dan bia mencakup lebih banyak aplikasi.
m.Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan sistem pakar akan menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.
Sedangkan kelemahan dalam penerapan sistem pakar sebagai berikut:
a. Biaya yang diperlukan untuk membuat, memelihara dan mengembangkannya sangat mahal
b. Sulit dikembangkan, hal ini erat kaitannya dengan ketersediaan pakar dibidangnya dan kepakaran sangat sulit diekstrak dari manusia karena sangat sulit bagi seorang pakar untuk menjelaskan langkah mereka dalam menangani sebuah masalah.
c. Sistem pakar tidak semuanya benar karena ahli yang terlibat dalam pembuatan tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan.
d. Pendekatan oleh setiap pakar untuk suatu masalah bisa berbeda-beda meskipun memiliki hasil yang benar
e. Pemindahan pengetahuan dapat bersifat subjektif dan bias
f. Kurangnya rasa percaya pengguna dapat menghalangi pemakaian sistem pakar
2. Jaringan Saraf Tiruan (Artificial Neural Network)
digunakan diimplimentasikan dengan menggunakan komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.
2.3.2. Penerapan Kecerdasan Buatan
Kecerdasan buatan banyak diterapkan dalam kehidupan sehari-hari yang dapat memudahkan seseorang, berikut adalah beberapa contoh penerapan kecerdasan buatan [13]:
1. Pengenalan Suara
Kecerdasan buatan ini dapat mengenali suara dari manusia dengan cara mencocokkan suara pengguna dengan data sampel yang digunakan.
2. Visualisasi Komputer
Kecerdasan buatan ini bisa memungkinkan sebuah sistem komputer bisa mengenali gambar sebagai data masukan.
3. Sistem Pakar
Kecerdasan buatan ini memungkinkan sebuah sistem dapat memiliki cara berpikir dan penalaran seperti seorang ahli dalam mengambil sebuah keputusan untuk memecahkan masalah yang ada pada saat itu.
4. Permainan
Kecerdasan buatan ini memungkinkan sebuah sistem komputer untuk memiliki cara berpikir dengan manusia dalam bermain. Seperti dalam sebuah permainan catur bahwa komputer bisa menjalankan pion-pion yang tersedia sama halnya dengan manusia bermain catur.
2.4. Jaringan Syaraf Tiruan (JST)
JST telah dikembangkan sebagai generalisasi model matematika dari aspek kognitif manusia atau syaraf biologi, yaitu didasarkan pada asumsi-asumsi bahwa:
a. pemrosesan informasi terjadi pada elemen-elemen yang disebut neuron; b. sinyal-sinyal merambat di antara neuron melalui interkoneksi;
c. setiap interkoneksi memiliki bobot yang bersesuaian pada kebanyakan jaringan syaraf berfungsi untuk mengalikan sinyal yang dikirim;
d. setiap neuron menerapkan fungsi aktivasi pada masukan jaringan untuk menentukan sinyal keluaran.
2.4.1. Jaringan Saraf Biologi dan Tiruan
Jaringan saraf biologi merupakan jaringan saraf yang terdapat pada manusia, sedangkan jaringan saraf tiruan merupakan jaringan saraf buatan yang terdapat dan digunakan pada komputer.
2.4.1.1.Jaringan Saraf Biologi
Otak manusia berisi sekitar 10 miliyar sel syaraf (neurons) yang berfungsi untuk memproses informasi yang masuk. Rata-rata, setiap neuron dihubungkan dengan neuron lain sampai sekitar 10000 synapses. Jaringan otak pada neuron membentuk suatu sistem pengolahan informasi, hal tersebut sama dengan komputer konvensional dimana sebuah prosesor menjalankan sebuah instruksi tunggal. [15]. Penjelesan tersebut digambarkan pada gambar 2.6.
Beberapa bagian yang terdapat pada saraf biologi manusia:
a. Neuron memiliki satu inti sel yang berfungsi untuk memproses informasi yang masuk ke dalam otak
b. Dendrit berfungsi memproses informasi yang masuk c. Axon berfungsi sebagai keluaran (output)
d. Sinapsis adalah bagian untuk penerima sinyal
2.4.1.2.Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan suatu sistem pemrosesan informasi yang terdapat pada komputer yang mempunyai karakteristik menyerupai jaringan saraf biologi pada manusia. Jaringan saraf tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia yang didasarkan atas asumsi sebagai berikut:
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron 2. Sinyal mengalir diantara sel saraf/neuron melalui suatu sambungan
penghubung
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan sinyal yang akan dikirim melaluinya 4. Setiap sel saraf akan menerapkan fungsi aktivasi terhadap sinyal hasil
penjumlahan berbobot yang masuk kepadanya untuk menentukan sinyal keluarannya.
Pada tabel 2.2 dijelaskan analogi jaringan saraf tiruan dan jaringan saraf biologi:
Tabel 2.2 Perbedaan Jaringan Saraf Tiruan dan Jaringan Saraf Biologi
Jaringan Saraf Tiruan Jaringan Saraf Biologi Node/masukan Badan Sel(Soma)
Masukan Dendrit
Keluaran Akson
Bobot Sinapsis
Gambar 2.6 Model Arsitektur Jaringan Saraf Tiruan [13]
Jaringan saraf tiruan dapat belajar dari pengalaman, melakukan generalisasi atas contoh-contoh yang diperolehnya dan mengabstraksi karakteristik esensial masukan bahkan untuk data yang tidak relevan. Algoritma jaringan saraf tiruan beroperasi langsung dengan angka sehingga data yang bukan menggunakan angka harus diubah terlebih dahulu menjadi angka. Keluaran dari jaringan saraf tiruan tidak menghasilkan keluaran tertentu karena semua keluaran akan berdasarkan dari pengalaman selama proses pembelajaran. Pada proses pembelajaran kedalam jaringan saraf tiruan dimasukan pola-pola masukan dan keluaran lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima. Karakteristik dari jaringan saraf tiruan dapat ditentukan oleh:
1. Pola hubungan antar neuron (disebut dengan arsitektur jaringan)
2. Metode penentuan bobot-bobot sambungan (disebut dengan proses belajar jaringan)
3. Fungsi aktivasi
2.4.2. Arsitektur JST
sebuah struktur umum karena beberapa jaringan saraf ada yang tida memiliki lapisan tersembunyi.
Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pula bobotnya. Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan dan fungsi aktivasi yang sama juga. Bila sebuah neuron ingin dihubungkan dengan neuron-neuron lain maka setiap neuron pada lapisan tersebut juga harus dihubungkan dengan setiap neuron pada lapisan lain yang akan dihubungkan. Pada jaringan saraf tiruan terdapat tiga macam arsitektur, berikut adalah arsitektur-arsitektur pada jaringan saraf tiruan: [12]
1. Jaringan dengan lapisan tunggal (single layer net)
Jaringan ini hanya memiliki lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menirima masukan kemudian akan mengolahnya menjadi keluaran tanpa melewati lapisan tersembunyi. Penjelesan tersebut digambarkan pada gambar 2.8.
Gambar 2.7 Single Layer Net [12]
2. Jaringan dengan banyak lapisan (multilayer net)
sukses dalam menyelesaikan masalah. Penjelesan tersebut digambarkan pada gambar 2.9.
Gambar 2.8 Multi Layer Net [12]
3. Jaringan dengan lapisan kompetitif (competitive layer net)
Pada jaringan ini neuron-neuron saling bersaing untuk mendapatkan hak menjadi neuron yang aktif. Penjelesan tersebut digambarkan pada gambar 2.10.
Gambar 2.9 Competitive Layer Net [12]
2.4.3. Proses Pembelajaran Jaringan
diterima oleh suatu neuron, maka neuron akan membangkitkan output ke semua neuron yang berhubungan dengannya sampai informasi tersebut sampai ke tujuannya yaitu terjadinya suatu reaksi. Jika rangsangan yang diterima terlalu halus, maka output yang dibangkitkan oleh neuron tersebut tidak akan direspon. Pada saat pembelajaran banyak perubahan yang cukup berarti pada bobot-bobot yang menghubungkan antar neuron. Apabila ada yang rangsangan yang pernah diterima maka neuron akan bereaksi cepat tetapi jika mendapatkan rangsangan baru neuron akan langsung beradaptasi untuk memberikan reaksi yang sesuai.
Jaringan saraf tiruan juga tersusun atas neuron-neuron dan dendrit. Tidak seperti model biologi, jaringan saraf tiruan memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antara neuron (yang dikenal dengan nama bobot). Perubahan yang terjadi selama pembelajaran adalah perubahan nilai bobot. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron tersampaikan, sedangkan bila informasi tidak tersampaikan maka nilai bobot yang menghubungkan kedua neuron akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan. [12]
Terdapat beberapa metode pembelajaran dalam jaringan saraf tiruan. Berikut adalah metode pembelajaran jaringan saraf tiruan: [12]
a. Pembelajaran terawasi (supervised learning)
Pada pembelajaran ini, semua data masukan dan data keluaran yang digunakan telah diketahui. Perbedaan antara keluaran-keluaran aktual dengan data keluaran yang diinginkan dan digunakan untuk mengoreksi bobot jaringan saraf tiruan agar jaringan saraf tiruan dapat menghasilkan jawaban sedekat/semirip mungkin dengan jawaban yang benar yang telah diketahui. b. Pembelajaran tak terawasi (unsupervised learning)
dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuannya untuk mengelompokkan unit-unit yang hampir sama ke dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola.
2.4.4. Pembelajaran Terawasi (Supervised Learning)
Metode pembelajaran ini disebut terawasi jika nilai keluaran yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola masukan akan diberikan ke satu neuron dan akan dikirimkan ke seluruh lapisan masukan hingga mencapai lapisan keluaran. Lapisan keluaran ini akan membangkitkan pola keluaran yang akan dicocokkan dengan pola keluaran targetnya. Jika terjadi perbedaan antara pola keluaran dengan pola yang sudah dipelajari, maka akan muncul sebuah eror. Apabila nilai eror yang muncul masih sangat besar, ini mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi. Metode-metode yang termasuk dalam pembelajaran terawasi antara lain: [12]
1. Hebb Rule
Hebb rule adalah metode pembelajaran yang paling sederhana. Pada metode ini pembelajaran dilakukan dengan cara memperbaiki nilai-nilai bobot yang digunakan. Jika ada dua buah neuron yang saling terhebung dan keduanya dalam keadaan hidup pada saat bersamaan maka bobot keduanya dinaikkan. Penjelesan tersebut digambarkan pada gambar 2.11.
2. Perceptron
Metode pembelajaran ini biasanya digunakan untuk mengklasifikasikan suatu tipe pola tertentu yang sering dikenal dengan pemisah secara linear. Pada dasarnya, perceptron pada jaringan saraf dengan satu lapisan memiliki bobot yang bisa diatur dengan suatu nilai ambang (threshold). Penjelesan tersebut digambarkan pada gambar 2.12.
Gambar 2.11 Metode Perceptron
3. Backpropagation
Gambar 2.12 Metode Backpropagation
4. Learning Vector Quantization
Metode pembelajaran ini merupakan termasuk jaringan saraf bertipe arsitektur jaringan lapis-tunggal umpan-maju (single layer feedforward) yang terdiri atas unit masukan dan unit keluaran. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor masukan. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif hanya tergantung pada jarak antara vektor-vektor masukannya. Jika terdapat dua vektor-vektor masukan mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor masukan ke dalam kelas yang sama. Penjelasan tersebut digambarkan pada gambar 2.14.
Berikut adalah langkah-langkah pembelaran dari metode learning vector quantization:
Langkah 1 : Inisialisasikan vektor referensi dan learning rate (α)
Langkah 2 : Selama kondisi berhenti bernilai salah kerjakan langkah 2 dan 3. (Kondisi berhenti jika perulangan mencapai maksimal perulangan dan perubahan rasio lebih kecil dari minimal eror)
Langkah 3 : Untuk masing-masing pelatihan vektor masukan, kerjakan: a. Temukan J sehingga ||x – Wj|| bernilai minimum
� = √∑ − � =
2.11
b. Perbaiki Wj dengan: i. Jika T=Cj, maka:
Wj(baru) = Wj(lama) + α [x - Wj(lama)] 2.12
ii. Jika T≠Cj, maka:
Wj(baru) = Wj(lama) - α [x - Wj(lama)] 2.13
Langkah 4 : kurangi learning rate
� = � ∗ � � � �� � 2.14
Langkah 5 : Tes kondisi berhenti Keterangan rumus:
Tabel 2.3 Keterangan Rumus Learning Vector Quantization
T Target
J Jumlah selisih data dan bobot C Kelas selisih bobot terkecil W Bobot
α Rasio pembelajaran (Learning rate) x Data
2.5.Alat-Alat Pemodelan Sistem
sudah ada. Berikut adalah pemodelan yang sering digunakan dalam membangun sebuah sistem:
2.5.1. Entity Relationship Diagram (ERD)
Model Entity-Relationship yang berisi komponen-komponen himpunan entitas dan himpunan relasi yang masing-masing dilengkapi dengan atribut-atribut yang merepresentasikan seluruh fakta dari dunia nyata yang ditinjau, dapat digambarkan dengan lebih sistematis.
Notasi-notasi simbolik di dalam ERD yang dapat digunakan adalah : [16] 1. Persegi panjang, menyatakan Himpunan Entitas.
2. Lingkaran/Elips, menyatakan Atribut (Atribut yang berfungsi sebagai key digaris bawahi)
3. Belah ketupat, menyatakan himpunan relasi.
4. Garis, sebagai pengubung antara himpunan relasi dengan himpunan entitas dan himpunan entitas dengan atributnya.
5. Kardinalitasi Relasi dapat dinyatakan dengan banyaknya garis cabang atau dengan pemakaian angka (1 dan 1 untuk relasi satu-ke-satu, dan N untuk relasi satu-ke-banyak atau N dan N relasi banyak-ke-banyak).
2.5.2. Flowmap
Flowmap atau diagram alir dokumen adalah bagan yang menunjukkan arus
pekerjaan secara keseluruhan dari sistem. Bagian ini menjelaskan urutan-urutan dari prosedur-prosedur yang ada dalam sistem, bagan alir sistem menunjukkan apa yang dikerjakan sistem. [16]
2.5.3. Diagram Konteks
diagram konteks hanya ada satu proses dan tidak boleh ada store dalam diagram konteks. [16]
2.5.4. Data Flow Diagram (DFD)
Diagram yang menggambarkan proses dari data flow diagram. Data flow diagram atau yang sering disebut DFD memberikan pandangan secara menyeluruh mengenai sistem yang ditangani, menunjukan fungsi-fungsi utama atau proses yang ada, aliran data, external entity. DFD adalah diagram yang menguraikan proses apa yang ada dalam diagram konteks. [17]
2.5.5. Kamus Data
Kamus data berfungsi membantu pelaku sistem untuk mengartikan aplikasi secara detail dan mengorganisasi semua elemen data yang digunakan dalam sistem secara persis sehingga pemakai dan penganalisa sistem memounyai dasar pengertian yang sama tentang masukan, keluaran, penyimpanan dan proses. Kamus data sering disebut juga dengan sistem data dictionary adalah katalog fakta tentang data dan kebutuhan-kebutuhan informasi dari suatu sistem informasi. Atribut yang berfungsi sebagai key juga dibedakan dengan yang bukan key dengan menggarisbawahi atribut tersebut. [17]
2.6. Pengujian
2.6.1. BlackBox
Pengujian yang mengabaikan mekanisme internal sistem atau komponen dan fokus semata-mata pada output yang dihasilkan yang merespon input yang dipilih dan kondisi eksekusi. Pengujian yang dilakukan untuk mengevaluasi pemenuhan sistem atau komponen dengan kebutuhan fungsional tertentu. [18] Tujuan Black Box adalah menemukan:
1. Fungsi yang tidak benar atau hilang 2. Kesalahan interface
3. Error pada struktur data atau akses database external 4. Error pada kinerja
5. Error pada saat inisialisasi dan terminasi
7. Batasan dari suatu data
2.6.2. Pengujian Confusion matriks
Confusion matriks adalah sebuah matriks yang memberikan gambaran mengenai tingkat kesalahan atau eror rate dan kualitas prediksi sebuah model. Ukuran dimensi confusion matriks adalah L x L yang dimana L merupakan jumlah nilai yang ingin dibandingkan [19]. Pengujian ini digunakan untuk mengetahui hasil pengenalan pola tanda tangan yang sudah ditentukan oleh grafolog (asli) dengan hasil pengenalan pola tanda tangan yang dilakukan oleh LVQ (sistem).
Pengenalan pola tanda tangan (Sistem)
Benar Salah
Pengenalan pola tanda tangan (Asli)
Benar a b
Salah c d
Setiap kolom dari confusion matrix mewakili contoh di kelas yang dilakukan oleh sistem, sedangkan setiap baris mewakili contoh di kelas yang sudah ditentukan hasilnya (asli). Setelah dietahui nilai a, b, c dan d maka selanjutnya akan dilakukan penghitungan nilai akurasinya. Rumus untuk mencari akurasinya adalah sebagai berikut :
35 3.1.Analisis Sistem
Analisis sistem merupakan proses penguraian suatu sistem informasi ke dalam komponen-komponen yang lebih sederhana yang bertujuan untuk mengidentifikasi serta mengevaluasi masalah-masalah dan hambatan-hambatan yang mungkin terjadi serta kebutuhan-kebutuhan yang diharapkan menjadi acuan yang dapat mengarah kepada solusi yang terbaik. Pada analisis sistem akan dijelaskan beberapa macam analisis yang berhubungan dengan simulasi yang akan dibangun seperti analisis masalah, analisis penggunaan, analisis algoritma yang digunakan, analisis kebutuhan fungsional dan non fungsional.
3.1.1. Analisis Masalah
Berdasarkan dari identifikasi masalah yang sudah didapat, maka pada sub bab ini akan dijabarkan secara lebih terperinci tentang masalah yang ditemukan dalam penelitian ini. Berikut masalah yang ditemukan:
1. Dalam dunia grafologi banyak cara untuk mengenali karakter orang melalui goresan-goresan tangan seseorang, seperti dari pola tanda tangan, jarak antar huruf, kemiringan huruf dan sebagainya. Salah satu fitur yang akan digunakan dalam penelitian adalah pengenalan tulisan tangan berdasarkan tanda tangan.
3.1.2. Analisis Simulasi
Simulasi pengenalan pola tanda tangan adalah simulasi pengenalan pola dari tanda tangan yang menghasilkan karakter seseorang. Simulasi ini bekerja dengan cara menganalisis citra dari hasil scanning tanda tangan.
Simulasi ini mengimplementasikan algoritma Learning Vector Quantization untuk mendapatkan data latihan yang nantinya akan dibandingkan dengan hasil dari analisis simulasi.
3.2.Analisis Penyelesaian Masalah
Dalam menyelesaikan permasalah ini, maka simulasi ini dibangun. Simulasi ini bekerja dengan cara mengscanning kertas A4 yang berisi tanda tangan dan menghasilkan citra dengan format JPG atau JPEG atau PNG yang akan diolah dan menghasilkan karakter orang berdasarkan dari analisis pola tanda tangan yang terdapat dalam simulasi. Karakter orang berdasarkan ciri pola tanda tangan yang dimilikinya dapat dilihat pada tabel 3.1
Tabel 3.1 Deskripsi dua fitur dari pola tanda tangan [1]
No Fitur Ciri Kepribadian
1 Lengkung Lengkung
Mundur
Nyaman akan masa lalu
Lengkung Tajam
Mampu memformulasi pikiran secara tajam
Lengkung Lembut
Hati-hati, ramah, diplomasi
2 Coretan Akhir Menaik Terbuka, pandangan ke depan, keinginan maju, percaya diri
3.2.1. Analisis Data Masukan
Data masukan yang dibutuhkan untuk simulasi ini adalah sebuah citra. Citra yang didapat berasal dari hasil scanning tanda tangan. Citra yang digunakan untuk simulasi ini berformat ‘.jpg’ atau ‘.jpeg’ atau juga ‘.png’.
3.2.2. Analisis Proses
Secara umum simulasi ini memiliki beberapa proses dalam melakukan analisis terhadap citra yang diinputkan kedalam simulasi. Setiap proses memiliki peran masing-masing untuk dapat mengenali citra yang diinputkan. Proses-proses tersebut dapat dilihat pada gambar 3.1 :
Gambar 3.1 Proses-proses yang terjadi pada simulasi
3.2.2.1.Scaling
Scaling adalah proses mengubah ukuran citra agar seluruh citra yang digunakan
memiliki ukuran yang sama. Pada proses ini ukuran citra akan diubah menjari ukuran 50 x 100 pixel. Pada matlab fungsi ini diimplementasikan dengan sintak
x=imread(filename);
y1=imresize(x,[50 100]);
3.2.2.2.Grayscale
Proses grayscale adalah mengolah citra normal (RGB) menjadi citra abu-abu. Untuk menjalankan proses perubahan citra dapat menggunakan persamaan sebagai berikut:
Cara kerja dari proses ini yaitu:
1. Pada citra akan diambil nilai Red, Green dan Blue untuk dimasukan dalam persamaan diatas.
2. Setelah didapat dan dimasukan dalam persamaan diatas maka akan diperoleh nilai grayscale.
3. Nilai grayscale yang didapat akan menggantikan nilai RGB pada setiap pixel. Hasil dari proses diatas dapat dilihat pada gambar 3.2.
Gambar 3.2 Gambar seterlah proses grayscale
Pada matlab fungsi ini diimplementasikan dengan sintak
gray=rgb2gray(y1);
3.2.2.3.Proses Edge Detection
Pada proses ini citra dari proses grayscale akan dideteksi tepinya dan akan menghasilkan nilai biner. Metode edge detection yang digunakan adalah metode Canny. Alur kerja dari proses ini yaitu:
a. Citra grayscale diambil untuk proses deteksi
b. Citra yang dianggap tepi dirubah nilainya menjadi nilai biner
c. Setelah semua tepi selesai dideteksi, setiap pixel disusun kembali sehingga menjadi citra semula.
Hasil dari proses diatas dapat dilihat pada gambar 3.3.
Pada matlab fungsi ini diimplementasikan dengan sintak
ed=edge(gray,'canny',0.06);
3.2.2.4.Segmentation
Pada proses ini citra dari proses edge detection akan dipotong menjadi dua area yaitu area kanan dan kiri. Proses segmentasi ini bertujuan untuk memperoleh citra dengan fitur Lengkung pada sisi kiri dan citra dengan fitur coretan akhir pada sisi kana. Alur kerja dari proses ini yaitu:
a. Citra hasil grayscale dibaca nilai width.
b. Pemotongan citra dilakukan dengan kordinat (0 0 50 20) untuk sisi kiri dan (0 81 50 100) untuk sisi kanan.
Hasil dari proses diatas dapat dilihat pada gambar 3.4.
Citra Asli Sisi Kiri Sisi Kanan
Gambar 3.4 Citra Asli, Sisi Kiri, Sisi Kanan
Pada matlab fungsi ini diimplementasikan dengan sintak
crp1 = imcrop(x1,[0 0 20 50]);
crp2 = imcrop(x1,[81 0 100 50]);
crp1 untuk segmentasi bagian kiri dan crp2 untuk segmentasi bagian kanan.
3.2.2.5.Proses Pembelajaran Algoritma Learning Vector Quantization
a. Setiap kelas (kelas 1 untuk lengkung mundur, kelas 2 untuk lengkung tajam dan kelas 3 untuk lengkung lembut) diambil salah satu array vektornya dan dijadikan sebagai inisialisasi bobot. Sedangkan array lainnya menjadi data masukan. Penjabaran tersebut dapat dilihat pada tabel 3.2.
Tabel 3.2 Inisialisasi Bobot dan Data Masukan Proses Pembelajaran LVQ
b. Tentukan nilai maksimum perulangan, eror minimum, rasio pembelajaran dan pengurangan rasio. Pada contoh ini digunakan batasan sebagai berikut [19]: Maksimum perulangan = 100
Eror minimum = 0,01
Rasio pembelajaran = 0,05
Pengurangan rasio = 0,1
c. Perhitungan d sampai f dilakukan selama perulangan masih lebih kecil dari maksimum perulangan atau rasio pembelajaran masih lebih besar dari eror minimum.
d. Untuk setiap data masukan (X) dihitung terhadap setiap data bobot (W) dengan menggunakan persamaan (2.11) dengan variable:
j = [1,2,3] n = 828
Sehingga persamaan (2.11) menjadi � = √∑8 8 � − �
�= = √ − + − + ⋯ + − = ,
Lakukan hal yang sama hingga j = 3. Hasil dari perhitungan diatas dapat dilihat pada tabel 3.3 berikut ini :
Tabel 3.3 Tabel hasil perhitungan vektor
Vektor Nilai
� 13,6748
� 12,8452
� 13,7113
Dari hasil perhitungan, didapat bahwa bobot terkecil dimiliki oleh C2
e. Dilihat jarak (C) terkecil yang diperoleh pada perhitungan terhadap X1.
Kemudian diperiksa apakah target X1 sesuai dengan kelas bobot dengan jarak
terkecil. Hasil dari perhitungan diatas menunjukan bahwa jarak terkecil ada pada bobot ke-2. Target X1 adalah kelas 3 dan kelas bobot ke-2 juga kelas 2,
hal ini berarti target tidak sesuai dengan hasil perhitungan.
kelas target tidak sesuai kelas bobot. Dalam contoh perhitungan ini, hasil dari perhitungan kelas target tidak sesuai dengan kelas bobot dengan jarak terkecil, sehingga perhitungannya adalah sebagai berikut:
W1.1 = 0 - 0,05 * (0 – 0) = 0
W1.2 = 0 - 0,05 * (0 – 0) = 0
W1.3 = 0 - 0,05 * (0 – 0) = 0
...
W1.828 = 0 + 0,05 * (0 – 0) = 0
g. Langkah d sampai f dikerjakan terhadap semua masukan (X), setelah selesai dilakukan perhitungan perubahan nilai rasio dengan persamaan (2.14).
rasio = 0,05 – 0,1 * 0,05 = 0,045
h. Perhitungan diulang hingga perulangan berhenti dan mendapatkan matriks nilai bobot terakhir. Pada contoh ini perulangan berhenti pada perulangan ke-15 dengan hasil akhir bobot yang dapat dilihat pada lampiran D.
3.2.2.6.Proses Pengenalan Algoritma Learning Vector Quantization
Gambar 3.6 Flowchart Proses Pengenalan LVQ
1. Data test dihitung terhadap setiap data bobot (W) dengan dengan menggunakan persamaan (2.11)
j = [1,2,3] n = 828
Sehingga persamaan (2.11) menjadi � = √∑8 8 � − �
�= = √ − + − + ⋯ + − = ,
Tabel 3.4 Tabel hasil perhitungan vektor
Vektor Nilai
� 13,6748
� 13,4360
� 12.3177
Dari hasil perhitungan, didapat bahwa bobot terkecit dimiliki oleh C3
2. Dilihat jarak (C) terkecil yang diperoleh pada perhitungan terhadap test. Kelas bobot yang memiliki jarak terkecil menjadi hasil dari proses pengenalan. Dalam perhitungan di atas menghasilkan jarak terkecil ada pada bobot ke-3 (W3) dan W3 merupakan kelas 3, sehingga data test memiliki fitur lengkung
lembut. Jadi data test sudah cocok dari data pembelajaran.
3.3.Analisis Kebutuhan Non Fungsional
Analisis kebutuhan non fungsional dilakukan untuk menentukan spesifikasi kebutuhan dari simulasi yang akan dibangun. Spesifikasi tersebut akan berisi hal-hal yang harus ada pada simulasi yang akan diimplementasikan.
3.3.1. Analisis Kebutuhan Perangkat Lunak
Analisis perangkat lunak dalam pembuatan simulasi ini dilakukan agar dapat mengoptimalkan implementasi dari simulasi yang akan dibuat. Berdasarkan hasil perkiraan, spesifikasi perangkat lunak yang direkomendasikan untuk mengoperasikan simulasi ini adalah sebagai berikut :
1. Sistem operasi Windows 7 Professional 64bit.
2. MATLAB R2013b (sudah terinstall image processing toolbox & neural network toolbox).
3.3.2. Analisis Kebutuhan Perangkat Keras
keras yang direkomendasikan untuk mengoprasikan simulasi ini adalah sebagai berikut :
1. Processor Intel Core I3 2.3GHz. 2. Memory 2GB DDR3.
3. Input keyboard dan Mouse.
4. Monitor 14.0” dengan resolusi 1366 x 768.
3.3.3. Analisis Pengguna
Untuk menjalankan simulasi yang dibangun dibutuhkan spesifikasi dari pengguna agar dapat menjalankan fungsi-fungsi yang terdapat pada simulasi. Hanya terdapat satu jenis pengguna yang dibutuhkan yaitu penguji. Adapun kemampuan pengguna yang dibutuhkan untuk menjalankan simulasi adalah sebagai berikut :
1. Dapat mengoperasikan komputer. 2. Dapat mengoperasikan Matlab.
3.4.Analisis Kebutuhan Fungsional
Analisis kebutuhan fungsional dilakukan untuk mengetahui spesifikasi kebutuhan fungsional. Spesifikasi kebutuhan fungsional adalah spesifikasi yang rinci terhadap hal-hal yang akan dilakukan pada saat implementasi sistem. Berikut ini adalah kebutuhan fungsional sistem :
1. Context Diagram
2. Data Flow Diagram (DFD) 3. Process Spesification (PSPEC)
3.4.1. Context Diagram
dari proses ke proses lain dan dari proses ke luaran (output) menjadi sebuah informasi yang terpadu.
Untuk memudahkan dalam penggembangan sistem maka terlebih dahulu dibuat diagram konteks terhadap sistem yang akan dibangun. Pada gambar 3.7 berikut ini adalah ilustrasi diagram konteks dari simulasi yang dibangun.
Gambar 3.7 Diagram Konteks
3.4.2. Data Flow Diagram (DFD)
Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang
dibuat untuk menggambarkan dari mana asal data dan kemana tujuan data yang keluar dari sistem, dimana data disimpan, proses apa saja yang menghasilkan data tersebut dan interaksi antar data yang tersimpan dan proses yang dikenakan pada data tersebut.
3.4.2.1.Data Flow Diagram Level 1
3.4.2.2.Data Flow Diagram Level 2
Gambar 3.9 DFD Level 2 Inisialisasi Bobot
3.4.3. Process Spesification (PSPEC)
Pada tabel 3.6 berikut ini dijabarkan proses-proses pada simulasi yang dibangun. Tabel 3.5 Proses Spesification
No Proses Keterangan
1 No. Proses 1.0
Nama Proses Inisialisasi Bobot
Source Pengguna
Input Citra tanda tangan
Output Informasi citra, citra tanda tangan(biner) Logika Proses 1. Pengguna memasukan citra tanda tangan.
2. Sistem merubah data citra menjadi data biner untuk dimasukan pada nilai bobot
3. Sistem akan menampilkan bagian citra yang dijadikan data bobot.
2 No. Proses 2.0 Nama Proses Latih
Source Pengguna
Input Citra latih, bobot citra latih
Output Informasi citra, informasi proses latih, bobot citra latih
Logika Proses 1. Pengguna memasukan citra tanda tangan.
2. Pengguna memasukan nilai rasio pembelajaran, pengurangan rasio pembelajaran, minimum error, maksimum perulangan dan kelas data masukan. 3. Bobot citra latih menjadi bobot pembanding pada
proses latih.
4. Sistem akan menghitung vektor tiap kelas.
5. Periksa vektor bobot terkecil apakah memiliki kelas yang sama dengan data masukan? Jika sama dekatkan nilai data bobot latih dengan nilai data input, jika tidak jauhkan nilai data bobot latih dengan nilai data input.
7. Apakah sudah mencapai batas perulangan? Jika sudah berhenti, jika tidak kembali ke nomer 4. 8. Sistem akan menyimpan data bobot latih yang
baru.
3 No. Proses 3.0
Nama Proses Uji
Source Pengguna
Input Citra uji, bobot citra latih
Output Informasi citra, informasi proses uji
Logika Proses 1.Pengguna memasukan citra tanda tangan. 2.Bobot latih dijadikan bobot pembanding.
3.Sitem akan mencari vektor terkecil dari setiap data bobot pembanding
4.Sistem akan menampilkan info karakter kepribadian.
4 No. Proses 1.1
Nama Proses Buka Cittra
Source Pengguna
Input Citra tanda tangan Output Citra preprocessing
Logika Proses 1.Pengguna memasukan citra tanda tangan
2.Sistem akan melakukan proses scaling, grayscale, edge detection dan segmentasi
3.Sistem akan mengirim data citra preprocessing ke proses inisialisasi.
5 No. Proses 1.2
Nama Proses Inisialisasi
Source Proses 1.1 Buka CItra Input Citra preprocessing
Output Informasi Citra, Data Bobot
2.Matriks yang ada disimpan untuk menjadi data bobot.
6 No. Proses 2.1
Nama Proses Buka Cittra
Source Pengguna
Input Citra tanda tangan Output Citra preprocessing
Logika Proses 1.Pengguna memasukan citra tanda tangan
2.Sistem akan melakukan proses scaling, grayscale, edge detection dan segmentasi
3.Sistem akan mengirim data citra preprocessing ke proses pelatihan.
7 No. Proses 2.2 Nama Proses Pelatihan
Source Proses 2.1 Buka Cira, Pengguna
Input Citra preprocessing, Bobot Citra Latih, Parameter Latih
Output Informasi Citra, Informasi Proses Latih, Bobot Citra Latih Baru
Logika Proses 1.Nilai biner pada citra preprocessing disimpan pada matriks.
2.Sistem menampilkan informasi citra. 3.Pengguna memasukan nilai parameter latih. 4.Sistem membaca data bobot citra latih.
5.Matriks yang ada disimpan untuk menjadi data latih
6.Sistem menghitung vektor dari nilai data bobot latih dengan data latih.
7.Sistem mengubah bobot citra latih.
8 No. Proses 3.1
Nama Proses Buka Cittra
Source Pengguna
Input Citra tanda tangan Output Citra preprocessing
Logika Proses 1.Pengguna memasukan citra tanda tangan
2.Sistem akan melakukan proses scaling, grayscale, edge detection dan segmentasi
3.Sistem akan mengirim data citra preprocessing ke proses pengujian.
9 No. Proses 3.3 Nama Proses Pengujian
Source Proses 3.1 Buka Citra Input Citra preprocessing
Output Informasi Citra, Informasi Karakter
Logika Proses 1.Nilai biner pada citra preprocessing disimpan pada matriks.
2.Matriks yang ada disimpan untuk menjadi data uji 3.Sistem menampilkan informasi citra.
4.Sistem membaca data bobot citra latih
5..Sistem menghitung vektor dari nilai data bobot latih dengan data uji.
6.Sistem menampilkan informasi kepribadian
3.5.Perancangan Antarmuka
3.5.1. Perancangan Antarmuka Simulasi
Gambar 3.12 Rancangan Antar Muka Halaman Utama
Gambar 3.14 Rancangan Antar Muka Halaman Latih
Gambar 3.16 Rancangan Antar Muka Halaman Bantuan
Gambar 3.17 Rancangan Antar Muka Pesan Gagal Pilih Citra Di Halaman Inisialisasi Bobot
Gambar 3.18 Rancangan Antar Muka Pesan Gagal Pilih Citra Di Halaman Latih
Gambar 3.20 Rancangan Antar Muka Pesan Bobot Selesai Dibuat
3.5.2. Jaringan Semantik
Jaringan semantik merupakan alat efektif untuk merepresentasikan pemetaan data yang bertujuan mencegah terjadinya duplikasi data. Ilustrasinya dapat dilihat pada gambar 3.14.
Gambar 3.21 Jaringan Semantik
Keterangan
T01 : Antar muka halaman utama
T02 : Antar muka halaman inisialisasi bobot T03 : Antar muka halaman latih
T04 : Antar muka halaman uji T05 : Antar muka halaman bantuan
M03 : Pesan citra belum dipilih di halaman uji M04 : Bobot selesai dibuat
3.5.3. Perancangan Prosedural
Perancangan prosedural digambarkan dalam bentuk flowchart. Flowchart merupakan suatu cara untuk menunjukan alir (flow) didalam program atau prosedur sistem secara logika. Ilustrasi flowchart prosedur-prosedur yang terdapat pada simulasi dapat dilihat pada gambar 3.19 sampai gambar 3.21.
1. Prosedur Inisialisasi Bobot
2. Prosedur Pelatihan LVQ
Gambar 3.23 Prosedur Pelatihan LVQ
67
IMPLEMENTASI DAN PENGUJINAN SISTEM
4.1.Implementasi Sistem
Tahap implementasi sistem merupakan tahap pembuatan simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian dari kelanjutan tahap perancangan sistem. Pada tahap ini menterjemahkan perancangan yang ada kedalam bahasa yang dapat dimengerti oleh mesin serta penerapan simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian pada keadaan yang sesungguhnya.
4.1.1. Implementasi Perangkat Keras
Perangkat keras (hardware) yang digunakan dalam simulator yang dibangun dapat dilihat pada tabel 4.1 berikut ini :
Tabel 4.1 Implementasi Perangkat Keras
Processor Intel Core i3-2348M
VGA Intel HD Graphics 3000
Memory 2 GB DDR3
Input Device Keyboard, Mouse & Scanner
Monitor 14.0” HD LED LCD
4.1.2. Implementasi Perangkat Lunak
Tabel 4.2 Implementasi Perangkat Lunak
Sistem Operasi Windows 7 64bit
Compiler Matlab R2014b
Sistem operasi dan compiler pada tabel 4.2 harus sudah terinstal di komputer agar simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian yang dibuat dapat dijalankan pada komputer tersebut.
4.1.3. Implementasi Antarmuka
Antarmuka yang diterapkan dalam sistem yang dibangun adalah sebagai berikut :
4.1.3.1.Halaman Utama
Antarmuka halaman utama berfungsi untuk mengakses halaman-halaman lain yang ada pada simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian. Konfigurasi antar muka halaman utama disimpan pada file HalamanUtama.fig. Pada gambar 4.1 berikut ini merupakan implementasi dari antarmuka halaman utama.
4.1.3.2.Inisialisasi Bobot
Antarmuka inisialisasi bobot berfungsi untuk penentuan nilai bobot awal sebelum memasuki halaman latih dan uji. Konfigurasi antarmuka inisialisasi bobot disimpan pada file Inisial.fig. Pada gambar 4.2 berikut ini merupakan implementasi dari antarmuka inisialisasi bobot.
Gambar 4.2 Implementasi Halaman Inisialisasi Bobot
4.1.3.3.Latih
Gambar 4.3 Implementasi Halaman Pelatihan
4.1.3.4.Uji
Antarmuka uji berfungsi untuk memeriksa nilai vektor terkecil dari hasil operasi matematika antara nilai bobot dengan data uji. Konfigurasi antarmuka uji disimpan pada file Uji.fig. Pada gambar 4.4 berikut ini merupakan implementasi dari antarmuka uji.
Gambar 4.4 Implementasi Halaman Pengujian
4.1.3.5.Bantuan
Gambar 4.5 Implementasi Halaman Bantuan
4.1.3.6.Pesan
Antarmuka pesan berfungsi untuk menampilkan pesan error atau berhasil pada proses pemilihan citra tanda tangan. Konfigurasi antarmuka pesan dikonfigurasikan pada halaman inisialisasi bobot, latih dan uji. Pada gambar 4.6 sampai 4.9 berikut ini merupakan implementasi dari antarmuka pesan.
Gambar 4.6 Pesan Error Pilih Citra Di Halaman Inisialisasi Bobot
Gambar 4.8 Pesan Error Pilih Citra Di Halaman Uji
Gambar 4.9 Pesan Berhasil Membuat Bobot Di Halaman Inisialisasi Bobot
4.2.Pengujian Sistem
Pengujian sistem merupakan tahapan yang bertujuan untuk menemukan kesalahan-kesalahan atau kekurangan-kekurangan pada simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian yang diuji. Pengujian bertujuan untuk mengetahui apakah simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian yang dibangun sudah memenuhi kriteria yang sesuai dengan tujuan perancangan perangkat lunak.
4.2.1. Rencana Pengujian Black Box
4.2.2. Skenario Pengujian Black Box
Pada bagian skenario pengujian akan dilakukan uji terhadap simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian. Pada tabel 4.3 berikut ini merupakan skenario pengujian black box yang akan dilakukan.
Tabel 4.3 Skenario Pengujian
No Fungsi Point Pengujian Jenis Pengujian
1. Buka sample citra
terkecil dari setiap
4.2.3. Hasil Pengujian Black Box
Berdasarkan skenario pengujian Black Box maka dapat dilakukan pengujian Black Box pada simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian sebagai berikut.
1. Buka Sample Citra
Pengujian buka sample citra dilakukan dengan dua tipe pengujian, dengan data masukan yang benar dan data masukan yang tidak sesuai atau salah.
Tabel 4.4 Pengujian Buka Sample Citra
Kasus dan Hasil Uji (Data Benar)
Citra yang dipilih
Kasus dan Hasil Uji (Data Salah)
Data Masukan Hasil yang tidak dijadikan data bobot. masukan yang benar dan data masukan yang tidak sesuai atau salah.
Tabel 4.5 Pengujian Buka Ctra
Data Masukan Hasil yang
Kasus dan Hasil Uji (Data Salah)
detection dan segmentation
3. Latih
Pengujian latih dilakukan dengan dua tipe pengujian, dengan data masukan yang benar dan data masukan yang tidak sesuai atau salah.
Tabel 4.6 Pengujian Latih
Kasus dan Hasil Uji (Data Benar)
Data Masukan Hasil yang
Error Minimum = 0,001 Menampilkan hasil latih
Proses latih berhasil
Diterima
scale, edge detection dan segmentation
Kasus dan Hasil Uji (Data Salah)
Data Masukan Hasil yang
Rasio Pembelajaran = ‘a’ Tidak menampilkan hasil latih
Error Minimum = null Tidak menampilkan hasil latih
Proses latih gagal
Diterima
Error Minimum = ‘v’ Tidak menampilkan hasil latih
Proses latih gagal
Diterima
Maksimum Epoh = null Tidak menampilkan hasil latih
Proses latih gagal
Diterima
Citra tanda tangan
Pengujian uji dilakukan dengan dua tipe pengujian, dengan data masukan yang benar dan data masukan yang tidak sesuai atau salah.
Tabel 4.7 Pengujian Uji
Kasus dan Hasil Uji (Data Benar)
Citra yang dipilih
Kasus dan Hasil Uji (Data Salah)
Data Masukan Hasil yang
4.2.4. Kesimpulan Pengujian Black Box
kebutuhan yang diperlukan pada simulator sudah terpenuhi dengan baik. Akan tetapi fungsional yang memerlukan data citra mengalami kesalahan sehingga memerlukan proses evaluasi lebih lanjut.
4.2.5. Pengujian Akurasi
Pada pengujian akurasi akan dihitung nilai akurasi dari simulasi pengenalan pola tanda tangan dalam mengidentifikasi kepribadian dengan parameter masukan yang berbeda-beda terhadap 32 data citra uji. Pada tabel 4.8 berikut ini merupakan kombinasi parameter yang akan digunakan.
Tabel 4.8 Kombinasi Parameter
Kombinasi Rasio
4.2.5.1.Hasil Pengujian Akurasi Kombinasi 1
Pengujian akurasi 1 dilakukan dengan menggunakan kombinasi parameter masukan sebagai berikut:
a. Learning Rate (α) : 0.005 b. Pengurangan rasio : 0.03 c. Error Minimum : 0.0002 d. Maksimum Epoh : 500
Berdasarkan pengujian yang dilakukan kepada simulasi dengan parameter tersebut dan menggunakan 32 data uji (sample uji dapat dilihat pada lampiran C) dapat dilihat pada tabel 4.9 berikut:
Tabel 4.9 Hasil Pengujian Akursai Kombinasi 1
29 104.png Tajam Y Turun T
30 107.png Tajam T Turun T
31 109.png Tajam Y Turun Y
32 110.png Tajam Y Turun Y
Berikut adalah akurasi yang dihasilkan dari proses pengujian akurasi kombinasi 1 menggunakan:
�� � � �� �� � = × % = , %
�� � � � � � ��ℎ� = × % = , %
4.2.5.2.Hasil Pengujian Akurasi Kombinasi 2
Pengujian akurasi 1 dilakukan dengan menggunakan kombinasi parameter masukan sebagai berikut:
e. Learning Rate (α) : 0.001 f. Pengurangan rasio : 0.04 g. Error Minimum : 0.0002 h. Maksimum Epoh : 1000
Berdasarkan pengujian yang dilakukan kepada simulasi dengan parameter tersebut dan menggunakan 32 data uji (sample uji dapat dilihat pada lampiran C) dapat dilihat pada tabel 4.10 berikut:
Tabel 4.10 Hasil Pengujian Akursai Kombinasi 2
![Tabel 3.1 Deskripsi dua fitur dari pola tanda tangan [1]](https://thumb-ap.123doks.com/thumbv2/123dok/1370602.799130/37.595.86.485.417.652/tabel-deskripsi-dua-fitur-dari-pola-tanda-tangan.webp)
