PEMBELAJARAN ALGORITMA
LEVENBERG MARQUARDT
PADA PENDETEKSIAN KEPRIBADIAN BERDASAR TULISAN
TANGAN
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana Program Strata Satu Jurusan Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia
AULIA KHAIRUNISA BERKAH T
10110384
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
BANDUNG
iii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas berkat rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul :
“PEMBELAJARAN ALGORITMA LEVENBERG MARQUARDT PADA
PENDETEKSIAN KEPRIBADIAN BERDASAR TULISAN TANGAN”.
Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir program STRATA I Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan terselesaikannya Tugas Akhir ini, Penulis ungkapkan rasa syukur yang tiada terhingga kepada Allah SWT. dan Penulis mengucapkan terimakasih kepada :
1. Allah SWT yang dengan limpahan Kasih dan Karunia-Nya penulis dapat menyelesaikan skripsi ini.
2. Kepada ibunda Rosmita T yang saya hormati dan saya cintai yang telah dengan sabar memberikan kepada Penulis dukungan dan motivasi untuk menyelesaikan laporan Tugas Akhir ini dan kepada Ayahanda Tamerlan Tores T(Alm) terima kasih telah mejadi ayah yang inspiratif, semoga segala amal ibadahnya di terima oleh Allah dan di ampuni dosa – dosanya serta diterima iman islamnya Aamiin.
3. Ibu Utami Dewi W,S.Kom.,M.Kom. selaku dosen pembimbing yang telah menyediakan waktunya dan memberikan banyak masukan kepada penulis. 4. Ibu Nelly Indriani Widiastuti,S.Si.,M.T. selaku reviewer menyediakan
waktunya dan memberikan banyak masukan kepada penulis.
5. Bapak Erick Wijaya S.Kom selaku penguji 3 yang telah memberikan banyak masukan kepada penulis.
6. Ibu Sufaatin S.T.,M.Kom. selaku dosen wali membimbing penulis selama awal perkuliahan sampai dengan menyelesaikan .
iv
8. Bapak Irawan Afrianto,S.T.,M.T. selaku Ketua Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.
9. Bapak Prof. Dr. H. Denny Kurniadie, Ir., M.Sc. selaku Dekan Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.
10.Kakak saya, Ermina Hidayanti, Iwan Awaludin, Noviatry Rahmani dan Yuhanas yang saya sayangi yang telah banyak membantu dan memberikan saya motivasi untuk menyelesaikan tugas akhir ini.
11.Rekan-rekan seperjuangan IF-09 angkatan 2010 yang selalu memberikan semangat dan motivasi kepada penulis.
12.Rekan-rekan satu bimbingan Ibu Utami, rekan-rekan reviewer ibu Nelly. 13.Kepada sahabah de’Qualentie, dan the parts, yang telah dengan sabar
membantu dan mendukung penulis dalam menyelesaikan skripsi ini. 14.Kepada Rasyida, Mahdi, Rekan – rekan Pengajar Sekolah Rabbani, Rekan
– rekan Pembinaan Anak – Anak Salman ITB (PAS ITB), rekan seperjuangan BALITBANG PAS ITB, Rekan Divisi eSDe PAS ITB, yang telah banyak membantu dalam memberikan motifasi kepada penuilis 15.Pihak-pihak yang telah membantu yang tidak dapat disebutkan satu
persatu.
Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para pembaca.
Bandung, 18 Februari 2015
v
DAFTAR ISI
ABSTRAK ... i
ABSTACT ... ii
Kata Pengantar ... iii
DAFTAR ISI ... v
DAFTAR GAMBAR ... viii
DAFTAR TABEL ... ix
DAFTAR SIMBOL ... x
DAFTAR LAMPIRAN ... xi
BAB 1 PPENDAHULUAN ... 1
1.1.Latar Belakang ... 1
1.2.Rumusan Masalah ... 2
1.3.Maksud dan Tujuan ... 3
1.4.Batasan Masalah ... 3
1.5.Metodologi Penelitian ... 3
1.6.Sistematika Penulisan ... 4
BAB 2 LANDASAN TEORI ... 7
2.1.Pengertian Pembelajaran ... 7
2.2.Pengertian Algoritma ... 7
2.3.Kecerdasan Buatan ... 8
2.3.1.Pengertian Jaringan Saraf ... 8
2.3.2.Arsitektur Jaringan Saraf ... 9
2.3.3.Metode Algoritma Levenberg Marquardt Backpropagation ... 11
2.4.Definisi Kepribadian dan Deteksi Kepribadian ... 18
2.5.Pengertian Tulisan Tangan ... 19
vi
2.5.2. Ilmu Tentang Tulisan Tangan ... 19
2.5.3. Pembacaan Tulisan Tangan ... 19
2.5.4. Hasil Keluaran Tipe Karakter dari Tulisan ... 22
2.6.Proses Preprocessing ... 27
2.6.1.Red Green Blue(RGB) ... 27
2.6.2.Greyscale ... 28
2.6.3.Thresholding ... 31
2.6.3.1. Pendekatan Utama menentukan ambang ... 31
2.6.4. Segmentation ... 35
2.7.Metode Pengujian Blackbox ... 35
2.8.Dekstop... 36
2.9.Matrix Laboratory(MATLAB) ... 36
BAB 3 Analisis Metode ... 39
3.1.Analisis Masalah ... 39
3.2.Alur Pendeteksian ... 40
3.3.Analisis Data Masukan... 41
3.4.Analisis Metode Masukan ... 42
3.4.1.Tahap Preprocessing pada pendeteksian gamba penulisan tangan ... 43
3.4.2.Analisis Metode Levenbergh Marquardt Pada Pendeteksian Tulisan Tangan ... 59
3.5.Analisis Keluaran ... 67
3.6.Analisis Kebutuhan Non Fungsional ... 72
3.6.1.Analisis Perangkat Keras ... 72
3.6.2.Analisis Perangkat Lunak ... 73
3.6.3.Analisis Pengguna ... 73
BAB 4 Implementasi dan Pengujian System ... 75
vii
4.1.1 Implementasi Perangkat Keras ... 75
4.1.2 Implementasi Perangkat Lunak ... 75
4.1.3 Implementasi Data ... 76
4.1.4 Implementasi Fungsi ... 76
4.2 Pengujian Sistem ... 77
4.2.1 Pengujian Blackbox ... 77
4.2.1 Pengujian Akurasi ... 79
BAB 5 Kesimpulan dan Saran ... 81
5.1 Kesimpulan ... 81
5.2 Saran ... 81
83
DAFTAR PUSTAKA
[1] 1959, Arthur Samuel.
[2] Rogers 1987 : 2 , Setiap algoritma klasik, misalnya, bisa dijelaskan dengan sejumlah kata bahasa Inggris yang terbatas
[3] Wikipedia. Kecerdasan Buatan[Internet].Wiki. 17 November 2014, 20.06 GMT+7. Tersedia dari: http://id.wikipedia.org/wiki/Kecerdasan_buatan [4] S. Hayken, Neural Networks: A Comprehensive Foundation, Macmillan
College Publishing Company, 1994.
[5] Wikipedia. Jaringan Saraf Tiruan[Internet].Wiki. 17 November 2014, 20.26 GMT+7. Tersedia dari: http://id.wikipedia.org/wiki/Jaringan_saraf_tiruan [6] Hanif Ibadurrahman, Tjokorda Agung Budi W, Febryanti Sthevanie.
Biometrik Berbasis Telapak Tangan Menggunakan Metode Local Binary Pattern (LBP) dan Propagasi Balik Levenberg Marquardt Bandung: Teknik Informatika, IT Telkom.
[7] Argumen Psikologi, Gordon Allport. Pengembang Tes Kepribadian.
[8] Wikipedia. Pengenalan Tulisan Tangan[Internet].Wiki. 18 November 2014, 07.15 GMT+7. Tersedia dari:
http://id.wikipedia.org/wiki/Pengenalan_tulisan_tangan
[9] Wikipedia. Grafologi[Internet].Wiki. 18 November 2014, 07.20 GMT+7. Tersedia dari: http://id.wikipedia.org/wiki/Grafologi
[10] Wikipedia. Thresholding[Internet].Wiki. 26 Desember 2014, 13.20 GMT+7. Tersedia dari: http:
http://en.wikipedia.org/wiki/Thresholding_%28image_processing%29 [11] amutiara.staff.gunadarma.ac.id/.../Kuliah_7b_BACKPROPAGATION
84
compounding) in language b : the system of word-forming elements and processes in a language;3 a : a study of structure or form b : STRUCTURE, FORM;4 : the external structure of rocks in relation to the development of erosional forms or topographic features;- mor·pho·log·i·cal /"mor-f&-'lä-ji-k&l/ also mor·pho·log·ic /-'lä-jik/ adjective. Main Entry: morph;Function: verb;Etymology: short for metamorphose;Date: 1975;transitive senses : to change the form or character of : TRANSFORM;intransitive sense : to undergo transformation [Merriam-Webster]. Aldiantoro Nugroho, Cininta, Dhini Fitriani, N. Rifka N. Liputo, Yoga Lestyaningrum. Makalah Pengolahan Citra. Image Thinning. Fakultas Ilmu Komputer Universitas Indonesia, November 2003.
[13] Shofiyati Nur Karimah, Pengembangan Prototipe Aplikasi Grafologi Terkomputerisasi Menggunakan Algoritma Jaringan Syaraf Tiruan Propagasi Balik, Sekolah Tinggi Manajemen Informatika Dan Komputer, AMIKOM, Yogyakarta, 2012.
[14] Khabib Mustofa, Aris Sugiharto,S.Si.,M.Kom, Priyo Sidik Sasongko, S.Si., M.Kom, Analisis Pola Kemirngan tulisan tangan untu mengidentifikasi kepribadian seseorangan menggunakan Support Vector Machine(SVM), Jurusan Ilmu Komputer/Informatika FSM Universitas Diponegoro.
[15] Fachrul Kurniawan, Hani Nurhayati, Simulasi Pengenalan Tulisan Menggunakan LVQ (Learning Vector Quantization ), Jurusan Teknik Informatika, Sains dan Teknologi Universitas Islam Negeri (UIN) Maulana Malik Ibrahim Malang.
[16] Martini Ganantowe Bintiri, Rocky Yefrenes Dillak, Identifikasi Iris Mata Menggunakan Jaringan Syaraf Tiruan Levenberg–Marquardt, Jurusan Teknik Sipil, Fakultas Teknik, Universitas Sintuwu Maroso, Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana.
85
[18] Ili Susanti, Sistem Peramalan Kenaikan Permukaan Air Dengan Artificial Neural Networks Backpropagation, Program Studi Informatika Fakultas Teknik Universitas Bengkul, 2014.
[19] http://repository.usu.ac.id/bitstream/123456789/16302/4/Chapter%20II.pdf [20] elisa.ugm.ac.id, Materi Jaringan Saraf Tiruan(Artificial Neural Network). [21] http://download.portalgaruda.org/article.php?article=32982&val=2338 [22] Menurut Sezgin dan Sankur (2004)
1
BAB 1
PENDAHULUAN
1.1. Latar Belakang
Saat ini di indonesia belum banyak orang yang mengenal tentang grafologi, dan manfaatnya. Padahal ketika seorang mengetahui karakter dari tulisannya dapat menjadi salah satu panduan untuk lebih mamaksimalkan kemampuan diri yang dimilikinya, oleh sebab itu sudah ada beberapa aplikasi analisis tulisan tangan menggunakan beberapa algoritma dan metode. Grafologi ini adalah salah satu cabang ilmu di bidang psikologi yang meneliti dan membaca tulisan tangan, dan lebih dikenal luas dengan ilmu menganalisis tulisan tangan.
Tulisan Tangan adalah salah satu media penyampai informasi, dahulu sebelum adanya komputerisasi, semua hal dilakukan dengan menggunakan manual dan dokumen – dokumen penting biasanya ditulis dengan menggunakan tulisan tangan. Selain itu tulisan tangan pun menyimpan banyak informasi tentang sang penulisnya. Karena setiap tulisan tangan terdapat perbedaan baik dari karakter, bentuk, ukuran, kemiringan, bentuk berupa sambung atau cetaknya tulisan dan margin berupa turun atau naiknya baris dari suatu tulisan. Selain itu tidak ada manusia yang memiliki tulisan yang sama persis. Dengan keterangan tersebut, tulisan tangan dapat dimanfaatkan untuk mengetahui kepribadian seseorang dikarenakan tulisan tangan merupakan hasil dari alam sadar dan alam bawah sadar dari seorang manusia. Dari penggabungan semua unsur tulisan tangan, maka dapat dilakukan sebuah analisis kepribadian seseorang sehingga dapat diketahui beberapa garis besar kepribadian yang dimiliki oleh penulis.
2
tersebut. Untuk beberapa aplikasi yang sudah ada, kebanyakan menggunakan 1 atau 2 huruf utama saja sebagai acuan dari membaca karakter tulisan tangan karena beranggapan bahwa karakter tertentu dapat menentukan beberapa komponen utama dari kepribadian seseorang.
Pada aplikasi e-grofotest yang sudah ada menggunakan Jaringan Saraf tiruan Yang menggunakan Metode backpropagation menghasilkan keakurasian sebesar 85% dengan kesalahan rata-rata sebesar 15%, hal tersebut terbukti dalam jurnal yang berjudul Pengembangan Prototipe Aplikasi Grafologi Terkomputerisasi Menggunakan Algoritma Jaringan Syaraf Tiruan Propagasi Balik.[13] Sedang Pada penelitian Levenbergh Marquart belum ada yang dilakukan pada penelitian grafologi. Sehingga dilihat keakurasiannya pada Identifikasi Iris Mata Menggunakan Jaringan Syaraf Tiruan Levenbergh Marquardt keakurasian mencapai 98% yang dibuktikan pada jurnal Identifikasi Iris Mata Menggunakan Jaringan Syaraf Tiruan Levenberg– Marquardt.[16]
Berdasarkan Algoritma yang telah dicoba, rata-rata sudah berjalan cukup baik namun tetap memiliki kekurang, yaitu kemampuan dalam keakuratan pembacaan tulisan tangan dan jumlah iterasi yang banyak dalam setiap proses yang dilakukan. Pada algoritma Levenberg Marquardt, proses pelatihan dipercepat dengan teknik optimasi numerik[17], sehingga memiliki iterasi yang lebih sedikit dibanding dengan metode lainnya[18], walau memiliki jumlah iterasi yang sedikit, keakuratan dari algoritma ini cukup baik, berdasarkan masalah yang terdapat dalam penelitian yang ada maka dibutuhkan analisis yang berjudul “Pembelajaran Algoritma Levenberg Marquardt Pada Pendeteksian Kepribadian Berdasar Tulisan Tangan”
1.2. Rumusan Masalah
3
1.3. Maksud dan Tujuan
Adapun maksud dari penelitian yang akan dilakukan adalah mengetahui ketelitian dan keakuratan dari Algoritma Levenberg Marquardt terhadap pendeteksian kepribadian yang berdasarkan tulisan tangan.
Adapun tujuan yang akan dicapai dari penelitian ini adalah mbahwa Algoritma Levenberg Marquardt dapat mengklasifikasikan data huruf, pada pendeteksian kepribadian yang berdasarkan tulisan tangan.
1.4. Batasan Masalah
Dalam pembangunan aplikasi ini, penulis menentukan beberapa batasan masalah, yaitu sebgai berikut :
1. Masukan (Input) berupa citra tulisan tangan baik cetak atau sambung. 2. Citra yang dijadikan input dapat berupa format .jpeg, .bmp, .png.
3. Analisis karakter yang dilakukan, pada tulisan sambung atau cetak, serta pada huruf I,d,i,t.
4. Input huruf berupa huruf tunggal dari I,d,i,t.
5. Hidden layer di inputkan secara manual oleh pengguna dengan skala 1-21, dengan rentang angka 3.
6. Hasil keluaran berupa penjelasan dari karakter tulisan secara garis besar berdasarkan ilmu grafologi yang diambil dari buku “Dasar – Dasar Lengkap
Analisis Tulisan Tangan” Karya Karen K Amend dan Mary S Ruiz.
7. Metode yang digunakan adalah Algoritma Levenberg Marquardt . 8. Sistem yang akan dibangun berupa aplikasi simulasi berbasis desktop.
1.5. Metodologi Penelitian
4
menggambarkan fakta-fakta dan informasi dalam situasi atau kejadian sekarang secara sistematis, faktual dan akurat.
Metode penelitian yang digunakan dalam penulisan ini adalah sebagai berikut : 1. Tahap Pengumpulan Data
a. Studi Literatur
Pengumpulan data dengan cara mengumpulkan literature, jurnal, paper, situs dan e-book yang berkaitannya dengan judul penelitian.
b. Observasi
Tekni pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil. Tahap obserfasi ini dilakukan dengan cara berkunjung dan berdiskusi dengan pihak analis grafolog.
2. Eksperimen
Eksperimen yang dilakukan akan mengambil uji coba dengan beberapa sample yang akan di ambil dari penelitian yang dilakukan. Dari kedua metode tersebut akan dilakukan beberapa kali percobaan yang bertujuan untuk melakukan pengujian agar solusi yang diharapkan mengenai ketetapatan akurasi data pada deteksi disleksia ini sesuai dengan proses yang dihasilkan.
1.6. Sistematika Penulisan
Sistematika penulisan disusun untuk memberikan gambaran secara umum tentang permasalahan dan pemecahannya. Sistematika penulisan penelitian tugas akhir ini adalah sebagai berikut
BAB 1 PENDAHULUAN
5
BAB 2 LANDASAN TEORI
Bab ini membahas tentang konsep dasar dan teori – teori yang berkaitan dengan penelitian yang dilakukan dan hal-hal yang berguna dalam proses analisis permasalahan.
BAB 3 ANALISIS MASALAH
Bab ini menganalisis masalah dari model penelitian untuk memperlihatkan keterkaitan antar variabel yang diteliti serta model matematis untuk analisisnya.
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini membahas tentang tahapan yang dilakukan dalam penelitian secara garis besar sejak dari tahap persiapan sampai penarikan kesimpulan, metode dan kaidah yang diterapkan dalam penelitian. Termasuk menentukan variabel penelitian, identifikasi data yang diperlukan dan cara pengumpulannya, penentuan sampel penelitian dan teknik pengambilannya, serta metode atau teknik analisis yang akan dipergunakan dan perangkat lunak yang akan dibangun jika ada.
BAB 5 KESIMPULAN DAN SARAN
6
7
BAB 2
LANDASAN TEORI
2.1 Pengertian Pembelajaran
Istilah learning atau pembelajaran pertama kali muncul dalam disiplin ilmu AI (Artificial Intelligence). Pembelajaran berarti menambah pengetahuan, memahami dengan belajar, mengikuti intruksi. Pembelajaran mesin merupakan salah satu cabang dari kecerdasan buatan yang membahas mengenai pembangunan sistem yang didapat berdasarkan pembelajaran pada data, atau sebuah studi yang mempelajari cara untuk memprogram sebuah komputer untuk belajar. Inti dari pembelajaran mesin adalah representasi dan generelisasi.
Pembelajaran mesin adalah bidang studi yang memberikan kemampuan untuk belajar tanpa diprogram secara eksplisit. Kemampuan belajar yang menjadi dominan ditentukan oleh kemampuan perangkat lunak atau alogaritmanya. Implementasi kemampuan belajar dapat dicapai dengan berbagai teknik, ada yang menggunakan rule, ada yang menggunakan statistika, ada yang menggunakan pendekatan fisiologi yaitu sistem saraf manusia atau disebut dengan ANN (Artificial Neural Network) atau jaringan saraf tiruan. Pembelajaran mesin dapat berfungsi untuk beradaptasi dengan suatu keadaan yang baru, serta untuk mendeteksi dan memperkirakan Suatu pola
2.2 Pengertian Algoritma
Algoritma adalah metode efektif yang diekspresikan sebagai rangkaian terbatas yang tersusun secara logis dan sistematis untuk memecahkan suatu masalah atau untuk mencapai tujuan tertentu. Dalam dunia komputer, Algoritma sangat berperan penting dalam pembangunan suatu perangkat lunak.
8
2.3 Kecerdasan Buatan
Kecerdasan buatan atau Artificial Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan manusia. Dengan adanya kecerdasan buatan, diharapkan tidak menutup kemungkinan hanya dengan data pengetahuan yang terbatas, sebuah komputer dapat berpikir seperti manusia dalam menghadapi masalah.
Banyak hal yang kelihatannya sulit untuk kecerdasan manusia, tetapi untuk Informatika relatif tidak bermasalah. Penelitian dalam kecerdasan buatan disini menyangkut pembuatan mesin untuk mengotomatisasikan tugas-tugas yang membutuhkan perilaku cerdas
2.3.1. Pengertian Jaringan Saraf Tiruan
Jaringan Syaraf Tiruan (JST) merupakan salah satu cabang ilmu dari kecerdasan buatan. JST adalah sebuah algoritma yang didesain untuk memodelkan cara kerja jaringan saraf dalam melakukan suatu pekerjaan atau fungsi tertentu. Jaringan ini biasanya diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan dalam sebuah perangkat lunak didalam komputer digital
Prosesor yang digunakan JST tersebar secara paralel (parallel distributed processor) dengan bentuk sangat besar sehingga memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan. JST menyerupai otak manusia dalam dua hal, yaitu: Pengetahuan diperoleh jaringan melalui proses belajar; Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.
JST merupakan bagian dari artificial intelligent yang tergolong dalam prinsip learning, JST dapat juga digunakan untuk permasalahan yang bernilai diskrit, real, ataupun vektor
9
a. Dendrit : Bagian yang menerima rangsang dari axon, bertugas menerima informasi.
b. Soma : Badan sel saraf, yang berguna untuk mengelola informasi yang telah didapat.
c. Akson : Bagian sel yang berhubungan dengan dendrit sel saraf lain dan membentuk simpul yang disebut sinapsis, berguna untuk mengirim impuls-inpuls ke sel saraf lainnya
Gambar 2.1 Proses Penerimaan Informasi
2.3.2. Arsitektur Jaringan Saraf Tiruan
Model pelatihan terbimbing yang memasukkan target keluaran dalam data untuk proses pelatihannya. Ada beberapa metode pelatihan terbimbing yan telah tercipta oleh peneliti, yaitu :
A. Jaringan lapisan tunggal
10
2.2 Arsitektur Jaringan Saraf Tiruan Lapis Tunggal B. Jaringan multilapis
Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini memiliki kemampuan lebih dalam memcahkan masalah bila dibandingkan dengan single-layer net, namun pelatihannya lebih rumit.
Gambar 2.3 Arsitektur Jaringan Saraf Tiruan Multilapis
C. Jaringan kompetitif
11
Gambar 2.4 Arsitektur Jaringan Saraf Tiruan Kompetitif
2.3.3. Metode Algoritma Levenberg Marquardt Backpropagation
Algoritma Levenberg-marquardt backpropagation (LMB) merupakan pengembangan algoritma backpropagation standar. Dalam Backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinue, dapat didiferensiasi, dan secara monoton tidak menurun. Salah satu fungsi yang sesuai adalah fungsi Sigmoid biner dengan range (0,1).
f(x)= 1/(1+e-x) dengan turunannya f‟(x) = f(x) (1 – f(x))
12
f(x)= (2/(1+e-x)) -1 dengan turunaannya f‟(x) = ½ (1+f(x))(1- f(x)).[11]
Fungsi Sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang memiliki target > 1, pola masukan dan keluaran harus ditransformasi terlebih dahulu sehingga semua polanya memiliki range yang sama seperti fungsi Sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi Sigmoid hanya pada layer yang bukan keluaran.Pada layer keluaran menggunakan fungsi identitas f(x)=x.
Pelatihan Backpropagation meliputi 3 fase:
A. Fase Propagsi Maju (Feedforward) Pola Pelatihan Masukan.
Pola masukan dihitung maju mulai dari layer masukan hingga layer keluaran dengan fungsi aktivasi yang ditentukan. sinyal masukan (x1) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari unit tersembuyi (Zj) tersebut selanjutnya dipropagasi maju lagi ke layer tersembunyi berikutnya dengan fungsi aktivasi yang telah ditentukan. Dan seterusnya hingga menghasilkan keluaran jaringan (yk). Berikutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus dicapai (tk). Selisih tk– yk adalah kesalahan yang
13
besar dari batas toleransi, maka bobot setiap garis dari jaringan akan dimodifikasi untuk mengurangi kesalahan.
B. Fase Propasi Mundur (backpropagation) Dari Error yang Terkait.
Selisih antara keluaran dan target merupakan kesalahn yang terjadi. Kesalahan tersebut dipropagasi mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit dilayar keluaran.
Berdasarkan kesalahan tk– yk dihitung faktor δk(k= 1, ...,
m) yang dipakai untuk mendistribusikan kesalahan di unit Yk ke
semua unit tersembunyi yang terhubung langsung dengan Yk. δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung
faktor δj di setiap layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layer di
bawahnya. Dan seterusnya hingga semua faktor δ di unit tersembunyi yang terhubung langsung dengan unit masukan dihitung.
C. Fase Modifikasi Bobot.
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan
atas faktor δ neuron di layer atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layer keluaran di dasarkan atas δk yang ada di unit keluaran
14
Terdapat perbedaan pada algoritma backpropagation dengan Pengembanganya yaitu Levenberg Marquardt, yaitu pada proses update bobot dan bias menggunakan negative gradient descent secara langsung sedangkan Algoritma Levenberg Marquardt menggunakan pendekatan matrik Jacobian (J). Metode ini digunakan karena mampu mengenali pola tertentu dan lebih cepat mencapai konvergensi daripada algoritma propagasi balik biasa.
Kelebihan algoritma LMB adalah cepat mencapai konvergensi. Karena menggunakan perkalian matriks jacobian. Perbedaan LMB dengan propagasi balik standar adalah pada fase kedua, yaitu fase propagasi mundur. Pada fase propagasi mundur dilakukan perhitungan matriks jacobian.
Tahap awal sebelum memasuki aturan dari LMB perlu diadakan pengaturan arsitektur yang sesuai, hal tersebut dikarenakan apabila arsitektur yang digunakan kurang sesuai dapat menyebabkan semakin meningkatnya error pada perhitungan. Dampak lain dari penentuan hidden layer yang kurang sesuai adalah Apabila Penggunaan neuron yang terlalu sedikit pada lapisan tersembunyi akan menghasilkan sesuatu yang disebut “underfitting”. Underfitting terjadi ketika hanya sedikit neuron pada hidden layer yang mampu mendeteksi signal pada sejumlah data yang rumit. Sedangkan, jumlah hidden neuron yang terlalu banyak juga dapat mengakibatkan beberapa masalah yaitu:
1. Mengakibatkan jaringan mengalami overfitting, yaitu ketika jaringan memproses terlalu banyak informasi melebihi kapasitas. 2. Mengakibatkan waktu proses pelatihan jaringan lebih lama.
sehingga perhitunggan dari hidden layer ini menjadi pertimbangan untuk meminimalisir hal yang telah dijabarkan sebelumnya.
15
b. Jumlah hidden neuron harus dari ukuran input neuron, ditambah ukuran output neuron.
c. Jumlah hidden neuron harus kurang dari dua kali jumlah input neuron.[29]
Tahapan secara menyeluruh dari algoritma Levenbergh Marquartd adalah :
1. Tahap 0 : Inisialisasi Bobot dan bias
Perhitungan terdapat 2 motede yaitu menggunakan metode acak dan metode nguyen widrow, kelebihan metode nguyen widrow dapat mepercepat konvergensi dibanding dengan pembobotan bias dengan motode acak yang biasa.[31]
Inisialisasi Nguyen Widrow didefinisikan dengan rumus:
β = 0.7*(p)1/n
... [2] dimana:
n = jumlah neuron pada lapisan input p = jumlah neuron pada lapisan tersembunyi
β= faktor skala
Prosedur inisialisasi Nguyen Widrow ialah:
a. Inisialisasi bobot-bobot (vji) lama dengan bilangan acak dalam interval [-0.5, 0.5]
b. Hitung
‖ ‖=√ ... [3]
c. Bobot baru yang dipakai sebagai inisialisasi
= ‖ ‖ ... [4]
d. Bias baru yang dipakai sebagai inisialisasi vj0 = bilangan acak dalam interval [-β, β].[29]
2. Tahap 1 : Menentukan Parameter yang dibutuhkan.
16
3. Tahap 2: Perhitungan maju FeedForward (seperti yang dilakukan Backpropagation)
4. Tahap 3 : Menghitung MSE (Mean Square Error). Dengan memnggunkan rumus :
MSE =
∑
... [5]Keterangan:
n = jumlah error pada matriks error Ei = error ke-i
5. Tahap 4 : menghitung error dan total error pada jaringan.
Matriks error adalah matriks yang berisi nilai kesalahan nilai neuron output terhadap target yang ingin dicapai. Perhitungan matriks error menggunakan rumus:
...[6]
Keterangan:
eij = Tij– Yij
k = jumlah neuron pada output layer p = jumlah data pelatihan
17
...[6]
Keterangan:
E = matriks error
W1– Wn = semua bobot dan bias yang ada pada jaringan k = jumlah neuron pada output layer
p = jumlah data pelatihan
7. Tahap 6 : mengitung perubahan bobot dan biasnya
ΔWij = ... [7] Keterangan:
ΔW = suku perubahan bobot J = matriks jacobian I = matriks identitas
α = learning rate E = matriks error
8. Tahap 7 : pengoreksian bobot
Perhitungan nilai MSE dilakukan dua kali, yaitu MSE1 dan MSE2. MSE1 dihitung dengan menggunakan bobot W (bobot sebelum diubah), sedangkan MSE2 dihitung dengan menggunakan bobot W +
ΔW. Kemudian dilakukan proses adaptive learning rate, yaitu Jika MSE2 yang didapat lebih kecil daripada MSE1, maka dilakukan
perubahan bobot dengan W + ΔW dan melakukan perubahan learning
18
daripada kesalahan MSE1, maka tidak dilakukan perubahan bobot, melainkan dilakukan perubahan learning rate yaitu mengalikan learning rate dengan , kemudian diulang ke langkah perhitungan suku perubahan bobot
9. Tahap 8 : kembali melakukan Tahap 2 dengan nilai bobot yang baru.[28] 2.4 Definisi Kepribadian dan Deteksi Kepribadian
Kepribadian sebagai suatu organisasi (berbagai aspek psikis dan fisik) yang merupakan suatu struktur dan sekaligus proses. Dapat disimpulkanbahwa, kepribadian merupakan sesuatu yang dapat berubah. Secara eksplisit kepribadian secara teratur tumbuh dan mengalami perubahan
Berbagai penelitian awal mengenai struktur kepribadian berkisar di seputar upaya untuk mengidentifikasikan dan menamai karakteristik permanen yang menjelaskan perilaku individu seseorang. Karakteristik yang umumnya melekat dalam diri seorang individu adalah malu, agresif, patuh, malas, ambisius, setia, dan takut. Karakteristik-karakteristik tersebut jika ditunjukkan dalam berbagai situasi, disebut sifat-sifat kepribadian. Sifat kepribadian menjadi suatu hal yang mendapat perhatian cukup besar karena para peneliti telah lama meyakini bahwa sifat-sifat kepribadian dapat membantu proses seleksi karyawan, menyesuaikan bidang pekerjaan dengan individu, dan memandu keputusan pengembangan karier.
Terdapat sejumlah upaya awal untuk mengidentifikasi sifat-sifat utama yang mengatur perilaku. Seringnya, upaya ini sekadar menghasilkan daftar panjang sifat yang sulit untuk digeneralisasikan dan hanya memberikan sedikit bimbingan praktis bagi para pembuat keputusan organisasional. Dua pengecualian adalah Myers-Briggs Type Indicator dan Model Lima Besar. Selama 20 tahun hingga saat ini, dua pendekatan ini telah menjadi kerangka kerja yang dominan untuk mengidentifikasi dan mengklasifikasikan sifat-sifat seseorang.
2.5 Pengertian Tulisan Tangan
19
tulisan tangan setiap orang unik dan dapat dikenali dengan perangkat lunak khusus. Kemampuan komputer untuk mengenali tulisan tangan dikenal dengan istilah pengenalan tulisan tangan.
2.5.1. Pengenalan Tulisan Tangan
Pengenalan tulisan tangan (Handwriting recognition) adalah kemampuan komputer untuk menerima dan menafsirkan input tulisan tangan yang dapat dimengerti dari sumber seperti dokumen kertas, foto, layar sentuh dan perangkat lainnya. Gambar dari teks tertulis dapat digunakan secara luring dari selembar kertas oleh pemindai optik (rekognisi karakter optik). Selain itu, gerakan ujung pena dapat dimengerti secara daring, misalnya dengan menggunakan permukaan layar komputer berbasis pena
Pengenalan tulisan tangan memerlukan rekognisi karakter optik. Namun, sistem pengenalan tulisan tangan yang lengkap juga menangani format, melakukan segmentasi yang tepat ke dalam karakter dan menemukan kata yang paling masuk akal.
2.5.2. Ilmu Tentang Tulisan Tangan
Grafologi adalah ilmu yang mempelajari tentang tulisan tangan. Istilah grafologi pertama kali digunakan oleh seorang Perancis bernama Michon pada
tahun 1875. Kata grafologi berasal dari bahasa Yunani, yaitu: grapho yang berarti saya menulis dan logos yang berarti ilmu. Tujuan dari grafologi adalah
mengungkapkan karakter dan kepribadian seseorang melalui tulisannya. Kepribadian yang dimaksud termasuk kekuatan diri, kelemahan, dan kelebihannya. Hal ini didasarkan bahwa tulisan tangan muncul dari alam bawah sadar, maka ia memberikan informasi yang sangat berharga untuk menginterpretasikan karakter seseorang
2.5.3. Pembacaan Tulisan Tangan
20
1. Arah kemiringan huruf
Ke kanan = ekspresif, emosional Tegak = menahan diri, emosi sedang Ke kiri = menutup diri
Ke segala arah dalam 1 kalimat = tidak konsisten
Ke segala arah dalam 1 kata = ada masalah dengan kepribadiannya
2. Bentuk umum huruf-huruf
Bulat atau melingkar = alami, easygoing
Bersudut tajam = agresif, to the point, energi kuat Bujursangkar = realistis, praktek berdasar pengalaman Coretan tak beraturan = artistik, tidak punya standar
3. Huruf-huruf bersambung atau tidak
Bersambung seluruhnya = sosial, suka bicara dan bertemu dengan orang banyak
Sebagian bersambung sebagian lepas = pemalu, idealis yang agak sulit membina hubungan (terlebih hubungan spesial).
Lepas seluruhnya = berpikir sebelum bertindak, cerdas, seksama
4. Spasi antar kata
Berjarak tegas = suka berbicara (mungkin orang yang selalu sibuk?) Rapat/Seolah tidak berjarak = tidak sabaran, percaya diri dan cepat bertindak
5. Jarak vertikal antar baris tulisan
Sangat jauh = terisolasi, menutup diri, bahkan mungkin anti sosial
Cukup berjarak sehingga huruf di baris atas tidak bersentuhan dengan baris di bawahnya = boros, suka bicara
21 6. Interpretasi huruf „t‟
Letak palang (-) pada kail „t‟
- Cenderung ke kiri = pribadi waspada, tidak mudah percaya
- Tepat di tengah = pribadi yang kurang orisinil tapi sangat bertanggung jawab
- Cenderung ke kanan = pribadi handal, teliti, mampu memimpin
Panjang kail „t‟ menunjukkan kemampuan potensial untuk mencapai target.
Tinggi-rendah palang (-) pada kail „t‟
- Rendah = setting target lebih rendah dari kemampuan sebenarnya (kurang percaya diri atau pemalas)
- Tinggi = setting target tinggi tapi juga diimbangi oleh kemampuan - Di atas kail = setting target lebih tinggi dibanding kemampuan
7. Arah tulisan pada kertas
Naik/menanjak = energik, optimis, tegas Tetap/lurus = perfeksionis, sulit bergaul
Turun = seorang yang tertekan atau lelah, kemungkinan menutup diri
8. Tekanan saat menulis
Makin kuat tekanan, makin besar intensitas emosional penulisnya.
9. Ukuran huruf
Makin kecil huruf yang ditulis, maka makin besar tingkat konsenterasi si penulis, begitu pula sebaliknya.
10. Sedikit tentang huruf “O”
22
2.5.4. Hasil Keluaran Tipe karakter dari Tulisan
Data yang diagunakan untuk mengetahui kepribadian seseorang berdasarkan tulisan tangan adalah data dari tulisan yang ditulis tangan lalu dilakukan pembacaan data dengan menggunakan ilmu grafologi. Pada Pembacaan tulisan tangan ini yang akan dibaca adalah karakter sesorang secara garis besar.
Pemilihan karakter khusus yaitu pemilihan karakter yang dapat diambil sebagai acuan pembacaan kepribadian tertentu. Karakter yang dipilih adalah I(besar), d, t, dan i (kecil) dengan keterangan yang terdapat didalam table sebagai berikut.
Tabel 2.1 Keterangan Karakter I, d, t dan i.
No Gambar Keterangan Sifat
1 I dicetak dengan
tulisan Kursif
Pemikir yang konstruktif, Mandiri, Keinginan Menonjol.
2. I dalam bentuk lurus Sangat mandiri, sadar, dewasa, bersikap langsung
3. i huruf kecil Ego berantakan, belum
matang sepenuhnya, menarik perhatian orang.
4. d batang tinggi dan
digores lagi.
23
5. d batang rendah dan
digores lagi.
Cerdas, Mandiri, penilai yang baik, cendrung egois.
6. d batang membuat
simpul yang besar.
Peka terhadap perasaan orang, mudah tersentuh, rentah terhadap kritika, rentan terhadap sanjungan.
7. d batang yang dibut
tinggi dengan simpul besar.
Sombong, cenrung memperdaya orang lain, arogan, terlalu sensitive terhadap kritikan.
8. d batang yang dibuat
tinggi dengan simpil besar dengan bagian atas runcing
Sombong, cenrung memperdaya orang lain, arogan, terlalu sensitive terhadap kritikan, memiliki rasa kesepian, tidak dewasa. kemampuan social yang matang.
10. d teepee Keras kepala, social
24
11. d terbuka Seperti huruf oval, a dan
o, senang berbicara.
12. d seperti daun Keras kepala, suka
mengendalikan situasi, tegas, prasangka kuat.
13. d baying berbentuk
bendera kearah kanan
Penggoda, riang, agresif, mencintai kesenangan, berorienasi kepada kesenangan.
14. d batang dihias Berpura – pura, eksentrik.
15. d batang berbentuk
laso
Kekanak – kanakan, naïf, kadang puitis.
16. d formasi kuku Orang yang gemar
prodapat fokasi orang lain, dapat menghukum diri sendiri, butuh penyesuaian cukup lama.
17. t bergaris singkat Kurang tekad, superior, menahan insting natural, inferior, kurang percaya diri, pemalu
25
19. t baris panjang Semangat, pemberi
resolusi, berani,
Bersifat dominan, tekad kuat, tidak peka, dan egois ketika mengejar tujuan.
Kejam, memiliki sifat brutal.
26
Suka menunda pekerjaan, tidak tegas.
29. t garis di kanan
batang
Impulsive, antusias, semangat, energy kuat
30. t tanpa garis Tergesa-gesa, ceroboh,
tidak teliti, cepat putus asa, pemberontak.
31. i dengan titik bulat
diatas batang
27
36. i dengan titik
disebelah kanan batang
Tidak sabar, impulsive, pikiran yang cepat dan melihat kedepan.
37. i dengan titik
disebelah kiri batang
Suka menunda pekerjaan, malu-malu, hati-hati dan takut dengan ide baru.
38. i dengan titik dengan
aksen tajam
Cerdas, pikiran orisinil, imajinatif.
Kejam, menggangu, sifat ingin menguasai, suka berkelahi,
42. i dengan titik berupa lingkaran
Tertarik dengan seni.
2.6Proses Preprocessing
Preprosessing adalah metode yang digunakan untuk mengubah citra yang berformat Red Green Blue, sehingga dapat dikukan komputerisasi berupa recognation atau pengenalan terkomputerisasi.
2.6.1. Red Green Blue (RGB)
28
dasar, misalnya merah, dapat diberi rentang nilai. Untuk monitor komputer, nilai rentangnya paling kecil = 0 dan paling besar = 255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan biner yang digunakan oleh mesin komputer.
Dengan cara ini, akan diperoleh warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis warna, dapat dibayangkan sebagai sebuah vektor di ruang dimensi 3 yang biasanya dipakai dalam matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu komponen-x, komponen-y dan komponen-z. Misalkan sebuah vektor dituliskan sebagai r = (x,y,z). Untuk warna, komponen-komponen tersebut digantikan oleh komponen R(ed), G(reen), B(lue). Jadi, sebuah jenis warna dapat dituliskan sebagai berikut: warna = RGB(30, 75, 255). Putih = RGB (255,255,255), sedangkan untuk hitam= RGB(0,0,0).
Gambar 2.5 Warna RGB pada Citra Digital
2.6.2. Grayscale
29
Derajat keabuan sendiri sebenarnya memiliki beberapa nilai, tidak hanya skala 0 sampai 255. Hal ini tergantung pada nilai kedalaman pixel yang dimiliki oleh citra.
Gambar 2.6 Derajat Keabuan pada Greyscale
Beberapa pembagian nilai derajat keabuan yang hubungannya dengan kedalam pixel ditunjukkan pada tabel berikut ini
Table 2.2 Derajat Keabuan Suatu Gambar
2.6.2.1. Motode konversi dari RGB menjadi Grayscale :
30 1. Lightness
Algoritmanya adalah mencari nilai tertinggi dan terendah dari nilai R G B, kemudian nilai tertinggi dan terendah tersebut dijumlahkan lantas dikalikan dengan 0.5. Secara matematis dapat dirumuskan :
Grayscale = (max(R,G,B)) + (min(R,G,B)) * 0.5
Gambar 2.8 Hasil dari grayscale dengan Lightnes
2. Average
Algoritmanya adalah dengan menjumlahkan seluruh nilai R G B, kemudian dibagi 3, sehingga diperoleh nilai rata-rata dari R G B, nilai rata-rata itulah yang dapat dikatakan sebagai grayclase. Rumusmatematisnya adalah:
31
Gambar 2.9 Hasil dari grayscale dengan Average
3. Luminosity
Algoritmanya adalah dengan mengalikan setiap nilai R G B dengan konstanta tertentu yang sudah ditetapkan nilainya, kemudian hasil perkalian seluruh nilai R G B dijumlahkan satu sama lain. Rumus matematisnya adalah :
Grayscale = (0.21 * R) + (0.72 * G) + (0.07 * B)
Gambar 2.10 Hasil dari grayscale dengan Luminosity
2.6.3. Thresholding
Thresholding adalah metode paling sederhana segmentasi citra. Dari gambar grayscale, thresholding dapat digunakan untuk membuat gambar biner.
Thresholding digunakan untuk segmen gambar dengan mengatur semua piksel yang nilai intensitas di atas ambang batas untuk nilai latar depan dan semua piksel yang tersisa ke nilai latar belakang.
32
2.6.3.1. Pendekatan utama untukmenemukanambang:
Asumsi di balik kedua metode adalah bahwa daerah gambar yang lebih kecil lebih mungkin untuk memiliki pencahayaan kurang seragam, sehingga menjadi lebih cocok untuk thresholding.
A. Pendekatan ChowdanKaneko
Chow dan Kaneko membagi gambar ke array tumpang tindih subimage dan kemudian menemukan ambang optimal untuk setiap subimage dengan menyelidiki histogramnya. Ambang batas untuk setiap pixel tunggal ditemukan oleh interpolasi hasil subimage. Kelemahan dari metode ini adalah bahwa hal itu komputasi mahal dan, oleh karena itu, tidak tepat untuk aplikasi real-time.
Pendekatan alternatif untuk menemukan ambang lokal untuk statistik memeriksa nilai intensitas lingkungan lokal masing-masing pixel. Statistik yang paling tepat tergantung pada gambar masukan. Fungsi sederhana dan cepat termasuk mean dari distribusi intensitas lokal.
a. Thresholding Adaptif Global
33
Gambar 2.11 Citra asli sebelum dilakukan Thresholding
34
b. Thresholding Adaptif lokal
Thresholding adaptif lokal, di sisi lain, memilih ambang individu untuk setiap pixel berdasarkan kisaran nilai intensitas di lingkungan lokal.
Hal ini memungkinkan untuk thresholding dari gambar yang global yang histogram intensitas tidak mengandung puncak khas. Sebuah tugas cocok untuk thresholding adaptif lokal dalam segmentasi teks dari gambar.
Gambar 2.13 Citra sebelum dan sesudah dilakukan Thresholding Terhadap Text
MetodeThresholding
35
a. Metode Berbasis Bentuk Histogram, di mana, misalnya, puncak, lembah dan lekukan dari histogram merapikan dianalisis
b. Metode Berbasis Clustering, dimana sampel gray-level ini terkelompok dalam dua bagian sebagai latar belakang dan latar depan (objek), atau bergantian dimodelkan sebagai campuran dua Gaussians
c. Metode Berbasis Entropi menghasilkan algoritma yang menggunakan entropi latar depan dan latar belakang daerah, lintas-entropi antara gambar asli dan binarized, dll.
d. Atribut Objek Berbasis Metode mencari ukuran kesamaan antara abu-abu-tingkat dan gambar binarized, seperti kabur kesamaan bentuk, tepi kebetulan, dll.
e. Metode Spasial [yang] menggunakan tingkat tinggi distribusi probabilitas dan / atau korelasi antara piksel
f. Metode Lokal mengadaptasi nilai ambang batas pada setiap pixel dengan karakteristik gambar lokal.
2.6.4. Segmentation
Segmentasi citra yaitu membagi citra menjadi bagian – bagian yang homogen, berdasarkan kriteria keserupaan yang tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel - piksel tetangganya. Proses segmentasi memiliki tujuan yang hampir sama dengan proses klasifikasi tidak terpandu.
36
alat fundamental dalam pengolahan citra, visi mesin dan visi komputer, khususnya di bidang fitur deteksi dan ekstraksi fitur.
2.7 Metode Pengujian Blackbox
Black box testing adalah pengujian yang dilakukan hanya mengamati hasil eksekusi melalui data uji dan memeriksa fungsional dari perangkat lunak. Jadi dianalogikan seperti yang terlihat merupakan suatu kotak hitam, sehingga hanya bisa melihat penampilan luarnya saja, tanpa tau ada apa dibalik bungkus hitam nya. Pengujian ini mengevaluasi hanya dari tampilan luarnya(interface nya) , fungsionalitasnya. tanpa mengetahui apa sesungguhnya yang terjadi dalam proses detilnya.
Pengujian yang dilakukan untuk antarmuka perangkat lunak. Pengujian ini dilakukan untuk memperlihatkan bahwa hasil fungsi-fungsi bekerja dengan baik dalam arti masukan yang diterima dengan benar dan keluaran yang dihasilkan benar-benar tepat pengintegrasian dari eksternal data berjalan dengan baik.
Metode pengujian black box memfokuskan pada requirement fungsi dari perangkat lunak pengujian ini merupakan kompetensi dari pengujian white box. Pengujian white box dilakukan pada tahap akhir dari pengujian perangkat lunak. Proses yang terdapat dalam proses pengujian black box antara lain sebagai berikut:
a. Pembagian kelas data untuk pengujian setiap kasus yang muncul pada pengujian white box.
b. Analisis batasan nilai yang berlaku untuk setiap data.
2.8 Dekstop
37
Komputer meja merupakan komputer yang paling terjangkau dan paling umum digunakan.
2.9 Matrix Laboratory (MATLAB)
MATLAB adalah sebuah lingkungan komputasi numerikal dan bahasa pemrograman komputer generasi keempat. Dikembangkan oleh The MathWorks, MATLAB memungkinkan manipulasi matriks, pem-plot-an fungsi dan data, implementasi algoritma, pembuatan antarmuka pengguna, dan peng-antarmuka-an dengan program dalam bahasa lainnya. Meskipun hanya bernuansa numerik, sebuah kotak kakas (toolbox) yang menggunakan mesin simbolik MuPAD, memungkinkan akses terhadap kemampuan aljabar komputer. Sebuah paket tambahan, Simulink, menambahkan simulasi grafis multiranah dan Desain Berdasar-Model untuk sistem terlekat dan dinamik.
Beberapa kelebihan Matlab jika dibandingkan dengan program lain seperti Fortran, dan Basic adalah :
a.
Mudah dalam memanipulasi struktur matriks dan perhitungan berbagai operasi matriks yang meliputi penjumlahan, pengurangan, perkalian, invers dan fungsi matriks lainnya.b.
Menyediakan fasilitas untuk memplot struktur gambar (kekuatan fasilitas grafik tiga dimensi yang sangat memadai).c.
Script program yang dapat diubah sesuai dengan keinginan user.d.
Jumlah routine-routine powerful yang berlimpah dan terus berkembang.e.
Kemampuan interface (misal dengan bahasa C, word dan mathematica).38
39
BAB 3
ANALISIS METODE
Analisis adalah suatu proses untuk menguraikan kebutuhan – kebutuhan yang diperlukan untuk membangun sebuah sistem. Analisis yang dilakukan pada analisis performansi metode jaringan syaraf tiruan dengan propagasi balik Levenberg Marquardt untuk pendeteksian kepribadian pada tulisan tangan yaitu analisis masalah, analisis data masukan,
3.1. Analisis Masalah
Pada pendeteksian tulisan tangan hal yang paling utama adalah tentang keakurasian dari pembacaan tulisan tangan. Berdasarkan jurnal yang dibuat oleh Shofiyati Nur Karimah yang berjudul Pengembangan Prototipe Aplikasi Grafologi Terkomputerisasi Menggunakan Algoritma Jaringan Syaraf Tiruan Propagasi Balik[15], menyatakan bahwa kemampuan Backpropagasi dalam melakukan keakuratan pembacaan tulisan tangan adalah 82% atau mengalami kesalahan rata-rata sebesar 18%. Sedang untuk jurnal lain yang dibuat oleh Muhammad Ibn Ibrahimy, Md. Rezwanul Ahsan, dan Othman Omran Khalifa yang berjudul Design and Optimization of Levenberg-Marquardt based Neural Network Classifier for EMG Signals to Identify Hand Motions.[16] menyatakan bahwa Algoritma Levenberg Marquardt mengahasilkan keakuratan rata-rata mencapai 88,4%. Yang dapat disimpulkan sementara bahwa kaakurasian dari Algoritma Levenberg Marquardt lebih baik.
40
dikarenakan sebuah metode yang mutahir pada pengujian tertentu belum tentu mutakhir pada pengujian lainnya.
Berdasarkan permasalahan tersebut maka dilakukanlah suatu analisis untuk beberapa hal yang diperlukan dalam penelitian BAB 3 ini yaitu pengujian keakuratan algoritma levenberg marquardt untuk mengetahui kepriadian seseorang berdasarkan tulisan tangan, berdasarkan ketentuan ketentuan dari analisis tulisan tangan.
3.2.Alur Pendeteksian
Alur pendeteksian ini digambarkan berupa flowchart yang bertujuan untuk menampilkan semua aliran proses dari simulator pendeteksian kepribadian seseorang berdasasrkan tulisan tangan.
Gambar 3.1 Alur Pendeteksian Data
Gambar 3.1 Diatas menjelaskan prooses yang dikerjakan oleh simulator, yaitu:
41
b) Pemeriksaan Gambar : melakukan Preprocessing
c) Ekstrasi Ciri :memilih ciri apa saja yang terdapat dalam gambar yang telah dimasukkan.
d) Proses Pelatihan : membandingkan hasil dari ekstrkasi jika memang data sesuai dengan yang tersimpan didalam database maka tampilkan hasil analisis, jika tidak maka
e) Tentukan Target : mentukan acuan apa saja yang akan diambil pembelajarannya.
f) Pencarian Bobot LMBP : menggunkan metode pembelajaran levenbergh Marquardt.
g) Simpan data baru kedalam database : menyimpan hasil pembelajaran didalam data base yang telah disediakan.
h) Identifikasi : menampilkan hasil dari pembelajaran algoritma yang telah dilaksanakan.
3.3.Analisis Data Masukan
Data yang dimasukkan berupa citra tulisan huruf i, d, t dapat berupa tulisan cetak, dengan format RGB berupa .jpeg, .bmp, dan .pgn.
Data masukkan diperoleh dengan membagikan form yang dapat diisi oleh pengisi data masukkan, yang terdiri dari 4 kolom dan 1 baris pada setiap 1 set data masukkan.
42
Gambar 3.2 Contoh data masukan
Maka dilakukan tahapan
1. Data tersebut dilakukan scanning, yaitu proses pengambilan data berupa fisik menjadi data citra terkomputerisasi.
2. Data yang telah menjadi citra terkomputerisasi akan dilakukan cropping untuk mengambil tiap hurufnya.
Gambar 3.3 Hasil Cropping huruf
3. Data hasil cropping akan dijadikan input awal pada pendeteksian Kepribadian berdasarkan tulisan tangan.
3.4.Analisis Metode Masukkan
43
Pengenalan pola betujuan untuk menentukan kelompok atau kategori berdasarkan ciri-ciri yang dimiliki oleh grafologi. Tiga pendekatan pembuatan system pengenalan pola adalah statistic (statistical), sintaksis (syntactic), dan jaringan saraf tiruan (neural network).
untuk membuat simulator aplikasi pengenalan pola kita dapat memilih beberapa pendekatan yang menggunakan basis statistical yang memanfaatkan struktur dari pola yang menyediakan informasi fundamental untuk mengenal pola, kemudian yang terakhir dengan membangun dan melatih arsiterktur yang secara akurat mengasosiasikan masukan pola tertentu dengan respon yang diharapkan.
Pendekatan yang digunakan adalah jaringan saraf tiruan, metode ini telah menggabungkan cara statistic dan sintatik. Dapat disimpulkan dengan mengambil metode ini, dapat menyimpan seluruh fakta dan objek. Sehingga semakin sering dilatih maka system akan semakin cerdas.
Pada tahap pendeteksian metode input dilakukan beberapa proses agar data siap untuk menjadi data training dalam jaringan saraf tiruan.
3.4.1. Tahap Preprocessing Pada Pendeteksian Gambar Penulisan
Tangan
Dikarenakan jaringan saraf tiruan hanya dapat mengolah data numeric, sementara identifikasi kepribadian berdasarkan tulisan tangan membutuhkan citra sebagai masukan aplikasinya, oleh karena itu data perlu dilakukannya proses preprocessing.
44
Gambar 3.4 Flowchart proses Preprocessing
Masukan Gambar Berupa Citra RGB
Gambar 3.5 contoh tulisan yang di inputkan kedalam simulator
Grey Scale, bertujuan untuk melakukan perubahan citra dari citra RGB ke citra keabuan yang dipilih adalah dengan menjumlahkan lalu membaginya menjadi 3, dengan menggunakan rumus perhitungan sebagai berikut :
a. Greyscale= (R+G+B)/3
Kadar nilai RGB :
45
Nilai Green Pada Citra diatas:
138 137 137 139 139 137 138 137 136 137
Nilai Blue Pada Citra Diatas :
46
Hasil Nilai yang dihasilkan dari proses grayscale :
146 145 145 147 147 146 146 145 144 145
146 146 147 126 121 147 146 145 145 145
147 147 144 103 99 144 145 146 146 147
149 144 118 102 97 111 124 147 146 129
133 147 146 120 96 135 145 148 126 91
103 145 150 128 95 131 148 148 111 90
95 142 150 135 94 122 150 149 121 89
109 149 150 140 94 110 144 146 142 107
146 149 149 148 124 105 100 123 149 144
149 148 148 149 149 147 145 146 147 148
Apabila diterapkan pada simulator ini menggunakan funsi rgb2gray(RGB).sama halnya dengan perhitungan manual, fungsi diatas juga berguna untuk merubah citra RGB menjadi Grayscale. Tujuan grayscale adalah untuk merubah jumlah warna yang dimiliki oleh sebuah gambar kedalam range warna dari 0-255.
Gambar 3.6 contoh tulisan tangan yang telah diproses dalam bentuk Grayscale
47
Pada tahap thresholding ini, gambar yang ada yang telah memiliki citra keabuan akan dirubah menjadi citra biner yang hanya memiliki range warna 0 atau 1. Apabila warna yang terdapat dalam citra keabuan
Pada perubahan range ini akan membulatkan warna yang muda menjadi putih dan merubah warna yang gelap menjadi hitam.
Pada range perhitungannya adalah 0-128 akan dibulatkan pada warna hitam yang dibinerkan menjadi angka 0, dan pada range dari 129-255 akan dibulatkan menjadi putih yaitu warna maksimal 1.
Segmentasi, adalah menentukan batas ujung dari gambar, atau yang lebih dikenal dengan edge detection.
Ekstraksi Ciri (Feature Extraction) yaitu mendapatkan karakteristik citra, sehingga suatu citra dapat dibedakan dengan citra yang lain dengan melihat ciri dan nilai yang terdapat dari tiap citra. Untuk input pada pendeteksian ditentukan dnegan table 3.1 dibawah ini:
Tabel 3.1 Tabel Gambar hasil RGB
RGB yang telah di threshold Hasil Segmentasi dari gambar threshol
Binner Hasil Segmentasion
1 1 1 1 1 1 0 1 1 1
1 1 1 1 1 0 0 1 1 1
1 1 1 1 1 0 0 1 1 1
1 1 1 1 1 0 0 1 1 1
1 1 1 1 1 0 0 1 1 1
1 1 1 1 1 0 0 1 1 1
1 0 0 0 0 0 1 1 1 1
0 0 1 1 0 0 0 1 1 0
0 0 1 1 0 0 0 0 0 0
58
1 1 1 1 0 1 1 1 1 1
0 0 1 0 0 1 1 1 1 1
0 0 0 0 1 1 1 1 1 1
1 1 0 0 0 1 1 1 1 1
1 1 0 0 0 0 1 1 1 1
1 1 0 1 1 0 0 0 1 1
1 1 0 1 1 1 1 0 0 0
1 1 0 1 1 1 1 1 1 0
1 1 0 0 0 1 1 1 1 1
1 1 1 0 0 1 1 1 1 1
1 1 1 0 0 1 1 1 1 1
1 0 0 0 0 0 0 0 0 1
1 1 0 0 0 0 0 0 0 0
1 1 0 0 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1 1
1 1 0 0 1 1 1 1 1 1
1 1 0 0 1 1 0 0 1 1
1 1 1 0 0 0 1 1 1 1
Keterangan :
Kode Keterangan
0 Pixel hitam 1 Pixel putih
59
3.4.2. Penerapan Levenberg Marquardt
3.4.2. Analisis Metode Levenbergh Marquardt Pada Pendeteksian Tulisan Tangan.
Setelah preprocessing selesai maka mulailah penggunaan jaringan saraf tiruan. Pada tahap awal, metode yang digunakan adalah dengan menggunakan metode backpropagation. Algoritmanya dalam jaringan saraf tiruan Levenbergh Marquardt Backpropagation beberapa bagian yang memiliki kemiripan, algoritmanya adalah :
A. Penentuan Arsitektur Jaringan Saraf Tiruan :
Menentukan arsitektur Jaringan saraf tiruan untuk pendeteksian dengan Hidden layer menggunkan aturan heaton (2008):
B. Tahapan secara menyeluruh dari algoritma Levenbergh Marquartd adalah:
1. Tahap 0 : Inisialisasi Bobot dan bias 1/n
1/100
Perhitungan bobot awal dan bias pada huruf t.
Bobot awal acak (range [-0.5 0.5])
Tabel 3.2 Inisialisasi data acak huruf t
Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8
X1 -0.3 0.1 0.1 -0.5 0.1 0.2 0.1 -0.1
X2 0.4 0.1 0.1 0.2 0.2 0.4 0.3 -0.1
X3 0.1 0.3 0.3 -0.1 0.4 0.1 -0.3 0.2
X4 -0.4 0.2 -0.2 0.4 0.3 0.2 0.4 0.5
X5 0.4 -0.4 0.5 0.3 -0.1 0.2 0.3 -0.3
62
2. Tahap 1 : Menentukan Parameter yang dibutuhkan.
Parameter faktor input dan bias yang digunakan sebagai parameter yang dikalikan atau dibagi dengan parameter levenberg-Marquardt.
Input : 100 Layer Hidden : 8 Layer
Output pada d : 13 Layer Output pada I : 14 Layer Output pada t : 11 Layer.
3. Tahap 2: Perhitungan maju FeedForward (seperti yang dilakukan Backpropagation)
63
+ 0.2 + 0.4 + (-0.1) + 0.1 + 0.3 + (-0.2) + (-0.4) + (-0.3) + 0.5 + 0.2 + 0.1 + 0.4) + 0.3 + 0.1 + 0.4 + 0.2) + 0.1 + 0.2 + 0.4) + 0.2 + (-0.5) + (-0.3) + 0.4 + 0.1 + (-0.4) + 0.4 + 0.1 + (-0.1) + 0.3 + (-(-0.5) + 0.4 0.3 + 0.1 + (-0.2) + 0.5 + 0.1 + (-0.4) + (-0.3) + 0.4 + (-0.1) + 0.3 (-0.4) + 0.3 + 0.2 + 0.3 + 0.4 + 0.5 + 0.1 + 0.4 + (-0.2) + 0.1 0.5 + 0.2 + 0.4 + (-0.4) + 0.1 + (-0.3) + 0.4 + 0.1 + (-0.4) + 0.1 0.3 + 0.4 + (-0.3) + (-0.2) + 0.3 + (-0.4) + 0.2 + 0.1 + 0.4 + (-0.3) 0.4 + 0.1 + (-0.2) + 0.4 + (-0.1) + 0.3 + 0.1 + 0.1 + 0.4 + (-0.2) = 7.5
Z1= = 0. 000552
Znet2 = 0.5 + 0.1 + 0.1 + 0.1 + 0.3 + 0.2 + (-0.4) + 0.5 + 0.1 + 0.3 + (-0.3) +(-0.1)+ 0.3 + 0.2 + (-0.1) + 0.4 + (-0.1) + (-0.5) + 0.2 + 0.4 +0.3 + (-0.2) + (-0.5) + 0.1 + 0.5 + 0.1 + 0.2 + 0.4 + (-0.3) + 0.1 + (-0.2) + 0.5 +
0.4 + 0.3 + 0.2 + (-0.1) + (-0.5) + 0.2 + 0.1 + 0.4 + 0.1 + 0.3 + 0.1 + 0.1 + 0.3 + 0.2 + (-0.5) + 0.5 + 0.1 + (-0.5) + (-0.3) + 0.1 + 0.2 + 0.2 + (-0.1) + 0.4 + (-0.1) + 0.5 + 0.2 + 0.4 + 0.5 + 0.2 +
0.2 + 0.4 + (-0.2) + 0.3 + (-0.1) + 0.3 + (-0.1) + 0.3 + 0.2 + 0.5 + (-0.5) + 0.2 + (-0.1) + 0.1 + (-0.5) + 0.2 + 0.4 + 0.1 + 0.1 + 0.3 + 0.2 + 0.5 + (-0.5) + 0.1 + 0.2 + (-0.1) + 0.5 + 0.2 + (-0.2) + (-0.2) + 0.1 + 0.1 + (-0.1) + 0.2 + 0.5 + (-0.5) + 0.3 + 0.4 + (-0.1) + 0.3 + (-0.5) + 0.5 = 10.8
Z2= = 0. 0000203
Znet3 = 0.5 + 0.1 + 0.1 + 0.3 + (-0.2) + 0.5 + 0.4 + 0.2 + (-0.4) + 0.3+ 0.1 + 0.2 + 0.4 + 0.1 + 0.2 + 0.4 + (-0.3) + (-0.1) + 0.5 + 0.3 + 0.2 +
65
66
0.3+0.2+0.1+(-0.4)+0.2+0.1+0.1+0.4+0.3+(-0.4)+ 0.4+(-0.2)+0.3+0.1+(-0.2)+0.2+0.5+0.4+0.3+0.1+ (-0.1)+ (-0.4)+ (-0.2)+0.5+(-0.3)+0.4+0.3+0.3+0.5+0.5+ 0.1+0.4+0.4+0.1+0.2+0.1+0.5+0.2+0.1+0.1+
0.2+0.1+0.3+0.2+0.2+0.5+0.1+0.1+0.4+0.4+
0.2+0.1+0.4+0.2+0.5+(-0.1)+ (-0.5)+ (-0.2)+0.5+0.4+ 0.3+0.5+0.1+0.3+0.1+0.2+0.3+0.4+0.5+0.3+
0.4+0.1+0.4+0.3+0.4+0.5+0.1+0.5+0.2+0.2 =18.8
Z7 = = 0. 000000006843
4. Tahap 3 : Menghitung MSE (Mean Square Error). MSE = ∑ = 2.64
5. Tahap 4 : menghitung error dan total error pada jaringan.
Matriks error adalah matriks yang berisi nilai kesalahan nilai neuron output terhadap target yang ingin dicapai.
6. Tahap 5 : menghitung matriks jacobian.
7. Tahap 6 : mengitung perubahan bobot dan biasnya 8. Tahap 7 : pengoreksian bobot
Perhitungan nilai MSE dilakukan dua kali, yaitu MSE1 dan MSE2. MSE1 dihitung dengan menggunakan bobot W (bobot sebelum
diubah), sedangkan MSE2 dihitung dengan menggunakan bobot W + ΔW.
Kemudian dilakukan proses adaptive learning rate, yaitu Jika MSE2 yang didapat lebih kecil daripada MSE1, maka dilakukan perubahan bobot
dengan W + ΔW dan melakukan perubahan learning rate, yaitu
67
dilakukan perubahan learning rate yaitu mengalikan learning rate dengan , kemudian diulang ke langkah perhitungan suku perubahan bobot 9. Tahap 8 : kembali melakukan Tahap 2 dengan nilai bobot yang baru.[28]
Arsitektur dari jaringan saraf tiruan yang dugunakan untuk huruf i (I kecil terdapat 3 ciri utama yaitu kemiringan batang, jarak titik terhadap batang dan titik dengan batang) sehingga arsitekturnya akan berbentuk :
3.5.Analisis Keluaran
Keluaran berupa hasil identifikasi hasil pendeteksian karakter dari pengguna. Dari data input ditentukanlah hasil keluaran dalam output layer. Keluar yang akan di tampilkan berupa keterangan berdasarkan huruf yang dimasukkan, dan tampak keluaran berupa tipe yang ada pada table dibawah ini.
Data keluaran yang akan ditampilkan pada pendeteksian kepribadian berdasarkan huruf d:
68
13. 000000000001 mempresentasikan keluaran jenis kepribadian tipe 13.
Tabel 3.3 Penjelasan Tipe Kepribadian berdasakan Huruf d
Kepribadian Tipe
Mengindikasikan bahwa penulis memilik sifat Bangga terhadap diri sendiri, harga diri yang tinggi, mandiri, tidak menunjukkan perasaan terluka.
Tipe 1
Mengindikasikan bahwa penulis memiliki sifat Cerdas, Mandiri, penilai yang baik, cendrung egois.
Tipe 2
Mengindikasikan bahwa penulis memiliki sifat Peka terhadap perasaan orang, mudah tersentuh, rentah terhadap kritika, rentan terhadap sanjungan.
Tipe 3
Mengindikasikan bahwa penulis memiliki sifat Sombong, cenrung memperdaya orang lain, arogan, terlalu sensitive terhadap kritikan.
Tipe 4
Mengindikasikan bahwa penulis memiliki sifat Pemberi cinta, mempedulikan budaya, perfeksionis, membutuhkan alas an untuk berubah, kemampuan social yang matang.
Tipe 5
Mengindikasikan bahwa penulis memiliki sifat Keras kepala, social kurang, pendiam.
Tipe 6
Mengindikasikan bahwa penulis memiliki sifat senang berbicara.
Tipe 7
Mengindikasikan bahwa penulis memiliki sifat Keras kepala, suka mengendalikan situasi, tegas, prasangka kuat.
Tipe 8
Mengindikasikan bahwa penulis memiliki sifat Penggoda, riang, agresif, mencintai kesenangan, berorienasi kepada kesenangan.
Tipe 9
69
pura, eksentrik.
Mengindikasikan bahwa penulis memiliki sifat Kekanak – kanakan, naïf, kadang puitis.
Tipe 11
Mengindikasikan bahwa penulis memiliki sifat Orang yang gemar memprofokasi orang lain, dapat menghukum diri sendiri, butuh penyesuaian cukup lama.
Tipe 12
Mengindikasikan bahwa penulis memiliki sifat Orang yang gemar berpendapat, dapat menghukum diri sendiri, butuh penyesuaian cukup lama.
Tipe 13
Data keluaran yang akan ditampilkan pada pendeteksian kepribadian berdasarkan huruf t(t Kecil):
1. 10000000000 mempresentasikan keluaran jenis kepribadian tipe 1. 2. 01000000000 mempresentasikan keluaran jenis kepribadian tipe 2. 3. 00100000000 mempresentasikan keluaran jenis kepribadian tipe 3. 4. 00010000000 mempresentasikan keluaran jenis kepribadian tipe 4. 5. 00001000000 mempresentasikan keluaran jenis kepribadian tipe 5. 6. 00000100000 mempresentasikan keluaran jenis kepribadian tipe 6. 7. 00000010000 mempresentasikan keluaran jenis kepribadian tipe 7. 8. 00000001000 mempresentasikan keluaran jenis kepribadian tipe 8. 9. 00000000100 mempresentasikan keluaran jenis kepribadian tipe 9. 10. 00000000010 mempresentasikan keluaran jenis kepribadian tipe 10. 11. 00000000001 mempresentasikan keluaran jenis kepribadian tipe 11.
Tabel 3.4 Penjelasan Tipe Kepribadian berdasakan Huruf t
Kepribadian Tipe
70
tekad, superior, menahan insting natural, inferior, kurang percaya diri, pemalu
Mengindikasikan bahwa penulis memiliki sifat
Keseimbangan yang baik, tenang, dapat mengontrol emosi
Tipe 2
Mengindikasikan bahwa penulis memiliki sifat Semangat, pemberi resolusi, berani,
Tipe 3
Mengindikasikan bahwa penulis memiliki sifat Menutup diri, terlalu peka, malu – malu.
Tipe 4
Mengindikasikan bahwa penulis memiliki sifat Bersifat dominan, tekad kuat, tidak peka, dan egois ketika mengejar tujuan.
Tipe 5
Mengindikasikan bahwa penulis memiliki sifat Licik dan sarkastik.
Tipe 6
Mengindikasikan bahwa penulis memiliki sifat Kejam, memiliki sifat brutal.
Tipe 7
Mengindikasikan bahwa penulis memiliki sifat Optimis, semangat, antusias, ambisius.
Tipe 8
Mengindikasikan bahwa penulis memiliki sifat Tergantung terhdap orang lain, takut, putus asa.
Tipe 9
Mengindikasikan bahwa penulis memiliki sifat Keras kepala, suka berargumen, agresif, destruktif, dan kekejaman.
Tipe 10
Mengindikasikan bahwa penulis memiliki sifat Pemimpin superior, tujuan tidak realistis,
Tipe 11
