IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA
TANDA TANGAN MENGGUNAKAN METODE KOHONEN
DAN METODE
ADAPTIVE RESONANCE THEORY
(ART)
SKRIPSI
MARTINA ABRIANI SIPAYUNG
111401120
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
DAN METODE
ADAPTIVE RESONANCE THEORY
(ART)
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Ilmu Komputer
MARTINA ABRIANI SIPAYUNG
111401120
PROGRAM STUDI S1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
iii
PERSETUJUAN
Judul : IMPLEMENTASI DAN PERBANDINGAN
PENGENALAN POLA TANDA TANGAN
MENGGUNAKAN METODE KOHONEN DAN
METODE ADAPTIVE RESONANCE THEORY
(ART)
Kategori : SKRIPSI
Nama : MARTINA ABRIANI SIPAYUNG
Nomor Induk Mahasiswa : 111401120
Program Studi : S1 ILMU KOMPUTER
PERNYATAAN
IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA TANDA
TANGAN MENGGUNAKAN METODE KOHONEN DAN METODE
ADAPTIVE RESONANCE THEORY (ART)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing – masing telah disebutkan sumbernya.
Medan, 03 Desember 2015
Martina Abriani Sipayung
v
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan
karunia-Nya, penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat untuk
memperoleh gelar Sarjana Komputer, Program S1 Ilmu Komputer, Fakultas Ilmu
Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Dalam menyelesaikan skripsi ini penulis telah banyak menerima bantuan dari berbagai
pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih sebesar – besarnya
kepada :
1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D selaku Plt.Rektor Universitas Sumatera
Utara.
2. Bapak Prof. Dr. Muhammad Zarlis, M.Sc selaku Dekan Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara dan Dosen Pembina penulis.
3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer
dan Dosen Pembimbing pertama penulis yang telah meluangkan banyak waktunya
dan memberi kritik dan saran kepada penulis.
4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer
dan Dosen Pembanding pertama penulis yang telah membantu dalam memberikan
kritik dan saran dalam penyelesaian skripsi ini.
5. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing kedua penulis yang
telah meluangkan banyak waktunya dan memberi kritik dan saran kepada penulis.
6. Bapak Drs. Marihat Situmorang, M.Kom selaku Dosen Pembanding kedua penulis
yang telah membantu dalam memberikan kritik dan saran dalam penyelesaian skripsi
ini.
7. Seluruh staf pengajar dan pegawai di Fakultas Ilmu Komputer dan Teknologi
Informasi.
8. Bapak Robinhot Sipayung dan Ibu Rosta Purba sebagai orangtua penulis yang telah
membesarkan dan memberikan kasih sayang dan dukungan moral dan materi kepada
9. Adik – adik penulis, Karina Sipayung, Cristopher Sipayung dan Anggita Sipayung
yang selalu memberikan dukungan dan doa.
10.Agita Gurusinga dan Anandhini Nababan sebagai sahabat penulis yang selalu
memberikan dukungan.
11.Teman – teman yang memberikan tanda tangan yaitu : Abidah, Al Mizfar, Agung,
Ema, Febri, Fikri, Ismail, Ita, Joshua, Khairun nisa, Mawaddah, Nurkholija, Retri,
Richard, Ruth Mey, Sengli, Susi, dan Tifany.
12.Abang kakak senior serta teman – teman stambuk 2011 yang tidak dapat saya
sebutkan satu per satu .
Penulis menyadari bahwa skripsi ini masih terdapat banyak kekurangan. Oleh karena itu,
penulis mengharapkan kritik dan saran yang bersifat membangun demi penyempurnaan
skripsi ini. Semoga skripsi ini dapat bermanfaat khususnya bagi penulis dan bagi seluruh
pembaca.
Medan, 03 Desember 2015
vii
ABSTRAK
Tanda tangan digunakan oleh masyarakat dalam pembuktian identitas di kehidupan
sehari – hari, seperti dalam bidang kesehatan, pendidikan, perbankan, usaha, dan bidang
lainnya. Tanda tangan dicek dengan cara membandingkan tanda tangan dengan tanda
tangan asli yang disebut dengan pengecekan manual. Pengecekan tanda tangan dapat
dibantu dengan mengembangkan sebuah sistem yang dapat digunakan dalam mengenali
pola tanda tangan. Sistem dibangun menggunakan jaringan saraf tiruan tanpa supervisi
dengan metode Kohonen dan Adaptive Resonance Theory 1 (ART1). Dalam
menggunakan metode Kohonen dan ART1, pola tanda tangan dilatih dengan cara
mengelompokkan pola kedalam beberapa kelompok. Citra asli terlebih dahulu diolah
melalui proses binerisasi, thinning, pemotongan dan ekstraksi fitur. Hasil dari proses
pengolahan citra adalah masukan yang digunakan dalam pelatihan dan pengujian jaringan
saraf tiruan menggunakan metode Kohonen dan ART1. Waktu pelatihan metode
Kohonen selama 68.0842 detik sedangkan waktu pelatihan metode ART1 selama
6.83757 detik. Metode Kohonen dan ART1 dapat mengenali citra yang telah dilatih
dengan ketepatan 100%. Sedangkan untuk citra yang tidak dilatih, persentase akurasi dari
metode Kohonen sebesar 63.75% dengan rata – rata waktu pengujian adalah
0.000319295 detik dan persentase akurasi dari metode ART1 sebesar 47.5% dengan rata – rata waktu pengujian adalah 0.000410643 detik. Dari hasil tersebut didapatkan kesimpulan bahwa metode Kohonen lebih cepat dan tepat dalam mengenali pola tanda
tangan dibandingkan dengan metode ART1.
Kata kunci : Jaringan Saraf Tiruan, Kohonen, Adaptive Resonance Theory 1
IMPLEMENTATION AND COMPARISON OF SIGNATURE PATTERN
RECOGNITION USING KOHONEN METHOD AND ADAPTIVE
RESONANCE THEORY (ART) METHOD
ABSTRACT
Signature is used by society to prove identity in daily life, such as health, education,
banking, business, and other fields. Signature is checked by comparing the signature with
the original signature called manual checking. Checking the signature can be helped by
developing a system that can be used to recognize signature pattern. The system was built
using unsupervised neural network with Kohonen method and Adaptive Resonance
Theory 1 (ART1). Using Kohonen and ART1 method, signature pattern is trained by
classifying the pattern into several groups. The original image must first be processed
through binarization, thinning, cropping and extraction features. The result of the image
processing is input that is used in neural network training and testing using Kohonen and
ART1 method. Training time for Kohonen method is 68.0842 seconds while training time
for ART1 method is 6.83757 seconds. Kohonen and ART1 method can recognize images
that have been trained with 100% accuracy. As for the image that is not trained, the
percentage of accuracy of the Kohonen method is 63.75% with the average of recognition
time is 0.000319295 seconds and the percentage of accuracy of the ART1 method is
47.5% with the average of recognition time is 0.000410643 seconds. From these results,
it is concluded that the Kohonen method is faster and more accurate than the ART1
method at recognizing signature pattern.
2.3.1 Arsitektur Adaptive Resonance Theory 1 (ART1) 15
2.3.2 Algoritma Adaptive Resonance Theory 1 (ART1) 15
2.3.3 Pelatihan Cepat (Fast Learning) dan Pelatihan
Lambat (Slow Learning) 17
2.6 Prapengolahan Citra 21
2.6.1 Konversi RGB ke Abu – abu (Grayscale) 21
2.6.2 Pengambangan (Tresholding) 21
2.6.3 Thinning 22
2.7 Ekstraksi Fitur 22
2.7.1 Transformasi Wavelet 2D 23
2.8 Format File Citra JPEG (.jpg) 24
2.9 Verifikasi Tanda Tangan 24
2.10 Penelitian Terdahulu 25
Bab 3 Analisis dan Perancangan Sistem
xi
3.2.3 Diagram Urutan Aksi - aksi (Sequence Diagram) 50
3.3 Perancangan Flowchart 51
3.3.1 Flowchart Binerisasi Citra 51
3.3.2 Flowchart Thinning Citra 52
3.3.3 Flowchart Pemotongan Citra 54
3.3.4 Flowchart Ekstraksi Fitur 55
3.3.5 Flowchart Pelatihan Jaringan Saraf Tiruan (JST) 57
3.3.6 Flowchart Pengujian Jaringan Saraf Tiruan (JST) 62
3.4 Perancangan Arsitektur Jaringan 65
Bab 4 Implementasi dan Pengujian Sistem
4.1 Implementasi Sistem 76
4.4.1 Tampilan Antarmuka Sistem 76
4.4.1.1 Halaman Utama 76
4.4.1.2 Pelatihan 77
4.1.1.2.1 Prapengolahan Citra dan Ekstraksi
Fitur 78
4.1.1.2.2 Pelatihan Jaringan Saraf Tiruan 83
4.4.1.3 Pengujian 84
4.1.1.3.1 Pengujian dengan Satu Citra Uji 85
4.1.1.3.2 Pengujian dengan 20 (dua puluh)
Citra Uji 86
4.4.1.4 Bantuan 89
4.2 Pengujian dan Hasil Pengujian 91
4.2.2.1 Pengujian pada citra yang telah dilatih 92
4.2.2.2 Pengujian pada citra yang tidak dilatih 94
xiii
DAFTAR GAMBAR
Hal.
Gambar 2.1 Model matematis dari jaringan saraf tiruan 7
Gambar 2.2 Jaringan saraf dengan lapisan tunggal 9
Gambar 2.3 Jaringan saraf dengan lapisan banyak 10
Gambar 2.4 Jaringan saraf dengan lapisan kompetitif 11
Gambar 2.5 Arsitektur jaringan kohonen 13
Gambar 2.6 Struktur sasar ART1 15
Gambar 2.7 Struktur sistem pengenalan pola 18
Gambar 2.8 Koordinat citra digital 19
Gambar 2.9 Ilustrasi digitalisasi citra 20
Gambar 2.10 Transformasi Wavelet 2D 1 level 24
Gambar 2.11 Skema hasil Transformasi Wavelet 2D 1 level 24
Gambar 3.1 Diagram Ishikawa 28
Gambar 3.2 Prapengolahan citra 30
Gambar 3.3 Ekstraksi fitur 31
Gambar 3.4 Diagram kasus penggunaan (Use case Diagram) 44
Gambar 3.5 Diagram aktivitas (Activity Diagram) pelatihan
sistem 48
Gambar 3.6 Diagram aktivitas (Activity Diagram) pengujian
sistem 49
Gambar 3.7 Diagram aktivitas (Activity Diagram) simpan data
tabel hasil 49
Gambar 3.8 Diagram aktivitas (Activity Diagram) menampilkan
grafik pengujian 50
Gambar 3.9 Diagram urutan aksi – aksi (Sequence Diagram)
Sistem 50
Gambar 3.10 Flowchart binerisasi citra 51
Gambar 3.13 Flowchart ekstraksi fitur 56
Gambar 3.14 Flowchart pelatihan Kohonen 58
Gambar 3.15 Flowchart pelatihan ART1 59
Gambar 3.16 Flowchart pengujian Kohonen 63
Gambar 3.17 Flowchart pengujian ART1 64
Gambar 3.18 Arsitektur jaringan saraf tiruan metode Kohonen
untuk pengenalan tanda tangan 66
Gambar 3.19 Arsitektur jaringan saraf tiruan metode ART1
untuk pengenalan tanda tangan 67
Gambar 3.20 Halaman utama 68
Gambar 3.21 Pengolahan citra dan pelatihan 69
Gambar 3.22 Pengujian 71
Gambar 3.23 Bantuan halaman utama 73
Gambar 3.24 Bantuan halaman pelatihan 74
Gambar 3.25 Bantuan halaman pengujian 75
Gambar 4.1 Halaman utama 77
Gambar 4.8 Proses ekstraksi fitur 82
Gambar 4.9 Hasil ekstraksi fitur 82
Gambar 4.10 Proses pelatihan 83
Gambar 4.11 Waktu proses pelatihan 84
Gambar 4.12 Pengujian 85
xv
Gambar 4.19 Bantuan pelatihan 90
Gambar 4.20 Bantuan Pengujian 90
Gambar 4.21 Grafik perbandingan waktu pengujian metode
DAFTAR TABEL
Hal.
Tabel 3.1 Dokumentasi naratif kasus penggunaan (Use case)
pelatihan Kohonen dan ART1 45
Tabel 3.2 Dokumentasi naratif kasus penggunaan (Use case)
pengujian Kohonen dan ART1 46
Tabel 4.1 Parameter dan waktu pelatihan Kohonen 91
Tabel 4.2 Parameter dan waktu pelatihan ART1 91
Tabel 4.3 Hasil pengujian pada citra yang telah dilatih 92
Tabel 4.4 Hasil pengujian pada citra yang tidak dilatih 94
Tabel 4.5 Citra uji dengan target kelompok dan keluarannya
menggunakan metode Kohonen 103
Tabel 4.6 Citra uji dengan target kelompok dan keluarannya
