REGION DAN PRINCIPAL COMPONENT ANALYSIS (PCA) SERTA PENGKLASIFIKASIAN SUPPORT VECTOR MACHINE (SVM)
Lisasaumi Rahmatna¹, Tjokorda Agung Budi Wirayuda², Ade Romadhony³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Kemajuan teknologi menuntut segalanya mampu ditangani oleh sebuah sistem, seperti pada proses identifikasi seseorang. Pada tugas akhir ini dilakukan analisis untuk pengenalan telapak tangan secara otomatis. Citra inputan akan dipreprocessing secara automatic region untuk mendapatkan area penting dari citra telapak tangan. Selanjutnya akan dicari ciri dari citra tersebut menggunakan Principal Component Analysis (PCA) dan diklasifikasikan menggunakan Support Vector Machine (SVM).
Metoda PCA memiliki kemampuan mereduksi dimensi data namun tetap mempertahankan informasi dan karakteristik data tersebut. Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari hyperplane terbaik yang berfungsi sebagai pemisah dua buah class pada input space. SVM secara konsep merupakan linear classifier, tetapi SVM dapat dimodifikasi dengan menggunakan kernel trick, sehingga bisa digunakan untuk menyelesaikan permasalahan non-linear.
Berdasarkan hasil pengujian yang telah dilakukan terhadap 500 data latih dan 500 data uji, sistem ini mampu mengidentifikasi telapak tangan secara otomatis dengan tingkat akurasi mencapai 98% (480 data berhasil dikenali).
Kata Kunci : preprocessing, automatic region, klasifikasi, Principal Component Analysis (PCA), Support Vector Mechine (SVM)
Abstract
Technological advances demanded everything can be handled by a system, as in the process of identifying a person. At this final tasks conducted the analysis for the introduction of the palmprint automatically. Preprocessing input image will be automatic in the region to get the important area of the image of the palm. Furthermore, we will look for characteristics of the image using the Principal Component Analysis (PCA) and classified using a Support Vector Machine (SVM).
PCA method has the ability to reduce the dimensions of data while still maintaining the
information and data characteristics. The concept of SVM can be explained simply as an attempt to find the best hyperplane which serves as a separator of two classes in the input space. The concept of a linear SVM classifier, but the SVM can be modified by using the kernel trick, which can be used to solve non-linear problems.
Based on the results of tests conducted on 500 training data and test data 500, the system is capable of automatically identifying the palm of the hand with an accuracy of 98% (480 data has been identified).
Keywords : preprocessing, automatic region, clasification, Principal Component Analysis (PCA), Support Vector Mechine (SVM)
BAB I
PENDAHULUAN
1.1 Latar BelakangPengenalan telapak tangan adalah salah satu teknologi biometrika populer, terutama di kontrol akses fisik dan waktu serta monitoring kehadiran. Masing-masing teknik biometrika ini memiliki kelebihan dan kekurangan sesuai dengan pengguna, biaya penerimaan dan kinerja. Ada tujuh faktor untuk menentukan kesesuaian fisik atau tingkah laku dalam aplikasi biometric, yaitu; universality,
uniqueness, permanence, measurability, performance, acceptability, dan circumvention. Berdasarkan perbandingan faktor tersebut, jenis biometrik yang
menyediakan kombinasi dari kualitas menengah-tinggi yaitu sidik jari, geometri tangan, urat tangan dan kanal telinga. Dewasa ini banyak sekali kasus yang memerlukan pengidentifikasian dan verifikasi menggunakan biometrika, contohnya untuk identifikasi penyakit, presensi kehadiran, transaksi, pembuatan dokumen dan laporan. Banyak penelitian yang telah dilakukan terkait penggunaan biometrik ini untuk mendapatkan hasil yang lebih baik, seperti penelitian mengenai pengenalan telapak tangan yang masih terus dikembangkan sampai sekarang dengan penggunaan berbagai metode untuk hasil yang lebih baik.
Pada telapak tangan terdapat berbagai ciri unik berupa garis-garis telapak tangan yang berbeda pada setiap individu dan tidak akan berubah kecuali mendapat kecelakaan serius. Penggunaan telapak tangan menghasilkan ciri yang lebih baik dalam identifikasi karena telapak tangan memiliki permukaan yang luas. Dalam tugas akhir ini digunakan automatic region untuk tahap preposessing,
Principal Component Analysis (PCA) untuk ekstraksi ciri dan Support Vector Machine (SVM) sebagai metoda klasifikasi. PCA merupakan teknik ekstraksi
dalam multi resolusi dan representasi multi frekuensi. Metode ini digunakan untuk mereduksi data yang berdimensi tinggi menjadi data yang berdimensi rendah tanpa mengurangi karakteristik data secara signifikan. Tahapan sebelum ekstraksi yaitu tahapan preposessing, pada tahapan ini citra masukan akan dicari area pentingnya untuk mendapatkan hasil ekstraksi yang lebih baik. Support Vector
Machine (SVM) adalah sistem pembelajaran yang menggunakan ruang hipotesis
berupa fungsi-fungsi linier dalam sebuah ruang fitur (feature space) berdimensi tinggi, dilatih dengan algoritma pembelajaran yang didasarkan pada teori optimasi dengan mengimplementasikan learning bias yang berasal dari teori pembelajaran statistik.
Hasil yang diinginkan adalah bagaimana pengembangan sistem ini dapat mengenali dan mengidentifikasi telapak tangan secara akurat menggunakan PCA dan SVM, serta dapat mengambil keputusan yang tepat pada setiap jenis pola telapak tangan yang menjadi masukan.
1.2 Rumusan Masalah
Berdasarkan latar belakang permasalahan, maka masalah yang akan dirumuskan yaitu bagaimana penggunaan automatic region dan metode ekstraksi
Principal Component Analysis (PCA) serta pengklasifikasian dengan Support Vector Machine (SVM) pada kasus multi class serta tingkat keakurasiannya jika
diimplementasikan pada sistem identifikasi telapak tangan ini.
1.3 Tujuan
Tujuan yang ingin dicapai dari penelitian ini adalah:
1. Mengimplementasikan penggabungan metode ekstraksi principal component
analysis dengan automatic region serta metode klasifikasi menggunakan support vector machine.
2. Menganalisa manfaat automatic region dalam performansi sistem.
3. Menghitung dan menganalisis keakurasian hasil yang diperoleh dari sistem serta performansi sistem.
1.4 Batasan Masalah
Dalam implementasinya, tugas akhir ini dibatasi oleh beberapa hal berikut: 1. Data inputan berupa citra telapak tangan kanan dalam kondisi normal dari
100 responden dengan pengambilan gambar sebanyak 10 kali pada tiap responden dalam lingkungan terkondisi.
2. Teknik pengambilan gambar yaitu menggunakan kamera digital, yang selanjutnya citra tersebut akan disimpan dalam format .JPG.
3. Posisi telapak tangan yang di ambil yaitu menghadap ke depan kamera, dengan kondisi yang telah diatur.
4. Pembangunan sistem menggunakan Matlab versi 2010b.
1.5 Metodologi Penulisan
1. Studi literatur
Merupakan tahap dalam mempelajari konsep serta teori pendukung untuk mencari solusi dari permasalahan. Studi literatur dalam tugas akhir ini meliputi pembelajaran konsep biometric, automatic region, Principal
Component Analysis (PCA, )Suport Vector Mechine (SVM), serta literatur
lainnya yang menunjang dalam proses pembuatan tugas akhir ini. 2. Pengumpulan data
Yaitu tahapan melakukan pencarian serta pengumpulan data, data diperoleh dengan cara memfoto telapak tangan kanan responden. Jumlah responden sebanyak 100 responden, dimana setiap responden diambil sebanyak 10 kali.
3. Pemodelan sistem
Merupakan tahap dimana dianalisis kebutuhan serta perancangan untuk sistem pengenalan telapak tangan yang akan dibangun.
4. Implementasi
Yaitu tahapan pembuatan sistem sesuai dengan perencanaan yang telah dilakukan.
5. Testing dan analisis hasil
Merupakan tahap pengujian yang dilakukan dari hasil klasifikasi menggunakan metode support vector machine (SVM), serta menganalisis performansi sesuai dengan parameter yang telah ditentukan.
6. Pembuatan laporan
Pada tahapan ini dilakukan penyusunan laporan berdasarkan hasil penelitian yang telah dilakukan serta menarik kesimpulan dari penelitian tersebut.
1.6 Sistematika Penulisan
Tugas akhir ini disusun dengan sistematika pembahasan sebagi berikut :
BAB I PENDAHULUAN
Bab ini menguraikan latar belakang penulisan, perumusan masalah, batasan masalah, tujuan penulian, metodologi penulisan, dan sistematika penulisan.
BAB II DASAR TEORI
Berisi tentang teori yang mendukung dan mendasari penulisan tugas akhir ini, yaitu pengolahan citra digital, metode yang digunakan dalam ekstraksi dan mengklasifikasikan telapak tangan.
BAB III PERANCANGAN SISTEM DAM SIMULASI
Bab ini menguraikan tentang proses perancangan tahap pemprosesan awal (preprocessing), ekstraksi ciri, dan klasifikasi telapak tangan.
BAB IV ANALISIS DAN HASIL SIMULASI
Berisikan analisis dari hasil yang diperoleh pada perancangan dan simulasi yang dilakukan.
BAB V KESIMPULAN DAN SARAN
Berisikan kesimpulan dari analisis yang telah dilakukan dan saran untuk pengembangan lebih lanjut.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil implementasi, pengujian serta analisis yang telah dilakukan, maka dapat diambil kesimpulan, yaitu:
1. Tahapan dan parameter pada preprocessing sangat menentukan keberhasilan sistem dalam mengenali telapak tangan. Nilai jari-jari centroid yang di ambil yaitu 40, menghasilkan area yang lebih baik untuk ukuran citra inputan 256x256 pixel dengan berbagai pose.
2. Sistem pengenalan telapak tangan dengan memilih ROI secara otomatis dapat diimplementasikan dan memiliki performansi akurasi sebesar 98%.
3. Banyaknya jumlah Principal Component (PC) yang dipilih akan mempengaruhi banyaknya ciri atau karakteristik yang dibawa. Semakin banyak ciri yang dibawa akan meningkatkan akurasi. Nilai PC yang dipilih pada sistem ini dan menghasilkan akurasi terbaik yaitu pada saat nilai PC=450.
4. Untuk nilai PC yang besar, maka nilai parameter C yang digunakan juga besar, karena semakin banyak ciri, maka data semakin tidak linier. Parameter C yang menghasilkan akurasi bagus yaitu C= 1.5 untuk automatic dan C=1 tanpa automatic.
5.2 Saran
1 Pada tahap preprocessing menggunakan metode lain yang dapat mencari ROI
secara otomatis.
2 Menerapkan metode-metode lainnya pada tahapan ekstraksi dan klasifikasi untuk mendapatkan performansi yang optimal.
3 Menggunakan data lebih banyak lagi dan lebih bervariasi untuk mendapatkan akurasi yang lebih baik.
4 Untuk saran pengembangan selanjutnya, sistem bisa dibangun secara real
DAFTAR PUSTAKA
[1] A.K. Jain, P. Flynn, A.A. Ross, Handbook Of Biometrics, Springer NY, 2008.
[2] A.K. Jain, R. Bolle, S. Pankanti, biometric: Personal Identification in Network
Society, eds. Kluwer Academic, 1999.
[3] endra Keshari, Stephen M. Watt, Online Mathematical Symbol Recognition
using SVMs with Features from Functional Approximation, Canada.
[4] Chih-Wei Hsu, Chih-Jen Lin, A Comparison of Methods for Multiclass Support
Vector Machine, IEEE Transactions On Neural Networks, Vol. 13, No. 2,
March 2002.
[5] rma Putra, Pengolahan Citra Digital, Andiu, Yogyakarta, 2010.
[6] rma Putra, Sistem Biometrika, Andi, Yogyakarta, 2009
[7] http://www.informatika.org/~rinaldi/Buku/Pengolahan%20Citra%20Digital/Ba
b-1_Pengantar%20Pengolahan%20Citra.pdf Munir, Rinaldi. Pengantar
Pengolahan Citra.
[8] p://journal.mercubuana.ac.id/data/8%20Olah%20CitraKonsep%20Dasar.pdf
kses pada 12 januari 2012
[9] Iqbal Razi,Klasifikasi Kendaraan menggunakan Principal Component Analysis
(PCA) dan Learning Vector Quantization (LVQ), 2010. Tugas Akhir
Departemen Teknik Informatika. IT Telkom, Bandung.
[10] I Ketut Gede Darma Putra, Sistem Verifikasi Menggunakan Garis-Garis
Telapak Tangan, Darma Putra, Vol. 6 No. 2 Juli – Desember 2007
[11] Khrisna Dini Yunita Sari, Kategorisasi Teks dengan Menggunakan Metode
Klasifikasi Support Vector Machine (SVM), 2006. Tugas Akhir Departemen
Teknik Informatika. IT Telkom, Bandung.
[12] Leong Lai Fong, Woo Chaw Seng, A Comparison Study on Hand Recognition
Approaches, IEEE, 2009.
[13] Liza Noviani, Pengklasifikasian Dokumen Berita berbahasa Indonesia
Menggunakan Latent Semantic Indexing (LSI) dan Support Vector Machine (SVM), 2008. Tugas Akhir Departemen Teknik Informatika, IT Telkom
Bandung.
[14] Maha Sharkas, Ibrahim El-Rube, M. Allah Mostafa, The Contourlet Transform
with the Principal Component Analysis for Palmprint Rocognition, IEEE, 2010
[15] Mauridhi Hery P, Arif Muntasa, Konsep Pengolahan Citra Digital dan
Ekstraksi Fitur, Graha Ilmu, Yogyakarta, 2010.
[16] S. Parashar, A. Vardhan, C.Patvardhan, P. K. Karla, Design and
Implementation of a Robust Palm Biometrics Recognition an Verification System, IEEE, 2008
[17] Wijaya, Marvin Ch. dan Agus Prijono. Pengolahan Citra Digital Menggunakan
Matlab. 2007. Informatika: Bandung.
[18] Ying-Han Pang, Andrew T.B.J, David N.C.L, Hiew Fu San, Palmprint
Verification with Moments, Malaysia.
[19] Zdeneˇk Rˇ íha, Václav Matyáš, Biometric Authentication Systems, FI MU,
