APLIKASI PENGENALAN POLA TANDA TANGAN MENGGUNAKAN JARINGAN
SYARAF TIRUAN DENGAN METODE PERCEPTRON
ADIAN F EBRYANTO
ABSTRAK
Nama Adian Febryanto dengan NIM 2114033, Jurusan Teknik Informatika (TI). Judul Skripsi Aplikasi Pengenalan Tanda Tangan Menggunakan Jaringan Syaraf Tiruan Dengan Metode Perceptron. Dosen Pembimbing satu (I) bernama Rahmad Kurniawan M.Kom, dan dosen Pembimbing dua (II) bernama Masrizal M.Kom. Skripsi ini diangkat karena dilatar belakangi oleh dimana pengenalan pola pada PT. BUANA LISTYA TAMA Tbk masih dilakukan secara manual yaitu dengan cara membandingkan dan melihat tanda tangan yang sudah ada, tetapi pengenalan tanda tangan menggunakan cara ini masih dapat menimbulkan keraguan dalam mengidentifikasi pemilik dari tanda tangan dan kurang telitinya pemeriksa dalam memperhatikan tanda tangan apakah tanda tangan tersebut cocok atau tidak cocok dengan tanda tangan asli sehingga menimbulkan keraguan maka penulis membuat aplikasi pengenalan pola tanda tangan, untuk mempermudah dalam mengindetifikasi pemilik tanda tangan.
Dalam penelitian ini penulis menggunakan studi perpustakaan dan studi laboraturium. Pengumpulan data dengan cara studi pustaka yaitu penulis mendapatkan bahan-bahan secara teoritis berbagai sumber baik itu buku, literatur ataupun karya ilmiah yang mendukung dalam perancangan aplikasi pengenalan pola tanda tangan.
Bahasa pemrograman yang digunakan Visual Basic 6.0. Perancangan aplikasi pengenalan tanda tangan ini dapat menjawab keraguan cocok atau tidak cocok nya suatu tanda tangan dengan yang aslinya. Untuk mendukung kearutan data dalam hasil pengujian digunakan bahasa pemrograman MATLAB 6.1.
PENDAHULUAN
1.1 Latar Belakang Pemilihan Judul
Seiring dengan perkembangan teknologi saat ini, para ahli mencoba untuk menggantikan sifat kerja otak manusia dengan komputer ataupun aplikasi yang cerdas, sehingga diharapkan akan tercipta komputer atau aplikasi yang dapat berpikir selayaknya otak manusia yang dapat mengambil suatu keputusan sendiri dengan memperhatikan dan menimbang input atau masukan yang diberikan dengan melalui pelatihan atau pembelajaran. Hal inilah yang mendorong terciptanya Artifical Intelegence (AI). Yang salah satu cabangnya adalah jaringan syaraf tiruan.
Jaringan syaraf tiruan merupakan sistem untuk pemrosesan informasi yang memiliki kemampuan pembelajaran terhadap data dan informasi yang diterima, kemapuan untuk memodelkan fungsi linear dan mempunyai sifat mentolerir ketidakpastian. Didalam jaringan syaraf tiruan terdapat berbagai metode, salah satunya yaitu metode perceptron. Dimana metode perceptron sangat sesuai untuk mengolongkan pola pada suatu permasalahan yang sederhana, khususnya pola yang terpisah secara linear (Arif Hermawan, 2006:hal.81).
Penerapan jaringan syaraf tiruan sangatlah luas, diantaranya dalam hal peramalan, analisis data dan pengenalan pola. Penerapan jaringan syaraf tiruan dalam pengenalan pola salah satunya adalah pengenalan pola tanda tangan. Tanda tangan banyak digunakan dalam proses administrasi perkantoran maupun perusahaan dan lain sebagainya. PT.Buana Listya Tama.Tbk merupakan perusahaan besar yang bergerak di bidang pelayaran yang menggunakan tanda tangan untuk melakukan kegiatan operasional perusahaan dalam pengurusan dokumen-dokumen dan kegiatan administrasi perusahaan. Tanda tangan ini bertujuan untuk meminta bertanggung jawaban dari isi yang tertera didalam dokumen tersebut, baik yang ditujukan ke pimpinan maupun kepada orang yang bersangkutan.
Namun sebagian karyawan masih menganggap penggunaan tanda tangan suatu hal biasa, sehingga memungkinkan karyawan untuk melakukan tindak kecurangan dalam penggunaan tanda tangan. Pemalsuan dan penyalahgunaan tanda tangan salah satu tindak kecurangan yang dilakukan karyawan untuk kepentingan pribadi, yang dapat merugikan perusahaan dan orang lain.
Dimana pengenalan pola pada PT. BUANA LISTYA TAMA Tbk masih dilakukan secara manual yaitu dengan cara membandingkan dan melihat tanda tangan yang sudah ada, tetapi pengenalan tanda tangan menggunakan cara ini masih dapat menimbulkan keraguan dalam mengidentifikasi pemilik dari tanda tangan dan kurang telitinya pemeriksa dalam memperhatikan tanda tangan apakah tanda tangan tersebut cocok atau tidak cocok dengan tanda tangan asli sehingga menimbulkan keraguan..
1.2 Identifikasi Masalah
1. Terjadinya pemalsuan dan penyalahangunaan tanda tangan sehingga dapat merugikan perusahaan dan pihak lain.
2. Pengenalan tanda tangan masih dilakukan dengan cara membandingkan dan melihat tanda tangan yang sudah ada (manual).
3. Pemeriksaan yang kurang teliti dalam mengenali tanda tangan apakah cocok atau tidak cocok dengan tanda tangan asli sehingga menimbulkan keraguan.
4. Sebagian karyawan masih menganggap penggunaan tanda tangan suatu hal biasa, sehingga terjadi tindak kecurangan dalam penggunaan tanda tangan.
1.3 Perumusan Masalah
Dari permasalahan yang telah teridentifikasi diatas maka perumusan masalah yaitu “Bagaimana membuat aplikasi pengenalan pola tanda tangan menggunakan jaringan syaraf tiruan dengan metode perceptron?”
1.4 Hipotesa
Dari permasalahan yang ada maka dapat diambil hipotesa apabila dirancang sistem pengenalan pola tanda tangan menggunakan jaringan syaraf tiruan dengan metode perceptron maka akan dapat mengidentifikasi pemilik tanda tangan.
1.5 Ruang Lingkup Penelitian
Agar pembahasan ini lebih terarah dalam melakukan analisa pada permasalahan yang dihadapi dan sesuai dengan tujuan penelitian yang dicapai, maka ruang lingkup penelitian ini adalah :
1. Data input berupa gambar tanda tangan dengan format file jpg atau bmp. 2. Gambar tanda tangan tidak kotor (noise).
3. Hardware yang digunakan : a) Laptop Toshiba 4. Software yang digunakan :
a) Sistem operasi windows 7 ultimate 32-bit. b) Bahasa pemograman Visual basic 6.0. c) MySQL – Front version 3.2.
f) Paint.
1.6 Tujuan dan Kegunaa Penelitian
1.6.1 Tujuan Penelitian
Adapaun tujuan dari penelitian ini sebagai berikut :
1. Menghasilkan aplikasi pengenalan pola tanda tangan dengan menggunakan komputer.
2. Menerapkan metode perceptron untuk melakukan pengenalan pola tanda tangan. 3. Mengurangi tindak kecurangan terhadap pemalsuan tanda tangan.
1.6.2 Kegunaan Penelitian
Adapun kegunaan dari penelitian ini adalah :
1. Memberikan kemudahan dalam mengidentifikasi pengenalan tanda tangan
1.7 Metode Penelitian
a. Tempat dan waktu penelitian
Tempat penelitian dalam pemilihan judul ini dilakukan di perusahaan PT. Buana Listya Tama tbk cabang dumai.
b. Jenis penelitian
Jenis penelitian yang dilaksanakan dalam penelitian ini berupa : 1. Studi Pustaka
Dimana jenis penelitian ini dilakukan dengan cara mengumpulkan data dari buku maupun dari internet.
2. Laboratorium
Dimana jenis penelitian ini menggunakan laptop untuk menguji aplikasi c. Mengumpulkan Data
Dalam penelitian ini, adapun teknik mengumpulkan data yang dilakukan adalah sebagai berikut :
1. Interview atau wawancara yaitu pengumpulan data secara tatap muka langsung untuk mendapatkan data-data dan keterangan yang diperlukan dalam pembuatan aplikasi yang akan dirancang.
1.8 Sistematika Penelitian
Adapun sistematika penelitian yang diguanakan didalam pembuatan proposal skripsi sebagai berikut :
BAB I : PENDAHULUAN
BAB II : TINJAUAN UMUM OBJEK PENELITIAN
BAB III : ANALISA DAN PERANCANGAN
BAB IV : IMPLEMEMTASI SISTEM
BAB V : KESIMPULAN DAN SARAN
TINJUAN UMUM DAN LANDASAN TEORI
2.1. Tinjuan Umum Objek Penelitian
Bagan Organisasi
PT. Buana Listya Tama Tbk Dumai Branch
Gambar 1. Bagan Organisasi PT. Buana Listya Tama Tbk
Dumai Branch
Sumber : PT. Buana Listya Tama Tbk Dumai Branch
2.2. Tinjuan Teori Umum
Sistem adalah sekumpulan objek-objek yang saling berinteraksi, serta hubungan antar objek bisa dilihat sebagai satu kesatuan yang dirancang untuk mencapai tujuan yang telah ditetapkan (Hamim Tohari 2014:hal.2).
2.2.2 Informasi
Informasi adalah data yang telah diproses sedemikian rupa, sehingga memiliki arti yang lebih bermanfaat bagi penggunanya (Hamim Tohari, 2014:hal.7).
2.2.3 Data
Data dapat didefinisikan sebagai bahan keterangan tentang kejadian-kejadian nyata atau fakta-fakta yang dirumuskan dalam sekelompok lambing tertentu yang tidak acak, yang menunjukkan jumlah, tindakan, atau hal. Data dapat berupa catatan-catatan dalam kertas, buku, atau tersimpan sebagai file dalam basis data (Edhy Susanta, 2011:hal.13).
2.2.4 Pemodelan
Pemodelan (modeling) adalah penyerderhanaan dari suatu permasalahan. Sasaran dari model adalah sebuah abstraksi dari segala sesuatu menjadi gambaran-gambaran yang lebih mudah untuk dipahami oleh berbagai pihak. Tujuan dari pemodelan (dalam konteks pengembangan sistem atau perangkat lunak aplikasi) adalah sebagai media visualisasi dan komunikasi antar berbagai pihak yang terlibat dalam pengembangan sistem atau perangkat lunak aplikasi. Selain itu pemodelan juga berfungsi sebagai alat dokumentasi, yaitu menelaah lebih jauh perilaku dari suatu sistem secara seksama, dan untuk melakukan pengujian (testing) sistem yang telah dilakukan pengembangan (Hamim Tohari,2014:hal.17).
2.2.5 Pengolahan Citra
Pengolahan citra adalah satu cabang dari ilmu informatika.
Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra atau gambar menjadi citra lain dengan menggunakan teknik tertentu.1
Berikut adalah ini adalah definisi dasar yang dipergunakan dalam pengolahan citra : 1. Citra adalah Gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang
kontinu menjadi gambar diskrit melalui proses sampling.1
2. Sampling adalah proses untuk menentukan warna pada piksel tertentu pada citra dari sebuah gambar yang kontinu.1
3. Kuantisasi adalah ada kalanya, dalam proses sampling, warna rata-rata yang didapat direlasikan ke level warna tertentu.1
4. Derau (Noise) adalah gambar atau pixel yang menggangu kualitas citra.1
2.2.6 Pengertian UML (Unified Modeling Language)
UML (Unified Modeling Language) adalah notasi yang lengkap untuk membuat visualisasi model suatu sistem (Deddy Kusbianto,2010:hal.116).
2.2.6.1 Diagram UML
Diagram UML adalah yang menggambarkan permasalahan maupun solusi dari
permasalahan suatu model (Deddy Kusbianto,2010:hal.113). Berikut gambar dari diagram UML (Unified Modeling Language).
Gambar 2. Diagram UML Sumber : http://www.uml.org/
1. Use Case Diagram
Use case adalah rangkaian atau uraian sekelompok yang saling terkait dan membentuk sistem secara teratur yang dilakukan atau diawasi oleh sebuah aktor. Use ca se digunakan untuk membentuk tingkah laku benda dalam sebuah model serta direalisasikan oleh sebuah kolaborasi. (Hamim Tohari,2014:hal:47).
Beberapa elemen yang digunakan pada diagram use case dapat dilihat pada gambar dibawah ini
Gambar 3. Elemen-elemen diagram use case
Sumber : Hamim Tohari,2014:hal.52
2. Class Diagram
Class Diagram adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan perancangan berorientasi objek (Hamim Tohari,2014:hal.83). Berikut adalah elemen-elemen yang digunakan pada class diagram.
Sumber : Grady Booch,1999.Visual Modeling With Rational
Class adalah blok-blok pembangunan pada pemograman berorientasi obyek. Sebuah class digambarkan sebagai kotak yang terbagi atas 3 bagian. Bagian atas adalah nama class. Bagian tengah mendefinisikan property/attribute class.Bagian akhir mendefinisikan method-method dari sebuah class.
Association
Sebuah asosiasi merupakan sebuah relationship paling umum anatar 2 class dan dilambangkan oleh sebuah garis yang menghubungkan antara 2 class. Garis ini bisa melambangkan relationship dan juga dapat menampilkan hokum-hukum multiplisitas pada sebuah relationship.
(Contoh : One-to-one, one-to-many, many-to-many)
Composition
Jika sebuah class tidak bisa berdiri sendiri dan harus merupakan bagian dari class yang lain, maka class tersebut memiliki relasi Composition terhadap class tempat dia bergantung terserbut.
Dependency
Kadangkala sebuah class menggunakan class yang lain. Hal ini disebut dependency. Umumnya penggunaan dependency digunakan untuk menunjukkan operasi pada suatu class yang menggunakan class lain.
---
Aggregation
3. Sequence Diagram
Sequence Diagram menggambarkan interaksi antara sejumlah objek dalam urutan waktu. Kegunaannya untuk menunjukkan rangkaian pesan yang dikirim antara objek juga interaksi antar objek yang terjadi pada titik tertentu dalam eksekusi sistem (Hamim Tohari.2014:hal.101). Berikut elemen-elemen pada sequence diagram.
Tabel 2. Elemen-elemen sequence diagram
Sumber : Grady Booch,1999.Visual Modeling With Rational Rose
4. State Diagram
State Diagram yaitu menunjukkan state-state dari obyek tunggal, event-event atau pesan yang menyebabkan transisi dari suatu state ke state yang lain. State diagram hanya dibuat untuk class yang berkelakuan dinamis (Hamim Tohari,2014:hal.107).
5. Activity Diagram
Activity diagram memodelkan workflow proses bisnis dan urutan aktivitas dalam sebuah proses. Diagram ini sangat mirip dengan flowchart karena memodelkan workflow dari satu aktivitas ke aktivitas lainnya atau dari aktivitas ke status (Hamim Tohari,2014:hal.114). Berikut elemen-elemen pada activity diagram.
Sumber : Grady Booch,1999.Visual Modeling With Ra tional
Rose
6. Object Diagram
Object diagram adalah model yang menjelaskan bagaimana sejumlah objek bekerja sama dalam beberapa “kelakuan” (Hamim Tohari,2014:hal.99)
7. Collaboration Diagram
Collaboration diagram merupakan cara alternative untuk menggambarkan scenario dari suatu sistem (Hamim Tohari,2014:hal.104)
8. Component Diagram
Component diagram digunakan untuk memodelkan aspek fisik dari suatu sistem (Halim Tohari,2014:hal.130).
9. Deployment Diagram
Diagram deployment menunjukkan tata letak sebuah sistem secara fisik (Hamim Tohari,2014:hal.134).
2.3 Tinjauan Teori Khusus
2.3.1 Pengertian Aplikasi
Aplikasi berasal dari kata application yaitu bentuk benda dari kata kerja to apply yang
dalam bahasa Indonesia berarti pengolah. Secara istilah, aplikasi komputer adalah suatu subkelas perangkat lunak komputer yang menggunakan kemampuan komputer langsung untuk melakukan suatu tugas yang diinginkan pemakai. Contoh utama perangkat lunak aplikasi adalah program pengolah kata, lembar kerja, dan pemutar media.2
2.3.2 Kecerdasan Buatan
Kecerdadsan Buatan atau Artificial Intelligence (AI) merupakan salah satu 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 pada yang dilakukan manusia.
Menurut John McCarthy, 1956, AI adalah untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia
Gambar 4. Penerapan Konsep Kecerdasan Buatan di Komputer
Sumber : Muhammad Dahria, 2008:hal 185
2.3.3 Pengenalan Pola
2
Pengenalan pola merupakan bidang dalam pembelajaran mesin dan dapat diartikan sebagai “tindakan mengambil data mentah dan bertindak berdasarkan klasifikasi data”. Dengan demikian, ia merupakan himpunan kaidah bagi pembelajaran diselia (supervised learning). Ada beberapa definisi lain tentang pengenalan pola, diantaranya :
Penentuan suatu objek fisik atau kejadian kedalam salah satu atau beberapa kategori.
Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klarifikasi (pengenalan) dari suatu pengukuran.
Suatu pengenalan secara otomatis suatu bentuk, sifat, keadaan, kondisi, susunan tanpa keikutsertaan manusia secara aktif dalam proses pemutusan.
Berdasarkan beberapa definisi diatas, pengenalan pola bisa didefinisikan sebagai kecerdasan yang menitikberatkan pada metode pengklasifikasian objek kedalam klas-klas tertentu untuk menyelesaikan masalah tertentu.3
2.3.4 Jaringan Saraf Tiruan
Jaringan Saraf Tiruan didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan saraf manusia ( Arief Hermawan, 2006:hal.3). Jaringan Saraf Tiruan ditentukan oleh 3 hal, yaitu: (Drs. Jong Jek Siang, M.Sc, 2005:hal.3). 1. Pola hubungan antar neuron (disebut arsitektur jaringan).
2. Metode untuk menentukan bobot penghubung (disebut metode training / learning / algoritma).
3. Fungsi aktivasi.
Gambar 5. Contoh Jaringan Saraf Tiruan Sumber : Drs. Jong Jek Siang, M.Sc, 2005:hal 3
2.3.4.1 Model Neuron
Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian
jaringan saraf tiruan. Neuron terdiri dari 3 elemen pembentuk ( Drs.Jong Jek Siang, M.Sc, 2009:hal.23) :
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai positif akan memperkuat sinyal dan yang bernilai negative akan memperlemah sinyal yang dibawanya. Jumlah, struktur jaringan (dan juga model jaringan yang terbentuk).
2. Suatu unit penjumlahan yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya.
Misalkan X1,X2, ..., Xm adalah unit-unit input dan Wj1, Wj2, …, Wjm adalah bobot penghubung dari unit-unit tersebut ke unit keluaran Yj, maka unit penjumlahan akan memberikan keluaran sebesar Uj= X1Wj1 + X2Wj2+…+ XmWjm..
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak.
2.3.4.2 Arsitektur Jaringan Saraf Tiruan
Beberapa arsitektur jaringan ya sering dipakai dalam jaringan saraf tiruan antara lain (Drs.Jong Jek Siang, M.Sc, 2009:hal.24) :
a. Jaringan Layar Tunggal (single layer network)
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan outputnya. Dalam beberapa metode (misal perceptron), hanya ada sebuah unit neuron output.
Gambar 6. Jaringan Layer Tunggal
Sumber : Drs.Jong Jek Siang, M.Sc, 2009:hal.24
Gambar 6. menunjukan arsitektur jaringan dengan n unit input (X1, X2, …, Xn) dan m buah unit output (Y1,Y2, …, Ym). Perhatikan bahwa dalam jaringan ini, semua unit input dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit input lainnya. Demikian pula dengan unit output. Besaran Wji menyatakan bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam output. Bobot-bobot ini saling independen. Selama proses pelatihan, Bobot-bobot-Bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. Model semacam ini tepat digunakan untuk pengenalan pola karena kesederhanannya.
b. Jaringan Layar Jamak (multi layer network)
Gambar 7. Jaringan Layar Jamak
Sumber : Drs.Jong Jek Siang, M.Sc, 2009:hal.25
Jaringan dengan n buah unit input (X1, X2, …, Xn), sebuah layar tersembunyi yang terdiri dari p buah unit (Z1, …,Zp) dan m buah unit output (Y1,Y2, …, Ym). Jaringan layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadang kala proses pelatihan lebih kompleks dan lama.
c. Jaringan Reccurent
Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop).
2.3.4.3 Fungsi Aktivasi jaringan saraf tiruan
Dalam jaringan saraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu
neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya.). jika net = X1W1, maka fungsi aktivasinya adalah f (net) = f ( X1W1).
Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut (Drs.Jong Jek Siang, M.Sc, 2009:hal.26) :
a. Fungsi threshold (batas ambang)
Untuk beberapa kasus, fungsi threshold yang dibuat tidak berharga 0 dan 1, tapi berharga -1 atau 1 (sering disebut threshold bipolar). Jadi :
b. Fungsi sigmoid
f (x) =
Fungsi identitas sering dipakai karena nilai fungsinya yang terletak anatara 0 dan 1 dan dapat diturunkan dengan mudah.
f(x) = f(x) (1-f(x)) c. Fungsi identitas
f(x) = x
2.3.4.6 Bias dan Threshold
Kadang-kadang dalam jaringan saraf tiruan ditambahkan sebuah unit masukan yang
nilainya selalu = 1. Unit yang sedemikian itu disebut Bias. Bias dapat dipandang sebagai sebuah input yang nilainya = 1. Bias berfungsi untuk mengubah nilai threshold menjadi = 0 (bukan = a). Jika melibatkan bias, maka keluaran unit penjumlahan adalah (Drs.Jong Jek Siang, M.Sc, 2009:hal.27)
Net = b + Fungsi aktivasi threshold menjadi :
Gambar 8. Bias Dalam Jaringan Saraf Tiruan Sumber : Drs.Jong Jek Siang, M.Sc, 2009:hal.27
2.3.5 Metode Perceptron
Metode Perceptron ialah metode yang akan menghasilkan kemungkinan keberhasilan yang besar sehubungan dengan kemampuannya dalam mendistribusikan bobot dan bias secara merata pada setiap koneksi antar-lapisan pada proses pelatihannya. Perceptron sangat sesuai untuk mengolongkan pola pada suatu permasalahan yang sederhana, khususnya pola yang terpisah secara linear (Arif Hermawan, 2006:hal.81).
Metode Perceptron ialah model yang memiliki aplikasi dan pelatihan yang paling baik pada era tersebut (Drs. Jong Jek Siang, M.Sc, 2009:hal.59).
2.3.5.1 Arsitektur Perceptron
Arsitektur jaringan perceptron mirip dengan arsitektur jaringan Hebb.
Gambar 9. Arsitektur Perceptron
Sumber : Drs.Jong Jek Siang, M.Sc, 2009:hal.59
Jaringan terdiri dari beberapa unit masukan (ditambah sebuah bias), dan memiliki sebuah unit keluaran. Hanya saja fungsi aktivasi bukan merupakan fungsi biner (bipolar), tetapi memiliki kemungkinan nilai -1, 0 atau 1.
f =
Secara geometris fungsi aktivasi membentuk 2 garis sekaligus, masing-masing dengan persamaan
:
W1X1 + W2X2 + … + WnXn + b = Ɵ dan W1X1 + W2X2 + ... + WnXn + b = -Ɵ
2.3.5.2 Pelatihan Perceptron
Misalkan s adalah Vektor masukan dan t adalah target keluaran. α adalah laju pemahaman (learning rate) yang ditentukan. Ɵ adalah threshold yang ditentukan.
Algoritma pelatihan perceptron adalah sebagai berikut :
1. Insialisasi semua bobot dan bias (umumnya Wi = b = 0)
Tentukan laju pemahaman (=α). Untuk penyederhanaan, biasnya α diberi nilai = 1 2. Selama ada elemen vector masukan yang respon unit keluarannya tidak sama dengan
target, lakukan :
a. Set aktivasi unit masukan Xi = Si (i=1,…n) b. Hitung respon unit keluaran : net =
y = f (net) =
c. Perbaiki bobot pola yang mengandung kesalahan (y ≠ t) menurut persamaan : Wi(baru) = Wi (lama) + ∆ w (i=1, … , n) dengan ∆ w = α t Xi
b(baru) = b(lama) + ∆ b dengan ∆ b = α t
Ada beberapa hal yang perlu diperhatikan dalam algoritma tersebut :
a. Iterasi dilakukan terus hingga semua pola memiliki keluaran jaringan yang sama dengan targetnya (jaringan sudah memahami pola). Iterasi tidak terhenti setelah semua pola dimasukkan seperti yang terjadi di jaringan pada model Hebb.
b. Pada langkah 2 (c), perubahan bobot hanya dilakukan pada pola yang mengandung kesalahan (keluaran jaringan ≠ target). Perubahan tersebut merupakan hasil kali unit masukan dengan target dan laju pemahaman. Perubahan bobot hanya akan terjadi kalau unit masukan ≠ 0.
c. Kecepatan iterasi ditentukan pula oleh laju pemahaman (=α dengan 0 ≤ α ≤ 1) yang dipakai. Semakin besar harga α , semakin sedikit iterasi yang diperlukan. Akan tetapi jika α terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat (Drs. Jong Jek Siang, M.Sc, 2009:hal.61).
ANALISA DAN PERANCANGAN SISTEM
Gambar. Gambaran sistem yang sedang bejalan
3.2 Use Case DiagramGambar. Use case Diagram Aplikasi Pengenalan Pola Tanda Tangan
3.3 Activity Diagram
Gambar. Activity diagram Aplikasi Pengenalan Pola Tanda Tangan
Gambar. Class diagram Aplikasi Pengenalan Pola Tanda Tangan
3.5 Sequence Diagram
3.5.1. Sequence Diagram Administrator
Gambar. Sequence Diagram Admin Aplikasi Pengenalan Pola Tanda Tangan
3.5.2. Sequence Diagram Karyawan
Adapun perancangan sequence diagram karyawan aplikasi pengenalan pola tanda tangan dapat dilihat pada gambar dibawah ini :
Gambar. Sequence Diagram karyawan
3.5.3. Sequence Diagram Branch Manajer
Gambar. Sequence Diagram Branch Manajer
3.6
Analisa Proses Kerja
Gambar . Gambaran Proses Kerja Aplikasi
MANUAL SISTEM
Gambar . Tampilan Form Load
4.2 Tampilan Form Login
Gambar . Tampilan Form Login
4.3 Tampilan Form Menu Utama
.
Gambar. Tampilan Form Menu Utama
Gambar. Tampilan Form Kelola Hak Akses
4.5 Tampilan From Ganti Password
Gambar.. Tampilan Form Ganti Password
4.6 Tampilan Form Input Data Karyawan
Gambar 44. Tampilan Form
Pengujian
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil pengerjaan tugas akhir, maka dapat diambil beberapa kesimpulan sebagai berikut:
1.
Aplikasi pengenalan pola tanda tangan dapat diterapkan dengan menggunakan bahasa pemograman visual basic 6.0.2.
Aplikasi pengenalan pola tanda tangan dapat mengidentifikasi pemilik dari tanda tanga asli.3.
Penerapan jaringan syaraf tiruan pada bahasa pemograman visual basic dapat mengubah gambar tanda tangan menjadi grayscale dan biner.4.
Penerapan metode perceptron menghasilkan data input sama dengan target sehingga pola tanda tangan dapat teridentifikasi.5.2 Saran
Selain kesimpulan, adanya saran untuk pengembangan aplikasi menjadi lebih sempurna sangatlah penting, beberapa saran yang dapat diberikan antara lain:
1. Jika ada pengembangan dari aplikasi ini, dipertimbangkan untuk menambah fitur-fitur aplikasi berupa menyediakan fasilitas tanda tangan di dalam aplikasi secara langsung tanpa melakukan pemilihan gambar terlebih dahulu dalam melakukan input data dan pengujian. 2. Untuk mempermudah dalam melakukan input data dan pengujian di aplikasi pengenalan pola
tanda tangan gunakan light pen.
3. Perbesar ukuran atau matrix pada pola biner agar dapat diidentifikasi secara keseluruhan. 4. Aplikasi ini dapat menjadi dasar bagi aplikasi pengenalan bentuk lainya yang menggunakan
5. Hasil pengenalan tanda tangan dapat dikembangkan lebih lanjut untuk diimplementasikan untuk mendukung kegiatan administrasi lainnya, seperti: pengenalan tanda tangan pada instasi perbankan.
DAFTAR PUSTAKA
Dahria, Muhammad. 2008. Kecerdasan Buatan (Artifical Intelligence) : Jurnal SAINTIKOM. Volume 5 No 2.
David. Dan Sandy Kosasi. 2013. Penerapan Algoritma Jaringan Syaraf Tiruan Untuk Pengenalan Pola Tanda Tangan : Jurnal Teknologi Volume 6 Nomor 2.
Hermawan, Arief. 2010. Jaringan Syaraf Tiruan, Yogyakarta : Andi. Yogyakarta Indrajani, S.Kom.,MM. 2011. Perancangan Basis Data Dalam ALL IN 1 :Elex Media Komputindo.
Jong Jek Siang,M.Sc.Drs. 2009. Jaringan Saraf Tiruan Dan Pemogramannya Menggunakan
Matlab : Andi
Nugroho, Adi. 2011. Perancangan dan Implementasi Sistem Basis Data : Andi Pandjaitan, Lanny. 2007. Dasar-Dasar Komputasi Cerdas : Andi. Yogyakarta
Prasetia dan Edi Widodo, Catur. 2013. Tips Codding Interfancing Port USB DanPort Serial
Menggunakan VB : Andi. Yogyakarta
Prof. Dr. Jogiyanto. HM, MBA., Akt. 2009. Sistem Teknologi Informasi : Andi. Yogyakarta
Rusmawan, Uus. 2011. Visual Basic 6.0 Untuk Semua Tingkatan : Elex Media Komputindo. Simarmata, Janner. 2007. Perancangan Basis Data : Andi. Yogyakarta
Sunarya, I Made Gede. 2013. Sistem Biometrika Identifikasi Tanda Tangan Menggunakan
