KLASIFIKASI TANDA TANGAN MANUSIA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

(1)

i

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

Oleh:

Yuanita Prasetyaningtyas

NIM : 055314102

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

(2)

ii

HUMAN SIGNATURE CLASSIFICATION USING

BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

METHOD

A Thesis

Presented As Partial Fulfillment Of The Requirements

To Obtain The Sarjana Teknik Degree

In Departement Of Informatics Engineering

By :

Yuanita Prasetyaningtyas

Student Id : 055314102

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

(3)

(4)

iv

(5)

v

Keberanian dan kegigihan punya kekuatan yang ajaib,

dan di hadapannya kesulitan lenyap dan rintangan menguap

ke udara.

Skripsi ini saya persembahkan untuk :

Yesus Kristus,

keluarga, sahabat, dan kekasih.

(6)

(7)

(8)

viii

KLASIFIKASI TANDA TANGAN MANUSIA DENGAN

METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION

Abstrak

Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis

untuk diidentifikasi. Identifikasi tanda tangan secara manual dengan

menggunakan mata telanjang dapat memakan waktu yang lama dan besar terjadi

kesalahan. Tujuan dari penelitian ini adalah membangun sistem untuk mengenali

tanda tangan secara otomatis. Pengenalan tanda tangan secara otomatis dapat

mempersingkat waktu dan memperkecil terjadinya kesalahan.

Penelitian dilakukan dengan menggunakan 400 citra tanda tangan yang

diambil dari 5 individu yang berbeda. Setiap individu terdisi dari 80 tanda tangan.

Metode

five fold

digunakan untuk membagi tanda tangan menjadi 5 bagian. Tahap

pertama dari penelitian adalah ekstraksi ciri dengan menggunakan metode

principal component analysis

(PCA). Dengan menggunakan PCA, ukuran citra

tanda tangan sebagai data masukan akan menjadi lebih ringkas tanpa

menghilangkan

informasi

yang

penting.

Tahap

kedua

adalah

klasifikasi/pengenalan dengan menggunakan metode jaringan syaraf tiruan

backpropagation

.

Dari penelitian yang telah dilakukan diperoleh rata-rata akurasi

(9)

ix

dengan PCA untuk proses ekstraksi ciri merupakan metode yang efektif untuk

(10)

x

HUMAN SIGNATURE CLASSIFICATION USING

BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

METHOD

Abstract

Texture unique signature on each individual can be analyzed to identify.

Identification of signature manually by using the naked eye can take a long time

and large errors. The purpose of this research is to build a system to recognize the

signature automatically. The introduction of automatic signature can shorten time

and reduce errors.

The study was conducted using 400 signature image taken from five

different individuals. Each individual give 80 signatures. Five fold method used to

divide the signature into five section. The first stage of the research is to extract

features using principal component analysis (PCA). By using PCA, the size

signature images as input will be more concise without losing important

information. The second step is the classification / recognition using

backpropagation artificial neural network method.

From the research that has been done obtained an average recognition

accuracy of 92,25% signature by using two hidden layers of backpropagation

network where the number of nodes in first hidden layer 250 and the number of

nodes in the second hidden layers 25. The indicates that the classification using

(11)

(12)

xii

Kata Pengantar

Puji syukur kepada Yesus Kristus yang telah memberikan karunia dan

kesempatan sehingga penulis dapat menyelesaikan skripsi dengan judul

“Klasifikasi Tanda Tangan Manusia dengan Metode Jaringan Syaraf Tiruan

Backpropagation

”.

Terima kasih sebesar-besarnya kepada semua pihak yang turut member

dukungan, semangat dan bantuan hingga selesainya skripsi ini :

1.

Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing atas kesabaran,

bimbingan, waktu, dan saran yang diberikan.

2.

Dr. Linggo Sumarno, M. T. dan ibu Sri Hartati, S.Si, M.Kom selaku dosen

penguji atas saran dan kritik yang diberikan.

3.

Laboran laboratorium komputer atas bantuan kepada penulis ketika

melaksanakan ujian akhir.

4.

Kedua orang tua, yaitu bapak Antonius Widodo dan ibu Umi Kalsum yang

mendukung sepenuhnya.

5.

Semua saudara, yaitu Hiwawan Yudi dan Yuliana Pratiwi yang selalu

memberikan semangat.

6.

Ibu Rusiti, Kristian Ari Ruswantoro, dan Timotius Ari Kusbiyantoro yang

selalu memberi semangat, nasihat, dan sumber inspirasi dalam

(13)

8.

Bernadeta Putri, Kurnianingtyas, Timotius Ari, Nugrahayuningsih, dan JB.

Mahendra selaku teman yang memberikan

sampel

data tanda tangan.

9.

Seluruh civitas akademika Teknik Informatika angkatan 2005 dan

pihak-pihak lain yang telah berjuang bersama dan saling memberi semangat.

Terima kasih atas sejuta inspirasi berharga.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada

laporan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan-perbaikan

pada masa yang akan dating. Semoga bermanfaat.

xiii

(14)

xiv

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA………

i

HALAMAN JUDUL BAHASA INGGRIS………ii

HALAMAN PERSETUJUAN………...iii

HALAMAN PENGESAHAN……….iv

HALAMAN PERSEMBAHAN………...v

HALAMAN PERNYATAAN KEASLIAN KARYA………vi

HALAMAN PERSETUJUAN PUBLIKASI………vii

ABSTRAK………viii

ABSTRACT……….x

KATA PENGANTAR………...xii

DAFTAR ISI……….xiv

DAFTAR GAMBAR………..xviii

DAFTAR TABEL……….xx

DAFTAR GRAFIK……….

xxiv

Bab I.

P

endahuluan………..……1

(15)

xv

1.4

Batasan Masalah………

3

1.5

Metodologi Penelitian………..…….

4

1.6

Sistematika Penulisan………

5

Bab II.

Landasan Teori………..………

7

2.1

Jaringan Syaraf Tiruan………..……

7

2.1.1

Arsitektur Jaringan Syaraf Tiruan……….

..8

2.1.2

Fungsi Aktivasi……….……10

2.2

Jaringan Syaraf Tiruan

Backpropagation

………..…

...11

2.2.1

Arsitektur

Backpropagation

………..1

1

2.2.2

Fungsi Aktivasi

Backpropagation

………

..

…..1

2

2.2.3

Pelatihan Standard

Backpropagation

………...….1

3

2.3

PCA (

Principal Component Analysis

)………

16

Bab III.

Desain Sistem………..

20

3.1

Data……….

20

(16)

xvi

3.2.1

Ekstraksi

Feature

………...………...

25

3.2.2

Perancangan JST

Backpropagation

………...…...

28

3.2.2.1

Tahap Pelatihan (

Training

)………...

30

3.2.2.2

Tahap Pengujian (

Testing

)………

31

3.2.2.3

Penghitungan Akurasi………...

31

3.2.2.4

Tahap Pengenalan……….…

33

3.3

Desain

User Interface

……….

34

Bab IV.

Implementasi dan Analisis Hasil………

39

4.1

Hasil Penelitian dan Analisa………..

.39

4.2

Implementasi

User Interface

………..

.44

4.2.1

Menu Utama………

.44

4.2.2

Pengujian 1………

46

4.2.3

Pengujian 2………

48

4.2.4

Pengenalan………

50

4.2.5

Bantuan……….…

51

Bab V.

Penutup………

52

(17)

xvii

(18)

xviii

DAFTAR GAMBAR

Gambar 2.1

Jaringan Layar Tunggal……….……

.8

Gambar 2.2

Jaringan Layar Jamak………

.9

Gambar 2.3

Arsitektur

Backpropagation

……….…….1

2

Gambar 3.1

Garis Besar Sistem Pengenalan……….

24

Gambar 3.2

Tahap Ekstraksi

Feature

………

25

Gambar 3.3

Proses Pengenalan dengan Metode JST

Backpropagation

………

29

Gambar 3.4

Skema Tahap Pelatihan

………

30

Gambar 3.5

Skema Tahap Pengujian……….

31

Gambar 3.6

Skema Tahap Pengenalan………

33

Gambar 3.7

Tampilan Awal………..

34

Gambar 3.8

Halaman Pengujian 1……….

35

Gambar 3.9

Halaman Pengujian 2……….

36

Gambar 3.10

Halaman Pengenalan………..

37

Gambar 3.11

Halaman Bantuan………...

38

Gambar 3.12

Tanda Tangan Bernadeta Putri

………...

L-82

(19)

xix

Gambar 3.16

Tanda

Tangan JB. Mahendra……….L

-86

Gambar 4.1

Menu Utama………..

44

Gambar 4.2

Halaman Pengujian dengan 1

Hidden Layer

……….

46

Gambar 4.3

Hidden Layer

……….

48

Gambar 4.4

Halaman Pengenalan Tanda Tangan

………..

50

Gambar 4.5

Kotak File Selector Image Tanda Tangan

……….

50

(20)

xx

DAFTAR TABEL

Tabel 3.1

Tipe Tanda Tangan………

20

Tabel 3.2

Pembagian

Feature

……….………

22

Tabel 3.3

Percobaan

………

23

Tabel 3.4

Confusion matrix

………

32

Tabel 4.1

Hasil Percobaan 1

Hidden Layer

………...

40

Tabel 4.2

Hasil Percobaan 2

Hidden Layer

………...

40

Tabel 4.3

Confusion Matrix

Hasil Percobaan

………

42

Tabel 4.4

Perbandingan Tipe Tanda Tangan

……….

43

Tabel 4.5

Hasil Percobaab ke-1 dengan 1

Hidden Layer

………...L

-87

Tabel 4.6

Hasil Percobaan ke-2 dengan 1

Hidden Layer

………...

L-88

Tabel 4.7

Hidden Layer

………...L

-89

Tabel 4.8

Hidden Layer

………...L

-90

Tabel 4.9

Hidden Laye

…………

...L-91

Tabel 4.10

Hidden Layer

(

Hidden Layer

Ke-1 = 150)

………..L

-1

Tabel 4.11

Hidden Layer

(

Hidden Layer

(21)

xxi

Tabel 4.13

Hidden Layer

(

Hidden Layer

Ke-1 = 150)

……….…...

..L-4

Tabel 4.14

Hidden Layer

(

Hidden Layer

Ke-1 = 150)

………..……

....L-5

Tabel 4.15

Hidden Layer

(

Hidden Layer

Ke-1 = 175)

………..L

-6

Tabel 4.16

Hidden Layer

(

Hidden Layer

Ke-1 = 175)

………...L

-7

Tabel 4.17

Hidden Layer

(

Hidden Layer

Ke-1 = 175)

………...L

-8

Tabel 4.18

Hidden Layer

(

Hidden Layer

Ke-1 = 175)

……….…...L

-9

Tabel 4.19

Hidden Layer

(

Hidden Layer

Ke-1 = 175)

………..…...L

-10

Tabel 4.20

Hidden Layer

(

Hidden Layer

Ke-1 = 200)

………..…..L

-11

Tabel 4.21

Hidden Layer

(

Hidden Layer

(22)

xxii

Tabel 4.22

Hidden Layer

(

Hidden Layer

Ke-1 = 200)

………....L

-13

Tabel 4.23

Hidden Layer

(

Hidden Layer

Ke-1 = 200)

……….…...L

-14

Tabel 4.24

Hidden Layer

(

Hidden Layer

Ke-1 = 200)

………..……..L

-15

Tabel 4.25

Hidden Layer

(

Hidden Layer

Ke-1 = 225)

………..…..L

-16

Tabel 4.26

Hidden Layer

(

Hidden Layer

Ke-1 = 225)

………...L

-17

Tabel 4.27

Hidden Layer

(

Hidden Layer

Ke-1 = 225)

………....L

-18

Tabel 4.28

Hidden Layer

(

Hidden Layer

Ke-1 = 225)

……….…...L

-19

Tabel 4.29

Hidden Layer

(

Hidden Layer

Ke-1 = 225)

………..……..L

-20

Tabel 4.30

Hidden Layer

(

Hidden Layer

Ke-1 = 250)

………..…..L

-21

Tabel 4.31

Hidden Layer

(

Hidden Layer

(23)

xxiii

Tabel 4.33

Hidden Layer

(

Hidden Layer

Ke-1 = 250)

……….…...L

-24

Tabel 4.34

Hidden Layer

(

Hidden Layer

(24)

xxiv

DAFTAR GRAFIK

Grafik 4.1

Training

untuk 1

Hidden Layer

……….

47

(25)

1

Tanda tangan sangat berarti karena diyakini sebagai simbol yang digunakan

manusia untuk menyetujui suatu perjanjian dengan manusia lain, dimana isi dari

perjanjian tersebut adalah bersifat mutlak harus dilakukan. Seiring dengan

perkembangan jaman, tanda tangan juga digunakan sebagai salah satu cara untuk

identifikasi seseorang. Setiap individu mempunyai karakteristik pola tanda tangan

yang khas sehingga kemungkinan terjadi kesamaan pola tanda tangan yang dibuat

oleh individu satu dengan individu lain akan sulit ditemukan. Bahkan pola tanda

tangan yang dibuat oleh individu yang samapun belum tentu akan selalu sama.

Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis untuk

diidentifikasi. Identifikasi tanda tangan secara manual dengan menggunakan mata

telanjang dapat memakan waktu yang lama dan besar terjadi kesalahan.

Diperlukan sistem komputer yang mampu melakukan identifikasi tanda tangan

manusia secara otomatis untuk mempercepat waktu dan memperkecil terjadinya

kesalahan. Sebagai pemecahan atas permasalah tersebut, dilakukan penelitian untuk

membangun sistem pengklasifikasian tanda tangan manusia secara otomatis.

Beberapa penelitian mengenai pengenalan tanda tangan yang telah dilakukan adalah

(26)

2

Tabel 1.1

Tabel Penelitian.

Nomor

Penelitian

Peneliti/ Tahun

Penelitian

Jumlah Data

Akurasi

1

Pengenalan tanda tangan

dengan metode jaringan

syaraf

tiruan

backpropagation

dan

metode

ekstraksi

ciri

dengan

menggunakan

metode pemayaran piksel.

Wikaria Gazali /

2003

100 dari 10

pola tanda

tangan.

88,00%

2

Pengenalan tanda tangan

dengan

menggunakan

metode

stroke histogram.

Arif Wijaya /

2005

56 dari 8 pola

tanda tangan.

70,90%

3

Klasifikasi tanda tangan

manusia dengan jaringan

syaraf

tiruan

backpropagation

dan

metode ekstrkasi ciri PCA

(

Principal

Component

Analysis

)

Yuanita

Prasetyaningtyas

/ 2010

400 dari 5 pola

tanda tangan.

(27)

Berdasarkan penelitian yang telah dilakukan oleh peneliti sebelumnya, maka

penulis melakukan penelitian mengenai identifikasi tanda tangan manusia dengan

menggunakan metode jaringan syaraf tiruan

backpropagation

(JST

backpropagation

)

dan PCA (

) sebagai metode ekstraksi ciri.

Contoh aplikasi pengembangan di dunia nyata yang menggunakan tanda tangan

sebagai identitas seseorang antara lain absensi otomatis pegawai perkantoran dengan

menggunakan tanda tangan dan sistem pembayaran dengan menggunakan kartu

kredit.

1.2

Rumusan Masalah

Rumusan masalah dari proposal ini adalah bagaimana membangun sistem yang

digunakan untuk klasifikasi tanda tangan secara otomatis dengan metode Jaringan

Syaraf Tiruan

Backpropagation

.

1.3

Tujuan

Membangun sistem yang digunakan untuk mengenali dan mengklasifikasi

tanda tangan seseorang dengan menggunakan metode Jaringan Syaraf Tiruan

Backpropagation

.

1.4

Batasan Masalah

1.

Input berupa file gambar dua dimensi pada citra tingkat keabuan (

(28)

4

2.

Sistem yang dibangun bertujuan untuk mengenali tanda tangan seseorang

berdasarkan pada tingkat kemiripannya .

3.

Pengenalan dibatasi pada jumlah sample 80 untuk tiap tanda tangan yang

diambil dari 5 orang.

4.

Hasil pengenalan hanya dibatasi pada nama individu.

5.

Ekstraksi

feature

menggunakan PCA (

Pricipal Component Analysis

).

6.

Metode yang akan digunakan untuk mengenali tanda tangan adalah

metode Jaringan Syaraf Tiruan

Backpropagation

.

7.

Software yang digunakan adalah MATLAB.

1.5

Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul Klasifikasi Tanda Tangan

Manusia Dengan Metode Jaringan Syaraf Tiruan

Backpropagation

ini, akan ditempuh

langkah

–

langkah kerja sebagai berikut :

1.

Studi pustaka.

Mengumpulkan informasi dari buku, internet, dan artikel yang

dibutuhkan untuk membangun sistem klasifikasi tanda tangan secara otomatis

dengan metode jaringan syaraf tiruan

backpropagation

.

2.

Akuisisi data.

Proses akuisisi data merupakan proses pengambilan data gambar yang

(29)

3.

Analisis dan perancangan algoritma.

Melakukan analisis dari masalah yang ada dan merancang algoritma

yang digunakan untuk klasifikasi pola tanda tangan.

4.

Implementasi.

Setelah merancang algoritma, kemudian dilakukan implementasi

algoritma dalam

listing

program, baik untuk proses pelatihan (

training

) maupun

proses pengujian (

testing

).

5.

Simulasi.

Dari hasil implementasi dilanjutkan proses simulasi untuk mendapatkan

jaringan yang paling optimal.

1.6

Sistematika Penulisan

Sistematika penulisan dalam tugas akhir yang berjudul Klasifikasi Tanda

Tangan Manusia dengan Metode Jaringan Syaraf Tiruan

Backpropagation

ini

dijelaskan sebagai berikut :

Bab I.

Pendahuluan

Pada bab ini dijelaskan mengenai latar belakang masalah yang mendorong

dibangunnya sistem, rumusan masalah, tujuan, batasan masalah, metodologi

penelitian yang dilakukan, dan sistematika penulisan yang digunakan dalam

(30)

6

Bab II.

Landasan Teori

Pada bab ini dijelaskan teori dari metode yang digunakan dalam

pembangunan sistem pengelompokan tanda tangan yaitu teori mengenai metode

jaringan syaraf tiruan

backpropagation

.

Bab III.

Desain Sistem

Pada bagian ini digambarkan komponen dan algoritma yang digunakan

dalam penelitian.

Bab IV.

Implementasi dan Analisis Hasil

Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam suatu

program, hasil implementasi serta analisis dari hasil implementasi.

Bab V.

Penutup

Pada bagian ini akan digambarkan kesimpulan dari seluruh penelitian dan

(31)

7

mendukung penulisan tugas akhir klasifikasi tanda tangan manusia dengna metode

jaringan syaraf tiruan

backpropagation

. Teori

–

teori yang akan dibahas mencakup

pengertian dasar jaringan syaraf tiruan, metode jaringan syaraf tiruan

backpropagation

, dan pengertian mengenai metode PCA (

Principal Components

Analysis

) yang digunakan untuk mereduksi

feature

.

2.1

Jaringan Syaraf Tiruan.

Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang

dikembangkan dengan model matematika dan memiliki karakteristik mirip dengan

jaringan syaraf biologi dengan asumsi bahwa (

Jong Jek

Siang, 2005

) :

1.

Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2.

Sinyal dikirim diantara neuron

–

neuron melalui penghubung

–

penghubung.

3.

Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4.

Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi

yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran

ini selanjutnya dibandingkan dengan suatu batas ambang.

Jadi jaringan syaraf tiruan ditentukan oleh 3 hal yaitu :

1.

Pola hubungan antar neuron ( arsitektur jaringan ).

(32)

8

3.

Fungsi aktivasi.

2.1.1

Arsitektur Jaringan Syaraf Tiruan.

Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan

hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak

pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.

Neuron-neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan

masukan (

input layer

) merupakan lapisan pertama yang menerima sinyal dari

bagian luar jaringan, lapisan tersembunyi (

hidden layer

) yaitu lapisan yang

menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (

output

layer

) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari

sinyal yang diterima .

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain :

1.

Jaringan Layar Tunggal (

single layer network

).

Dalam jaringan layar tunggal, sekumpulan masukan dihubungkan

langsung dengan sekumpulan keluaran.

x1

xi

xn

y1

yj

ym

w11

wj1

wm1

w1i

wji

wmi

w1n

wjn

wmn

(33)

Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit masukan (

x

1

,

x

2

, …, x

n

) dan m buah unit keluaran (

y

1

, y

2

, …, y

m

). Disebut jaringan

layar tunggal karena semua unit masukan dihubungkan dengan semua unit

keluaran, meskipun dengan bobot yang berbeda.

w

ji

menyatakan bobot hubungan antara unit ke-i dalam masukan

dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen.

Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk

meningkatkan keakuratan hasil.

2.

Jaringan Layar Jamak (

multi layer network

).

Jaringan layar jamak merupakan perluasan dari layar tunggal.

Dalam jaringan ini, selain unit masukan dan keluaran, ada unit

–

unit lain

(sering disebut layar tersembunyi). Sama seperti pada unit masukan dan

keluaran, unit dalam satu layar tidak saling berhubungan.

x

1

x

i

x

n

z

1

z

p

w

11

w

j1

w

m1

w

1p

w

jp

w

mp

v

pi

v

1n

v

pn

y

1

y

j

y

m

v

11

v

p1

v

1i

Gambar 2.2 Jaringan Layar Jamak.

Pada gambar 2.2 ditunjukkan jaringan dengan n buah unit masukan

(

x

1

, x

2

, …, x

n

), sebuah layar tersembunyi yang terdiri dari p buah unit

(34)

10

2.1.2

Fungsi Aktivasi.

Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan

keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi

linier masukan dan bobotnya). Jika net

∑

, maka fungsi aktivasinya adalah

f (net) = f(

∑

) (

Jong Jek Siang, 2005

).

Fungsi aktivasi dalam jaringan syaraf tiruan :

1.

Fungsi

threshold

(batas ambang).

( ) {

(2.1)

Jika fungsi

threshold

berharga -1 atau 1 disebut

threshold

bipolar.

2.

Fungsi sigmoid.

( )

(2.2)

Nilai fungsi dari fungsi sigmoid terletak antara 0 dan 1 dan dapat

diturunkan menjadi :

( ) ( )( ( ))

(2.3)

3.

Fungsi Identitas.

( )

(2.4)

Fungsi identitas sering digunakan jika diinginkan keluaran jaringan

(35)

2.2

Jaringan Syaraf Tiruan

Backpropagation

.

Backpropagation

merupakan salah satu contoh dari jaringan layar jamak.

Seperti halnya model jaringan syaraf tiruan lain,

backpropagation

melatih

jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk

mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk

memberikan respon yang benar terhadap pola masukkan yang serupa (tapi tidak

sama) dengan pola yang dipakai selama pelatihan.

2.2.1

Arsitektur

Backpropagation

.

Backpropagation

memiliki beberapa unit neuron yang ada dalam satu atau

lebih layar tersembunyi. Gambar 2.3 adalah arsitektur

backpropagation

dengan

n buah masukan (ditambah sebuah bias), serta m buah unit keluaran.

v

ji

merupakan bobot garis dari unit masukan

x

i

ke unit layar tersembunyi

z

j

(

v

j0

merupakan bobot garis yang menghubungkan bias di unit masukan ke

unit layar tersembunyi

z

j

).

w

kj

merupakan bobot dari unit layar tersembunyi

z

j

ke unit keluaran

y

k

(

w

k0

merupakan bobot dari bias di layar tersembunyi ke unit

(36)

12

1 x1 xi xn

1 z1 zj zp

y1 yk ym

v10 vj0

vp0 v11

vj1

vp1 v1i

vji

vpi v1n

vjn vpn

w10 wk0

wm0

w11

wk1

wm1 w1j

wkj

wmj w1p

wkp wmp

Gambar 2.3

Arsitektur

Backpropagation

.

2.2.2

Fungsi Aktivasi

Backpropagation

.

Fungsi aktivasi pada metode

backpropagation

tidak hanya menggunakan

sebuah fungsi aktivasi, akan tetapi turunan dari fungsi tersebut juga ikut

digunakan.

Backpropagation

dapat menggunakan fungsi aktivasi sigmoid biner

(yang memiliki range (0,1)) maupun sigmoid bipolar (yang memiliki range (-1,1))

beserta turunan fungsinya. Pemilihan fungsi aktivasi tergantung kepada kebutuhan

nilai keluaran jaringan yang diharapkan. Bila keluaran jaringan yang diharapkan

ada yang bernilai negatif, maka digunakan fungsi sigmoid bipolar, sebaliknya bila

nilai keluaran jaringan yang diharapkan bernilai positif atau sama dengan nol ,

maka digunakan fungsi sigmoid biner. Selain fungsi sigmoid fungsi yang bias

digunakan dalam metode backpropagation adalah fungsi linier.

Fungsi sigmoid biner :

(37)

dengan turunan

( ) ( )( ( ))

(2.6)

Fungsi sigmoid bipolar :

( )

(2.7)

dengan turunan

( )

( ( ))( ( ))

(2.8)

Fungsi sigmoid memiliki nilai maksismum = 1. Maka untuk pola yang

targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan

sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang

dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada

layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai

adalah fungsi identitas : f(x) = x.

2.2.3

Pelatihan Standar

Backpropagation

.

Pelatihan

backpropagation

meliputi 3 fase. Fase pertama adalah fase maju.

Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran

menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari

garis yang berhubungan langsung dengan unit

–

unit di layar keluaran. Fase ketiga

(38)

14

Algoritma pelatihan jaringan syaraf tiruan

backpropagation

adalah sebagai

berikut :

Langkah 0 :

Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1 :

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.

Langkah 2 :

Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

Fase I : Propagasi maju.

Langkah 3 :

Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi di atasnya.

Langkah 4 :

Hitung semua keluaran di unit tersembunyi

z

j

(j = 1, 2, …, p).

(2.9)

(2.10)

Langkah 5 :

Hitung semua keluaran jaringan di unit

y

k

(k = 1, 2, …, m).

(2.11)

(2.12)

Fase II : Propagasi mundur.

Langkah 6 :

Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit

keluaran

y

k

(k = 1, 2, …, m).

(39)

δ

k

merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

layar dibawahnya (langkah 7).

Hitung suku perubahan bobot

w

kj

(yang akan dipakai nanti untuk merubah

bobot

w

kj

) dengan laju percepatan

α

.

; k = 1, 2, …, m ; j = 0, 1, …, p

(2.14)

Langkah 7 :

Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap

unit tersembunyi

z

j

(j = 1, 2, …, p).

(2.15)

Faktor

δ

unit tersembunyi :

(2.16)

Hitung suku perubahan bobot

v

ji

(yang akan dipakai nanti untuk merubah

bobot

v

ji

)

(2.17)

j = 1, 2, …, p ; i = 0, 1, …, n

Fase III : Perubahan bobot.

Langkah 8 :

Hitung semua perubahan bobot.

Perubahan bobot garis yang menuju ke unit keluaran :

(40)

16

Perubahan bobot garis yang menuju ke unit tersembunyi :

( )

(2.19)

Langkah 9 :

Kondisi perulangan.

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja

yang dipakai untuk menentukan keluaran jaringan.

2.3

PCA (

Principal Components Analysis

).

PCA digunakan untuk mereduksi dimensi image menjadi

feature

yang

memiliki dimensi lebih sedikit. PCA akan menangkap variasi total di dalam

kumpulan karakter yang dilatihkan, dan untuk mempresentasikan variasi ini

dengan variable yang lebih sedikit. Suatu image yang dipresentasikan dengan

variable yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada

jika dipresentasikan dengan variable yang banyak dari image tersebut (

Wikaria

Gazali dan Lily, 2003

).

Adapun langkah

–

langkah dalam menghitung PCA adalah sebagai berikut :

1.

Menyimpan nilai

–

nilai piksel dari citra tanda tangan ke sebuah vektor

yang dinamakan

tou

.

[

฀

(41)

T

= Matriks

tou

/ Matriks awal

= N x P,

N

= jumlah vekor

= jumlah citra,

P

= ukuran citra.

2.

Menghitung

noise

yang merupakan rata

–

rata dari semua vektor tou.

∑

(2.20)

= vektor rata

–

rata

=

noise

,

= vektor tou ke-i.

Sehingga diperoleh vektor

[

]

3.

Menghitung vektor fi yang merupakan vektor

tou

yang bebas

noise

.

(2.21)

= vektor fi.

Vektor

–

vektor yang diperoleh digabung menjadi matriks A.

[

]

4.

Menghitung matriks

covariance

.

∑

(2.22)

C

= vektor

covarianc

e,

A

T

= transpose dari matriks A.

Vektor

–

vektor yang diperoleh digabung menjadi matriks

covariance

.

[

(42)

18

5.

Menghitung nilai

eigen

.

( )

(2.23)

= nilai

eigen

,

I

= matriks identitas.

6.

Menghitung vektor

eigen

.

( )

(2.24)

= vektor

eigen

.

Sehingga dihasilkan vektor V dengan elemen :

[

]

Vektor V diurutkan berdasarkan nilai

eigen

terbesar dan disimpan dalam

matriks GoodV.

7.

Dibangun matriks yang mewakili citra awal.

(2.25)

Diperoleh matriks

construct

yang bila dikonversi menjadi citra

menghasilkan

principal component

.

[

]

Ct

= elemen dari matriks

construct

.

8.

Membentuk matriks

Extract

.

(43)

[

]

e

= elemen dari matriks extract.

9.

Normalisasi.

(

(44)

20

Bab III. Desain Sistem

Pada bab ini diuraikan desain sistem yang akan dibuat untuk klasifikasi

tanda

tangan

manusia

menggunakan

metode

jaringan

syaraf

tiruan

backpropagation

sehingga menghasilkan akurasi yang optimal.

3.1

Data

Dalam klasifikasi tanda tangan dengan metode jaringan syaraf tiruan

backpropagation

ini digunakan 5 tipe tanda tangan berbeda yang dimiliki oleh 5

orang yang berbeda. Setiap tipe tanda tangan terdiri dari 80 gambar yang akan

dijadikan sebagai data. Tipe tanda tangan yang akan digunakan dalam klasifikasi

tanda tangan ditunjukkan pada tabel 3.1 (gambar seluruh tanda tangan terdapat

pada halaman L-82 sampai dengan L-86).

Tabel 3.1

Tipe Tanda Tangan.

Nomor

Nama

Tipe Tanda Tangan

(45)

Nomor

Nama

Tipe Tanda Tangan

2.

KURNIANINGTYAS

3.

TIMOTIUS ARI

4.

NUGRAHAYUNINGSIH

5.

JB. MAHENDRA

Pada sistem klasifikasi tanda tangan ini, digunakan metode

five fold

untuk

membagi data menjadi 5 bagian. Dimana 4 bagian digunakan untuk data

training

(46)

22

Terdapat 80

sample

untuk setiap tipe tanda tangan yang diambil dari 5

orang.

Dari hasil perhitungan diperoleh 16 feature tanda tangan untuk setiap

bagian.

Tabel 3.2

Pembagian

Feature

.

Bagian

Orang 1

1

16 feature

2

16 feature

3

16 feature

4

16 feature

5

16 feature

Bagian

Orang 3

1

16 feature

2

16 feature

3

16 feature

4

16 feature

5

16 feature

Bagian

Orang 5

1

16 feature

2

16 feature

3

16 feature

4

16 feature

5

16 feature

Bagian

Orang 2

1

16 feature

2

16 feature

3

16 feature

4

16 feature

5

16 feature

Bagian

Orang 4

1

16 feature

2

16 feature

3

16 feature

4

16 feature

(47)

Karena menggunakan metode

five fold,

maka dilakukan percobaan untuk

training

dan

testing

sebanyak 5 kali untuk setiap tipe tanda tangan. 4 bagian ( 320

feature

) digunakan untuk data

training

dan 1 bagian ( 80

feature

) digunakan untuk

data

testing

.

Tabel 3.3 Percobaan.

Percobaan

Training

Testing

1

Bagian 1, 2, 3, 4

Bagian 5

2

Bagian 1, 2, 3, 5

Bagian 4

3

Bagian 1, 2, 4, 5

Bagian 3

4

Bagian 1, 3, 4, 5

Bagian 2

5

Bagian 2, 3, 4, 5

Bagian 1

Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan

kelompok data yang digunakan sebagai data

training

dan data

testing

. Jika

feature

bagian 1, 2, 3, dan 4 digunakan untuk data

training

, maka

feature

bagian 5

(48)

24

3.2

Desain Sistem

Feature Hasil Ekstraksi

Jaringan Optimal Ekstraksi Feature

Dengan PCA

Training dan Testing JST Backpropagation

Pengenalan Feature Asli Tanda Tangan .JPG

Tanda Tangan Dikenali

Gambar 3.1 Garis Besar Sistem Pengenalan.

Pada gambar 3.1 dijelaskan mengenai tahapan

–

tahapan yang dilakukan

dalam sistem pengenalan tanda tangan. Dimulai dari

feature

asli tanda tangan

sebagai data mentah untuk proses ekstraksi

feature

dengan metode PCA. Dari

proses ekstraksi

feature

dihasilkan

feature

yang dimensinya lebih kecil dibanding

data mentah.

Feature

yang telah direduksi dijadikan data masukan dalam tahap

training

dan

testing

dengan metode jaringan syaraf tiruan

backpropagation

,

tahapan terakhir dalam sistem yang dibuat adalah tahap pengenalan. Hasil

(49)

3.2.1

Ekstraksi

Feature.

Dalam tahap ekstraksi

feature

klasifikasi tanda tangan manusia digunakan

metode

(PCA). PCA digunakan karena mampu

mereduksi ukuran suatu obyek sehingga ukuran menjadi lebih ringkas dan mampu

mengambil karakteristik yang penting dari obyek yang diolah. Jika dimensi dari

obyek lebih kecil dan informasi yang terkandung lebih padat, maka obyek tersebut

akan lebih spesifik dibandingkan dengan obyek yang belum diolah sebelumnya.

Hal ini akan mempermudah proses pengenalan obyek lebih lanjut. Komponen

yang diperlukan dalam proses ekstraksi

feature

adalah 400 citra tanda tangan yang

berekstensi .jpg dengan ukuran 100x100.

Mulai

Citra Tanda Tangan

Binerisasi

Perhitungan Principal Component (PCA)

Normalisasi

Feature Hasil Ekstraksi

Perhitungan Rata-rata Vektor Baris

Selesai

(50)

26

Gambar 3.2 menunjukkan tahapan yang dilalui dalam tahap ekstraksi

feature

. Tahapan yang ada dalam ekstraksi

feature

yaitu :

1.

Citra Tanda Tangan.

Data masukan yang digunakan adalah citra tanda tangan dengan

tingkat keabuan (

gray-scale image

) yang berekstensi *.jpg dan berukuran

100x100. Citra tanda tangan yang digunakan diubah ke bentuk vektor

baris. Sehingga untuk 1 citra tanda tangan terbentuk vektor baris dengan

ukuran 1x10000.

2.

Tahap Binerisasi.

Nilai piksel yang semula terdiri dari tingkat keabu

–

abuan,

dikonversi menjadi 0 sampai 1. Konversi dari tingkat keabu-abuan menjadi

nilai 0-1 ini disebuat binerisasi. Hasil binerisasi adalah berupa vektor baris

yang bernilai 0-1 untuk setiap elemennya. Vektor baris hasil binerisasi

kemudian disusun menjadi matriks yang diberi nama

tou

( T ). Karena

setiap vektor baris berukuran 1x10000, maka ukuran matriks

tou

400x10000.

3.

Tahap Perhitungan PCA.

Pada tahap ini dihitung

noise

pada matriks

tou

, dibuat matriks baru

(

fi

) yang merupakan matriks

tou

yang bebas

noise

, dihitung nilai pembeda

(

eigen value

), dibuat vektor

eigen

(Veigen) yang diurutkan (GoodV)

berdasarkan nilai eigen terbesar dan membentuk

principal component

(51)

Noise

adalah rata

–

rata dari semua matriks

tou

yang dihitung

menggunakan rumus (2.20). Setelah diperoleh nilai

noise

untuk matriks

tou

, disusun matriks baru

fi

dimana setiap vektor baris dari matriks

fi

bebas

noise

dengan menggunakan rumus (2.21). Proses berikutnya dihitung

matriks

covariance

dengan rumus (2.22) yang digunakan untuk

menghitung nilai

eigen

dengan rumus (2.23). Dari nilai

eigen

, dihitung

vektor

eigen

dengan rumus (2.24). Vektor

eigen

yang diperoleh diurutkan

berdasar nilai

eigen

terbesar kemudian disimpan dalam matriks GoodV.

Dibangun matriks yang mewakili citra awal dengan rumus (2.25). Proses

construct

menghasilkan suatu matriks

principal component

.

Principal

component

yang diperoleh diambil inti sarinya melalui proses ekstraksi

dengan rumus (2.26) yang menghasilkan matriks

extract

.

4.

Tahap Normalisasi.

Nilai dari matriks

principal component

(

extract

) dikonversi

menjadi nilai bipolar antar -1 sampai dengan 1 dengan menggunakan

rumus (2.27).

5.

Rata

–

rata Vektor Baris.

Setiap vektor baris dari matriks

principal component

yang telah

dinormalisasi, dibagi menjadi 20 bagian. Setiap bagian dari vektor baris

dijumlah kemudian dihitung rata-ratanya.

6.

Feature

Hasil Ekstraksi.

Data yang dihasilkan dari ekstraksi

feature

adalah berupa matriks

(52)

28

dijadikan sebagai input JST

backpropagation

.

Contoh perhitungan PCA terdapat pada halaman 74 hingga halaman

L-81.

3.2.2

Perancangan JST

Backpropagation

.

Setelah dilakukan tahap ekstraksi

feature

, tahap selanjutnya dilakukan

pengenalan dengan metode JST

backpropagation

. Komponen yang diperlukan

dalam JST

backpropagation

antara lain :

1.

Lapisan Tersembunyi (

Hidden Layer

)

Dalam penelitian ini dilakukan percobaan JST

Backpropagation

dengan

1 hidden layer

dan

2 hidden layer

.

2.

Unit Tersembunyi (

node

)

Unit tersembunyi yang akan dipakai dalam penelitian adalah 150,

175, 200, 225, dan 250 pada JST

Backpropagation

dengan 1

hidden layer

.

Sedang pada JST

Backpropagation

dengan 2

hidden layer

, unit

tersembunyi yang digunakan untuk

layer

pertama adalah jumlah unit

tersembunyi pada percobaan 1

hidden layer

dan untuk

layer

kedua

digunakan unit dengan jumlah 25, 50, 75, 100, 125.

3.

Fungsi Aktivasi

Fungsi aktivasi yang digunakan dalam penelitian adalah logsig.

4.

Target

Target keluaran yang dipakai untuk setiap tipe tanda tangan adalah

1, 0, 0, 0, 0 untuk tipe tanda tangan orang ke-1; 0, 1, 0, 0, 0 untuk tipe

(53)

0, 0, 1, 0 untuk tipe tanda tangan orang ke-4 dan 0, 0, 0, 0, 1 untuk tipe

tanda tangan orang ke-5.

5.

Epochs

Dalam penelitian ini digunakan batas epoch 50000 untuk JSTBP

dengan 1

hidden layer

dan 20000 untuk JSTBP dengan 2

hidden layer

.

6.

Kecepatan Pembelajaran

Dalam penelitian ini kecepatan pembelajaran yang dipakai sebesar

0,1, baik untuk 1

hidden layer

atau 2

hidden layer

.

Pembentukan JSTBP Model JST

Klasifikasi JST Hasil Klasifikasi Feature Hasil

Ekstraksi

TRAINING

TESTING

Pengenalan

Tanda Tangan Dikenali

Gambar 3.3 Proses Pengenalan dengan Metode JST

Backpropagation

.

Di

dalam

tahap

pengenalan

dengan

menggunakan

metode

backpropagation

terdapat 3 sub tahap yang harus dilalui yaitu tahap pelatihan

(54)

30

3.2.2.1

Tahap Pelatihan (

Training

).

Pembentukan JSTBP Model JST

320 Feature Hasil Ekstraksi

TRAINING

Bobot dan Bias

Gambar 3.4 Skema Tahap Pelatihan.

Data

training

diperoleh dari perhitungan menurut metode

five fold

.

Feature

tanda tangan dari setiap orang diambil 4 bagian

feature

yang masing

–

masing bagian terdiri dari 16

feature

.

Sebanyak 320 data hasil ekstraksi

feature

digunakan untuk membentuk

jaringan

backpropagation

. Jaringan yang telah dibentuk kemudian dilakukan

proses

training

dan menghasilkan model jaringan syaraf tiruan yang berupa bobot

(55)

3.2.2.2

Tahap Pengujian (

Testing

)

Klasifikasi JST Hasil Klasifikasi 80 Feature

Hasil Ekstraksi

TESTING

Data Benar Orang ke-1

Data Benar Orang ke-2

Data Benar Orang ke-4 Data Benar

Orang ke-3

Data Benar Orang ke-5 Bobot dan Bias

Gambar 3.5 Skema Tahap Pengujian.

Data

testing

diperoleh dari perhitungan menurut metode

five fold

.

Feature

tanda tangan dari setiap orang diambil 1 bagian

feature

yang masing

–

masing

bagian terdiri dari 16 feature.

Dengan menggunakan 80 data hasil ekstraksi

feature

dilakukan

klasisifikasi. Klasifikasi dilakukan dengan cara membandingkan model jaringan

syaraf tiruan yang telah terbentuk

pada tahap

training

dengan data

testing

. Dari

tahap klasifikasi, dihasilkan hasil klasifikasi tanda tangan yang berupa jumlah data

yang dapat dikenali dengan benar dari setiap kelompok tanda tangan.

3.2.2.3

Penghitungan Akurasi.

Karena menggunakan metode

five fold

dalam pembagian data, maka

dilakukan 5 kali percobaan

training

dan

testing

. Hasil dari percobaan berupa

(56)

32

dengan kelompok data.

Dari hasil klasifikasi dilakukan penghitungan berapa tanda tangan orang

ke-1 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3, orang

ke-4, dan orang ke-5; tanda tangan orang ke-2 yang dikenali sebagai tanda tangan

orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda tangan

orang ke-3 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3,

orang ke-4, dan orang ke-5; tanda tangan orang ke-4 yang dikenali sebagai tanda

tangan orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda

tangan orang ke-5 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2,

orang ke-3, orang ke-4, dan orang ke-5.

Confusion matrix

yang dihasilkan dari percobaan di sajikan dengan tabel

sebagai berikut :

Tabel 3.4

Confusion matrix

.

M1

M2

M3

M 4

M 5

M1

X

M2

X

M3

X

M4

X

M5

X

Dari

confusion matrix

dihitung besar akurasi. Penghitungan akurasi

dilakukan untuk melihat seberapa optimal jaringan syaraf tiruan

backpropagation

(57)

∑

= jumlah angka pada diagonal matriks,

∑

= keseluruhan data yang digunakan untuk

pengujian /

testing

.

3.2.2.4

Tahap Pengenalan.

Dari perhitungan akurasi dapat disimpulkan jaringan mana yang paling

optimal yang digunakan untuk tahap pengenalan. Akurasi yang menghasilkan

nilai paling maksimum didapat dari jaringan yang paling optimal pula.

Pengenalan dilakukan dengan membandingkan model jaringan yang diperoleh

dari tahap

training

dan data pengenalan. Hasil dari tahap pengenalan berupa

identitas individu pemilik tanda tangan.

Tanda Tangan dikenali (Jaringan Optimal)

Pengenalan

Data yang akan dikenali PENGENALAN

(58)

34

3.3.

Desain

User Interface

Berikut ini adalah contoh

user interface

dari sistem yang akan dibangun.

User interface

dibuat sedemikian sederhana guna untuk memudahkan

user

dalam

pemakaiannya.

1.

Tampilan Awal.

Gambar 3.7

Tampilan Awal.

Gambar 3.7 menunjukkan tampilan awal dari aplikasi yang akan

dibuat. Terdapat 2 menu utama. Yang pertama adalah menu yang terdiri

dari sub menu pengujian 1,pengujian 2, dan pengenalan. Sedang menu

(59)

2.

Hidden Layer

.

Gambar 3.8

Halaman Pengujian 1.

Gambar

3.8

menunjukkan

halaman

pengujian

dengan

menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’

yang digunakan untuk data

training

dan data

testing

. Jumlah node dapat

dipilih pada

pop up

menu

‘node’. Dengan menekan tombol ‘proses’ maka

pengujian dengan 1

hidden layer

dapat dijalankan. Kotak proses

menampilkan tahapan yang dilalui dalam pengujian. Kotak hasil

menampilkan

confusion matrix

dari proses pengujian. Untuk keluar

(60)

36

3.

Hidden Layer

.

Gambar 3.9

Halaman Pengujian 2.

Gambar

3.9

menunjukkan

halaman

pengujian

dengan

menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’

yang digunakan untuk data

training

dan data

testing

. Jumlah node pada

hidden layer

pertama dapat dipilih pada

pop up menu

‘node 1’ sedang

untuk jumlah node pada hidden layer kedua dapat dipilih pada

pop up

menu

‘node 2’. Dengan menekan tombol ‘proses’ maka pengujian dengan

2

hidden layer

dapat dijalankan. Kotak proses menampilkan tahapan yang

dilalui dalam pengujian. Kotak hasil menampilkan

confusion matrix

dari

(61)

4.

Halaman Pengenalan.

Gambar 3.10

Halaman Pengenalan.

Gambar 3.10 menunjukkan halaman pengenalan. Dengan

menekan tomol ‘buka’ dapat ditampilkan gambar tanda tangan yang akan

dikenali sesuai dengan nama

file

yang dipilih. Untuk mengetahui identitas

pemilik tanda tangan, tekan tombol ‘proses’ maka pada kotak ‘dikenali

akan muncul identitas’ yang berupa nama. Untuk keluar dari halaman

(62)

38

5.

Halaman Bantuan.

Gambar 3.11

Halaman Bantuan.

Pada gambar 3.11 menampilkan bantuan berupa

langkah-langkah penggunaan system. Untuk keluar dari halaman bantuan, tekan

(63)

39

dari implementasi sistem yang telah dibuat. Hasil penelitian berupa perbandingan

akurasi yang diperoleh dari percobaan metode

backpropagation

berdasarkan

jumlah

hidden layer

serta jumlah node pada setiap

hidden layer

yang digunakan.

Pada bab ini juga dibahas mengenai

user interface

yang dibangun berdasar

algoritma yang telah dirancang.

4.1

Hasil Penelitian dan Analisa.

Dalam penelitian yang telah dilakukan, penulis menggunakan 5 tipe tanda

tangan yang dimilki oleh 5 orang yang berbeda. Setiap orang mempunyai 1 tipe

tanda tangan. Setiap tipe tanda tangan terdiri dari 80 tanda tangan. Dengan kata

lain setiap orang membuat 80 tanda tangan yang sama. Sehingga diperoleh 400

data tanda tangan untuk 5 tipe tanda tangan. Data tanda tangan berupa image

tanda tangan yang berekstensi .jpg berukuran 100x100 piksel. Pada 400 data tanda

tangan kemudian dilakukan reduksi piksel pada tahap ekstraksi

feature

untuk

menghasilkan piksel yang lebih kecil tanpa mengurangi informasi yang penting

dari data asli. Ekstraksi

feature

dilakukan dengan metode

principal component

analysis

(PCA). Dari 400 data hasil ektraksi

feature

dibagi menjadi 2 bagian, 320

data digunakan untuk data

training

sedang 80 sisa data digunakan untuk data

testing

. Hasil penelitian didasarkan pada 2 percobaan. Percobaan pertama

dilakukan dengan menambah 1

hidden layer

pada jaringan

backpropagation

.

(64)

40

backpropagation

. Dari percobaan kemudian dipilih jaringan yang menghasilkan

akurasi paling tinggi untuk tahap pengenalan.

Tabel 4.1

Hasil Percobaan 1

Hidden Layer

.

No.

Jumlah

Node

Percobaan

Ke-1

Ke-2

Ke-3

Ke-4

Ke-5

1.

150

85,25% 84,25% 85,00% 83,00% 85,50%

2.

175

85,75% 82,50%

87,75%

85,75% 85,50%

3.

200

86,50% 84,00% 83,50% 84,75% 84,25%

4.

225

84,75% 83,25% 86,75% 85,75% 84,75%

5.

250

87,50% 84,50% 84,50% 83,75% 87,25%

Pada tabel 4.1 ditunjukkan hasil percobaan jaringan

backpropagation

dengan 1

hidden layer

(

confusion matrix

tiap percobaan terdapat pada halaman

L-87 hingga L-91). Dari 25 kali percobaan yang telah dilakukan, jaringan syaraf

tiruan terbaik didapat pada percobaan ke tiga dengan jumlah node pada

hidden

layer

adalah 175 dan mencapai akurasi sebesar 87,75%. Jumlah node yang

menghasilkan akurasi paling tinggi digunakan untuk inputan jumlah node

hidden

layer

pertama pada percobaan selanjutnya, percobaan menggunakan 2

hidden

layer

.

Tabel 4.2

Hasil Percobaan 2

Hidden Layer

.

No. Jumlah

Node

Layer

ke-1

Jumlah

Node

Layer

ke-2

Percobaan

Ke-1

Ke-2

Ke-3

Ke-4

Ke-5

(65)

No. Jumlah

Node

Layer

ke-1

Jumlah

Node

Layer

ke-2

Percobaan

Ke-1

Ke-2

Ke-3

Ke-4

Ke-5

2

175

25

89,75% 89,25% 88,75% 89,25% 89,75%

50

90,50% 90,75% 89,00% 91,25% 89,75%

75

86,50% 90,25% 89,00% 89,75% 89,50%

100

88,75% 90,75% 90,75% 89,75% 86,75%

125

88,75% 87,25% 88,50% 86,00% 88,00%

3

200

25

90,00% 89,50% 91,50% 90,25% 91,50%

50

90,25% 90,25% 90,25% 91,00% 89,75%

75

89,75% 89,25% 90,50% 89,00% 90,00%

100

88,25% 89,75% 90,00% 90,75% 89,25%

125

88,00% 88,25% 89,50% 88,00% 90,00%

4

225

25

90,75% 91,00% 90,50% 89,25% 89,25%

50

91,75% 89,75% 89,25% 90,00% 88,50%

75

91,50% 91,75% 89,75% 89,25% 89,75%

100

91,00% 91,00% 90,75% 89,00% 90,25%

125

89,25% 87,75% 89,25% 88,75% 89,75%

5

250

25

91,75% 89,75% 90,25% 90,75%

92,25%

50

91,00% 89,00% 92.25% 90,25% 91.50%

75

90,25% 91,25% 92,00% 91,75% 91,75%

100

87,75% 89,25% 90,75% 91,25% 89,75%

125

87,75% 89,50% 89,50% 88,50% 89,75%

Pada tabel 4.2 ditunjukkan hasil percobaan jaringan

backpropagation

dengan 2

hidden layer

(

confusion matrix

tiap percobaan terdapat pada halaman

L-1 hingga L-25). Dari L-125 kali percobaan yang telah dilakukan, jaringan syaraf

tiruan terbaik didapat pada percobaan ke lima dengan jumlah node pada

hidden

layer

pertama adalah 250 dan node pada

hidden layer

kedua adalah 25.

Dihasilkan akurasi sebesar 92,25%.

Dari percobaan yang telah dilakukan, maka dapat disimpulkan bahwa

(66)

42

menghasilkan akurasi yang lebih tinggi dibanding dengan jaringan syaraf tiruan

backpropagation

dengan 1

hidden layer

. Dengan kata lain pembentukan model

menggunakan metode jaringan syaraf tiruan

backpropagation

dengan 2

hidden

layer

dihasilkan hasil yang lebih optimal dibanding dengan 1

hidden layer

saja.

Confusion matrix

yang dihasilkan dari percobaan menggunakan 2

hidden

layer

dimana jumlah node pada

hidden layer

pertama sebanyak 250 dan pada

hidden layer

kedua sebanyak 25 adalah sebagai berikut :

Tabel 4.3

Confusion Matrix

Hasil Percobaan.

TTD 1

TTD2

TTD3 TTD 4

TTD 5

TTD 1

70

0

8

2

0

TTD 2

0

79

0

1

0

TTD 3

7

0

71

0

2

TTD 4

5

1

0

74

0

TTD 5

0

5

0

75

Dari

confusion matrix

pada tabel 4.3 diketahui bahwa setiap kolom dari

matriks mewakili tipe tanda tangan yang dikenal, sedangkan baris mewakili

klasifikasi yang diberikan oleh system untuk setiap tipe tanda tangan. Tanda

tangan dapat diklasifikasikan dengan sangat baik sesuai dengan tipe

masing-masing, terbukti dari data yang dikenali dengan baik mencapai 92,25% sedang

(67)

<