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
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
iv
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.
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
ix
dengan PCA untuk proses ekstraksi ciri merupakan metode yang efektif untuk
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
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
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
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
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
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
xvii
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
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
Halaman Pengujian dengan 2
Hidden Layer
……….
48
Gambar 4.4
Halaman Pengenalan Tanda Tangan
………..
50
Gambar 4.5
Kotak File Selector Image Tanda Tangan
……….
50
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
Hasil Percobaan ke-3 dengan 1
Hidden Layer
………...L
-89
Tabel 4.8
Hasil Percobaan ke-4 dengan 1
Hidden Layer
………...L
-90
Tabel 4.9
Hasil Percobaan ke-5 dengan 1
Hidden Laye
…………
...L-91
Tabel 4.10
Hasil Percobaan ke-1 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 150)
………..L
-1
Tabel 4.11
Hasil Percobaan ke-2 dengan 2
Hidden Layer
(
Hidden Layer
xxi
Tabel 4.13
Hasil Percobaan ke-4 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 150)
……….…...
..L-4
Tabel 4.14
Hasil Percobaan ke-5 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 150)
………..……
....L-5
Tabel 4.15
Hasil Percobaan ke-1 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 175)
………..L
-6
Tabel 4.16
Hasil Percobaan ke-2 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 175)
………...L
-7
Tabel 4.17
Hasil Percobaan ke-3 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 175)
………...L
-8
Tabel 4.18
Hasil Percobaan ke-4 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 175)
……….…...L
-9
Tabel 4.19
Hasil Percobaan ke-5 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 175)
………..…...L
-10
Tabel 4.20
Hasil Percobaan ke-1 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 200)
………..…..L
-11
Tabel 4.21
Hasil Percobaan ke-2 dengan 2
Hidden Layer
(
Hidden Layer
xxii
Tabel 4.22
Hasil Percobaan ke-3 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 200)
………....L
-13
Tabel 4.23
Hasil Percobaan ke-4 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 200)
……….…...L
-14
Tabel 4.24
Hasil Percobaan ke-5 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 200)
………..……..L
-15
Tabel 4.25
Hasil Percobaan ke-1 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 225)
………..…..L
-16
Tabel 4.26
Hasil Percobaan ke-2 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 225)
………...L
-17
Tabel 4.27
Hasil Percobaan ke-3 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 225)
………....L
-18
Tabel 4.28
Hasil Percobaan ke-4 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 225)
……….…...L
-19
Tabel 4.29
Hasil Percobaan ke-5 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 225)
………..……..L
-20
Tabel 4.30
Hasil Percobaan ke-1 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 250)
………..…..L
-21
Tabel 4.31
Hasil Percobaan ke-2 dengan 2
Hidden Layer
(
Hidden Layer
xxiii
Tabel 4.33
Hasil Percobaan ke-4 dengan 2
Hidden Layer
(
Hidden Layer
Ke-1 = 250)
……….…...L
-24
Tabel 4.34
Hasil Percobaan ke-5 dengan 2
Hidden Layer
(
Hidden Layer
xxiv
DAFTAR GRAFIK
Grafik 4.1
Training
untuk 1
Hidden Layer
……….
47
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
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.
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 (
Principal Component Analysis
) 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 (
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
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
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
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 ).
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
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
jimenyatakan 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
1x
ix
nz
1z
pw
11w
j1w
m1w
1pw
jpw
mpv
piv
1nv
pny
1y
jy
mv
11v
p1v
1iGambar 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
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
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
jimerupakan bobot garis dari unit masukan
x
ike unit layar tersembunyi
z
j(
v
j0merupakan bobot garis yang menghubungkan bias di unit masukan ke
unit layar tersembunyi
z
j).
w
kjmerupakan bobot dari unit layar tersembunyi
z
jke unit keluaran
y
k(
w
k0merupakan bobot dari bias di layar tersembunyi ke unit
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 :
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
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).
δ
kmerupakan 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 :
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
.
[
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
.
[
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
.
[
]
e
= elemen dari matriks extract.
9.
Normalisasi.
(
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
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
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
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
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
3.2.1
Ekstraksi
Feature.
Dalam tahap ekstraksi
feature
klasifikasi tanda tangan manusia digunakan
metode
Principal Component Analysis
(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
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
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
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
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
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
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
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
∑
∑
∑
= 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
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
2.
Halaman Pengujian dengan 1
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
36
3.
Halaman Pengujian dengan 2
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
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
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
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
.
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
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
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
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
<