IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENGIDENTIFIKASI TELAPAK TANGAN
DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
SKRIPSI
Diajukan untuk Memenuhi Sebagian dari Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Ilmu Komputer
Oleh
HUSNI FIRMANSYAH
0608681/PS/IK/06
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENGIDENTIFIKASI TELAPAK TANGAN
DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
Oleh
Husni Firmansyah
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Husni Firmansyah
Universitas Pendidikan Indonesia
Agustus 2011
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhya atau sebagian,
IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MENGIDENTIFIKASI TELAPAK TANGAN
DENGAN MENGGUNAKAN METODE LEARNING VECTOR QUANTIZATION
HUSNI FIRMANSYAH
0608681
DISETUJUI DAN DISAHKAN OLEH PEMBIMBING :
Pembimbing I,
Lala Septem Riza, M.T
NIP. 197809262008121001
Pembimbing II,
Wahyudin Sanusi Rosada, M.T
NIP. 197304242008121001
Mengetahui,
Ketua Program Studi Ilmu Komputer
FPMIPA UPI
Rasim, M.T
i
ABSTRAK
Identifikasi telapak tangan dapat berpengaruh untuk keamanan data. Identifikasi telapak tangan diimplementasikan dengan menggunakan metode Jaringan Syaraf Tiruan Learning Vector Quantization. Ada 4 langkah dalam mengidentifikasi telapak tangan. Langkah pertama dimulai dengan menggunakan metode image processing grayscalling dari data gambar berwarna dan menghasilkan data gambar grayscale sebagai input untuk langkah kedua. Langkah kedua yaitu menggunakan metode image processing edge detection dan menghasilkan beberapa piksel edge dalam data gambar grayscale sebagai input untuk langkah ketiga. Langkah ketiga yaitu menggunakan metode image processing thresholding dan menghasilkan data array biner. Langkah keempat yaitu menggunakan metode Jaringan Syaraf Tiruan Learning Vector Quantization pada data array biner dan menghasilkan data array bobot. Data array bobot ini yang dihitung untuk mengidentifikasi telapak tangan. Studi kasus dilakukan dengan menggunakan maksimal 240 buah data pembelajaran, 160 buah data pengujian, dan 4 buah parameter sensitity yang menghasilkan akurasi keberhasilan sebesar 37,25% untuk perubahan epoh, 35% untuk perubahan jumlah data pembelajaran, 32,625% untuk perubahan learning rate, 24,22% untuk perubahan nilai threshold. Akurasi keberhasilan yang kecil dikarenakan posisi telapak tangan yang berubah-ubah.
Kata Kunci:
ii ABSTRACT
Identification of the palm can be influential for data security. Identification of the palm is implemented by using Artificial Neural Network Learning Vector Quantization. There are four steps in identifying the palm. The first step begins by using the method of image processing grayscalling color image data and generates a grayscale image data as input to the second step. The second step is to use edge detection image processing methods and produce some of the edge pixels in grayscale images as input data for the third step. The third step is using thresholding image processing method and produces an array of binary data. The fourth step is using Artificial Neural Network Learning Vector Quantization in an array of binary data and produces an array of weight data. Array of weight data is calculated to identify the palm. Case studies carried out by using the maximum 240 pieces of learning data, 160 test data, and 4 pieces sensitity parameters that produce success accuration by 37,25% for a change of epoh, 35% for the learning data changes, 32,625% for changes in learning rate, 24,22% for changes the threshold value. Accuracy little success due to the position of the palm of the hand swings.
Keyword:
DAFTAR ISI
ABSTRAK ... Error! Bookmark not defined.
ABSTRACT ... Error! Bookmark not defined.
KATA PENGANTAR ... iii
UCAPAN TERIMA KASIH ... iv
DAFTAR ISI ... v
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... x
BAB I ... Error! Bookmark not defined. PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined. 1.2 Perumusan Masalah ... Error! Bookmark not defined. 1.3 Batasan Masalah ... Error! Bookmark not defined. 1.4 Tujuan Penelitian ... 3
1.5 Manfaat Penelitian ... 3
1.6 Metode Penelitian ... Error! Bookmark not defined. 1.7 Sistematika Penulisan ... Error! Bookmark not defined. BAB II ... 6
KAJIAN PUSTAKA ... 6
2.2 Pengantar Image Processing ... 6
2.2.1 Grayscalling ... 6
2.2.2 Edge Detection ... 7
2.2.3 Thresholding ... 7
2.3 Jaringan Syaraf Tiruan ... 8
2.3.1 Arsitektur Jaringan Syaraf Tiruan ... 9
2.3.2 Learning Vector Quantization ... 12
BAB III ... 19
DESAIN PENELITIAN ... 19
3.1 Desain Penelitian ... 19
3.2 Metode Penelitian ... 22
3.3 Alat dan Bahan Penelitian ... 23
BAB IV ... 25
HASIL PENELITIAN DAN PEMBAHASAN ... 25
4.1 Pengembangan Model Pengenalan Telapak Tangan ... 25
4.1.1 Grayscalling ... 26
4.1.2 Edge Detection dan Thresholding ... 28
4.1.3 Learning Vector Quantization ... 32
4.2 Pengembangan Perangkat Lunak ... 38
4.2.1 Batasan Perangkat Lunak ... 39
4.2.2 Analisis Kebutuhan Perangkat Lunak ... 39
4.2.3 Pemodelan Perangkat Lunak ... 43
4.2.5 Implementasi Lingkungan ... 64
4.2.6 Pengujian Perangkat Lunak ... 68
4.3 Pengujian ... 72
4.3.1 Studi Kasus ... 73
4.3.2 Rekapitulasi Pengujian ... 73
4.3.3 Analisis ... 75
BAB V ... 77
KESIMPULAN DAN SARAN ... 77
5.1 Kesimpulan ... 77
5.2 Saran ... 77
DAFTAR TABEL
Tabel 2.1 Algoritma Learning Vector Quantization ... 12
Tabel 4.1. Matriks Grayscale dari Telapak Tangan Cucu... 27
Tabel 4.2. MatriksEdge dari Telapak Tangan Cucu ... 29
Tabel 4.3. Matriks Biner dari Telapak Tangan Cucu ... 31
Tabel 4.4. Implementasi Algoritma Learning Vector Quantization ... 32
Tabel 4.5. Kebutuhan Fungsional ... 39
Tabel 4.6. Kebutuhan Non Fungsional ... 40
Tabel 4.7. Kebutuhan Data ... 41
Tabel 4.8. Kebutuhan Perangkat Lunak Pendukung ... 42
Tabel 4.9. Kebutuhan Pengguna ... 42
Tabel 4.10. Uraian Data ... 47
Tabel 4.11. Keterangan Tipe Data ... 50
Tabel 4.12. Tabel Identitas ... 56
Tabel 4.20. Pengujian Perangkat Lunak ... 68
DAFTAR GAMBAR
Gambar 4.3. Matriks Grayscale dari Telapak Tangan Cucu ... 28
Gambar 4.4. Matrik Edge dari Telapak Tangan Cucu... 30
Gambar 4.5. Matriks Biner dari Telapak Tangan Cucu ... 31
Gambar 4.6. Context Diagram ... 43
Gambar 4.7. Proses Mange Identitas ... 44
Gambar 4.8. Proses Belajar ... 44
Gambar 4.9. Proses Uji ... 44
Gambar 4.10. Proses Lapuran Uji ... 45
Gambar 4.11. Proses Input Identitas ... 45
Gambar 4.12. Proses Ubah Identitas ... 46
Gambar 4.13. Proses Lihat Identitas ... 46
Gambar 4.14. Proses Hapus Identitas ... 46
Gambar 4.16. Form Input ... 58
Gambar 4.17. Daftar Identitas ... 59
Gambar 4.18. Tombol Control ... 60
Gambar 4.19. Form Uji ... 61
Gambar 4.20. Form Laporan Uji ... 62
Gambar 4.21. Tabel Identitas ... 64
Gambar 4.22. Tabel Gambar ... 65
Gambar 4.23. Tabel Uji ... 65
Gambar 4.24. Form Input ... 66
Gambar 4.25. Daftar Identitas ... 66
Gambar 4.26. Tombol Control ... 66
Gambar 4.27. Form Uji ... 67
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi komputer di era saat ini sungguh cepat. Hampir
semua aktifitas dilakukan secara komputerisasi untuk dapat meningkatkan efektifitas
dan efisiensi. Aktifitas-aktifitas industri, bisnis, perdagangan dan lain sebagainya
ditunjang oleh teknologi komputer. Akibatnya perkembangan dan percepatan pun
menjalar ke bidang-bidang lainnya dengan adanya sebab teknologi komputer.
Namun, cybercrime yang dilakukan dengan menggunakan teknologi komputer pun semakin banyak. Banyak data-data penting perusahaan ataupun lembaga lainnya
yang di-hack dan mengalami kerugian yang berarti. Hal ini perlu adanya solusi untuk mengatasi cybercrime agar teknologi komputer dapat terus maju dan berkembang tanpa mendapatkan banyak hambatan.
Salah satu solusi dari cybercime yaitu berupa penelitian dalam bidang keamanan data. Banyak teknologi yang dikembangkan berupa perangkat lunak untuk
keamanan data seperti pada bidang biometrik berupa identifikasi sidik jari, kornea
mata, wajah, dan lain-lain ataupun teknologi sederhana yang hanya menggunakan
teks input form berupa username dan password. Akan tetapi, telapak tangan masih kurang dimanfaatkan untuk biometrik. Padahal telapak tangan merupakan bagian
2
Berdasarkan kondisi di atas, maka peneliti bermaksud melakukan penelitian
yang berhubungan dengan identifikasi telapak tangan. Peneliti mengambil judul
“IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK
MENGIDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN
METODE LEARNING VECTOR QUANTIZATION” sebagai tahap awal untuk biometric sebagai kontribusi dalam perkembangan teknologi komputer yang terus
maju dan berkembang.
1.2 Perumusan Masalah
Perumusan masalah yaitu bagaimana metode Learning Vector Quantization diimplementasikan untuk dapat mengidentifikasi telapak tangan.
1.3 Batasan Masalah
Batasan masalah terdiri dari:
1. Distribusi cahaya harus menyebar di seluruh permukaan telapak tangan.
2. Identifikasi telapak tangan merupakan tahap awal dalam bidang biometrik.
3. Penelitian dilakukan dengan menggunakan metode image processing grayscalling, edge detection, thresholding dan Jaringan Syaraf Tiruan Learning Vector Quantization.
4. Data penelitian berupa gambar telapak tangan berwarna dengan ukuran
100 x 75 piksel.
5. Telapak tangan yang digunakan adalah telapak tangan sebelah kanan
3
1.4 Tujuan Penelitian
Tujuan dari penelitian adalah implementasi metode Learning Vector Quantization untuk mengenali dan mengidentifikasi gambar telapak tangan.
1.5 Manfaat Penelitian
Penelitian ini diharapkan dapat bermanfaat sebagai tahap awal dalam
penggunaan hak akses dan keamanan data, tempat dan lainnya.
1.6 Metode Penelitian
Dalam penelitian ini terdapat beberapa metode yaitu:
1. Pengumpulan data
a. Pustaka ilmiah berupa metode atau konsep ilmiah yang akan
digunakan untuk penelitian. Pustaka ilmiah terdiri dari:
1. Metode Image Processing Grayscaling untuk mengubah data gambar RGB menjadi data gambar grayscale.
2. Metode Image Processing Edge Detection dan Thresholding untuk mengubah data gambar grayscale menjadi data gambar blackwhite dan menghasilkan data biner.
3. Metode Learning Vector Quantization untuk proses pembelajaran dan pengujian pengenalan dan pengidentifikasian data gambar
4
b. Data gambar telapak tangan sebagai objek yang akan digunakan untuk
proses pembelajaran dan pengujian pengenalan dan pengidentifikasian.
2. Penyelesaian masalah.
Penyelesaian masalah terdiri dari:
a. Proses konversi data gambar RGB menjadi data gambar grayscale dengan menggunakan metode image processing grayscaling.
b. Proses konversi data gambar grayscale menjadi data gambar blackwhite dan data biner dengan menggunakan metode image processing edge detection dan thresholding.
c. Proses pembelajaran pengenalan dan pengidentifikasian data gambar
telapak tangan dengan menggunakan data biner dan metode Learning Vector Quantization.
d. Proses pengujian pengenalan dan pengidentifikasian data gambar
telapak tangan dengan menggunakan metode Learning Vector Quantization.
1.7 Sistematika Penulisan
Penulisan skripsi terdiri dari:
5
Pendahuluan berisi latar belakang masalah, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan sistematika
penulisan.
BAB II KAJIAN PUSTAKA
Kajian pustaka berisi penjelasan mengenai metode Image Processing Grayscalling, Edge Detection, Thresholding, dan metode jaringan syaraf tiruan Learning Vector Quantization.
BAB III METODOLOGI PENELITIAN
Metodologi penelitian terdiri dari desain penelitian, metode penelitian, dan
alat dan bahan penelitian.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Hasil penelitian dan pembahasan berisi penjelasan model penelitian,
perangkat lunak, dan studi kasus.
BAB V PENUTUP
Penutup terdiri dari kesimpulan dan intisari dari hasil penelitian dan
19
BAB III
METODOLOGI PENELITIAN
3.1 Desain Penelitian
Desain penelitian adalah tahapan-tahapan dalam penelitian. Berikut di bawah
merupakan gambar desain penelitian:
Pengumpulan Data
20 x 12 pembelajaran
20 x 8 uji
Edge Detection dan Thresholding
Learning Vector Quantization Image (jpg)
20
Gambar 3.1Desain Penelitian Penjelasan:
1. Pengumpulan Data, pengumpulan data terdiri dari pengumpulan pustaka ilmiah
dan gambar telapak tangan. Berikut di bawah ini merupakan detail dari
pengumpulan data:
a. Pustaka Ilmiah merupakan konsep atau metode yang digunakan dalam
penelitian.
1. Grayscalling, dapat dilihat Sub Bab 2.2.1. 2. Edge Detection, silahkan lihat Sub Bab 2.2.2. 3. Thresholding, silahkan lihat Sub Bab 2.2.3.
4. Learning Vector Quantization, silahkan lihat Sub Bab 2.3.2. b. Gambar Telapak Tangan
1. 20 x 12 pembelajaran merupakan data gambar yang digunakan untuk
pembelajaran dengan jumlah 20 orang x 12 buah gambar sama dengan 240
buah gambar.
2. 20 x 8 uji merupakan data gambar yang digunakan untuk pengujian
dengan jumlah 20 orang x 8 buah gambar sama dengan 160 buah gambar.
2. Penyelesaian Masalah
a. Model Penelitian, model penelitian berupa tahapan-tahapan dalam
mengidentifikasi telapak tangan yang terdiri dari 5 langkah sebagai berikut:
21
2. Konversi RGB, image telapak tangan dikonversi ke dalam bentuk RGB. 3. Grayscalling, proses mengkonversi data gambar RGB menjadi data
gambar grayscale. Input yaitu 20 x 12 pembelajaran gambar RGB. Output yaitu 20 x 12 pembelajaran gambar grayscale.
4. Edge Detection dan Thresholding, proses mengkonversi data gambar grayscale menjadi data gambar blackwhite dan data biner. Input yaitu 20 x 12 pembelajaran gambar grayscale. Output yaitu 20 x 12 pembelajaran gambar blackwhite dan 20 x 12 pembelajaran arraybiner [7500].
5. Learning Vector Quantization, proses perhitungan yang menghasilkan data bobot (patokan) yang digunakan untuk pengenalan dan
pengidentifikasian data gambar telapak tangan. Input yaitu 20 x 12 pembelajaran array biner [5900]. Output yaitu 20 array bobot [7500]. b. Identitas Telapak Tangan, hasil dari proses penelitian berupa identitas telapak
tangan.
c. Studi Kasus, studi kasus berupa pengujian dengan menggunakan data
pembelajaran maksimal 240 buah dan data pengujian sebanyak 160 buah.
d. Pendekatan Sekuensial Linier, pendekatan yang digunakan dalam
mengembangkan perangkat lunak yang terdiri dari 4 langkah sebagai berikut:
1. Analisis, uraian penyelesaian atas kebutuhan perangkat lunak. Uraian
22
2. Desain, perancangan perangkat lunak yang terdiri dari perancangan basis
data dan antarmuka.
3. Coding, implementasi desain dengan menggunakan Visual Basic 6.0 dan Mysql.
4. Testing, pengujian perangkat lunak.
e. Pengembangan Perangkat Lunak, proses yang dilakukan atas dasar model
penelitian dengan menggunakan pendekatan sekuensial linier.
f. Perangkat Lunak Identifikasi Telapak Tangan, produk hasil penelitian.
5.2 Metode Penelitian
Dalam penelitian ini terdapat beberapa metode yaitu:
1. Pengumpulan data
a. Pustaka ilmiah berupa metode atau konsep ilmiah yang akan digunakan
untuk penelitian. Pustaka ilmiah terdiri dari:
1. Metode Image Processing Grayscaling untuk mengubah data gambar RGB menjadi data gambar grayscale.
2. Metode Image Processing Edge Detection dan Thresholding untuk mengubah data gambar grayscale menjadi data gambar blackwhite dan menghasilkan data biner.
23
b. Data gambar telapak tangan sebagai objek yang akan digunakan untuk
proses pembelajaran dan pengujian pengenalan dan pengidentifikasian.
2. Studi Pustaka Ilmiah.
Pustaka ilmiah yang sudah dikumpulkan kemudian dipelajari dan dicari
rumusan penyelesaian dalam mengidentifikasi telapak tangan.
3. Implementasi Pustaka Ilmiah.
Implementasi pustaka ilmiah berupa penggunaan rumusan penyelesaian dalam
mengidentifikasi telapak tangan sebagai lanjutan dari langkah kedua.
3.3 Alat dan Bahan Penelitian
1. Alat Penelitian, alat penelitian berupa perangkat keras dan perangkat lunak.
Berikut di bawah merupakan detail dari alat penelitian:
a. Perangkat keras berupa netbook dengan spesifikasi sebagai berikut:
1. Processor Intel Atom N570 1,66 GHz
2. RAM 2048 MB
3. Hardisk 320 GB
b. Perangkat lunak yaitu:
1. Sistem Operasi Windows XP Service Pack 2
2. Visual Basic 6.0
24
2. Bahan Penelitian, bahan penelitian berupa data pembelajaran dan data
pengujian. Berikut di bawah merupakan detail dari bahan penelitian:
a. Data pembelajaran yaitu data gambar telapak tangan yang berjumlah 20
orang x 12 buah gambar sama dengan 240 buah gambar.
b. Data uji yaitu data gambar telapak tangan yang berjumlah 20 orang x 8
79
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Implementasi Jaringan Syaraf Tiruan Learning Vector Quantization untuk
mengidentifikasi telapak tangan sudah dilakukan.
5.2 Saran
Peneliti menyadari masih banyak kelemahan dan kekurangan yang dilakukan
pada penelitian ini. Untuk itu penelitian berikutnya, disarankan:
1. Tahapan penelitian untuk mengidentifikasi telapak tangan bisa ditambahkan
dengan menggunakan proses image processing cropping supaya tidak data sampah pada gambar.
2. Memakai spesifikasi hardware yang lebih baik terutama pada prosesor dan
memory supaya proses pembelajaran dapat dilakukan dengan cepat.
3. Memakai kamera dengan kapasitas piksel yang lebih baik untuk
![gambar blackwhite dan 20 x 12 pembelajaran array biner [7500].](https://thumb-ap.123doks.com/thumbv2/123dok/694137.451801/20.612.120.532.209.607/gambar-blackwhite-dan-x-pembelajaran-array-biner.webp)
