MARQUARDT
Peter Jonathan Parousia¹, Suyanto², Jondri ³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Tanda tangan merupakan karakter, simbol, dan goresan khusus yang khas dari sesorang, biasanya tidak dapat dibaca dan digunakan untuk mengidentifikasi sesorang. Tanda tangan digunakan sebagai mekanisme utama dalam proses autentifikasi dan autorisasi pada transaksi yang legal seperti pengisian daftar kehadiran atau transaksi krusial lainnya seperti pengambilan uang di bank. Namun, dikarenakan masih minimnya sistem pengidentifikasian tanda tangan yang sudah terotomatisasi, pemalsuan tanda tangan seringkali terjadi dan tidak terdeteksi.
Pada tugas akhir ini akan dibangun sebuah sistem pengidentifikasian tanda tangan dengan menggunakan metode filter 2D Gabor Wavelet dan algoritma Propagasi Balik Levenberg Marquardt. Jaringan syaraf tiruan propagasi balik Levenberg Marquardt merupakan algoritma yang cocok untuk menyelesaikan permasalahan tanda tangan, dimana aturan yang benar dan lengkap untuk menyelesaikan permasalahan tidak dapat didefinisikan. Metode filter 2D Gabor Wavelet digunakan sebagai praproses untuk mendapatkan ciri penting dari sebuah citra dan hasil praproses tersebut kemudian akan menjadi input pada pelatihan menggunakan algoritma
propagasi balik Levenberg Marquardt.
Berdasarkan hasil pengujian yang telah dilakukan, sistem yang dibangun memberikan akurasi sebesar 98% untuk data latih dan 86% untuk data uji. Perpaduan antara metode filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt mampu memberikan performansi yang cukup baik dalam menyelesaikan masalah pengidentifikasian tanda tangan.
Kata Kunci : Signature Identification, Artificial Neural Network, Levenberg Marquardt Backpropagation, Gabor Wavelet
Abstract
Signature is someone’s specisific chraracteristics or symbol or flourish that cannot be generally read to identify him or her. Signature is used as a key mechanism of authentification and
authorization in legal transaction such as filling in the attendance list or in drawing money from a bank. But due to the scarcity of automatic system of signature identification , the signature forgery often occurs and cannot be detected.
In the final task, an identification system of signature will be built by using Gabor Wavelet method of 2D-filter and Levenberg Marquardt method of Backpropagation Algorithm. The
artificial neural network of Levenberg Marquardt Backpropagation is an appropiate Algorithm for solving the signature problem where the correct complete regulation of signature identification cannot be defined. Gabor Wavelet method of 2D-filter is used as pre-process for obtaining the important characteristics of image and the pre-process of output will then become input into practices of algorithm usage of Levenberg Marquardt Backpropagation.
Based on the output test , the built system gives 98% accuracy of practice data and 86% accuarcy of test data. The combination of Gabor Wavelet method of 2D-filter with Levenberg Marquardt method of Backpropagation Algorithm are able to give a quite good performance in solving the signature identification.
Keywords : Signature Identification, Artificial Neural Network, Levenberg Marquardt
1. Pendahuluan
1.1 Latar Belakang
Tanda tangan adalah nama seseorang yang ditulis dengan cara yang khusus oleh seseorang [12]. Tanda tangan dapat digunakan sebagai mekanisme utama dalam proses autentifikasi dan autorisasi pada transaksi yang legal [9]. Tanda tangan juga digunakan untuk mengidentifikasi satu orang dengan orang yang lain. Misalnya dalam pengisian daftar kehadiran di kampus IT Telkom, tanda tangan digunakan.
Untuk pengambilan uang di bank, tanda tangan juga digunakan. Namun, pemalsuan tanda tangan seringkali terjadi dan seringkali tidak terdeteksi oleh manusia.
Contohnya sewaktu tanda tangan digunakan untuk pengisian daftar hadir, dengan tidak adanya sebuah sistem yang mampu mengidentifikiasi tanda tangan, maka seseorang akan dapat dengan mudahnya memalsukan tanda tangan. Oleh karena itu, dibutuhkan sistem yang dapat mengidentifikasi tanda tangan seseorang sehingga dapat menyelesaikan permasalahan tersebut. Selain itu, kebutuhan pengadaan riset untuk mendapatkan solusi yang efisien dan telah terotomatisasi untuk pengenalan tanda tangan telah meningkat selama beberapa tahun terakhir [7].
Jaringan Syaraf Tiruan (JST) merupakan salah satu upaya manusia untuk memodelkan cara kerja atau fungsi sistem syaraf manusia dalam melaksanakan tugas tertentu. Dengan sistem syaraf yang dimiliki, manusia mampu mengenali berbagai macam pola seperti mengenali dan membedakan wajah seseorang dengan orang yang lainnya. JST sistem juga mampu mengenali berbagai macam pola tertentu [13]. Pada tugas akhir ini JST yang digunakan adalah algoritma pelatihan propagasi balik.
Berdasarkan beberapa penelitian mengenai pengenalan pola tanda tangan, algoritma propagasi balik menghasilkan akurasi yang lebih baik bila dibandingkan algoritma lain seperti Hiden Markov Model [9]. Pada penelitian ini algoritma propagasi balik yang digunakan adalah algoritma Levenberg Marquardt. Algoritma propagasi balik Levenberg Marquardt digunakan karena algoritma ini memiliki kecepatan yang lebih baik daripada algoritma propagasi balik biasa [1,5]. Walaupun algoritma propagasi
konvergensi (telah mencapai nilai optimum, dalam hal ini telah mencapai nilai eror yang diinginkan), tetapi algoritma PBLM memiliki kelemahan yaitu kurang efisien untuk menyelesaikan permasalahan yang memiliki ukuran data masukan yang besar.
Untuk mengatasi kelemahan algoritma PBLM ini dibutuhkan sebuah metode praproses yang dapat meminimasi ukuran data yang menjadi masukan dari algoritma PBLM. Filter 2D Gabor Wavelet merupakan metode yang dapat digunakan pada proses ekstraksi ciri dengan tujuan untuk mendapatkan informasi ciri yang penting dari citra [15]. Hasil ekstraksi dari filter 2D Gabor Wavelet akan meminimasi atau mereduksi dimensi citra tanda tangan. Dengan demikian proses pelatihan pengenalan pola tanda tangan dengan algoritma propagasi balik Levenberg Maquardt menjadi lebih efisien.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah disusun diatas dapat dirumuskan masalah sebagai berikut:
1. Bagaimana mengimplementasikan metode filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt dalam pengidentifikasian tanda tangan?
2. Apa saja faktor-faktor yang memengaruhi performansi (kecepatan atau akurasi) dari sistem pengidentifikasian tanda tangan yang mengimplementasikan metode filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt?
1.3 Batasan Masalah
Dalam penyusunan tugas akhir ini, dirumuskan batasan-batasan sebagai berikut : 1. Data digunakan adalah data primer berupa data tanda tangan sepuluh orang
mahasiswa IT Telkom. Setiap mahasiswa melakukan dua puluh lima kali tanda tangan pada selembar kertas A4
2. Data tanda tangan dibagi menjadi 3 bagian, 15 data latih, 5 data validasi, dan 5 data uji
3. Asitektur JST yang digunakan adalah MLP dengan sebuah hidden layer
4. Sistem yang diimplementasikan akan mengklasifikasikan tanda tangan ke dalam 11 kelas yaitu kelas yang pertama adalah tanda tangan orang pertama, kelas yang kedua adalah tanda tangan orang yang kedua, kelas yang ketiga adalah tanda tangan orang ketiga, sampai kelas yang kesepuluh yaitu tanda tangan orang kesepuluh. Kelas yang kesebelas adalah tanda tangan yang tidak teridentifikasi kepemilikannya.
1.4 Tujuan
Tujuan pembangunan sistem identifikasi tanda tangan dengan metode dan algoritma Propagasi Balik Levenberg Marquardt adalah sebagai berikut :
Mengimplementasikan metode filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt dalam mengidentifikasi tanda tangan Menganalisa parameter yang memengaruhi performansi (kecepatan dan
akurasi) dari sistem yang menggunakan algoritma propagasi balik Levenberg Marquardt setelah dilakukan reduksi dimensi dengan filter 2D Gabor Wavelet
Hipotesa :
Identifikasi tanda tangan dengan menggunakan praproses filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt akan menghasilkan akurasi diatas 80%. Praproses menggunakan filter 2D Gabor Wavelet untuk meminimasi ukuran citra input akan mampu mengatasi kelemahan dari algoritma PBLM yakni ketidakefisienannya dalam menangani data yang berukuran besar.
1.5 Metodologi Penelitian
Beberapa metode penelitian yang digunakan dalam pembuatan tugas akhir ini antara lain :
1. Studi literature.
Merupakan tahapan untuk mempelajari dan memahami konsep dan teori pendukung untuk menyelesaikan rumusan masalah yang telah dirumuskan. Dalam
tangan, metode filter 2D Gabor Wavelet, dan algoritma propagasi balik Levenberg Marquardt melalui jurnal, paper, maupun buku-buku yang membahas hal tersebut.
2. Pengumpulan data
Tahap ini meliputi pengumpulan data tanda tangan mahasiswa untuk menjadi input pada filter gabor 2D wavelet dan menjadi data latih, data validasi, dan data uji dalam algoritma propagasi balik Levenberg Marquardt. Pada tahap ini juga dilakukan preprocecssing data, yaitu dengan melakukan cropping citra, resize citra, penghilangan noise pada citra, dan mengubah citra menjadi citra black and white.
3. Pemodelan Sistem.
Tahap ini meliputi analisa kebutuhan sistem dan perancangan desain sistem yang akan dibangun, yang meliputi penentuan arsitektur propagasi balik Levenberg Marquardt. Penentuan arsitektur tersebut meliputi penentuan berapa jumlah neuron pada hidden layer, berapa jumlah hidden layer, dan berapa jumlah neuron pada output layer.
4. Implementasi.
Pada tahap ini, rancangan sistem pengidentifikasian dengan menggunakan preprocessing filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt akan diimplementasikan menjadi kode program dengan menggunakan bahasa pemrograman MATLAB 2009.
5. Pengujian sistem.
Pada tahap ini dilakukan pengujian terhadap sistem yang telah dibangun dengan menghitung akurasi sistem setelah dilakukan perhitungan propagasi maju untuk citra uji.
6. Analisis hasil pengujian.
Pada tahapan ini akan dianalisa parameter-parameter yang mempengaruhi sistem identifikasi tanda tangan dengan menggunakan filter 2D Gabor Wavelet dan algoritma propagasi Balik PBLM
7. Penyusunan tugas akhir.
Pada tahap ini dilakukan penyusunan laporan terhadap penelitian yang dilakukan dan selanjutnya dilakukan pengambilan kesimpulan dari hasil penelitian yan telah dilakukan.
1.6 Sistematika Penulisan
Sistematika yang digunakan dalam penyusunan tugas akhir ini adalah : 1. Pendahuluan
Bab ini memaparkan mengenai latar belakang, rumusan masalah, batasan masalah, tujuan, hipotesa, dan metodologi penelitian.
2. Landasan Teori
Berisi tentang teori-teori yang berkaitan identifikasi tanda tangan, filter 2D Gabor Wavelet dan algoritma propagasi balik Levenberg Marquardt.
3. Analisis Perancangan dan Implementasi
Memaparkan tentang analisis kebutuhan sistem, perancangan sistem, dan implementasi dari sistem.
4. Pengujian dan Analisis hasil Pengujian
Bab ini berisi pengujian dari hasil implementasi pada bab sebelumnya. Pengujian dilakukan dengan menguji parameter-parameter yang memengaruhi sistem dan mencari kombinasi parameter yang terbaik. Hasil pengujian kemudian dianalisa untuk mendapatkan kesimpulan untuk semua parameter yang memengaruhi performansi dari sistem.
5. Kesimpulan dan Saran
Bab ini berisi tentang kesimpulan yang diperoleh dalam menyusun tugas akhir ini dan saran-saran yang dibutuhkan untuk pengembangan kedepannya.
5.1 Kesimpulan
Berdasarkan pengujian dan analisis yang dilakukan terhadap sistem identifikasi tanda tangan yang menggunakan metode filter 2D Gabor Wavelet dan Algoritma Propagasi Balik Levenberg Marquardt, dapat ditarik beberapa kesimpulan sebagai berikut :
1. Metode ekstraksi ciri filter 2D Gabor Wavelet sangat tepat dipadukan dengan Algoritma Propagasi Balik Levenberg Marquardt, karena metode filter 2D Gabor Wavelet dapat mengatasi kelemahan algoritma Propagasi Balik Levenberg Marquardt yang kurang efisien untuk citra yang berukuran besar yaitu dengan cara meminimalisir ukuran atau dimensi citra.
2. Performansi sistem identifikasi tanda tangan yang dibangun dengan menggunakan metode filter 2D Gabor Wavelet dan algoritma Propagasi Balik Levenberg dipengaruhi oleh jumlah frekuensi yang digunakan pada filter 2D Gabor Wavelet dan nilai minimum error, jumlah epoch, dan jumlah neuron hidden layer pada algoritma Propagasi Balik Levenberg Marquardt.
3. Keberagaman dan variasi data pada data latih sangat memengaruhi akurasi sistem identifikasi tanda tangan. Semakin beragam dan bervariasi data yang digunakan pada saat pelatihan dengan algoritma Propagasi Balik Levenberg Marquardt semakin optimal akurasi sistem yang didapat.
5.2 Saran
1. Algoritma Propagasi Balik Levenberg Marquardt sebaiknya diterapkan untuk pelatihan pada data-data yang berukuran kecil. Jika, data yang digunakan untuk pelatihan berukuran besar sebaiknya dilakukan praproses yang dapat meminimalisasi ukuran data.
2. Data latih yang digunakan pada saat dilakukan pelatihan dengan Propagasi Balik Levenberg Marquardt sebaiknya memiliki tingkat variasi dan keberagaman yang tinggi.
Daftar Pustaka
[1] Anggunia, Dyah, 2005, “Sistem Estimasi Temperatur Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Levenberg-Marquardt dari Data Klimatologi”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[2] Arya, Meenakshi and Inamdar, Vandana, 2010, “A Preliminary Study on various Off-line Hand Written Signature Verification Approaches”, Journal of Computer Applications.
[3] Gershenson, Carlos, 2003, “Artificial Neural Networks for Begineers”.
[4] Munir, Rinaldi, 2004, “Pengolahan Citra Digital dengan Pendekatan Algoritmik”, Informatika, Bandung.
[5] Muslim, 2008, “Prediksi Penjurusan Siswa SMA Menggunakan PBLM (Levenberg Marquardt Back Propagation)”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[6] Nur Pratama, Ivan, 2006, “Identifikasi Iris Mata Menggunakan Tapis Gabor Wavelet dan Jaringan Syaraf Tiruan Learning Vektor Quantization (LVQ)”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[7] Özgündüz Emre, Şentürk Tüllin, and Karsligil M. Elif, 2007, “Off-line Signature Verification and Recognition By Support Vektor Machine”, Journal of Computer Engineering.
[8] Putra, Darma, 2010, “Pengolahan Citra Digital”, Andi Offset, Yogyakarta.
[9] Putra, Indra, 2009, “Identifikasi Tanda Tangan Menggunakan Probabilistic Neural Networks (PNN) dengan Praproses Menggunakan Transformasi
Bogor.
[10] Radityo, Bagus, 2011, “Implementasi 2D Gabor Wavelet dan Jaringan Syaraf Tiruan Learning Vektor Quantization untuk Deteksi Pornografi pada Citra Digital”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[11] Ramadijanti, Nana, 2006, “Content Based Image Retrieval Berdasarkan Ciri Tekstur Menggunakan Wavelet”, Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta.
[12] Rundell, Michael, 2002, “English Dictionary For Advanced Learners International Student Edition”, Macmillan: Printed and bound in Malaysia.
[13] Suyanto, 2007, “Artificial Intelligence: Searching, Reasoning, Planning dan Learning”, Informatika, Bandung.
[14] Suyanto, 2008, “Soft Computing”, Informatika, Bandung.
[15] Triantoro, Andreas, 2006, “Identifikasi Tanda Tangan Menggunakan Filter 2D Gabor Wavelet dan Jaringan Saraf Tiruan Adaptive Resonance Theory (ART)”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[16] Vilda, Jus, 2009, “Pengenalan Pola Tanda Tangan Menggunakan Metode Ekstraksi Ciri DCT, DFT, Filter 2D Gabor Wavelet”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[17] Wibawa, Dharma, 2008, “Pengenalan Wajah Manusia Berbeda Usia Dengan Metode Ekstraksi 2D Gabor Wavelet dan Feature Points, Menggunakan Pemodelan Jaringan Syaraf Tiruan Propagasi Balik”, Skripsi, Fakultas Informatika, Institut Teknologi Telkom, Bandung.
[18] Wiliamowsky Bogdan, Iplikci Serdar, Kaynak Okyay, and EfeÖnder, 2001,
“An Algorithm for Fast Convergence in Training Neural Networks”, IEEE 0- 7803-7044-9/01.
