Aplikasi Grafologi dari Huruf t Menggunakan Jaringan Syaraf Tiruan

Transkripsi

1 Aplikasi Grafologi dari Hrf Menggnakan Jaringan Syaraf Tiran Iwan Awaldin 1, Alia Khairnisa 2 Absrac Graphology is a branch of science which classifies hman personaliy from handwriing. Graphologiss observe he paerns of handwriing and compare i wih personaliy class daabase. Compers can be rained o do he same procedre of hman personaliy classificaion based on handwriing. The procedre is o perform digial image processing ha exracs feares from handwriing images. The feares will become inp for Arificial Neral Nework. Neral neworks ha are already configred wih a nmber of hidden layers, he nmber of nerons, acivaion fncion, and he pariclar learning algorihm will be able o recognize cerain classes of hman handwriing, hs his personaliy. Tesed configraions inclde: changing he nmber of nerons in he hidden layer of eigh o welve, binary image resizing, changing he acivaion fncion, and also changing he learning algorihm. Resls of simlaion and analysis are also provided. Inisari Grafologi adalah cabang ilm yang mengklasifikasikan kepribadian mansia berdasarkan lisan angan. Cara grafologi mengenal kepribadian mansia adalah dengan mengamai pola-pola lisan angan dan membandingkannya dengan basis daa kelas kepribadian. Komper bisa dilaih nk mengenali pola yang sama dan mengklasifikasikan penlis berdasarkan kelas yang sdah ada. Caranya adalah dengan melakkan pemrosesan cira digial nk mendapakan fir cira yang siap menjadi inp bagi Jaringan Syaraf Tiran. Jaringan Syaraf Tiran yang sdah dikonfigrasi dengan jmlah hidden layer, jmlah neron, fngsi akivasi, dan algorime belajar eren ini dapa mengenali dengan pasi kelas-kelas lisan angan mansia yang berelasi dengan kepribadiannya. Konfigrasi yang dijicobakan dianaranya adalah dengan mengbah jmlah neron di hidden layer dari delapan sampai da belas bah, mengbah besar cira biner, mengbah fngsi akivasi, dan jga mengbah algorime belajar. Hasil simlasi dan analisisnya jga diberikan. Kaa Knci grafologi, jaringan syaraf iran, levenberg marqad. I. PENDAHULUAN Grafologi adalah cabang ilm psikologi yang mencoba mencari hbngan anara lisan angan dengan kepribadian mansia. Hbngan ini dicari dari benk dan pola lisan angan. Tlisan angan dipercaya sebagai represenasi perinah oak yang melali peneliian saisik elah dipeakan menjadi beberapa kaegori kepribadian mansia[1]. 1 Dosen, Jrsan Teknik Komper dan Informaika POLBAN. Jl. Geger kalong Hilir Bandng (lp: ; fax: ; awaldin@jk.polban.ac.id) 2 Almni, Jrsan Teknik Informaika Universias Komper Indonesia, Jln. Dipai Ukr 112 Bandng ( aliakhairnisa1@gmail.com) Biasanya pekerjaan menganalisis lisan angan ini dilakkan oleh grafologis, yai seorang psikolog yang mendapakan pelaihan nk membaca lisan angan. Pekerjaan ini dilakkan dengan mengambil beberapa conoh lisan angan seperi dari sebh dokmen, dari hrf, aa dari anda angan. Dari conoh ini akan dicari pola nk dibandingkan dengan daa yang ada. Proses pengambilan conoh dan pencarian pola sebenarnya bisa diganikan oleh komper. Pengambilan conoh lisan angan dalam benk gambar digial bisa dilakkan dengan menggnakan pemindai aa jga kamera digial. Hasil gambar digial ini kemdian diproses dengan pengolahan cira digial nk dicari fir-fir pembedanya. Berdasarkan fir pembeda inilah proses pencarian pola dilakkan nk mendapakan kemiripan dengan pola yang sdah ada dalam basis daa. Salah sa meode nk mencari pola yai memakai Jaringan Syaraf Tiran (JST). JST sering dipakai karena pola di lisan angan mansia ckp sli nk dicari menggnakan meode analiis. Pola lisan angan mansia idak linier sehingga sli dicari misalnya dengan menrnkan persamaan maemaikanya. Membenk JST yang mamp mengenali pola lisan angan mansia bkan pla hal yang mdah. Perl ada proses pengolahan cira dan perimbangan fir apa saja yang akan menjadi pembeda dari lisan angan mansia sehingga nani bisa diklasifikasi kepada sifa-sifa mansia yang ada dalam basis daa. Dalam makalah ini akan disajikan invesigasi proses pengolah cira lisan angan dan pencarian pola dengan memakai JST. Sebenarnya ada beberapa hrf yang biasa dignakan nk mengenali sifa mansia seperi, d, dan i. Teapi dalam makalah ini lisan angan yang dipakai hanya mengenali pola dari hrf. Hal ini dilakkan nk mengji kemampan awal JST sebagai pengklasifikasi sifa mansia berdasarkan lisan angan. Seelah poensi JST dapa dikenali dengan pasi maka peneliian lanj dengan hrf yang lain dapa dilakkan. II. GRAFOLOGI Ada banyak lisan angan yang bisa dipakai nk mengenali kepribadian penlisnya. Di anara lisan angan i ada dalam benk kalima, sa hrf, aa anda angan. Pembeda dari pendekaan yang diambil dari seiap penelii adalah pemilihan jenis lisan dan fir yang akan dipakai nk mengenali pola. Dalam [2], Widiasi dkk menggnakan anda angan sebagai conoh lisan yang akan diklasifikasikan. Jenis JST yang dignakan adalah Mlilayer Percepron dengan feedforward dan belajar dengan backpropagaion. Tidak ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...

2 dijelaskan berapa bah hidden layer, jmlah neron, dan jenis fngsi akivasi yang dignakan. Penelii lainnya dalam [3] menggnakan anda angan dalam melakkan klasifikasi. Dari kaa ini fir yang diliha adalah arah dan kemiringan lisan. Unk melakkan klasifikasi dijelaskan proses yang dilali oleh lisan angan. Penelii ini melakkan pemindaian erhadap anda angan nk mendapakan cira digial. Cira ini kemdian diar krannya sesai dengan emplae. Seelah i cira dirampingkan nk mendapakan posr yang lebih kecil. Posr lisan yang sdah kecil lal dipoong dan diar posisinya. Hal ini dibhkan agar lisan bisa dikeahi kemiringannya. Jenis JST yang dignakan adalah backpropagaion dengan fngsi akivasi yang idak disebkan. Selanjnya dalam [4] dignakan lisan beberapa kaa sebagai pembeda kepribadian mansia. Pengolahan cira yang dikerjakan lebih banyak, misalnya menggnakan analisis hisogram dan segmenasi. Tidak disebkan konfigrasi JST yang dignakan. Jmlah kelas yang dicari memang disebkan eapi idak dijelaskan berapa jmlah daa yang menjadi bahan laihan dan pengjian. III. KONFIGURASI PERCOBAAN Dalam makalah ini akan dicari JST yang bisa dignakan nk memba klasifikasi kepribadian mansia berdasarkan lisan angan. JST ini akan dignakan oleh da akor yai pengembang dan penggna. Pengembang akan memba JST dan melaihnya agar saa penggna memakainya, JST yang sdah dilaih dapa dengan akra mengklasifikasi kepribadian mansia. Pengembang memerlkan daa lisan angan dan kepribadian yang berkaian dengannya. Daa lisan angan ini bisa didapakan dengan memindai lisan-lisan yang ada dalam bk psikologi, menambahkannya dengan noise, dan kemdian dipakai nk melaih JST. Cira hasil pemindaian biasanya berpa gambar lisan dalam forma warna RGB aa grayscale. Hrf yang menjadi acan nk klasifikasi hars dipisahkan dengan lisan lainnya. Cara pemisahan manal dipilih nk mempermdah proses. Hrf yang dipilih sebagai acan klasifikasi adalah hrf. Berdasarkan [1] erdapa 11 jenis kepribadian mansia dari cara penlisan hrf. Unk seiap jenis kepribadian diperlkan 20 bah conoh lisan hrf. Karena i conoh lisan yang dignakan adalah 220 bah. Conoh lisan ini nani akan dipisahkan nk fase pelaihan dan fase pengjian JST. Biasanya jmlah conoh lisan yang dijadikan bahan pelaihan sebanyak 80% sedangkan nk pengjian sebanyak 20%. Karena i jmlah conoh lisan yang dijadikan bahan pelaihan adalah 176 bah dan bahan pengjian adalah 44 bah. JST akan dilaih dan diji nk dicari konfigrasi yang memberikan hasil erbaik nk pelaihan dan pengjian. Sebelm cira dijadikan bahan nk pelaihan dan pengjian maka diperlkan pra-pengolahan erhadap cira erseb. Pra-pengolahan yang dilakkan dalam makalah ini diilsrasikan dalam Gbr. 1. Proses mengbah cira menjadi grayscale dapa dierangkan dalam algorime berik. Cira berwarna biasanya memiliki da dimensi. Dimensi ini dinyaakan dalam benk jmlah pixel dalam baris dikalikan dengan jmlah pixel dalam kolom. Arinya seiap cira memiliki jmlah pixel sebanyak hasil perkalian jmlah pixel di baris dan di kolom. Seiap pixel mengandng informasi komponen warna merah (red), hija (green), dan bir (ble). Informasi pixel dan komponen warna disimpan dalam benk mariks. Unk mendapakan grayscale dari gambar RGB, diperlkan sa proses yang mengambil informasi komponen warna. Misalnya yang dilakkan di [5], yai dari informasi RGB dikonversi ke rang warna YPQ. Kemdian perbedaan warna anar pixel diambil menggnakan pasangan Gassian. Smb predominan dari konras kromaik dihing nk selanjnya dikombinasikan dengan nilai lminasi dari daa kromaik dan akhirnya kalibrasi erhadap cira grayscale. Pengambilan Cira Merbah ke Greyscale Merbah Menjadi Biner Perampingan Gambar Pengbahan Ukran Gbr. 1 Pra-pengolahan cira sebelm menjadi inp ke JST. Konversi dari nilai RGB ke nilai YPQ diberikan seperi dalam (1). Y i 0,2989 0,5870 0,1140 R i P i = 0,5000 0,5000 1,000 G i (1) Q i 1,000 1,000 0 B i Dari (1) bisa dihing he dan saraion dari gambar berdasarkan (2). H i = 1 π an 1 Q i P i (2) S i = P i 2 + Q i 2 (3) Deail dari penrnan persamaan dan implemenasinya bisa dirjk pada [5]. Seelah mendapakan cira dalam forma warna grayscale, selanjnya dengan menggnakan filer baas cira akan dibah menjadi biner. Arinya hanya garis egas saja yang eap membenk gambar sedangkan cira lain yang idak egas akan menjadi warna pih. Filer baas ckp mdah dierapkan karena hanya dengan meneapkan baas angka yang akan dibah menjadi 1 dan 0 bisa didapakan gambar biner. Unk keperlan klasifikasi yang lain diperlkan informasi dari mana penlis memlai lisan, berapa besar ekanan, dan arah penlisan. Informasi ini bisa didapa dari berapa besar Iwan Awaldin: Aplikasi Grafologi dari Hrf... ISSN

3 kmplan pixel yang berwarna hiam. Teapi nk makalah ini, informasi yang diperlkan adalah benk hrf nya sendiri dengan idak memperhaikan darimana hrf i mlai dilis. Karena i, idak diperlkan daa keebalan hrf dimaksd sehingga selanjnya bisa dilakkan proses perampingan erhadap cira. Gbr. 2 mennjkkan hasil pemrosesan cira hrf menjadi mariks biner. Gbr. 2 Hasil konversi hrf ke mariks biner Hasil akhir dari cira yang sdah diolah adalah berpa mariks yang besarnya bisa diar dengan isi biner. Mariks ini yang akan menjadi inp nk JST. Arsiekr mm JST diperlihakan pada Gbr. 3. i n p bias Unk konfigrasi JST ada beberapa hal pening yang hars diperhaikan. Dari sisi inp dan op adalah jmlah neronnya. Jmlah neron di sisi op dienkan oleh jmlah kelas kepribadian mansia yang akan dicari. Menr bk pandan grafologi, dari hrf dapa dipisahkan 11 kelas kepribadian mansia. Arinya jmlah neron di sisi op JST yang dibangn ada 11 bah. Selanjnya di sisi inp JST. Ada da kemngkinan jmlah neron di sisi inp. Kemngkinan perama dienkan oleh jmlah fir yang akan dipakai nk membedakan lisan angan. Kemngkinan keda dienkan oleh jmlah pixel cira biner hasil pra-pengolahan. Unk kemngkinan perama ada proses ambahan yang hars dilali oleh cira biner. Proses ini adalah mengambil fir pembeda. Misalnya perbandingan panjang dan lebar komponen pembenk hrf, iik poong panjang dan lebar hrf, dan kemiringan dari lebar hrf. Terliha bahwa jmlah fir ini ckp kecil sehingga JST yang dibangnpn idak akan besar. Isi dari seiap fir dapa direpresenasikan dalam nilai yang menjadi nilai maksimm dan minimm dari inp JST. Misalnya saja kemiringan dari lebar hrf aa garis horizonal dari hrf ada dari -30⁰ sampai 30⁰ bisa dinyaakan sebagai nilai -1 sampai 1 di inp JST. Sayangnya memang kemngkinan perama ini memerlkan pengolahan lanj dari cira biner. Sedangkan nk kemngkinan keda hasil cira biner bisa langsng dignakan nk inp JST. Perl diperhaikan bahwa inp JST berpa mariks kolom sedangkan cira biner o p Gbr. 3 Konfigrasi mm JST. berpa mariks da dimensi. Perl ada konversi erlebih dahl dari mariks da dimensi ke mariks sa dimensi. Prosedrnya ckp mdah misalnya dengan memindahkan kolom keda sampai ke-n menjadi baris bar di kolom perama. Dimensi mariks inp JST erganng dari dimensi cira biner. Sebelmnya cira biner yang dihasilkan diba berdimensi sama besar baris dan kolom. Dengan demikian didapa jmlah baris inp JST sebesar baris x kolom dari cira biner. Memang bila diperhaikan, jmlah baris ini akan semakin besar bila dimensi cira biner semakin besar. Bahkan pembesaran ini bersifa kadraik. Ada keragan nani JST idak bisa beroperasi karena besarnya dimensi inp. Meskipn demikian kemngkinan keda ini yang dipilih nk diinvesigasi karena kemdahan prosesnya. Selanjnya seelah inp dan op JST dienkan, maka perl dieapkan berapa banyak hidden layer dan neron yang ada di dalamnya. Selain i perl dienkan jga fngsi akivasi. Biasanya jmlah hidden layer yang kecil sdah memberikan hasil yang memaskan nk fngsi nonlinier sederhana. Karena i dieapkan jmlah hidden layer nk JST yang dibangn adalah sa. Jmlah neron jga rivial. Tidak ada pandan khss enang berapa jmlah neron yang epa nk sa kass, apalagi pandan jmlah neron yang berlak mm. Penenan jmlah neron biasa dilakkan secara rial dan error. Dieapkan jmlah neron yang akan dicoba bervariasi dari delapan sampai da belas neron. Fngsi akivasi biasanya dikaikan dengan jan JST. Secara mm ada da jan yai memba klasifikasi aa memba regresi. Klasifikasi yai memisahkan op menjadi beberapa kelas, sedangkan regresi memba JST mengelarkan nilai yang konin dalam selang eren. Jenis akivasi yang dignakan berbeda. Unk keperlan klasifikasi biasa dignakan fngsi akivasi yang serpa dengan sigmoid. Fngsi akivasi seperi ini biasanya akan menarik op mendekai nilai maksimm aa nilai minimm. Unk keperlan regresi biasa dignakan fngsi akivasi linier. Fngsi ini idak menarik op menj nilai maksimm aa minimm melainkan menempakannya di iik yang ada dalam garis linier. Meskipn jan penggnaannya berbeda, ada kalanya fngsi akivasi sigmoid bisa dignakan nk keperlan regresi, aa jga sebaliknya, fngsi akivasi linier dignakan nk keperlan klasifikasi. Unk invesigasi yang dilakkan, dipilih fngsi akivasi linier di hidden layer dan sigmoid di op layer. Seelah ini perl dienkan bias. Bias adalah bagian dari inp ke hidden layer dan op layer yang idak berhbngan dengan inp dari layer sebelmnya. Misalnya di hidden layer bias idak berhbngan dengan inp dari cira biner. Bias berfngsi seperi konsana di persamaan linier yang idak berhbngan dengan pebah. Selain menggeser nilai, bias jga berfngsi nk mengakomodasi nilai lain yang berpengarh erhadap op eapi idak dinyaakan sebagai inp. Pada makalah ini, bias di hidden layer dan op layer diakifkan. ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...

4 Bagian di aas berkaian dengan nilai yang idak berbah sepanjang pelaihan JST. Nilai inp dan arge op akan digani-gani sepanjang pelaihan eapi dengan nilai yang sdah dienkan berdasarkan cira biner dan kelas kepribadian mansia. Ada bagian JST yang akan berbah selama pelaihan yai nilai bobo JST. Bobo adalah penghbng anar neron. Fngsinya seperi dendri di jaringan syaraf mansia, yai membawa informasi dari sa neron ke neron lainnya. Pada awalnya bobo diberi nilai acak. Kemdian berdasarkan proses belajar JST bobo akan berbah Cara belajar JST adalah seperi berik. Perama daa inp dan arge op sdah dimiliki. Dalam invesigasi ini ada sebanyak 176 pasangan inp dan arge op yang dipakai nk pelaihan. Daa ini akan dimaskkan ke dalam JST per pasangan. Seiap kolom inp dimaskkan ke inp layer, kemdian dibawa informasinya ke hidden layer melali bobo yang menghbngkan inp layer dan hidden layer. Seiap neron di hidden layer akan menerima perkalian seiap inp erhadap bobo dan kemdian dijmlahkan seperi pada (4). k S i = w j i j j=1 S i merpakan penjmlahan dari hasil perkalian bobo w dengan inp i. Penjmlahan dari hasil perkalian bobo dengan inp yang bersesaian akan dimaskkan ke dalam (5) yai fngsi akivasi. o i = f(s i ) (5) Op dari seiap neron seperi dari (5) akan menjadi inp bagi layer beriknya. Persamaan yang dignakan eap saja, yang berbah hanya indeks yang mennjkkan empa layer yang bersesaian. Sesampainya di bagian op, hasil kelaran akan dibandingkan dengan arge. Op ini akan berbeda dengan arge, yang mennjkkan adanya error. Informasi error ini disimpan karena proses feedforward belm selesai. Proses feedforward akan memaskkan pasangan inp dan op arge sa per sa yai sampai 176 pasang. Error dari seiap pasang dicaa nk kemdian dihing roo mean sqare errornya (RMSE). Selesainya sema pasang dimaskkan ke dalam feedforward menyaakan sa epoch. RMSE dari sa epoch akan dignakan nk memperbari nilai bobo. Cara memperbari nilai bobo ada banyak. Yang erkenal dengan seban back propagaion, misalnya Levenberg Marqad (LM), Gradien Descen (GD), Gradien Descen wih Momenm (GDM), dan masih banyak lagi. Ininya adalah mengirimkan balik informasi RMSE ini nk memperbari nilai bobo, erama sekali nilai bobo yang berada di layer sebelm hidden layer karena idak ada arge yang menjadi acan berapa besar error yang erjadi. Pengiriman balik nilai error ini memperimbangkan persamaan yang dignakan nk memperbari bobo. Pada LM ada rnan orde sa yang dignakan nk memperbari nilai bobo. Cara ini ckp efekif eapi jga bisa membhkan wak sanga lama. Besarnya mariks inp, (4) seperi yang elah disebkan pada awal bab, jga menyebabkan lambanya nilai error mengecil. Sedangkan pada GD diperlkan perhingan gradien fngsi pada iik berdasarkan error yang didapa. Gradien ini menenkan jmlah langkah melonca nk mempercepa proses memperbari bobo. Keda algorime di aas memiliki kelemahan yai kadang erjebak pada local minima. Hal ini akan menyebabkan perhingan berheni. Karena i pada algorime GD diambahkan lagi momenm yang dapa menendang perhingan bila erjebak pada local minima. Keiga algorime ini akan diji coba sema. IV. HASIL DAN ANALISIS Simlasi dilakkan menggnakan konfigrasi yang elah dijelaskan pada bab sebelmnya. Berik ini perilak yang dapa diambil dari simlasi. Simlasi perama dilakkan dengan delapan bah neron di hidden layer dan LM sebagai algorime belajar nk memperbari bobo. Simlasi berjalan lamba dan memerlkan belasan rib epoch nk mencapai RMSE yang ckp kecil. Keika dimlai, secara raa-raa RMSE berada pada kisaran 1 kemdian berkrang sediki demi sediki sampai pada nilai yang diinginkan. Hasil pelaihan memberikan op yang membawa kisaran 0 0,3 dan 0,73 sampai 1. Unk mendapakan hasil klasifikasi yang bags maka perl diberikan nilai baas. Saa nilai baas di aas 0,75 maka ada beberapa kelas yang salah klasifikasinya. Bar bila diberi baas nilai 0,7 hasil klasifikasi memberikan akrasi 100% nk sema kelas dan keselrhan 176 daa. Sayangnya keika bobo yang didapa ini dipakai nk daa pengjian hasilnya menrn ckp besar. Akrasi 65% didapakan secara keselrhan. Sebenarnya diharapkan akrasi daa pengjian bisa diingkakan, misalnya dengan memperbesar dimensi cira biner. Teapi saa dijicobakan dimensi cira biner idak bisa diba lebih besar dari 15 x 15. Arinya erdapa 225 bah inp maksimm yang bisa dijalankan oleh komper. Pesan yang diangkap dari program yang dignakan adalah kehabisan memori. Memang menr beberapa hasil percobaan, algorime LM ini sanga boros menggnakan memori komper. Selanjnya simlasi dilakkan dengan menggnakan GD dan GDM. Ternyaa nilai awal RMSE raa-raa sama seperi LM. Hanya saja nk epoch beriknya RMSE langsng ke nilai seengah dari nilai awal. Seelah mencapai nilai seengah ini idak ada lagi perbaikan dari GD dan GDM bahkan sampai jmlah epoch maksimm ercapai. Padahal ada kelebihan dari keda algorime ini. Kedanya sanggp mengaasi kekrangan memori yang ada di LM. Tidak ada masalah sampai epoch maksimm ercapai, idak ada peringaan memori habis. Seelah mendapakan algorime belajar yang memberikan hasil yang ckp baik, simlasi dilakkan dengan konfigrasi yang lain. Konfigrasi yang dignakan adalah mengbah jmlah neron di hidden layer. Percobaan perama menggnakan delapan neron dibah sa per sa sampai da Iwan Awaldin: Aplikasi Grafologi dari Hrf... ISSN

5 belas neron. Berdasarkan hasil simlasi idak ada perbahan signifikan erhadap hasil sehingga disimplkan dengan memakai delapan bah neron dirasa menckpi nk keperlan klasifikasi kepribadian mansia ini. Kemdian konfigrasi dibah lagi dengan memakai fngsi akivasi yang berbeda. Menr pengamaan idak ada perbahan akrasi, jmlah epoch, dan kecepaan proses dengan perbahan fngsi akivasi. Arinya fngsi sigmoid dan fngsi linier dapa dignakan nk keperlan klasifikasi ini. V. KESIMPULAN Berdasarkan hasil simlasi bisa dilaporkan bahwa JST bisa dignakan nk memba klasifikasi kepribadian mansia berdasarkan hrf. Klasifikasi ini dilakkan dengan konfigrasi JST Mli Layer Percepron, sa bah hidden layer dengan delapan bah neron. Konfigrasi seperi ini memberikan akrasi 100% nk 176 daa pelaihan dan 65% nk daa pengjian. Perbahan jmlah neron di hidden layer dan fngsi akivasi idak memberikan perbahan siginifikan erhadap hasil simlasi. Algorime GD dan GDM jga idak bisa dicari hasilnya karena idak bisa konvergen ke sa nilai meskipn jmlah epoch maksimm sdah ercapai. Peneliian selanjnya adalah dengan menggnakan fir perbandingan inggi, kemiringan garis, dan perpoongan garis hrf. Fir ini memngkinkan jmlah inp menjadi lebih kecil sehingga bisa menggnakan daa cira yang lebih besar. Peneliian jga bisa dilakkan pada conoh hrf lain seperi d dan i. REFERENSI [1] B. Lfiano, Analisis Tlisan Tangan: Grapho for Scc. Gramedia Psaka Uama, [2] F. Widiasi, W. Kaswidjani, and H. C. Rsamaji, JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK APLIKASI PENGENALAN TANDA TANGAN, Telemaika, vol. 11, no. 1, [3] S. Dang and M. K. Mahesh, Handwriing Analysis of Hman Behavior Based on Neral Nework, In. J. Adv. Res. Comp. Sci. Sofw. Eng., vol. 4, no. 9, Sep [4] H. N. Champa and K. R. AnandaKmar, Arificial Neral Nework for Hman Behavior Predicion hrogh Handwriing Analysis, In. J. Comp. Appl. IJCA, vol. 2, no. 2, pp , [5] M. Grndland and N. A. Dodgson, The decolorize algorihm for conras enhancing, color o grayscale conversion, Universiy of Cambridge, Technical Repor UCAM-CL-TR-649, ISSN Iwan Awaldin: Aplikasi Grafologi dari Hrf...