Pengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)

Transkripsi

1 1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk Caltex Rau Jl. Umbansar (Patn) No. 1, Rumba-Pekanbaru E-mal : punya_hann@yahoo.com 1, rahmat@pcr.ac.d 2, warna@pcr.ac.d 3 Abstrak Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Untuk menghndar kemungknan terjadnya pemalsuan tanda tangan, maka dbangunlah sebuah aplkas Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) dan Jarngan Syaraf Truan (JST) yang dgunakan untuk mendeteks tanda tangan. Metode PCA merupakan metode untuk mengambl cr pentng dar sekumpulan data set dengan mereduks data tersebut menjad data yang otonormal dan tdak salng berkoleras. Metode JST yang dpaka dalam aplkas n adalah Perceptron. Perceptron merupakan salah satu bentuk jarngan sederhana dan memlk bobot yang dapat datur. Sehngga dengan menggunakan metode tersebut aplkas n dapat membantu dalam pengenalan tanda tangan dan menamplkan hasl dar pengenalan tanda tangan tersebut. Kata Kunc: Tanda Tangan, Prcpal Component Analyss, Jarngan Syaraf Truan, Perceptron Abstract Sgnature s a specal form of handwrtng that contan specal characters and addtonal forms are often used as proof of a person's dentty verfcaton. To avod the possblty of falsfcaton of sgnatures, he bult an app's Sgnature Method Prncpal Component Analyss (PCA) and Artfcal Neural Network (ANN) s used to detect sgnatures. PCA s a method to take the mportant features of a set of data sets by reducng the data nto the data otonormal and not mutually correlated. ANN method used n ths applcaton s the Perceptron. Perceptron s a smple form of network and has a weght that can be arranged. So by usng the method of ths applcaton can assst n the ntroducton of sgnature and show the result from the ntroducng of sgnature. Keywords : Sgnature, Prncpal Component Analyss, Artfcal Neural Network, Perceptron 1. Pendahuluan Pada era teknolog nformas saat n, hampr semua pekerjaan dapat dlakukan dengan menggunakan komputer untuk menngkatkan efsens. Salah satu kegatan yang dapat dkomputersaskan adalah pengenalan tanda tangan. Pengenalan tanda tangan dapat dlakukan dengan menerapkan Jarngan Syaraf Truan (JST). Salah satu metode JST yang dapat dgunakan untuk mengenal pola tanda tangan adalah Perceptron. Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Teknk yang palng serng dgunakan pada proses pengenalan tanda tangan adalah dengan menggunakan jarngan syaraf truan. Jarngan syaraf truan adalah kelayakan sstem pelathan dalam menangkap konds pola tanda tangan dar suatu kelas kompleks. Pada umumnya, proses dentfkas tanda tangan mash dlakukan secara manual yatu dengan mencocokkan tanda tangan pada waktu transaks dengan tanda tangan yang sah. Tekstur ctra tanda tangan yang unk pada setap orang dapat danalss untuk ddentfkas. Oleh karena tu, dperlukan

2 2 sebuah aplkas yang mampu menganalsa karakterstk tanda tangan sehngga mempermudah dalam mengdentfkas tanda tangan seseorang. Dengan Jarngan Saraf Truan yang mana akan dgunakan pelathan perceptron yang dkombnaskan dengan metode PCA (Prncpal Components Analyss) untuk mereduks gambar. Yang mana aplkas tersebut dharapkan dapat membantu dalam proses dentfkas tanda tangan. Adapun tujuan dar proyek akhr n adalah membangun aplkas menggunakan metode jarngan syaraf truan yang dkombnaskan dengan metode PCA (Prncpal Components Analyss) pada proses pengenalan tanda tangan. Perumusan masalah dar mplementas n adalah : 1. Bagamana membangun aplkas pengenalan tanda tangan dengan menggunakan metode jarngan saraf truan yang dkombnaskan dengan metode Prncpal Component Analyss. 2. Bagamana penerapan kecerdasan buatan menggunakan metode jarngan saraf truan sebaga klasfkas tanda tangan. 3. Bagamana penerapan Prncpal Component Analyss sebaga pereduks ctra. 2. Tnjauan Pustaka 2.1 Tanda Tangan Dalam Kamus Besar Bahasa Indonesa (KBBI), Tanda Tangan memlk art nama yang dtulskan secara khas dengan tangan oleh orang tu sendr. Tanda tangan adalah sebuah bentuk khusus dar tulsan tangan yang mengandung karakter khusus dan bentuk-bentuk tambahan yang serng dgunakan sebaga bukt verfkas denttas seseorang. Sebagan tanda tangan dapat dbaca, namun banyak pula yang tdak dapat dbaca (unreadable). Kendat demkan, sebuah tanda tangan dapat dtangan sebaga sebuah ctra sehngga dapat dkenal dengan menggunakan aplkas pengenalan pola pada pengolahan ctra. 2.2 Perceptron Model jarngan perceptron dtemukan oleh Rosenbalt (1962) dan Mnsky Paper (1969). Jarngan terdr dar beberapa unt masukan (dtambah sebuah bas), dan memlk sebuah unt keluaran. Hanya saja fungs aktvas bukan merupakan fungs bner (atau bpolar), tetap memlk kemungknan nla -1, 0 atau 1. Algortma pelathan perceptron adalah sebaga berkut : 1. Insalsas semua bobot pemahaman dan bas (umumnya w =b=0). Tentukan laju pemahaman (α). Untuk penyederhanaan basanya α dber nla = Selama ada elemen vektor masukan yang respon unt keluaraannya tdak sama dengan target, lakukan : a. Set aktvas unt masukan x = s (=1,...,n) b. Htung respon unt keluaran : net = x w b y f (net) jka net > θ jka θ net θ jka net < -θ c. Perbak bobot pola yang mengandung kesalahan (y t) menurut persamaan : w (baru) = w (lama) + w ( = 1,...,n) dengan w = α t x b (baru) = b (lama) + b dengan b = α t Ada beberapa hal yang perlu dperhatkan dalam algortma tersebut : a. Iteras dlakukan hngga semua pola memlk keluaran jarngan yang sama dengan targetnya (jarngan sudah memaham pola). b. Pada langkah (2c), perubahan bobot hanya dlakukan pada pola yang mengandung kesalahan (keluaran jarngan target). Perubahan tersebut merupakan hasl kal unt masukan dengan target dan laju pemahaman. Perubahan bobot hanya akan terjad kalau unt masukkan 0

3 3 c. Kecepatan teras dtentukan pula oleh laju pemahaman (α dengan 0 α 1) yang dpaka. Semakn besar harga α, semakn sedkt teras yang dperlukan. Akan tetap jka α terlalu besar, maka akan merusak pola yang sudah benar sehngga pemahaman menjad lambat. Untuk proses dentfkas perceptron dlakukan cara sebaga berkut : 1. Set aktvas unt masukan x = s (=1,...,n) 2. Htung respon unt keluaran : net = x w b 3. Bandngkan dengan threshold, apabla net > threshold maka pola dkenal, sebalknya jka net < threshold maka pola tdak dkenal. 2.3 Prncpal Component Analyss PCA merupakan metode untuk mengambl cr pentng dar sekumpulan data set dengan mereduks data tersebut menjad data yang otonormal dan tdak salng berkoleras. Sasaran PCA adalah menangkap varas total dan menjelaskan dengan varabel lebh sederhana. Dengan varabel n, cr yang khusus dar sekumpulan data tersebut dapat dgambarkan dengan lebh bak. Proses pada PCA : 1. Normalsas Input Hal pertama yang harus dlakukan adalah memasukkan pxel tap mage ke dalam matrks. Sstem penympanannnya adalah dengan memasukkan semua kolom dalam satu bars sampa habs dahulu, baru kemudan pndah ke kolom pada bars berkutnya. Msalkan ada m mage yang masngmasng berdmens 100x100= pxels. Maka matrks baru yang mempresentaskan mage tranng tersebut berdmens jumlah mage bars x kolom. 2. Mencar Covarance Matrks Setelah data dar setap pxel dmasukkan, kemudan rata-rata dar matrk u dapat dcar. Langkah pertama adalah mencar jumlah total dar setap matrks u, kemudan drata-ratakan dengan dbag kemudan semua pxel pada bars tu dkurang dengan rata ratanya. m 1 u u k m, 1 k 1 Semua varas yang memungknkan dperoleh dar perpasangan vektor kolom dnyatakan sebaga covarance matrks. Covarance matrks ddapat dengan cara mengalhkan matrks u dengan transpose-nya. Matrks baru yang dhaslkan bedmens jumlah mage bars x jumlah mage kolom. C u T * u 3. Mencar EgenValue Dan EgenVector Setelah matrks covarance dhtung, langkah berkutnya adalah mencar egen value dan egen vector dengan menggunakan metode jacob. Egen value yang ddapat durutkan mula yang terbesar sampa yang terkecl, dan egen vector yang bersesuaan dengan egen value tersebut juga durutkan. Egen value yang dhaslkan merupakan matrks satu dmens sebanyak jumlah ctra tranng. Sedangkan matrks egen vector yang dhaslkan merupakan matrks berdmens jumlah mage bars x jumlah mage kolom. Dmana Jacob: Adalah sebuah operas yang ddesan untuk mengenolkan elemen-elemen d luar dagonal utama matrks. Transformas yang dlakukan tdak langsung menghaslkan nol, akan tetap jka transformas berturut-turut dlakukan maka akan menghaslkan nla d luar dagonal utama yang semakn kecl atau semakn mendekat nol. Untuk mencar egen value, dgunakan rumus : Dmana nla λ adalah nla egen value. Q t 1 AQ= 0 0 2

4 4 Secara umum Q adalah : 2aj Dmana tan2θ = a a jj a11 a12 cos sn Msalkan A =, maka Q = a21 a 22 sn cos cos sn a Q t 11 a12 cos sn AQ = sn cos a21 a 22 sn cos a12 Maka tan2θ = a a Setelah egen value dperoleh, maka dapat dlakukan pencaran egen vector dengan menggunakan rumus: λi-a Dmana I adalah matrks denttas Egenface PCA Matrks egenface dhtung dengan cara mengalkan matrks u dengan matrks egenvector dan dengan satu dbag akar egenvalue-nya. Egenface u * egenvector 5. Ekstraks Cr Ekstrakcr egenface T Untuk proses dentfkas, dlakukan proses ekstraks cr dengan rumus yang sama, dengan nla egenface nya merupakan nla egenface yang ddapat dar proses pelathan. 3. Perancangan 3.1 Flowchart Flowchart adalah penggambaran secara grafs dar langkah-langkah dan urutan-urutan prosedur dar suatu program. Flowchart menolong analss dan programmer untuk memecahkan masalah ke dalam segmen-segmen yang lebh kecl dan menolong dalam menganalss alternatf-alternatf lan dalam pengoperasan (Mrrfan, 2010). 11 u 22

5 Flowchart PCA Mula Normalsas Input Car Rata-rata Ekstraks Nla Rata-rata Car Matrks Covaran Jacob Car EgenValue Dan Egenvector Car Egenface Car Nla Ekstraks Cr Hasl Ekstraks Cr Selesa Gambar 3.3 Flowchart PCA

6 Flowchart Perceptron

7 7 3.2 Tabel Tabel 5.1 Tabel Tanda Tangan Tanda Tangan ID Nama Lebar Sample Tngg Sample Bobot Perceptron Bas Perceptron Jml_egen Egenface Prmary key untuk tanda tangan Nama tanda tangan Ukuran Lebar Ctra Ukuran Tngg Ctra Bobot Ctra Hasl Pembelajaran Bas Ctra Hasl pembelajaran Jumlah Egen Egenface 4. Hasl dan Pembahasan 4.1 Tamplan Awal Aplkas Gambar 4.1 Tamplan Awal Aplkas Pengenalan Ctra Tanda Tangan Pada halaman n terdapat dua button. Button pembelajaran mengarahkan ke form pembelajaran yang dgunakan untuk melakukan pembelajaran terhadap ctra tanda tangan, berupa fle gambar. Button Identfkas mengarahkan ke form dentfkas yang dgunakan untuk melakukan dentfkas terhadap ctra tanda tangan. a. Tamplan Form Pembelajaran

8 8 Gambar 4.2 Tamplan Form Pembelajaran b. Tamplan Form Identfkas Gambar 4.3 Tamplan Hasl Identfkas Tanda Tangan 4.2 Metode Pengujan Aplkas n dlakukan pengujan terhadap ctra lath dan ctra dentfkas. Pada ctra lath dlakukan pengujan terhadap tanda tangan yang akan d uj keaslannya. Sesua dengan metode pengujan yang telah dlakukan, berkut data hasl perbandngan yang ddapat : 1. Menghtung lama proses pembelajaran untuk data 100 x 100 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. 2. Menghtung lama proses pembelajaran untuk data 200 x 200 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. 3. Menghtung persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas. 4. Menghtung persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 200 x 200 dengan jumlah data lath lma, sepuluh dan lmabelas. 5. Menguj apakah aplkas membantu pengguna dalam pengenalan terhadap suatu tanda tangan (Kusoner). Sesua dengan metode pengujan yang telah dlakukan, berkut data hasl yang ddapat : 1. Pengujan I : lama proses pembelajaran untuk data 100 x 100 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. Tabel 4.1 Tabel Waktu Pembelajaran ctra 100 x100 Ukuran Jumlah Data Waktu 100 x ,08 detk

9 9 100 x ,60 detk 100 x ment 16,73 detk 2. Pengujan II : lama proses pembelajaran untuk data 200 x 200 pxel dengan jumlah data sebanyak lma, sepuluh dan lmabelas. Tabel 4.2 Tabel Waktu Pembelajaran Ctra 200 x200 Ukuran Jumlah Data Waktu 200 x ment 0,22 detk 200 x ment 37,79 detk 200 x Not respondng 3. Pengujan III : Persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas Tabel 4.3 Tabel Kecocokan Ctra 100 x 100 dengan lma sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 tdak 4 tdak 5 cocok Analsa dar pengujan table 4.3 adalah : Hasl : h = 3 5 x 100 % = 60 % x 100% 40% cocok 60% tdak Gambar 4.4 Grafk Hasl Analsa Dar Pengujan Tabel 4.3 Tabel 4.4 Tabel Kecocokan Ctra 100 x 100 dengan sepuluh sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 tdak 5 tdak Analsa dar pengujan table 4.4 adalah : Hasl : h x 100%

10 10 = 3 5 x 100 % = 60 % 40% cocok 60% tdak Gambar 4.5 Grafk Hasl Analsa Tabel 4.4 Tabel 4.5 Tabel Kecocokan Ctra 100 x 100 dengan lmabelas sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 tdak 5 cocok Analsa dar pengujan table 4.5 adalah : Hasl : h = 4 5 x 100 % = 80 % x 100% 20% 80% cocok tdak Gambar 4.6 Grafk Hasl Analsa Pengujan Tabel Pengujan IV : Persentase kecocokan data lath dan data uj untuk data ctra yang berukuran 100 x 100 dengan jumlah data lath lma, sepuluh dan lmabelas. Tabel 4.6 Tabel Kecocokan Ctra 200 x 200 dengan lma sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 200 x cocok 2 tdak 3 cocok 4 tdak 5 cocok

11 11 Analsa dar pengujan table 4.6 adalah : Hasl : h = 3 5 x 100 % = 60 % x 100% 40% cocok 60% tdak Gambar 4.7 Grafk Hasl Analsa Dar Pengujan Tabel 4.6 Tabel 4.7 Tabel Kecocokan Ctra 200 x 200 dengan sepuluh sample Ukuran Jumlah Data Lath Percobaan Ke- Cocok/ tdak 100 x cocok 2 cocok 3 cocok 4 cocok 5 tdak Analsa dar pengujan table 4.7 adalah : Hasl : h = 4 5 x 100 % = 80 % x 100% 20% 80% cocok tdak Gambar 4.8 Grafk Hasl Analsa Pengujan Tabel 4.7 Untuk ctra berukuran 200 x 200 dengan jumlah sample 15 tdak dapat dhtung, karena pada proses pelathan aplkas tdak dapat melakukan proses / not respondng. 5. Pengujan V : Apakah aplkas membantu pengguna dalam pengenalan terhadap suatu tanda tangan (Kuesoner). Kuesoner dberkan kepada 20 orang responden yang merupakan pengguna acak. Kuesoner n terdr dar kuesoner dar seg Interaks Manusa Komputer (IMK) dan manfaat dar aplkas. Berkut panduan untuk pengguna dalam menjawab kuesoner:

12 12 Tabel 4.8 Keterangan Kusoner Sangat Tdak Setuju (STS) Tdak Setuju (TS) Netral (N) Setuju (S) Sangat Setuju (SS) Dsedakan 5 pertanyaan tentang perpaduan warna web, aplkas yang user frendly, pemahaman user pada saat menggunakan aplkas dan penlaan manfaat dar aplkas. Hasl kuesoner adalah sebaga berkut: 80% 70% 60% 50% 40% 30% 20% 10% 0% STS TS N S SS Gambar 4.1 Hasl Kuesoner Aplkas user frendly Fungs berjalan dengan lancar Membantu dalam proses pengenalan tanda tangan Kemudahan dalam menjalan aplkas Tamplan keseluruhan yang menark dan nteraktf Persentas untuk pernyataan bahwa aplkas n memlk tamplan yang user frendly, 0% responden menyatakan sangat tdak setuju, 5% responden tdak setuju, 30% responden netral, 65% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk fungs yang berjalan dengan lancar, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 30% responden netral, 70% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas membantu dalam proses pengenalan tanda tangan, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 40% responden netral, 50% responden setuju, dan 10% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk kemudahan ketka djalankan, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 60% responden netral, 40% responden setuju, dan 0% responden menyatakan sangat setuju. Persentas untuk pernyataan bahwa aplkas memlk tamplan keseluruhan yang menark dan nteraktf, 0% responden menyatakan sangat tdak setuju, 0% responden tdak setuju, 75% responden netral, 25% responden setuju, dan 0% responden menyatakan sangat setuju. Tabel 4.1 Nla hasl kuesoner Pertanyaan Nla Aplkas n user frendly sehngga tdak sult dgunakan yang mash awam Seluruh fungs yang terdapat dalam aplkas berjalan dengan bak, sepert proses pelathan, proses demtfkas dan lan sebaganya Aplkas n membantu dalam proses pengenalan tanda tangan Kemudahan dalam menjalankan aplkas pengenalan tanda tangan % % % %

13 13 Tamplan dan keseluruhan aplkas sudah nteraktf dan menark % Dar nla yang ddapat maka dapat danalsa bahwa: 1. Tamplan aplkas user frendly. 2. Fungs fungs pada aplkas berjalan dengan bak. 3. Aplkas membantu pengguna untuk proses pengenalan tanda tangan. 4. Mudah dalam menjalankan aplkas pengenalan tanda tangan. 5. Penlaan aplkas secara keseluruhan bak 4.3 Analsa dan Evaluas Berdasarkan hasl pengujan-pengujan yang dlakukan, dapat danalsa bahwa: 1. Ukuran ctra dan jumlah ctra yang dlath mempengaruh dalam kecepatan pada proses pelathan. Semakn besar ukuran ctra dan semakn banyak jumlah ctra yang dlath maka proses pelathan akan lebh lambat. 2. Jumlah ctra yang dlath mempengaruh besar persentase kecocokan pada proses dentfkas. 3. Pada ctra 200 x 200 pxel dengan jumlah ctra yang dlath lma belas, aplkas terhent/ not respondng dkarenakan data yang dproses terlalu besar. 4. Aplkas dapat membantu pengguna dalam proses pengenalan tanda tangan. 5.1 Kesmpulan Setelah dlakukan beberapa pengujan, dapat dsmpulkan bahwa: 1. Ukuran dan jumlah data mempengaruh keefektfan dar program. 2. PCA dapat dkombnaskan dengan perceptron untuk proses pengenalan tanda tangan. 3. Aplkas dapat dgunakan untuk membantu pengguna dalam proses pengenalan suatu tanda tangan. 4. Semakn banyak data dan semakn besar ukuran pxel dar ctra lath, maka semakn lama juga waktu yang dperlukan untuk proses pelathan. 5. Aplkas n tdak dapat berjalan jka data dproses berukuran 200 x 200 pxel dengan lma belas sample. 5.2 Saran Untuk mendapatkan hasl yang lebh maksmal, dsarankan : 1. Dalam melakukan proses data lath, aplkas n dsarankan untuk lebh dkembangkan lag dengan metode yang sama agar dapat melakukan proses dentfkas dengan cepat dan bak untuk data lath yang lebh banyak dan ukuran pxel yang lebh besar. 2. Aplkas dapat dmodfkas dengan menambahkan metode JST lannya, sehngga dapat danalsa dan dketahu metode pengenalan pola yang terbak. 6. Daftar Pustaka Adry Pengenalan Wajah Dengan Metode Backprogaton network dan Prncpal Component Analyss. Petra Chrstan Unversty Lbrary. URL : /junkpe/s1/elkt/2003/junkpe-ns-s saraf-chapter2.pdf Mus, Saludn Teknk Jarngan Syaraf Truan. Yogyakarta : Graha Ilmu Patel, Vthal A Numercal Analyss. Harcourt Brace College Publsher.

14 14 Qur an, Dfla Yustsa dan Safrna Rosmalnda Jarngan Syaraf Truan Leranng Vector Quanttazaton Untuk Aplkas Pengenalan Tanda Tangan. Semnar Nasonal Aplkas Teknolog Informas URL : Sarbn Perbandngan Beberapa Metode Egen dengan PCA Proses Pada Pengenalan Wajah Menggunakan JST Propagas Balk Standar. E-ILKOM. Sholeh, Alfn Pengembangan Sstem Pengenalan Wajah 2D Dengan Implementas Algortma Egenface Dan Manhattan Dstance. Unverstas Penddkan Indonesa. Sang, Jong Jek Jarngan Syaraf Truan & Pemgrogramannya Menggunakan MATLAB. Yogyakarta : And. Sutojo, T dan Edy Mulyanto dan Vncent Suhartono Kecerdasan Buatan. Yogyakarta : And.