BAB II LANDASAN TEORI

Transkripsi

1 BAB II LANDASAN TEORI 2.1 Training Tanda Tangan Proses training tanda tangan merupakan bagian pendahulu dari proses verifikasi tanda tangan. Menurut Srikanta (2012), proses verifikasi tanda tangan adalah proses untuk menguji tanda tangan secara detail untuk menentukan keabsahan kepemilikannya. Sebelum penggunaaan teknologi dalam proses verifikasi tanda tangan, masih diandalkan proses pengenalan tanda tangan secara manual, yang mana menuntut ketelitian dan kejujuran yang tinggi. Dengan bantuan teknologi, proses verifikasi menjadi efektif dan efisien, serta dapat mengurangi tingkat human error yang ada. Beberapa algoritma yang telah dikembangkan demi kepentingan verifikasi tanda tangan, diantaranya: Wavelet Packet secara online (Romo, et al, 2009) HOG dan fitur LBP secara offline (Yilmaz, et al, 2011) kombinasi validasi Cross dan pendekatan Graph Matching secara offline (Bhole, et al, 2011) 2.2 Preprocessing Image Tanda tangan hasil scan dari proses pengambilan data tadi.akan melalui berbagai proses preprocessing image (Rasheed,2012). 6

2 7 Preprocessing Image ini bertujuan untuk mengurangi variasi gambar yang akan ditraining. Untuk proses training tiap orang, diperlukan beberapa gambar tanda tangan, karenanya jumlah variasi tanda tangan yang semakin sedikit dapat meningkatkan tingkat keamanan verifikasi nantinya. Preprocessing image terdiri dari banyak tahapan, diantaranya : Binarization Proses untuk mengubah warna gambar dari hasil scanner menjadi hitam-putih. Hal ini untuk mengantisipasi, jika tanda tangan tidak dituliskan dengan tinta hitam. Bertujuan untuk memudahkan proses komputasi selanjutnya. Input : Gambar mentah. Output : Gambar yang telah melalui proses binarization.. Proses : Untuk masing-masing pixel, hitung nilai grayscale-nya. Digunakan treshold senilai 225 (0 untuk hitam ; 255 untuk putih) Jika nilai grayscale <= 225, pixel tersebut di assign nilai 0 (hitam) Jika nilai grayscale > 225, pixel tersebut di assign nilai 255 (putih) Gambar 2.1 Penampakan gambar sebelum dan sesudah tahapan Binarization. (Rasheed,2012)

3 8 Noise Removal Meskipun sudah menggunakan scanner untuk meminimalisir noise, tetap diperlukan proses noise removal untuk menghilangkan noise yang masih terekam pada gambar. Algoritma yang digunakan ialah algoritma Image Median Filter 3x3. Input : Gambar hasil binarization Output : Gambar yang telah difilter. Proses : Untuk masing-masi ing pixel, hitung median gray level dari pixel-pixel yang bersebelahan langsungg dengan pixel tersebutt (neighbourhood). f ˆ x, y = median{g s, t, dimana fungsi g( (s,t) ( ) merupakan fungsi untuk menghitung gray level dari pixel yang berada di posisi s,t. Ruang lingkup neighbourhood untuk pixel yang berada di posisi x,y didefinisikan padaa S. xy ( t ) s, S xy ( )} Gambar 2.2 Penampakan gambar sebelum dan sesudah tahapan Noise Removal. (Rasheed,2012) Image Scaling Penyesuaian ukuran gambar diperlukan agar saat dilakukan rotasi gambar, gambar digunakan: tidak mengalami pemotongan. Algoritma yang

4 9 Input : Height = tinggi gambar Width = lebar gambar Output : newheight = tinggi gambar hasil proses Image Scaling newwidth = lebar gambar hasil proses Image Scaling Proses : scaleheight = 250 / Height scalewidth = 250 / Width scaleall = minimum(scaleheight,scalewidth) newheight = scaleall * Height newwidth = scaleall * Width Fungsi minimum(scaleheight,scalewidth) untuk menentukan nilai minimum antaraa scaleheight dan scalewidth. Gambar 2.3 Penampakan gambar sebelum dan sesudah tahapan Image Scaling. (Rasheed,2012) Image Centralization Proses ini juga bertujuan untuk memastikan hasil rotasi dari tanda tangan tidak mengalami perbedaan dari yang sebenarnya. Input : Gambar hasil proses Image Scaling Output : Gambar dengan posisi titik pusat gambar berada di tengah bidang gambar. Proses : Xmin = posisi pixel hitam paling kiri

5 10 Xmax = posisi pixel hitam paling kanan Ymin = posisi pixel hitam paling atas Ymax = posisi pixel hitam paling bawah Height = tinggi gambar Width = lebar gambar Xadder = ( (Width/2) (Xmax-Xmin)/2 - Xmin ) Yadder = ( (Height/2) (Ymax-Ymin)/2 - Ymin ) Geser seluruh pixel gambar kekanan sebanyak Xadder, dengan cara menjumlahkan komponen posisi pixel horizontal yang lama dengan Xadder. Geser seluruh pixel gambar kebawah sebanyak Yadder, dengan cara menjumlahkan komponen posisi pixel vertikal yang lama dengan Yadder. Gambar 2.4 Penampakan gambar sebelum dan sesudah tahapan Image Centrlization. (Rasheed,2012) Image Rotation Setelah melalui proses Image Scaling dan Image Centralization sebagai persiapan Image Rotation, sekarang gambar siap melalui proses perotasian. Proses ini bertujuan untuk memastikan gambar yang dikomputasi selanjutnya bersifat seragam, dan relatif rata secara horizontal. Input : Gambar hasil proses Image Centralization Output : Gambar dengan posisi tanda tangan relatif rata terhadap bidang horizontal.. Proses : Bagi gambar menjadi 8 bagian secara vertikal, lalu tandai

6 11 batas antara bagian pertama dan bagian kedua dengan S1. Tandai juga batas antara bagian ketujuh dan bagian kedelapan dengan S2. Tentukan titik-titik A1, A2, B1, B2, seperti pada gambar dibawah ini: Gambar 2.5 Pemberian posisi A1, A2, B1, dan B2 (Rasheed,2012) A1 = posisi pixel hitam paling atas di sepanjang tanda S1 A2 = posisi pixel hitam paling bawah di sepanjang tanda S1 B1 = posisi pixel hitam paling atas di sepanjang tanda S2 B2 = posisi pixel hitam paling bawah di sepanjang tanda S2 Acenter = A2-A1 Bcenter = B2-B1 X_Acenter = posisi horizontal Acenter Y_Acenter = posisi vertikal Acenter X_Bcenter = posisi horizontal Bcenter Y_Bcenter = posisi vertikal Bcenter Hitung nilai sudut θ dengan rumus tan θ = Y _ Bcenter Y _ Acenter X _ Bcenter X _ Acenter Putar gambar berdasarkan sudut θ Gambar 2.6 Penampakan gambar sebelum dan sesudah tahapan Image Rotation. (Rasheed,2012)

7 12 Image Trimming Proses ini dilakukan untuk membuang area kosong dari gambar tanda tangan. Input : Gambar hasil proses Image Rotation Output : Gambar tanpa space kosong disekitar tandaa tangan. Proses : Xmin = posisi pixel hitam paling kiri Xmax = posisi pixel hitam paling kanan Ymin = posisi pixel hitam paling atas Ymax = posisi pixel hitam paling bawah Salin ulang gambar lama ke kanvas baru, dengan pixel (Xmin, Ymin) menempati posisi (0,0) Gambar 2.7 Penampakan gambar sebelum dan sesudah tahapan Image Trimming. (Rasheed,2012) 2.3 Bidirectional Associative Memory (BAM) Bidirectional Associative Memory pertama kali diperkenalkan oleh Bart Kosko berdasarkan studi terdahulu dan model associative memory lainnya. Menurut Yash Pal Singh, dkk (2009), Bidirectional Associative Memory (BAM) merupakan model Neural Network yang termasuk dalam kategori Supervised Learning Networks seperti halnya Backpropagation, yaitu dicirikan dengan adanya mekanisme training.

8 13 Bidirectional Associative Memory menggunakan 2 layer X dan Y yang saling berasosiasi. Layer-layer tersebut disimpan dalam matriks dua dimensi (Kosko, 1988). Konsep dasar Bidirectional Associative Memory: m pasang pola {( X Y ), ( X, Y ),..., (, )}, X Y m m akan disimpulkan dalam Bidirectional Associative Memory dimana X = ( X X,..., X ) dan Y ( Y Y,..., Y ) i, i1 i2 in i, i1 i2 = adalah 2 pola yang saling berasosiasi, maka m pola tersebut dapat disimpan dalam Bidirectional Associative Memory, dalam bentuk matriks bobot w berukuran berikut : m W = X i= 1 T i { 1,1 } p { 1,1 } X i Yi i = 1,2,..., m Y n i n* p, yang disusun sebagai Jika m pasang pola telah disimpan dalam BAM w, maka pada saat diperlukan, dapat dipanggil (retrieved, recalled, decoded), sbb : in.. Fungsi threshold-nya didefinisikan dengan,,,.,. 2.4 Backpropagation Neural Network Menurut Mohammed Waadalla, dkk (2014), Neural Network merupakan kumpulan neuron yang saling terhubung melalui garis dengan

9 14 bobot masing-masing. Bobot-bobot tersebut terus diperbaharui didalam proses oleh fungsi matematis. Sedangkan menurut Nader Salari, dkk (2014), Backpropagation Neural Network merupakan salah satu metode paling efisien untuk menyelesaikan permasalahan yang kompleks. Karena Backpropagation Neural Network dapat memecahkan permasalahan kompleks tersebut ke struktur-struktur yang lebih sederhana dan tersusun bersebelahan dengan tidak kehilangan deskripsi dari sistem kompleks yang sebelumnya. Backpropagation Neural Network adalah neural network dengan konsep multilayer feedforward yang terdiri dari lapisan input, lapisan tersembunyi, dan lapisan output. (Cao Jianfang, 2014) Backpropagation adalah salah satu metode yang sering digunakan untuk training sebuah Neural Network. Backpropagation terdiri dari 2 langkah: Feedforward (langkah maju) digunakan saat training dan verifikasi Backward (langkah mundur) digunakan saat training, untuk memperbaiki bobot (weighting factors).

10 15 Gambar 2.8 Diagram posisi layer input, hidden, output pada Backpropagation Neural Network Algoritma Training Backpropagation Langkah 0 : Inisialisasi bobot. Langkah 1 : Selama kondisi berhenti false, lakukan langkah 2-9 Langkah 2 : Untuk setiap pasangan data latihan, lakukan langkah 3-8 Feedforward (langkah maju) Langkah 3 : Setiap unit input, 1,2,, menerima sinyal input dan meneruskan sinyal tersebut ke semua unit pada lapisan diatasnya (hidden layer). Langkah 4 : Setiap unit tersembunyi, 1,2,, menjumlahkan sinyal-sinyal input terbobot, _ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya, _

11 16 Dan kiriman sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Langkah 5 : Setiap unit output, 1,2,, menjumlahkan sinyal-sinyal input terbobot, _ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya, _ Backward (langkah mundur) Langkah 6 : Tiap-tiap unit output, 1,2,, menerima pola target yang berhubungan dengan pola input pembelajaran, hitung informasi errornya,. _ ) Hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai ),.. Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai ),. dan kirimkan nilai ke unit-unit yang ada dilapisan bawahnya. Langkah 7 : Tiap-tiap hidden unit, 1,2,, menjumlahkan delta inputnya (dari unit yang berada pada lapisan atasnya.),

12 17 _ Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi errornya, _. _ Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai ),.. Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki nilai ),. Perbaikan bobot dan bias ; Langkah 8 : Setiap unit output, 1,2,, memperbaiki bobot dan biasnya 0,1,2,,, Setiap unit tersembunyi, 1,2,, memperbaiki bobot dan biasnya 0,1,2,,, Langkah 9 : Tes kondisi berhenti. Algoritma Implementasi Back Propagation Langkah 0 : Inisialisasi bobot (dari hasil algoritma training) Langkah 1 : Selama kondisi berhenti false, lakukan langkah 2-4 Hanya bagian Feedforward (langkah maju):

13 18 Langkah 2 : Setiap unit input, 1,2,, menerima sinyal input dan meneruskan sinyal tersebut ke semua unit pada lapisan diatasnya (hidden layer). Langkah 4 : Setiap unit tersembunyi, 1,2,, menjumlahkan sinyal-sinyal input terbobot, _ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya, _ Dan kiriman sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Langkah 5 : Setiap unit output, 1,2,, menjumlahkan sinyal-sinyal input terbobot, _ Gunakan fungsi aktivasi untuk menghitung sinyal outputnya, _ 2.5 Literature Review Untuk kepentingan pelaksanaan penelitian ini, penulis terinsipirasi dari banyak penelitian terdahulu yang telah dilakukan dengan melibatkan metode pengenalan pola Bidirectional Associative Memory dan metode pelatihan Backpropagation Neural Network dalam proses verifikasi tanda tangan digital. Penelitian-penelitian tersebut tertuang dalam bentuk jurnal

14 19 dan buku. Penelitian-penelitian ini menginspirasi penulis dalam bentuk sejarah penggunaan algoritma Bidirectional Associative Memory dan Backpropagation Neural Network dan bagaimana melakukan image processing terhadap gambar tanda tangan.. Pada tahun 2009, Singh, Yash Pal, et al dengan paper berjudul Bi Directional Associative Memory Neural Network Method in the Character Recognition memaparkan hasil research penulis, dalam melakukan pengenalan karakter, dengan metode Backpropagation Neural Network yang digabung dengan metode Bidirectional Associative Memory. Dari jurnal ini, penulis mendapat algoritma Bi Directional Associative Memory untuk digunakan untu keperluan pengenalan pola.. Pada Januari 2012, Pansare, Ashwini dengan paper berjudul Handwritten Signature Verification using Neural Network memaparkan hasil research penulis, dalam melakukan verifikasi tanda tangan dengan menggunakan Neural Network. Dari jurnal ini, penulis mendapat penjelasan bagaimana menghitung perbandingan jumlah pixel hitam terhadap jumlah keseluruhan pixel. Pada tahun 2009, Das, M.T dan Dulger, L.C dengan paper berjudul Signature Verification (SV) Toolbox: Application of PSO-NN memaparkan hasil research penulis, dalam melakukan verifikasi tanda tangan dengan menggunakan perpaduan Particle Swarm Optimization dan Neural Network. Dari jurnal ini, penulis mendapat penjelasan bagaimana membagi tanda tangan menjadi beberapa region.

15 20 Pada tahun 2012, Rasheed, Nada Abdullah dengan paper berjudul Proposed Preprocessing Algorithm for Signature Recognition memaparkan hasil research penulis, dalam melakukan image preprocessing untuk keperluan pengenalan tanda tangan. Dari jurnal ini, penulis mendapat algoritma untuk melakukan image preprocessing gambar sebagai salah satu langkah dalam tahapan pemurnian data. Pada tahun 2010, Rusell, Stuart Jonathan dan Norvig, Peter dengan buku yang berjudul Artificial Intelligence : a Modern Approach memaparkan tentang Neural Network. Dari buku ini didapatkan informasi dasar mengenai Neural Network, dimana salah satu pembahasannya tentang proses training dari metode Backpropagation Neural Network. Kontribusi penelitian-penelitian tersebut penulis rangkum dalam tabel 2.1 seperti yang dapat dilihat di halaman selanjutnya.