Hardisk 8 GB Perangkat lunak Window XP Profesional MATLAB 7..1 HASIL DAN PEMBAHASAN Percobaan yang dilakukan pada penelitian ini terdiri atas dua macam, yaitu citra yang akan mengalami proses pengenalan tanda tangan dan citra tanda tangan yang akan mengalami praproses. Hasil keseluruhan yang didapat pada tahap pengujian dapat dilihat pada Lampiran 3 dan Lampiran 4. Data Pembagian dilakukan dengan menggunakan metode k-fold cross validation. Pada kombinasi pertama digunakan metode 4- fold cross validation sehingga dihasilkan latih sebanyak 15 dan uji sebanyak 5 untuk masing-masing kelas pada setiap iterasi. Pada kombinasi kedua digunakan metode 2-fold cross validation sehingga dihasilkan latih dan uji sebanyak 1 buah untuk masing-masing kelas pada setiap iterasi. Percobaan 1 : Pengenalan tanda tangan proses Pada kombinasi pertama dilakukan empat kali iterasi berdasarkan subset pada k-fold cross validation. Pada iterasi pertama didapatkan nilai akurasi untuk pengenalan tanda tangan sebesar 88%, untuk iterasi kedua diperoleh 9%, iterasi ketiga menghasilkan akurasi 9% sedangkan iterasi terakhir menghasilkan akurasi 94%. Hasil akurasi untuk masing-masing iterasi dapat dilihat pada Tabel 4. Tabel 4 dengan 4-fold cross validation untuk setiap iterasi 1 88 2 9 3 9 4 94 Rata-rata 9.5 Hasil akurasi yang diperoleh pada setiap iterasi cukup baik, dimana hampir setiap iterasi menghasilkan akurasi di atas 88%. ratarata keseluruhan untuk setiap iterasi pada identifikasi tanda tangan menggunakan dekomoposisi dengan 4-fold cross validation sebesar 9.5%. Pada kombinasi kedua dilakukan dua kali iterasi. Pada iterasi pertama menghasilkan akurasi sebesar 89%, sedangkan pada iterasi kedua akurasi menurun menjadi 86%. rata-rata untuk setiap iterasi dengan menggunakan 2-fold cross validation adalah sebesar 87.5%. Hasil akurasi untuk masingmasing iterasi dapat dilihat pada Tabel 5. Tabel 5 dengan 2-fold cross validation untuk setiap iterasi 1 89 2 86 Rata-rata 87.5 Percobaan 2 : Pengenalan tanda tangan dengan praproses Pada percobaan ini digunakan induk Haar. Proses dilakukan sampai level 3. Secara detil dimensi citra hasil dapat dilihat pada Tabel 6 sedangkan citra hasil dapat dilihat pada Gambar 6. Tabel 6 Dimensi citra Level Dimensi citra (piksel) Citra asli 6 4 Level 1 3 2 Level 2 15 1 Level 3 8 5 Dekomposisi level 1 Dekomposisi level 2 Dekomposisi level 3 Gambar 6 Citra dekompoisi level 1, 2, dan 3 Percobaan 2.1 : Dekomposisi Level 1 Pada kombinasi pertama proses pengenalan tanda tangan untuk transformasi level 1 menggunakan k-fold cross validation menghasilkan tingkat akurasi yang ditunjukkan pada Tabel 7. 6
Tabel 7 level 1 dengan 4-fold 2 94 3 94 4 98 Rata-rata 95 Untuk percobaan menggunakan level 1 menghasilkan akurasi tertinggi sebesar 98% yang terjadi pada iterasi keempat sedangkan pada iterasi pertama, kedua, dan ketiga menghasilkan akurasi sebesar 94%. rata-rata keseluruhan untuk setiap iterasi pada identifikasi menggunakan level 1 sebesar 95%. Hasil akurasi untuk kombinasi kedua diperlihatkan pada Tabel 8 dengan menggunakan 2-fold cross validation. Percobaan ini mengalami penurunan tingkat akurasi rata-rata dari percobaan sebelumnya yang menggunakan 4-fold cross validation menjadi sebesar 92%. Iterasi pertama menghasilkan akurasi sebesar 91% sedangkan pada iterasi kedua menghasilkan akurasi sebesar 93%. Tabel 8 level 1 dengan 2-fold 1 91 2 93 Rata-rata 92 Percobaan 2.2 : Dekomposisi Level 2 Percobaan ini menggunakan citra hasil level 2 sebagai input. Tingkat akurasi yang dihasilkan dengan menggunakan 4-fold cross validation untuk setiap iterasi dapat dilihat pada Tabel 9. Tabel 9 level 2 dengan 4-fold 2 98 3 4 Rata-rata 98 Dari Tabel 9 dapat dilihat bahwa iterasi ketiga dan keempat memiliki tingkat akurasi yang paling tinggi yaitu sebesar %. Namun, iterasi pertama dan kedua menghasilkan akurasi berturut-turut 94% dan 98%. rata-rata yang dihasilkan untuk setiap iterasi pada identifikasi menggunakan dekomoposisi level 2 sebesar 98%. Kombinasi berikutnya dilakukan dengan menggunakan 2-fold cross validation. Hasil akurasi menggunakan 2-fold cross validation disajikan pada Tabel 1 berikut. Tabel 1 level 2 dengan 2-fold 1 95 2 99 Rata-rata 97 Pada kombinasi ini akurasi rata-rata kembali mengalami penurunan dari kombinasi sebelumnya sebesar 1% menjadi 97%. Pada iterasi pertama menghasilkan akurasi rata-rata 95% dan pada iterasi kedua menghasilkan akurasi rata-rata sebesar 99%. Percobaan 2.3 : Dekomposisi Level 3 Percobaan terakhir yang dilakukan pada penelitian ini yaitu menggunakan citra hasil level 3. Pada kombinasi pertama hasil akurasi level 3 disajikan pada Tabel 11. Tabel 11 level 3 dengan 4-fold 2 98 3 4 Rata-rata 98 Dari Tabel 11 dapat dilihat bahwa iterasi ketiga dan keempat memiliki tingkat akurasi yang paling tinggi yaitu sebesar %. Namun, iterasi pertama dan kedua menghasilkan akurasi berturut-turut 94% dan 98%. Secara keseluruhan akurasi rata-rata identifikasi tanda tangan untuk level 3 yaitu sebesar 98%. Kombinasi selanjutnya yaitu menggunakan 2-fold cross validation yang hasilnya dapat dilihat pada Tabel 12. Pada percobaan ini dihasilkan akurasi rata-rata sebesar 97.5%, dimana pada iterasi pertama menghasilkan akurasi sebesar 96% sedangkan pada iterasi kedua menghasilkan akurasi rata-rata sebesar 99%. 7
Tabel 12 level 3 dengan 2-fold 1 96 2 99 Rata-rata 97.5 Hasil Identifikasi Untuk Setiap Tanda Tangan Perbandingan akurasi rata-rata dari setiap iterasi untuk masing-masing tanda tangan berdasarkan perbedaan jenis dengan menggunakan 4-fold cross validation dapat dilihat pada Tabel 13. Tabel 13 Presentase akurasi untuk setiap tanda tangan menggunakan 4-fold cross validation Tanda tangan level 1 level 2 level 3 Ratarata 1 95 95 97.5 2 3 85 96.25 4 75 8 9 9 83.75 5 6 7 8 9 9 97.5 1 6 75 9 9 78.75 Pada Tabel 13 dapat diketahui bahwa tanda tangan 2, 5, 6, 7, dan 8 memiliki tingkat akurasi yang paling tinggi pada pelatihan menggunakan yaitu sebesar %. Di sisi lain, tanda tangan 1 memiliki akurasi terendah yaitu sebesar 6%. Pada pelatihan menggunakan level 1 tanda tangan 1 mengalami peningkatan akurasi dari pelatihan sebelumnya. Akan tetapi tanda tangan 1 juga memiliki tingkat akurasi yang paling rendah pada pelatihan ini yaitu sebesar 75%. Hal ini berbanding terbalik dengan tanda tangan 2, 3, 5, 6, 7, 8, dan 9 yang memiliki tingkat akurasi tertinggi yaitu sebesar %. Pada pelatihan menggunakan level 2 terjadi kesamaan dalam hal tingkat akurasi tertinggi dan terendah dengan menggunakan level 3. Tanda tangan 4 dan 1 memiliki tingkat akurasi yang terendah yaitu sebesar 9%. Namun demikian, tanda tangan lainnya memiliki tingkat akurasi yang mencapai %. Perbandingan akurasi rata-rata untuk masing-masing tanda tangan menggunakan 2- fold cross validation disajikan pada Tabel 14. Tabel 14 Presentase akurasi untuk setiap tanda tangan menggunakan 2-fold cross validation Tanda tangan level 1 level 2 level 3 Ratarata 1 85 95 95 93.75 2 3 75 95 92.5 4 65 65 9 95 78.75 5 95 98.75 6 7 8 9 95 95 97.5 1 55 7 85 85 73.75 Pada Tabel 14 di atas dapat diketahui bahwa tanda tangan 2, 5, 6, 7, dan 8 memiliki tingkat akurasi yang paling tinggi pada pelatihan menggunakan yaitu sebesar %. Namun, tanda tangan 1 memiliki akurasi terendah yaitu sebesar 55%. Pada pelatihan menggunakan level 1 tanda tangan 1 mengalami peningkatan akurasi dari pelatihan sebelumnya. Akan tetapi tanda tangan 1 juga memiliki tingkat akurasi yang paling rendah pada pelatihan ini yaitu sebesar 7%. Hal ini berbanding terbalik dengan tanda tangan 2, 5, 6, 7, dan 8 yang memiliki tingkat akurasi tertinggi yaitu sebesar %. Pada pelatihan menggunakan level 2 tanda tangan 1 memiliki tingkat akurasi yang terendah yaitu sebesar 85%, sedangkan tanda tangan 2, 3, 5, 6, 7, 8 dan 9 memiliki tingkat akurasi yang mencapai %. Pelatihan menggunakan level 3 menghasilkan akurasi terendah pada tanda tangan 1 yaitu sebesar 85%, sedangkan tanda tangan tangan 1, 2, 3, 6, 7, 8 dan 9 memiliki akurasi sebesar %. Dari kedua kombinasi dapat diketahui bahwa tanda tangan 1 memiliki tingkat akurasi rata-rata paling rendah bila dibandingkan dengan tanda tangan lainnya. Pada tanda tangan 1 memiliki tingkat akurasi rata-rata sebesar 78.5% dan 73.75% sedangkan tanda tangan lainnya memiliki tingkat akurasi rata-rata di atas 83% untuk kombinasi pertama dan 78% untuk kombinasi kedua. Hal ini mengindikasikan bahwa sistem (metode PNN) kesulitan untuk memodelkan tanda tangan 1 tersebut. 8
Secara keseluruhan tanda tangan 2, 6, 7, dan 8 selalu berhasil diidentifikasi dengan benar oleh sistem baik pada kombinasi pertama maupun kombinasi kedua yaitu memiliki tingkat akurasi rata-rata sebesar %. Hal ini mengindikasikan bahwa tanda tangan tersebut berhasil dimodelkan dengan sangat baik oleh sistem. Grafik perbandingan akurasi rata-rata untuk masing-masing tanda tangan dapat dilihat pada Gambar 7. 12 8 6 4 2 1 2 3 4 5 6 7 8 9 1 1 uji Gambar 7 Grafik perbandingan akurasi rata-rata untuk masing-masing tanda tangan Analisis Pengaruh Data Tanda Tangan Terhadap Hasil Identifikasi Berdasarkan hasil pengujian terhadap setiap tanda tangan, dapat diketahui bahwa tanda tangan 1 memiliki tingkat akurasi terendah pada saat pengujian dibandingkan dengan tanda tangan lainnya baik ketika menggunakan 4-fold cross validation maupun 2-fold cross validation. Hal ini dapat disebabkan oleh beberapa hal seperti salah satunya adalah pada tanda tangan 1 memiliki variasi tanda tangan yang cukup besar. Adanya variasi tanda tangan yang cukup besar ini menyebabkan proses identifikasi sulit dilakukan sehingga tanda tangan 1 memiliki tingkat akurasi yang rendah. Beberapa variasi tanda tangan 1 dapat dilihat pada Gambar 8. pelatihan. Ketika pola pelatihan memiliki tingkat variasi yang rendah maka akan meningkatkan keakuratan sistem klasifikasi. Perbandingan Rata-rata Perbandingan tingkat akurasi rata-rata secara keseluruhan berdasarkan perbedaan jenis dapat dilihat pada grafik pada Gambar 9. 98 96 94 92 9 88 86 84 82 wavelet level 1 wavelet level 2 wavelet level 3 1 uji Gambar 9 Grafik perbandingan akurasi rata-rata untuk setiap Dari Gambar 9 dapat diketahui bahwa tingkat akurasi meningkat seiring dengan penggunaan. Peningkatan level juga mempengaruhi tingkat akurasi. Semakin tinggi level yang digunakan maka tingkat akurasi cenderung meningkat. Tingkat akurasi terendah didapat dari uji pada pelatihan dengan menggunakan yaitu sebesar 78.75%. Tingkat akurasi tertinggi diperoleh dari pengujian dengan menggunakan level 2 dan level 3 yaitu sebesar 98%. Perbandingan Waktu Komputasi Adanya cukup mempengaruhi waktu komputasi metode Probabilistic Neural Network. Perbandingan waktu komputasi pada penelitian ini dapat dilihat pada Gambar 1. Gambar 8 Variasi pada tanda tangan 1 Secara umum identifikasi tanda tangan menggunakan PNN ini memiliki tingkat akurasi yang baik. Hal ini disebabkan karena tanda tangan setiap orang sangat berbeda satu dengan lainnya. Selain itu tanda tangan yang dijadikan pola pelatihan tanda tangan dalam satu kelas memiliki tingkat variasi yang cukup rendah. Salah satu faktor yang mempengaruhi keakuratan klasifikasi PNN adalah pola waktu (s) 5 4.5 4 3.5 3 2.5 2 1.5 1.5 wavelet level 1 wavelet level 2 wavelet level 3 Gambar 1 Grafik perbandingan waktu komputasi 1 uji Pada Gambar 1, dapat dilihat bahwa identifikasi tanda tangan memiliki waktu komputasi paling lama baik menggunakan 4-fold cross validation maupun 2-fold cross validation, sedangkan identifikasi menggunakan level 3 memiliki waktu komputasi paling cepat. 9
Pada Gambar 1 juga menunjukkan bahwa adanya memberikan waktu komputasi yang jauh lebih cepat jika dibandingkan. Selain itu, semakin tinggi level juga semakin memperkecil waktu komputasi. Hal ini disebabkan dengan semakin tingginya level yang digunakan, maka dimensi citra juga akan semakin kecil. Penggunaan 4-fold cross validation secara keseluruhan cenderung memiliki waktu komputasi yang lebih lama dibandingkan dengan penggunaan 2-fold cross validation. Hal ini dimungkinkan karena ketika menggunakan 4-fold cross validation, banyaknya yang dilatih lebih banyak dari ketika menggunakan 1 latih. Perbandingan Hasil PNN dengan Perbandingan nilai akurasi identifikasi tanda tangan menggunakan PNN dengan 2-fold cross validation dan dengan menggunakan 8 state (Setia 27) dengan menggunakan 1 latih dapat dilihat pada Gambar 11. 12 8 6 4 2 1 2 3 4 5 6 7 8 9 1 Tanda Tangan Gambar 11 Grafik perbandingan akurasi PNN dengan PNN Dari Gambar 11 dapat dilihat bahwa PNN cenderung memiliki akurasi yang lebih baik daripada. memiliki akurasi yang lebih baik daripada PNN pada tanda tangan 1, 4, 9, dan 1 sedangkan tanda tangan lainnya PNN memiliki akurasi yang lebih baik daripada. Dari segi rata-rata akurasi keseluruhan PNN memiliki akurasi yang lebih baik daripada seperti terlihat pada Tabel 15. Tabel 15 Presentase akurasi rata-rata PNN dan Metode rata-rata (%) PNN 87.5 75 Kesimpulan KESIMPULAN DAN SARAN Kinerja metode Probabilistic Neural Networks (PNN) untuk identifikasi tanda tangan dapat dikatakan baik, hampir semua percobaan untuk masing-masing jenis menghasilkan akurasi rata-rata lebih dari 87%. Dari semua jenis yang digunakan pada kinerja PNN, akurasi rata-rata tertinggi terjadi pada saat menggunakan 4-fold cross validation dengan level 2 dan level 3 yaitu sebesar 98% untuk setiap latih. Pelatihan dengan menggunakan latih yang berbeda ternyata berpengaruh terhadap hasil pengujian. Semakin banyak jumlah yang dilatih maka akurasi cenderung meningkat. rata-rata terendah terdapat pada tanda tangan 1 sebesar 78.75% dengan menggunakan 4-fold cross validation dan 73.75% dengan menggunakan 2-fold cross validation hal ini disebabkan oleh terdapat variasi tanda tangan yang cukup besar pada tanda tangan 1. Waktu komputasi pelatihan PNN semakin cepat seiring dengan bertambahnya level. Saran Saran untuk penelitan selanjutnya yang berkaitan dengan penelitian ini adalah penggunaan nilai parameter pemulus (σ) yang berbeda dan yang optimal setiap percobaan sehingga memberikan akurasi yang lebih baik dari penelitian ini. Selain itu, penelitian ini juga dapat dikembangkan dengan menggunakan induk lainnya seperti Daubechies yang merupakan pengembangan dari Haar, Coiflets dan lain-lain. DAFTAR PUSTAKA Albanis GT, Batchelor RA. 2. Using Probabilistic Neural Networks and Rule Induction Techniques to Predict Long-Term Bond Ratings. City University Business School. http://www.staff.city.ac.uk/r.a.batchelor/bon drat.pdf Cahyaningtias T. 27. Pengenalan Wajah dengan Praproses Transformasi [skripsi]. Bogor : Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Fauset L. 1994. Fundamentals of Neural Networks:Architectures, Algorithms, and Applications. New Jersey : Prentice Hall. Gonzales, Wood. 1993. Digital Image Processing. USA : Addison-Wesley Publishing Company. 1