IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE KOHONEN DAN METODE ADAPTIVE RESONANCE THEORY (ART) SKRIPSI MARTINA ABRIANI SIPAYUNG 111401120 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE KOHONEN DAN METODE ADAPTIVE RESONANCE THEORY (ART) SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Ilmu Komputer MARTINA ABRIANI SIPAYUNG 111401120 PROGRAM STUDI S1 ILMU KOMPUTER FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
iii PERSETUJUAN Judul : IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE KOHONEN DAN METODE ADAPTIVE RESONANCE THEORY (ART) Kategori : SKRIPSI Nama : MARTINA ABRIANI SIPAYUNG Nomor Induk Mahasiswa : 111401120 Program Studi : S1 ILMU KOMPUTER Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Diluluskan di Medan, 03 Desember 2015 Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Amer Sharif, S.Si, M.Kom Dr. Poltak Sihombing, M.Kom NIP. NIP. 19620317 199103 1 001 Diketahui/disetujui Oleh Program Studi S1 Ilmu Komputer Ketua, Dr. Poltak Sihombing, M.Kom NIP. 19620317 199103 1 001
iv PERNYATAAN IMPLEMENTASI DAN PERBANDINGAN PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE KOHONEN DAN METODE ADAPTIVE RESONANCE THEORY (ART) SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing masing telah disebutkan sumbernya. Medan, 03 Desember 2015 Martina Abriani Sipayung 111401120
v PENGHARGAAN Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan karunia- Nya, penulis dapat menyelesaikan penyusunan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program S1 Ilmu Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi,. Dalam menyelesaikan skripsi ini penulis telah banyak menerima bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih sebesar besarnya kepada : 1. Bapak Prof. Drs. Subhilhar, M.A., Ph.D selaku Plt.Rektor Universitas Sumatera Utara. 2. Bapak Prof. Dr. Muhammad Zarlis, M.Sc selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi dan Dosen Pembina penulis. 3. Bapak Dr. Poltak Sihombing, M.Kom selaku Ketua Program Studi S1 Ilmu Komputer dan Dosen Pembimbing pertama penulis yang telah meluangkan banyak waktunya dan memberi kritik dan saran kepada penulis. 4. Ibu Maya Silvi Lydia, B.Sc, M.Sc selaku Sekretaris Program Studi S1 Ilmu Komputer dan Dosen Pembanding pertama penulis yang telah membantu dalam memberikan kritik dan saran dalam penyelesaian skripsi ini. 5. Bapak Amer Sharif, S.Si, M.Kom selaku Dosen Pembimbing kedua penulis yang telah meluangkan banyak waktunya dan memberi kritik dan saran kepada penulis. 6. Bapak Drs. Marihat Situmorang, M.Kom selaku Dosen Pembanding kedua penulis yang telah membantu dalam memberikan kritik dan saran dalam penyelesaian skripsi ini. 7. Seluruh staf pengajar dan pegawai di Fakultas Ilmu Komputer dan Teknologi Informasi. 8. Bapak Robinhot Sipayung dan Ibu Rosta Purba sebagai orangtua penulis yang telah membesarkan dan memberikan kasih sayang dan dukungan moral dan materi kepada penulis.
vi 9. Adik adik penulis, Karina Sipayung, Cristopher Sipayung dan Anggita Sipayung yang selalu memberikan dukungan dan doa. 10. Agita Gurusinga dan Anandhini Nababan sebagai sahabat penulis yang selalu memberikan dukungan. 11. Teman teman yang memberikan tanda tangan yaitu : Abidah, Al Mizfar, Agung, Ema, Febri, Fikri, Ismail, Ita, Joshua, Khairun nisa, Mawaddah, Nurkholija, Retri, Richard, Ruth Mey, Sengli, Susi, dan Tifany. 12. Abang kakak senior serta teman teman stambuk 2011 yang tidak dapat saya sebutkan satu per satu. Penulis menyadari bahwa skripsi ini masih terdapat banyak kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi penyempurnaan skripsi ini. Semoga skripsi ini dapat bermanfaat khususnya bagi penulis dan bagi seluruh pembaca. Medan, 03 Desember 2015 Penulis,
vii ABSTRAK Tanda tangan digunakan oleh masyarakat dalam pembuktian identitas di kehidupan sehari hari, seperti dalam bidang kesehatan, pendidikan, perbankan, usaha, dan bidang lainnya. Tanda tangan dicek dengan cara membandingkan tanda tangan dengan tanda tangan asli yang disebut dengan pengecekan manual. Pengecekan tanda tangan dapat dibantu dengan mengembangkan sebuah sistem yang dapat digunakan dalam mengenali pola tanda tangan. Sistem dibangun menggunakan jaringan saraf tiruan tanpa supervisi dengan metode Kohonen dan Adaptive Resonance Theory 1 (ART1). Dalam menggunakan metode Kohonen dan ART1, pola tanda tangan dilatih dengan cara mengelompokkan pola kedalam beberapa kelompok. Citra asli terlebih dahulu diolah melalui proses binerisasi, thinning, pemotongan dan ekstraksi fitur. Hasil dari proses pengolahan citra adalah masukan yang digunakan dalam pelatihan dan pengujian jaringan saraf tiruan menggunakan metode Kohonen dan ART1. Waktu pelatihan metode Kohonen selama 68.0842 detik sedangkan waktu pelatihan metode ART1 selama 6.83757 detik. Metode Kohonen dan ART1 dapat mengenali citra yang telah dilatih dengan ketepatan 100%. Sedangkan untuk citra yang tidak dilatih, persentase akurasi dari metode Kohonen sebesar 63.75% dengan rata rata waktu pengujian adalah 0.000319295 detik dan persentase akurasi dari metode ART1 sebesar 47.5% dengan rata rata waktu pengujian adalah 0.000410643 detik. Dari hasil tersebut didapatkan kesimpulan bahwa metode Kohonen lebih cepat dan tepat dalam mengenali pola tanda tangan dibandingkan dengan metode ART1. Kata kunci : Jaringan Saraf Tiruan, Kohonen, Adaptive Resonance Theory 1 (ART1).
viii IMPLEMENTATION AND COMPARISON OF SIGNATURE PATTERN RECOGNITION USING KOHONEN METHOD AND ADAPTIVE RESONANCE THEORY (ART) METHOD ABSTRACT Signature is used by society to prove identity in daily life, such as health, education, banking, business, and other fields. Signature is checked by comparing the signature with the original signature called manual checking. Checking the signature can be helped by developing a system that can be used to recognize signature pattern. The system was built using unsupervised neural network with Kohonen method and Adaptive Resonance Theory 1 (ART1). Using Kohonen and ART1 method, signature pattern is trained by classifying the pattern into several groups. The original image must first be processed through binarization, thinning, cropping and extraction features. The result of the image processing is input that is used in neural network training and testing using Kohonen and ART1 method. Training time for Kohonen method is 68.0842 seconds while training time for ART1 method is 6.83757 seconds. Kohonen and ART1 method can recognize images that have been trained with 100% accuracy. As for the image that is not trained, the percentage of accuracy of the Kohonen method is 63.75% with the average of recognition time is 0.000319295 seconds and the percentage of accuracy of the ART1 method is 47.5% with the average of recognition time is 0.000410643 seconds. From these results, it is concluded that the Kohonen method is faster and more accurate than the ART1 method at recognizing signature pattern. Keywords : Neural Network, Kohonen, Adaptive Resonance Theory 1 (ART1).
ix DAFTAR ISI Persetujuan Pernyataan Penghargaan Abstrak Abstract Daftar Isi Daftar Gambar Daftar Tabel Hal. iii iv v vii viii ix xiii xiv Bab 1 Pendahuluan 1 1.1 Latar Belakang 2 1.2 Rumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 2 1.5 Manfaat Penelitian 2 1.6 Metode Penelitian 3 1.7 Sistematika Penulisan 3 Bab 2 Landasan Teori 2.1 Jaringan Saraf Tiruan 5 2.1.1 Model Matematika 6 2.1.2 Arsitektur Jaringan 8 2.1.3 Pelatihan Supervisi dan Tanpa Supervisi 11 2.1.4 Aplikasi 12 2.2 Metode Kohonen 12 2.2.1 Arsitektur Jaringan Kohonen 12 2.2.2 Algoritma Jaringan Kohonen 13 2.3 Metode Adaptive Resonance Theory (ART) 14
x 2.3.1 Arsitektur Adaptive Resonance Theory 1 (ART1) 15 2.3.2 Algoritma Adaptive Resonance Theory 1 (ART1) 15 2.3.3 Pelatihan Cepat (Fast Learning) dan Pelatihan Lambat (Slow Learning) 17 2.4 Pengenalan Pola 18 2.5 Citra Digital 18 2.5.1 Citra RGB 20 2.5.2 Citra Abu abu (Grayscale) 20 2.5.3 Citra Biner 20 2.6 Prapengolahan Citra 21 2.6.1 Konversi RGB ke Abu abu (Grayscale) 21 2.6.2 Pengambangan (Tresholding) 21 2.6.3 Thinning 22 2.7 Ekstraksi Fitur 22 2.7.1 Transformasi Wavelet 2D 23 2.8 Format File Citra JPEG (.jpg) 24 2.9 Verifikasi Tanda Tangan 24 2.10 Penelitian Terdahulu 25 Bab 3 Analisis dan Perancangan Sistem 3.1 Analisis Sistem 27 3.1.1 Analisis Masalah 27 3.1.2 Analisis Kebutuhan 28 3.1.2.1 Kebutuhan Fungsional 28 3.1.2.2 Kebutuhan Non-Fungsional 29 3.1.3 Analisis Proses 29 3.1.3.1 Akuisisi Citra 29 3.1.3.2 Prapengolahan Citra 29 3.1.3.3 Ekstraksi Fitur 30 3.1.3.4 Fase Pelatihan dan Pengujian 31 3.2 Pemodelan Sistem 44 3.2.1 Diagram Kasus Penggunaan (Use Case Diagram) 44 3.2.2 Diagram Aktivitas (Activity Diagram) 47
xi 3.2.3 Diagram Urutan Aksi - aksi (Sequence Diagram) 50 3.3 Perancangan Flowchart 51 3.3.1 Flowchart Binerisasi Citra 51 3.3.2 Flowchart Thinning Citra 52 3.3.3 Flowchart Pemotongan Citra 54 3.3.4 Flowchart Ekstraksi Fitur 55 3.3.5 Flowchart Pelatihan Jaringan Saraf Tiruan (JST) 57 3.3.6 Flowchart Pengujian Jaringan Saraf Tiruan (JST) 62 3.4 Perancangan Arsitektur Jaringan 65 3.4.1 Jaringan Kohonen 66 3.4.2 Jaringan Adaptive Resonance Theory 1 (ART1) 66 3.5 Perancangan Antarmuka Sistem 67 3.5.1 Halaman Utama 67 3.5.2 Pengolahan Citra dan Pelatihan 68 3.5.3 Pengujian 70 3.5.4 Bantuan 72 Bab 4 Implementasi dan Pengujian Sistem 4.1 Implementasi Sistem 76 4.4.1 Tampilan Antarmuka Sistem 76 4.4.1.1 Halaman Utama 76 4.4.1.2 Pelatihan 77 4.1.1.2.1 Prapengolahan Citra dan Ekstraksi Fitur 78 4.1.1.2.2 Pelatihan Jaringan Saraf Tiruan 83 4.4.1.3 Pengujian 84 4.1.1.3.1 Pengujian dengan Satu Citra Uji 85 4.1.1.3.2 Pengujian dengan 20 (dua puluh) Citra Uji 86 4.4.1.4 Bantuan 89 4.2 Pengujian dan Hasil Pengujian 91 4.2.1 Waktu Pelatihan 91 4.2.2 Waktu Pengujian dan Persentase Akurasi Pengujian 92
xii 4.2.2.1 Pengujian pada citra yang telah dilatih 92 4.2.2.2 Pengujian pada citra yang tidak dilatih 94 4.3 Analisis Penyebab Kesalahan dalam Mengenali Pola Tanda Tangan 102 4.3.1 Analisis Penyebab Kesalahan dalam Mengenali Pola Tanda Tangan Menggunakan Metode Kohonen 102 4.3.2 Analisis Penyebab Kesalahan dalam Mengenali Pola Tanda Tangan Menggunakan Metode ART1 104 Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan 107 5.2 Saran 108 Daftar Pustaka 109 Lampiran Listing Program A-1 Lampiran Citra Tanda Tangan B-1 Lampiran Curriculum Vitae C-1
xiii DAFTAR GAMBAR Hal. Gambar 2.1 Model matematis dari jaringan saraf tiruan 7 Gambar 2.2 Jaringan saraf dengan lapisan tunggal 9 Gambar 2.3 Jaringan saraf dengan lapisan banyak 10 Gambar 2.4 Jaringan saraf dengan lapisan kompetitif 11 Gambar 2.5 Arsitektur jaringan kohonen 13 Gambar 2.6 Struktur sasar ART1 15 Gambar 2.7 Struktur sistem pengenalan pola 18 Gambar 2.8 Koordinat citra digital 19 Gambar 2.9 Ilustrasi digitalisasi citra 20 Gambar 2.10 Transformasi Wavelet 2D 1 level 24 Gambar 2.11 Skema hasil Transformasi Wavelet 2D 1 level 24 Gambar 3.1 Diagram Ishikawa 28 Gambar 3.2 Prapengolahan citra 30 Gambar 3.3 Ekstraksi fitur 31 Gambar 3.4 Diagram kasus penggunaan (Use case Diagram) 44 Gambar 3.5 Diagram aktivitas (Activity Diagram) pelatihan sistem 48 Gambar 3.6 Diagram aktivitas (Activity Diagram) pengujian sistem 49 Gambar 3.7 Diagram aktivitas (Activity Diagram) simpan data tabel hasil 49 Gambar 3.8 Diagram aktivitas (Activity Diagram) menampilkan grafik pengujian 50 Gambar 3.9 Diagram urutan aksi aksi (Sequence Diagram) Sistem 50 Gambar 3.10 Flowchart binerisasi citra 51 Gambar 3.11 Flowchart thinning citra 53 Gambar 3.12 Flowchart pemotongan citra 54
xiv Gambar 3.13 Flowchart ekstraksi fitur 56 Gambar 3.14 Flowchart pelatihan Kohonen 58 Gambar 3.15 Flowchart pelatihan ART1 59 Gambar 3.16 Flowchart pengujian Kohonen 63 Gambar 3.17 Flowchart pengujian ART1 64 Gambar 3.18 Arsitektur jaringan saraf tiruan metode Kohonen untuk pengenalan tanda tangan 66 Gambar 3.19 Arsitektur jaringan saraf tiruan metode ART1 untuk pengenalan tanda tangan 67 Gambar 3.20 Halaman utama 68 Gambar 3.21 Pengolahan citra dan pelatihan 69 Gambar 3.22 Pengujian 71 Gambar 3.23 Bantuan halaman utama 73 Gambar 3.24 Bantuan halaman pelatihan 74 Gambar 3.25 Bantuan halaman pengujian 75 Gambar 4.1 Halaman utama 77 Gambar 4.2 Pelatihan 78 Gambar 4.3 Buka citra 79 Gambar 4.4 Citra pelatihan 79 Gambar 4.5 Binerisasi citra asli 80 Gambar 4.6 Thinning pada citra 80 Gambar 4.7 Pemotongan citra 81 Gambar 4.8 Proses ekstraksi fitur 82 Gambar 4.9 Hasil ekstraksi fitur 82 Gambar 4.10 Proses pelatihan 83 Gambar 4.11 Waktu proses pelatihan 84 Gambar 4.12 Pengujian 85 Gambar 4.13 Citra uji 85 Gambar 4.14 Hasil pengujian satu citra uji 86 Gambar 4.15 Citra uji (dua puluh citra) 87 Gambar 4.16 Hasil pengujian (dua puluh citra) 87 Gambar 4.17 Grafik pengujian 88 Gambar 4.18 Bantuan halaman utama 89
xv Gambar 4.19 Bantuan pelatihan 90 Gambar 4.20 Bantuan Pengujian 90 Gambar 4.21 Grafik perbandingan waktu pengujian metode Kohonen dan metode ART1 101
xvi DAFTAR TABEL Hal. Tabel 3.1 Dokumentasi naratif kasus penggunaan (Use case) pelatihan Kohonen dan ART1 45 Tabel 3.2 Dokumentasi naratif kasus penggunaan (Use case) pengujian Kohonen dan ART1 46 Tabel 4.1 Parameter dan waktu pelatihan Kohonen 91 Tabel 4.2 Parameter dan waktu pelatihan ART1 91 Tabel 4.3 Hasil pengujian pada citra yang telah dilatih 92 Tabel 4.4 Hasil pengujian pada citra yang tidak dilatih 94 Tabel 4.5 Citra uji dengan target kelompok dan keluarannya menggunakan metode Kohonen 103 Tabel 4.6 Citra uji dengan target kelompok dan keluarannya menggunakan metode ART1 104