BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN

Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden berbeda Tahap 3 : Pengolahan Citra tanda tangan a. Preprocessing Citra digital menggunakan alat Scanner dan dicrop. b. Ekstraksi Fitur Memperoleh vektor ciri diharapkan mampu merepresentasikan citra aslinya dengan dimensi yang relatif lebihkecilmenggunakanmomeninvarian.

Tahap 3 : Implementasi Jaringan Syaraf Radial Basis Function Data hasil ekstrak citra tanda tangan, Implementasi Algoritma pada jaringansyaraftiruanmenggunakansoftware MATLAB 7.8. Tahap 4 : Analisa dan Pembahasan Dikaji hasil evaluasi berdasarkan output dari jaringan RBF, uji akurasi terhadappengenalanpolatandatangandanlama prosestraining berdasarkan variasi dari banyaknya hidden neuron-nya. Hasil metode RBF akandianalisaerror(kesalahan).

BAB 4 HASIL DAN PEMBAHAN PREPROCESSING Secara sederhana tahap-tahap ini adalah sebagai berikut: Langkah1 : Pengambilangambartandatanganpadamedia kertasyang dibatasi dengan kotak ukuran 4,6 x 3,6 cm diharapkan tanda tangan yang ada mempunyai ukuran seragam. Langkah 2 : Proses scanning dari gambar pola tanda tangan berformat *.TIF. Langkah3 : Citra aslidarihasilscanning dicropping padabagiandari polatandatangannya. Langkah4 : Diperolehcitratandatangandengandimensi500 x 400 piksel grayscale 8 bit. Langkah 5 : Proses preprocessing selesai.

EKSTRAK FITUR Langkah 1 : Pilih Gambar(misalnya gambar01.tif ). Langkah2 : Baca gambarukuranm x n piksel(nyatakandalam matrik m-baris dan n-kolom) dengan perintah: Gbr=imread(gambar01.tif) Fungsi imread dalam MATLAB yaitu membaca sebuah citra dari file cita yang bertipe tif Langkah3 : Konversidaricitragrayscalekecitrabiner (hitamputih) dengan perintah: BW= im2bw(gbr, 0.5) Langkah4 : Hitungnilaimoment 1 7 dalam matlab di implementasikan momeninvarian(bw);

HASIL EKSTRAK 20 CITRA TANDA TANGAN MENGGUNAKAN MOMEN INVARIAN TTD orangyg sama/target Nilai 7 momen invarian Jumlah ke-7 momen invarian Input JST RBF

IMPLEMENTASI JARINGAN SYARAF RADIAL BASIS FUNCTION Setiapunit padahidden layer merupakanfungsiaktivasiyang berupa fungsi basis radial dan fungsi basis radial ini diasosiasikan olehpusat(center) danlebardarifungsibasis tersebut. Input layer terdiri dari 7 unit input, hidden layer dapat diatur jumlah unitnya sedangkan output layer mempresentasikan target pemilik tanda tangan.

ALGORITMA PADA JARINGAN RBF Proses Training Data training digunakan sebanyak 150 tanda tangan yang berasal 10 responden, dimana setiap responden diambil 15 tanda tangan Langkah pada Proses Training Langkah1: InisialisasiLebarσdancenter µ Langkah2: HitungNilaiFungsi Gauss φ(µ, σ, x) Langkah 3: Nyatakan ke dalam matriks H Langkah 4: Hitung Bobot β menggunakan persamaan β = H -1 T H -1 = (H T H) -1 H T

User Interface pada Proses Training Pengenalan Pola Tanda Tangan

ProsesTesting : Citra tanda tangan yang akan digunakan sebanyak 30 tanda tangan yang juga berasal dari 10 responden tersebut dengan asumsi setiap responden diambil 3 tanda tangan. Langkah-langkah yang digunakan pada proses testing hampir sama seperti proses training, hanya yang membedakan adalah pada proses testing menggunakan bobot hasil dari proses training.

User Interface pada Proses Testing Pengenalan Pola Tanda Tangan

Hasil Pengujian Pengenalan pola Tanda Tangan

Hasil klasifikasi pola tanda tangan berbasis jaringan syaraf tiruan RBF No Hidden Neuron Waktu Training Akurasi Testing(%) 1 20 0,046 63,00 2 30 0,062 66,67 3 40 0,078 73,00 4 50 0,093 70,00 5 60 0,109 66,67 6 70 0,140 73,00 7 80 0,156 80,00 8 90 0,171 73,00 9 100 0,187 73,00 10 110 0,201 70,00 11 120 0,203 56,67 12 150 0,281 60,00 13 190 0,406 40,00

Hasil Klasifikasi Kolektif

BAB 5 KESIMPULAN 1. Jaringan syaraf tiruan RBF pada pengenalan pola tanda tangan dalampenelitianinimampumengenalidenganbaiksekitar80% dari 30 citra tangan tangan yang diujikan. 2. Penggunaan jumlah hidden neuron berbanding lurus dengan waktutraining namuntidakberlakupadaakurasipengujiannya. Jumlah hidden neuron optimal untuk mengenali pola tanda tangan dalam penelitian ini adalah 80. 3. Pola tanda tangan yang tidak dapat dikenali, salah satunya disebabkanolehadanyakemiripanantaratandatanganyang satu dengan tanda tangan lainnya sehingga nilai momen invarian daritandatangan-tandatangantersebutmenjadimirip.

SARAN Untuk pengembangan penelitian ini lebih lanjut bisa dilakukan karena model RBFNN masih memungkinkan untuk dikaji dan dikembangkan atau bisa juga dikembangkan dengan mengaplikasikannya pada studi kasus yang lain.

DAFTAR PUSTAKA Abbas, R. 1994, A Prototype System for off-line Signature Verificationusing Multilayered FeedforwordNeural Networks. TesisDepartemenof Computer Science, RMIT Bansal, A., Gupta, B., Khandelwal, G., Chakraverty, S., (2009), offline Signature verification using Critical Region Matching, International journal Signal Processing and Pattern, Vol.2,No.1. Cemil, OZ., Ercal, F., Demir, Z., (2003), Signature Recognition and Verification with ANN, ThirdInternational Conference on Electrical and Electronics Engineering, Bursa, Turkey. Djunaidy, A. (2000), Verifikasi Tanda Tangan Berdasarkan Interpretasi Struktural dari Arah Gerak dan Tekanan. Universitas Gunadarma. Fausett, L. (1994), Fundamental of Neural Network architecture, Algorithms, and Applications, Prentice-Hall, USA.

Gonzales, R.C. danrichard, E.W. (2001), Digital image Processing, edition Prentice_Hall.Inc. Justino, E.J.R., Bortolozzi, F.dan Sabaurin, R. (2001), Off-line Signature Verification using HMM for random Simple and skilled forgeries, ICDAR Putra Darma, (2010), Pengolahan Citra Digital,ANDI,Yogyakarta. Simon, H. (1999). Neural networks: A comprehensive foundation, New Jersey:Prentice Hall. Siang, J.J. (2005), jaringansyaraftiruandanpemrogramannyamenggunakan MATLAB, ANDI, Yogyakarta. SlametB. (2009). PemanfaatanJaringanSyarafTiruanKohonenSelf Organizing Maps untukpengenalnwajah, Tesis-Magister JurusanMatematika, ITS Surabaya.

TERIMAKASIH