View
231
Download
0
Category
Preview:
Citation preview
ARTIKEL
PENCARIAN NILAI K-OPTIMAL PADA ALGORITMA
K-NEAREST NEIGHBOR (KNN) DALAM MENGIDENTIFIKASI
CITRA TANDA TANGAN
Oleh:
ACHMAD ZAINUL KARIM
NPM. 13.1.03.02.0281
Dibimbing oleh :
DANIEL SWANJAYA, M.Kom.
RESTY WULANNINGRUM, M.Kom.
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
2017
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika
simki.unpkediri.ac.id
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 1 ||
PENCARIAN NILAI K-OPTIMAL PADA ALGORITMA
K-NEAREST NEIGHBOR (KNN) DALAM MENGIDENTIFIKASI
CITRA TANDA TANGAN
Achmad Zainul Karim
NPM. 13.1.03.02.0281
Teknik – Teknik Informatika
achmadzainulkarim@gmail.com
Daniel Swanjaya, Resty Wulanningrum
Universitas Nusantara PGRI Kediri
ABSTRAK
Tanda tangan merupakan identitas diri dari seseorang. Berbagai hal dalam dunia formal selalu
menggunakan tanda tangan sebagai tanda keabsahan. Tanda tangan memiliki pola-pola tersendiri yang
apabila ditiru oleh orang lain menimbulkan perbedaan dengan tanda tangan aslinya. Kemajuan
teknologi informasi yang sangat pesat mendesak seluruh aspek administrasi menggunakan identifikasi
tanda tangan secara terkomputasi.
Penelitian ini dilakukan yakni untuk mengetahui nilai K-Optimal dan persentase akurasi pada
algoritma K-NN untuk mengidentifikasi citra tanda tangan. Algoritma K-Nearest Neighbor (KNN)
bekerja dengan cara membandingkan data uji dan data latih. KNN mencari pola data template yang
paling mendekati dengan data uji. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean.
Dengan kata lain, kedua data dibandingkan berdasarkan atribut-atributnya.
Dalam sistem identifikasi tanda tangan, menggungunakan algoritma KNN sebagai metodenya.
Hal ini karena hasil metode tersebut memang sesuai untuk digunakan dalam proses identifikasi. Pada
sistem ini, dilakukan sejumlah 200 data latih dan 50 data uji dari sejumlah 10 orang.
Hasil dari penelitian ini yakni persentase dari 9 (sembilan) nilai K mulai dari K1 hingga K9.
Hasilnya nilai K-Optimal ada pada K7 dengan persentase keberhasilan sebesar 76%, dan nilai K
terendah ada pada K4 yakni 70% dari total 50 kali percobaan.
KATA KUNCI : Tanda Tangan, K-Optimal, KNN
I. LATAR BELAKANG
Tanda tangan merupakan
identitas diri dari seseorang. Berbagai
hal dalam dunia formal selalu
menggunakan tanda tangan sebagai
tanda keabsahan. Contohnya absensi
kehadiran para anggota Dewan di
Gedung Senayan, pencairan dana dari
Bank, surat perjanjian kontrak kerja,
dan masih banyak lagi yang lainnya.
Sebagai identitas diri, tentunya tanda
tangan tidak diperkenankan untuk ditiru
oleh orang lain selain pemiliknya,
meskipun pola tanda tangan tersebut
sangat mudah untuk ditiru.
Kemajuan teknologi informasi
yang sangat pesat mendesak seluruh
aspek administrasi menggunakan
identifikasi tanda tangan terkomputasi.
Berbagai metode sudah banyak tercipta
demi mendapatkan pemecahan suatu
masalah. Salah satunya adalah K-
Nearest Neighbor (KNN). Metode ini
adalah metode pencarian jarak terdekat
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 2 ||
dengan jumlah nilai terdekat yang
diambil dilambangkan dengan variabel
K yang dinamis sehingga dapat
meningkatkan optimalisasi hasil dari
pencarian suatu masalah.
Nilai K yang paling sesuai
dinamakan nilai K-Optimal. Nilai K-
Optimal algoritma KNN pada penelitian
ini adalah untuk mengidentifikasi citra
tanda tangan. Membandingkan beberapa
nilai K untuk mendapatkan persentase
akurasi maksimal. Dengan tujuan untuk
mengetahui nilai K-Optimal dan
persentase akurasi pada algoritma KNN
untuk mengidentifikasi citra tanda
tangan.
II. METODE
A. Algoritma K-Nearest Neighbor
K-Nearest Neighbor (KNN)
bekerja dengan cara membandingkan
data uji dan data training/template.
KNN memiliki beberapa kelebihan
yaitu tangguh terhadap data template
yang noisy dan efektif apabila jumlah
data template besar. (Sofian, 2012).
Nilai K yang terbaik untuk algoritma
ini tergantung pada data. Pada
umumnya, nilai K yang tinggi akan
mengurangi efek noise pada
klasifikasi, tetapi membuat batasan
antara setiap klasifikasi menjadi
lebih kabur.
B. Flowchart Sistem
Gambar 1. menjelaskan
bagaimana aplikasi ini berjalan untuk
mengetahui nilai K-Optimal dan
persentase akurasi untuk
mengidentifikasi citra tanda tangan.
Gambar 1. Flowchart Sistem
Pada Gambar 1, dijelaskan
bahwa sistem menyediakan 2 (dua)
inputan yakni data latih dan data uji.
Data latih merupakan pemberian
pelatihan kepada sistem, sehingga
mengenali identitas yang
dimasukkan. Sedangkan data uji
memberikan pengujian kepada
sistem untuk mengidentifikasi
identitas data yang dimasukkan.
Proses Input Citra merupakan proses
pemasukan data ke sistem.
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 3 ||
Proses Akuisisi Citra
merupakan proses pengubahan data
menjadi data yang siap untuk diolah
oleh sistem. Proses Grayscale yakni
mengubah citra menjadi abu-abu.
Proses Biner yakni proses
pengubahan citra menjadi citra hitam
putih. Proses Crop yakni
pemotongan citra sesuai parameter
yang ditentukan. Kemudian citra
dilakukan Resize yakni mengubah
ukuran citra. Langkah berikutnya
yakni Segmentasi, merupakan proses
pemecahan pola pada citra. Langkah
terakhir yakni Labelling yakni
pemberian identitas pada data latih,
dan Identifikasi untuk menentukan
identitas citra pada data uji.
C. Uji Coba Sistem
Penelitian ini menggunakan
hasil tanda tangan sebagai data latih
sebayak 200 data dari 10 orang dan
data uji sebanyak 50 data dari 10
orang, yang diambil secara random
sehingga total setiap orang
melakukan tanda tangan sebanyak
25 kali. Setelah seluruh data
didapatkan, maka dimulailah
perhitungan 9 (sembilan) nilai K,
yakni K1 hingga K9. Kesembilan
nilai tersebut diambil berdasarkan
persentase keberhasilannya.
Pada penelitian ini hasil
keluarannya adalah seluruh data
berdasarkan 9 nilai K. Kemudian
nilai yang paling tinggi rasio
kebenarannya yakni sesuai nilai K
pada saat dilakukan data uji.
D. Simulasi Perhitungan
Citra yang akan dihitung
menggunakan algoritma KNN
adalah citra berupa hasil
preprocessing yakni citra biner.
Disediakan 2 (dua) matrik ordo 3x3
untuk data latih dan satu matrik ordo
3x3 untuk data uji. Matrik data latih
memiliki label x dan y, sedangkan
matrik uji memiliki label a.
Kemudian sistem akan menghitung
jarak antara matrik a dengan matrik
x, dan jarak antara matrik a dengan
matrik y.
Menghitung jarak a dengan x
Menghitung jarak a dengan y
𝑥 = 1 1 01 1 11 0 1
𝑦 = 0 0 01 0 10 1 1
𝑎 = 0 0 10 0 00 1 0
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika
simki.unpkediri.ac.id || 4 ||
Jarak a dengan x adalah 3, dan
jarak a dengan y adalah 2. Sehingga
matrik a tergolong ke dalam kelompok
matrik y.
III. HASIL DAN KESIMPULAN
Setelah dilakukan data latih dan
data uji, penelitian ini menghasilkan
nilai K-Optimal yang didapat dari 50
kali percobaan dari 10 orang adalah K7
dengan 76% keberhasilan. Sehingga
dapat diambil kesimpulan bahwa sistem
ini menentukan dapat mengidentifikasi
tanda tangan berdasarkan pola
segmentainya.
IV. DAFTAR PUSTAKA
Abidin, Aa. 2013. Implementasi
Algoritma K-Nearest Neighbors
untuk Menentukan Kemungkinan
Tingkat Ketercapaian Kompetensi
Pembelajaran Keterampilan
Komputer dan Pengelolaan
Informasi. Seminar Nasional
Informatika 2013 (semnasIF 2013),
1 (04), 74-83.
Andre, J. 2016. Sistem Security
Webcam dengan Menggunakan
Microsoft Visual Basic (6.0).
Jurnal Teknologi dan Sistem
Informasi UNIVRAB, 1 (02), 46-58.
Banjarsari, M.A. 2015. Penerapan K-
Optimal Pada Algoritma KNN
untuk Prediksi Kelulusan Tepat
Waktu Mahasiswa Program Studi
Ilmu Komputer Fmipa Unlam
Berdasarkan IP Sampai Dengan
Semester 4. Kumpulan jurnaL Ilmu
Komputer (KLIK), 2 (02), 50-64.
Destyningtias, B. 2010. Segmentasi
Citra Dengan Metode
Pengambangan. Jurnal Elektrika. 2
(1), 39 – 49.
Hayatunnufus, A. 2014. Pendeteksi dan
Verifikasi Tanda Tangan
Menggunakan Metode Image
Domain Spasial. (Online) tersedia
http://repo.unand.ac.id/722,
diunduh 21 Oktober 2016.
Kusumanto, R. 2011. Pengolahan Citra
Digital Untuk Mendeteksi Obyek
Menggunakan Pengolahan Warna
Model Normalisasi RGB. Semantik
1.(1)
Pamungkas, Danar. 2015. Komparasi
Pengenalan Citra Tanda Tangan
dengan Metode 2D-PCA dan 2D-
LDA. Citec Jurnal, 2 (4): 341-354.
Sumarlin. 2015. Implementasi
Algoritma K-Nearest Neighbor
Sebagai Pendukung Keputusan
Klasifikasi Penerima Beasiswa PPA
dan BBM. JURNAL SISTEM
INFORMASI BISNIS 5.1 : 52-62.
Utami, Ema. 2014. Penggunaan
Principal Component Analysis dan
Euclidean Distance untuk
identidikasi Citra Tanda Tangan.
Iptek-Kom, 16 (1), 1-16
Wulanningrum, Resty. 2014.
Implementasi Principal Component
Analysis untuk Identifikasi Citra
Tanda Tangan. Seminar Nasional
Teknologi Informasi dan
Multimedia, 1 (5): 31-36.
Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX
Recommended