KLASIFIKASI TANDA TANGAN MANUSIA DENGAN METODE …repository.usd.ac.id/32455/2/055314102_Full.pdf · 2018. 12. 3. · Bahkan pola tanda tangan yang dibuat oleh individu yang samapun

i

KLASIFIKASI TANDA TANGAN MANUSIA DENGAN

METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Teknik

Program Studi Teknik Informatika

Oleh:

Yuanita Prasetyaningtyas

NIM : 055314102

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2010

ii

HUMAN SIGNATURE CLASSIFICATION USING

BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

METHOD

A Thesis

Presented As Partial Fulfillment Of The Requirements

To Obtain The Sarjana Teknik Degree

In Departement Of Informatics Engineering

By :

Yuanita Prasetyaningtyas

Student Id : 055314102

INFORMATICS ENGINEERING STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2010

v

HALAMAN PERSEMBAHAN

Keberanian dan kegigihan punya kekuatan yang ajaib,

dan di hadapannya kesulitan lenyap dan rintangan menguap

ke udara.

Skripsi ini saya persembahkan untuk :

Yesus Kristus,

keluarga, sahabat, dan kekasih.

Terima kasih untuk segalanya.

viii

KLASIFIKASI TANDA TANGAN MANUSIA DENGAN

METODE JARINGAN SYARAF TIRUAN

BACKPROPAGATION

Abstrak

Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis

untuk diidentifikasi. Identifikasi tanda tangan secara manual dengan

menggunakan mata telanjang dapat memakan waktu yang lama dan besar terjadi

kesalahan. Tujuan dari penelitian ini adalah membangun sistem untuk mengenali

tanda tangan secara otomatis. Pengenalan tanda tangan secara otomatis dapat

mempersingkat waktu dan memperkecil terjadinya kesalahan.

Penelitian dilakukan dengan menggunakan 400 citra tanda tangan yang

diambil dari 5 individu yang berbeda. Setiap individu terdisi dari 80 tanda tangan.

Metode five fold digunakan untuk membagi tanda tangan menjadi 5 bagian. Tahap

pertama dari penelitian adalah ekstraksi ciri dengan menggunakan metode

principal component analysis (PCA). Dengan menggunakan PCA, ukuran citra

tanda tangan sebagai data masukan akan menjadi lebih ringkas tanpa

menghilangkan informasi yang penting. Tahap kedua adalah

klasifikasi/pengenalan dengan menggunakan metode jaringan syaraf tiruan

backpropagation.

Dari penelitian yang telah dilakukan diperoleh rata-rata akurasi

pengenalan tanda tangan sebesar 92,25% dengan menggunakan 2 hidden layer

ix

pada jaringan backpropagation dimana jumlah node pada hidden layer pertama

250 dan jumlah node pada hidden layer kedua 25. Hal ini menunjukkan bahwa

klasifikasi menggunakan jaringan syaraf tiruan backpropagation yang didukung

dengan PCA untuk proses ekstraksi ciri merupakan metode yang efektif untuk

proses klasifikasi tanda tangan.

x

HUMAN SIGNATURE CLASSIFICATION USING

BACKPROPAGATION ARTIFICIAL NEURAL NETWORK

METHOD

Abstract

Texture unique signature on each individual can be analyzed to identify.

Identification of signature manually by using the naked eye can take a long time

and large errors. The purpose of this research is to build a system to recognize the

signature automatically. The introduction of automatic signature can shorten time

and reduce errors.

The study was conducted using 400 signature image taken from five

different individuals. Each individual give 80 signatures. Five fold method used to

divide the signature into five section. The first stage of the research is to extract

features using principal component analysis (PCA). By using PCA, the size

signature images as input will be more concise without losing important

information. The second step is the classification / recognition using

backpropagation artificial neural network method.

From the research that has been done obtained an average recognition

accuracy of 92,25% signature by using two hidden layers of backpropagation

network where the number of nodes in first hidden layer 250 and the number of

nodes in the second hidden layers 25. The indicates that the classification using

backpropagation artificial neural network which is supported by the PCA for

xi

feature extraction process is an effective method for the signature classification

process.

xii

Kata Pengantar

Puji syukur kepada Yesus Kristus yang telah memberikan karunia dan

kesempatan sehingga penulis dapat menyelesaikan skripsi dengan judul

“Klasifikasi Tanda Tangan Manusia dengan Metode Jaringan Syaraf Tiruan

Backpropagation”.

Terima kasih sebesar-besarnya kepada semua pihak yang turut member

dukungan, semangat dan bantuan hingga selesainya skripsi ini :

1. Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing atas kesabaran,

bimbingan, waktu, dan saran yang diberikan.

2. Dr. Linggo Sumarno, M. T. dan ibu Sri Hartati, S.Si, M.Kom selaku dosen

penguji atas saran dan kritik yang diberikan.

3. Laboran laboratorium komputer atas bantuan kepada penulis ketika

melaksanakan ujian akhir.

4. Kedua orang tua, yaitu bapak Antonius Widodo dan ibu Umi Kalsum yang

mendukung sepenuhnya.

5. Semua saudara, yaitu Hiwawan Yudi dan Yuliana Pratiwi yang selalu

memberikan semangat.

6. Ibu Rusiti, Kristian Ari Ruswantoro, dan Timotius Ari Kusbiyantoro yang

selalu memberi semangat, nasihat, dan sumber inspirasi dalam

menyelesaikan skripsi.

7. Sony Setiawan, Novy Chrisdiyanto Adi Putra, Orpa Sampe Biringkaka,

dan Maria Fransiska Indah selaku teman satu team yang berjuang dalam

meyelesaikan skripsi.

8. Bernadeta Putri, Kurnianingtyas, Timotius Ari, Nugrahayuningsih, dan JB.

Mahendra selaku teman yang memberikan sampel data tanda tangan.

9. Seluruh civitas akademika Teknik Informatika angkatan 2005 dan pihak-

pihak lain yang telah berjuang bersama dan saling memberi semangat.

Terima kasih atas sejuta inspirasi berharga.

Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada

laporan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan-perbaikan

pada masa yang akan dating. Semoga bermanfaat.

xiii

xiv

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA……………………………………i

HALAMAN JUDUL BAHASA INGGRIS………………………………………ii

HALAMAN PERSETUJUAN…………………………………………………...iii

HALAMAN PENGESAHAN…………………………………………………….iv

HALAMAN PERSEMBAHAN…………………………………………………...v

HALAMAN PERNYATAAN KEASLIAN KARYA……………………………vi

HALAMAN PERSETUJUAN PUBLIKASI……………………………………vii

ABSTRAK………………………………………………………………………viii

ABSTRACT……………………………………………………………………….x

KATA PENGANTAR…………………………………………………………...xii

DAFTAR ISI…………………………………………………………………….xiv

DAFTAR GAMBAR…………………………………………………………..xviii

DAFTAR TABEL……………………………………………………………….xx

DAFTAR GRAFIK…………………………………………………………….xxiv

Bab I. Pendahuluan……………………………………………………..……1

1.1 Latar Belakang………………………………………………………..1

xv

1.2 Rumusan Masalah………………………………………………….…3

1.3 Tujuan………………………………………………………………...3

1.4 Batasan Masalah………………………………………………………3

1.5 Metodologi Penelitian…………………………………………..…….4

1.6 Sistematika Penulisan…………………………………………………5

Bab II. Landasan Teori……………………………………..…………………7

2.1 Jaringan Syaraf Tiruan…………………………………………..……7

2.1.1 Arsitektur Jaringan Syaraf Tiruan…………………………...8

2.1.2 Fungsi Aktivasi……………………………………….……10

2.2 Jaringan Syaraf Tiruan Backpropagation……………………..….....11

2.2.1 Arsitektur Backpropagation………………………………..11

2.2.2 Fungsi Aktivasi Backpropagation……………………..…..12

2.2.3 Pelatihan Standard Backpropagation…………………...….13

2.3 PCA (Principal Component Analysis)………………………………16

Bab III. Desain Sistem………………………………………………………..20

3.1 Data………………………………………………………………….20

3.2 Desain Sistem…………………………………………………….….24

xvi

3.2.1 Ekstraksi Feature………………………………...………...25

3.2.2 Perancangan JST Backpropagation…………………...…...28

3.2.2.1 Tahap Pelatihan (Training)……………………...30

3.2.2.2 Tahap Pengujian (Testing)………………………31

3.2.2.3 Penghitungan Akurasi…………………………...31

3.2.2.4 Tahap Pengenalan…………………………….…33

3.3 Desain User Interface……………………………………………….34

Bab IV. Implementasi dan Analisis Hasil……………………………………39

4.1 Hasil Penelitian dan Analisa………………………………………...39

4.2 Implementasi User Interface………………………………………...44

4.2.1 Menu Utama……………………………………………….44

4.2.2 Pengujian 1…………………………………………………46

4.2.3 Pengujian 2…………………………………………………48

4.2.4 Pengenalan…………………………………………………50

4.2.5 Bantuan………………………………………………….…51

Bab V. Penutup………………………………………………………………52

5.1 Kesimpulan…………………………………………………………..52

xvii

5.2 Saran…………………………………………………………………53

Daftar Pustaka……………………………………………………………………55

Lampiran…………………………………………………………………………57

xviii

DAFTAR GAMBAR

Gambar 2.1 Jaringan Layar Tunggal………………………………….…….8

Gambar 2.2 Jaringan Layar Jamak………………………………………….9

Gambar 2.3 Arsitektur Backpropagation…………………………….…….12

Gambar 3.1 Garis Besar Sistem Pengenalan……………………………….24

Gambar 3.2 Tahap Ekstraksi Feature………………………………………25

Gambar 3.3 Proses Pengenalan dengan Metode JST Backpropagation………29

Gambar 3.4 Skema Tahap Pelatihan……………………………………………30

Gambar 3.5 Skema Tahap Pengujian…………………………………………….31

Gambar 3.6 Skema Tahap Pengenalan…………………………………………33

Gambar 3.7 Tampilan Awal………………………………………………..34

Gambar 3.8 Halaman Pengujian 1………………………………………….35

Gambar 3.9 Halaman Pengujian 2………………………………………….36

Gambar 3.10 Halaman Pengenalan…………………………………………..37

Gambar 3.11 Halaman Bantuan……………………………………………...38

Gambar 3.12 Tanda Tangan Bernadeta Putri……………………………...L-82

Gambar 3.13 Tanda Tangan Kurnianingtyas……………………………...L-83

xix

Gambar 3.14 Tanda Tangan Timotius Ari………………………………...L-84

Gambar 3.15 Tanda Tangan Nugrahayuningsih…………………………..L-85

Gambar 3.16 Tanda Tangan JB. Mahendra……………………………….L-86

Gambar 4.1 Menu Utama…………………………………………………..44

Gambar 4.2 Halaman Pengujian dengan 1 Hidden Layer………………….46

Gambar 4.3 Halaman Pengujian dengan 2 Hidden Layer………………….48

Gambar 4.4 Halaman Pengenalan Tanda Tangan…………………………..50

Gambar 4.5 Kotak File Selector Image Tanda Tangan…………………….50

Gambar 4.6 Halaman Bantuan……………………………………………..51

xx

DAFTAR TABEL

Tabel 3.1 Tipe Tanda Tangan……………………………………………20

Tabel 3.2 Pembagian Feature……………………….………………………22

Tabel 3.3 Percobaan…………………………………………………………23

Tabel 3.4 Confusion matrix…………………………………………………32

Tabel 4.1 Hasil Percobaan 1 Hidden Layer……………………………...40

Tabel 4.2 Hasil Percobaan 2 Hidden Layer……………………………...40

Tabel 4.3 Confusion Matrix Hasil Percobaan……………………………42

Tabel 4.4 Perbandingan Tipe Tanda Tangan…………………………….43

Tabel 4.5 Hasil Percobaab ke-1 dengan 1 Hidden Layer……………...L-87

Tabel 4.6 Hasil Percobaan ke-2 dengan 1 Hidden Layer……………...L-88

Tabel 4.7 Hasil Percobaan ke-3 dengan 1 Hidden Layer……………...L-89

Tabel 4.8 Hasil Percobaan ke-4 dengan 1 Hidden Layer………...........L-90

Tabel 4.9 Hasil Percobaan ke-5 dengan 1 Hidden Laye…………........L-91

Tabel 4.10 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer

Ke-1 = 150)…………………………………………………..L-1


Ke-1 = 150)…………………..................................................L-2

xxi


Ke-1 = 150)………………………………………………......L-3


Ke-1 = 150)…………………………………………….….....L-4


Ke-1 = 150)…………………………………………..……....L-5


Ke-1 = 175)…………………………………………………..L-6


Ke-1 = 175)…………………..................................................L-7


Ke-1 = 175)………………………………………………......L-8


Ke-1 = 175)…………………………………………….….....L-9


Ke-1 = 175)…………………………………………..…......L-10


Ke-1 = 200)……………………………………………..…..L-11


Ke-1 = 200)…………………................................................L-12

xxii


Ke-1 = 200)………………………………………………....L-13


Ke-1 = 200)…………………………………………….…...L-14


Ke-1 = 200)…………………………………………..……..L-15


Ke-1 = 225)……………………………………………..…..L-16


Ke-1 = 225)…………………................................................L-17


Ke-1 = 225)………………………………………………....L-18


Ke-1 = 225)…………………………………………….…...L-19


Ke-1 = 225)…………………………………………..……..L-20


Ke-1 = 250)……………………………………………..…..L-21


Ke-1 = 250)…………………................................................L-22

xxiii


Ke-1 = 250)………………………………………………....L-23


Ke-1 = 250)…………………………………………….…...L-24


Ke-1 = 250)…………………………………………..……..L-25

xxiv

DAFTAR GRAFIK

Grafik 4.1 Training untuk 1 Hidden Layer……………………………….47

Grafik 4.2 Training untuk 2 Hidden Layer……………………………….49

1

Bab I. Pendahuluan

1.1 Latar Belakang

Tanda tangan sangat berarti karena diyakini sebagai simbol yang digunakan

manusia untuk menyetujui suatu perjanjian dengan manusia lain, dimana isi dari

perjanjian tersebut adalah bersifat mutlak harus dilakukan. Seiring dengan

perkembangan jaman, tanda tangan juga digunakan sebagai salah satu cara untuk

identifikasi seseorang. Setiap individu mempunyai karakteristik pola tanda tangan

yang khas sehingga kemungkinan terjadi kesamaan pola tanda tangan yang dibuat

oleh individu satu dengan individu lain akan sulit ditemukan. Bahkan pola tanda

tangan yang dibuat oleh individu yang samapun belum tentu akan selalu sama.

Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis untuk

diidentifikasi. Identifikasi tanda tangan secara manual dengan menggunakan mata

telanjang dapat memakan waktu yang lama dan besar terjadi kesalahan.

Diperlukan sistem komputer yang mampu melakukan identifikasi tanda tangan

manusia secara otomatis untuk mempercepat waktu dan memperkecil terjadinya

kesalahan. Sebagai pemecahan atas permasalah tersebut, dilakukan penelitian untuk

membangun sistem pengklasifikasian tanda tangan manusia secara otomatis.

Beberapa penelitian mengenai pengenalan tanda tangan yang telah dilakukan adalah

sebagai berikut :

2

Tabel 1.1 Tabel Penelitian.

Nomor Penelitian Peneliti/ Tahun

Penelitian

Jumlah Data Akurasi

1 Pengenalan tanda tangan

dengan metode jaringan

syaraf tiruan

backpropagation dan

metode ekstraksi ciri

dengan menggunakan

metode pemayaran piksel.

Wikaria Gazali /

2003

100 dari 10

pola tanda

tangan.

88,00%

2 Pengenalan tanda tangan

dengan menggunakan

metode stroke histogram.

Arif Wijaya /

2005

56 dari 8 pola

tanda tangan.

70,90%

3 Klasifikasi tanda tangan

manusia dengan jaringan

syaraf tiruan

backpropagation dan

metode ekstrkasi ciri PCA

(Principal Component

Analysis)

Yuanita

Prasetyaningtyas

/ 2010

400 dari 5 pola

tanda tangan.

91,00%

3

Berdasarkan penelitian yang telah dilakukan oleh peneliti sebelumnya, maka

penulis melakukan penelitian mengenai identifikasi tanda tangan manusia dengan

menggunakan metode jaringan syaraf tiruan backpropagation (JST backpropagation)

dan PCA (Principal Component Analysis) sebagai metode ekstraksi ciri.

Contoh aplikasi pengembangan di dunia nyata yang menggunakan tanda tangan

sebagai identitas seseorang antara lain absensi otomatis pegawai perkantoran dengan

menggunakan tanda tangan dan sistem pembayaran dengan menggunakan kartu

kredit.

1.2 Rumusan Masalah

Rumusan masalah dari proposal ini adalah bagaimana membangun sistem yang

digunakan untuk klasifikasi tanda tangan secara otomatis dengan metode Jaringan

Syaraf Tiruan Backpropagation.

1.3 Tujuan

Membangun sistem yang digunakan untuk mengenali dan mengklasifikasi

tanda tangan seseorang dengan menggunakan metode Jaringan Syaraf Tiruan

Backpropagation.

1.4 Batasan Masalah

1. Input berupa file gambar dua dimensi pada citra tingkat keabuan (gray-

scale image) yang berekstensi *.jpg dengan ukuran 100 x100 piksel.

4

2. Sistem yang dibangun bertujuan untuk mengenali tanda tangan seseorang

berdasarkan pada tingkat kemiripannya .

3. Pengenalan dibatasi pada jumlah sample 80 untuk tiap tanda tangan yang

diambil dari 5 orang.

4. Hasil pengenalan hanya dibatasi pada nama individu.

5. Ekstraksi feature menggunakan PCA (Pricipal Component Analysis).

6. Metode yang akan digunakan untuk mengenali tanda tangan adalah

metode Jaringan Syaraf Tiruan Backpropagation.

7. Software yang digunakan adalah MATLAB.

1.5 Metodologi Penelitian

Dalam penyelesaian tugas akhir yang berjudul Klasifikasi Tanda Tangan

Manusia Dengan Metode Jaringan Syaraf Tiruan Backpropagation ini, akan ditempuh

langkah – langkah kerja sebagai berikut :

1. Studi pustaka.

Mengumpulkan informasi dari buku, internet, dan artikel yang

dibutuhkan untuk membangun sistem klasifikasi tanda tangan secara otomatis

dengan metode jaringan syaraf tiruan backpropagation.

2. Akuisisi data.

Proses akuisisi data merupakan proses pengambilan data gambar yang

digunakan untuk proses pelatihan (training) maupun proses pengujian (testing).

5

3. Analisis dan perancangan algoritma.

Melakukan analisis dari masalah yang ada dan merancang algoritma

yang digunakan untuk klasifikasi pola tanda tangan.

4. Implementasi.

Setelah merancang algoritma, kemudian dilakukan implementasi

algoritma dalam listing program, baik untuk proses pelatihan (training) maupun

proses pengujian (testing).

5. Simulasi.

Dari hasil implementasi dilanjutkan proses simulasi untuk mendapatkan

jaringan yang paling optimal.

1.6 Sistematika Penulisan

Sistematika penulisan dalam tugas akhir yang berjudul Klasifikasi Tanda

Tangan Manusia dengan Metode Jaringan Syaraf Tiruan Backpropagation ini

dijelaskan sebagai berikut :

Bab I. Pendahuluan

Pada bab ini dijelaskan mengenai latar belakang masalah yang mendorong

dibangunnya sistem, rumusan masalah, tujuan, batasan masalah, metodologi

penelitian yang dilakukan, dan sistematika penulisan yang digunakan dalam

menyelesaikan laporan tugas akhir.

6

Bab II. Landasan Teori

Pada bab ini dijelaskan teori dari metode yang digunakan dalam

pembangunan sistem pengelompokan tanda tangan yaitu teori mengenai metode

jaringan syaraf tiruan backpropagation.

Bab III. Desain Sistem

Pada bagian ini digambarkan komponen dan algoritma yang digunakan

dalam penelitian.

Bab IV. Implementasi dan Analisis Hasil

Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam suatu

program, hasil implementasi serta analisis dari hasil implementasi.

Bab V. Penutup

Pada bagian ini akan digambarkan kesimpulan dari seluruh penelitian dan

saran yang diusulkan untuk pengembangan lebih lanjut.

7

Bab II. Landasan Teori

Pada bab ini akan dibahas mengenai teori – teori yang digunakan untuk

mendukung penulisan tugas akhir klasifikasi tanda tangan manusia dengna metode

jaringan syaraf tiruan backpropagation. Teori – teori yang akan dibahas mencakup

pengertian dasar jaringan syaraf tiruan, metode jaringan syaraf tiruan

backpropagation, dan pengertian mengenai metode PCA (Principal Components

Analysis) yang digunakan untuk mereduksi feature.

2.1 Jaringan Syaraf Tiruan.

Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang

dikembangkan dengan model matematika dan memiliki karakteristik mirip dengan

jaringan syaraf biologi dengan asumsi bahwa (Jong Jek Siang, 2005) :

1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

2. Sinyal dikirim diantara neuron–neuron melalui penghubung– penghubung.

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau

memperlemah sinyal.

4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi

yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran

ini selanjutnya dibandingkan dengan suatu batas ambang.

Jadi jaringan syaraf tiruan ditentukan oleh 3 hal yaitu :

1. Pola hubungan antar neuron ( arsitektur jaringan ).

2. Metode untuk menentukan bobot penghubung.

8

3. Fungsi aktivasi.

2.1.1 Arsitektur Jaringan Syaraf Tiruan.

Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan

hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak

pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.

Neuron-neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan

masukan (input layer) merupakan lapisan pertama yang menerima sinyal dari

bagian luar jaringan, lapisan tersembunyi (hidden layer) yaitu lapisan yang

menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output

layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari

sinyal yang diterima .

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf

tiruan antara lain :

1. Jaringan Layar Tunggal (single layer network).

Dalam jaringan layar tunggal, sekumpulan masukan dihubungkan

langsung dengan sekumpulan keluaran.

x1

xi

xn

y1

yj

ym

w11

wj1wm1

w1iwji

wmi

w1nwjn

wmn

Gambar 2.1 Jaringan Layar Tunggal.

9

Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit masukan (x1,

x2, …, xn) dan m buah unit keluaran (y1, y2, …, ym). Disebut jaringan

layar tunggal karena semua unit masukan dihubungkan dengan semua unit

keluaran, meskipun dengan bobot yang berbeda.

wji menyatakan bobot hubungan antara unit ke-i dalam masukan

dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen.

Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk

meningkatkan keakuratan hasil.

2. Jaringan Layar Jamak (multi layer network).

Jaringan layar jamak merupakan perluasan dari layar tunggal.

Dalam jaringan ini, selain unit masukan dan keluaran, ada unit – unit lain

(sering disebut layar tersembunyi). Sama seperti pada unit masukan dan

keluaran, unit dalam satu layar tidak saling berhubungan.

x1

xi

xn

z1

zp

w11

wj1wm1

w1pwjp

wmp

vpi

v1n

vpn

y1

yj

ym

v11

vp1

v1i

Gambar 2.2 Jaringan Layar Jamak.

Pada gambar 2.2 ditunjukkan jaringan dengan n buah unit masukan

(x1, x2, …, xn), sebuah layar tersembunyi yang terdiri dari p buah unit

(z1, …, zp) dan m buah unit keluaran(y1, y2, …, ym).

10

2.1.2 Fungsi Aktivasi.

Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan

keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi

linier masukan dan bobotnya). Jika net ∑ , maka fungsi aktivasinya adalah

f (net) = f(∑ ) (Jong Jek Siang, 2005).

Fungsi aktivasi dalam jaringan syaraf tiruan :

1. Fungsi threshold (batas ambang).

( ) {

(2.1)

Jika fungsi threshold berharga -1 atau 1 disebut threshold bipolar.

2. Fungsi sigmoid.

( )

(2.2)

Nilai fungsi dari fungsi sigmoid terletak antara 0 dan 1 dan dapat

diturunkan menjadi :

( ) ( )( ( )) (2.3)

3. Fungsi Identitas.

( ) (2.4)

Fungsi identitas sering digunakan jika diinginkan keluaran jaringan

berupa bilangan riil (bukan hanya pada range (0,1) atau (-1,1)).

11

2.2 Jaringan Syaraf Tiruan Backpropagation.

Backpropagation merupakan salah satu contoh dari jaringan layar jamak.

Seperti halnya model jaringan syaraf tiruan lain, backpropagation melatih

jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk

mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk

memberikan respon yang benar terhadap pola masukkan yang serupa (tapi tidak

sama) dengan pola yang dipakai selama pelatihan.

2.2.1 Arsitektur Backpropagation.

Backpropagation memiliki beberapa unit neuron yang ada dalam satu atau

lebih layar tersembunyi. Gambar 2.3 adalah arsitektur backpropagation dengan

n buah masukan (ditambah sebuah bias), serta m buah unit keluaran.

vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi

zj (vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke

unit layar tersembunyi zj). wkj merupakan bobot dari unit layar tersembunyi zj

ke unit keluaran yk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit

keluaran zk).

12

1 x1 xi xn

1 z1 zj zp

y1 yk ym

v10vj0

vp0 v11vj1vp1

v1i vjivpi v1n

vjn vpn

w10 wk0

wm0w11

wk1wm1

w1j wkjwmj w1p

wkp wmp

Gambar 2.3 Arsitektur Backpropagation.

2.2.2 Fungsi Aktivasi Backpropagation.

Fungsi aktivasi pada metode backpropagation tidak hanya menggunakan

sebuah fungsi aktivasi, akan tetapi turunan dari fungsi tersebut juga ikut

digunakan. Backpropagation dapat menggunakan fungsi aktivasi sigmoid biner

(yang memiliki range (0,1)) maupun sigmoid bipolar (yang memiliki range (-1,1))

beserta turunan fungsinya. Pemilihan fungsi aktivasi tergantung kepada kebutuhan

nilai keluaran jaringan yang diharapkan. Bila keluaran jaringan yang diharapkan

ada yang bernilai negatif, maka digunakan fungsi sigmoid bipolar, sebaliknya bila

nilai keluaran jaringan yang diharapkan bernilai positif atau sama dengan nol ,

maka digunakan fungsi sigmoid biner. Selain fungsi sigmoid fungsi yang bias

digunakan dalam metode backpropagation adalah fungsi linier.

Fungsi sigmoid biner :

( )

(2.5)

13

dengan turunan

( ) ( )( ( )) (2.6)

Fungsi sigmoid bipolar :

( )

(2.7)

dengan turunan

( ) ( ( ))( ( ))

(2.8)

Fungsi sigmoid memiliki nilai maksismum = 1. Maka untuk pola yang

targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan

sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang

dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada

layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai

adalah fungsi identitas : f(x) = x.

2.2.3 Pelatihan Standar Backpropagation.

Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju.

Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran

menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari

garis yang berhubungan langsung dengan unit – unit di layar keluaran. Fase ketiga

adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

14

Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai

berikut :

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.

Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

Fase I : Propagasi maju.

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi di atasnya.

Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1, 2, …, p).

(2.9)

(2.10)

Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, …, m).

(2.11)

(2.12)

Fase II : Propagasi mundur.

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit

keluaran yk (k = 1, 2, …, m).

(2.13)

15

δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

layar dibawahnya (langkah 7).

Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah

bobot wkj) dengan laju percepatan α.

; k = 1, 2, …, m ; j = 0, 1, …, p (2.14)

Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap

unit tersembunyi zj (j = 1, 2, …, p).

(2.15)

Faktor δ unit tersembunyi :

(2.16)

Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah

bobot vji)

(2.17)

j = 1, 2, …, p ; i = 0, 1, …, n

Fase III : Perubahan bobot.

Langkah 8 : Hitung semua perubahan bobot.

Perubahan bobot garis yang menuju ke unit keluaran :

(2.18)

16

Perubahan bobot garis yang menuju ke unit tersembunyi :

( ) ( ) (2.19)

Langkah 9 : Kondisi perulangan.

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk

pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja

yang dipakai untuk menentukan keluaran jaringan.

2.3 PCA (Principal Components Analysis).

PCA digunakan untuk mereduksi dimensi image menjadi feature yang

memiliki dimensi lebih sedikit. PCA akan menangkap variasi total di dalam

kumpulan karakter yang dilatihkan, dan untuk mempresentasikan variasi ini

dengan variable yang lebih sedikit. Suatu image yang dipresentasikan dengan

variable yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada

jika dipresentasikan dengan variable yang banyak dari image tersebut (Wikaria

Gazali dan Lily, 2003).

Adapun langkah – langkah dalam menghitung PCA adalah sebagai berikut :

1. Menyimpan nilai – nilai piksel dari citra tanda tangan ke sebuah vektor

yang dinamakan tou.

[

]

17

T = Matriks tou / Matriks awal = N x P,

N = jumlah vekor = jumlah citra,

P = ukuran citra.

2. Menghitung noise yang merupakan rata – rata dari semua vektor tou.

∑

(2.20)

= vektor rata – rata = noise,

= vektor tou ke-i.

Sehingga diperoleh vektor [ ]

3. Menghitung vektor fi yang merupakan vektor tou yang bebas noise.

(2.21)

= vektor fi.

Vektor – vektor yang diperoleh digabung menjadi matriks A.

[

]

4. Menghitung matriks covariance.

∑

(2.22)

C = vektor covariance,

AT = transpose dari matriks A.

Vektor – vektor yang diperoleh digabung menjadi matriks covariance.

[

]

18

5. Menghitung nilai eigen.

( ) (2.23)

= nilai eigen,

I = matriks identitas.

6. Menghitung vektor eigen.

( ) (2.24)

= vektor eigen.

Sehingga dihasilkan vektor V dengan elemen :

[

]

Vektor V diurutkan berdasarkan nilai eigen terbesar dan disimpan dalam

matriks GoodV.

7. Dibangun matriks yang mewakili citra awal.

(2.25)

Diperoleh matriks construct yang bila dikonversi menjadi citra

menghasilkan principal component.

[

]

Ct = elemen dari matriks construct.

8. Membentuk matriks Extract.

(2.26)

19

[

]

e = elemen dari matriks extract.

9. Normalisasi.

(

) ( ) (2.27)

20

Bab III. Desain Sistem

Pada bab ini diuraikan desain sistem yang akan dibuat untuk klasifikasi

tanda tangan manusia menggunakan metode jaringan syaraf tiruan

backpropagation sehingga menghasilkan akurasi yang optimal.

3.1 Data

Dalam klasifikasi tanda tangan dengan metode jaringan syaraf tiruan

backpropagation ini digunakan 5 tipe tanda tangan berbeda yang dimiliki oleh 5

orang yang berbeda. Setiap tipe tanda tangan terdiri dari 80 gambar yang akan

dijadikan sebagai data. Tipe tanda tangan yang akan digunakan dalam klasifikasi

tanda tangan ditunjukkan pada tabel 3.1 (gambar seluruh tanda tangan terdapat

pada halaman L-82 sampai dengan L-86).

Tabel 3.1 Tipe Tanda Tangan.

Nomor Nama Tipe Tanda Tangan

1. BERNADETA PUTRI

21


2. KURNIANINGTYAS

3. TIMOTIUS ARI

4. NUGRAHAYUNINGSIH

5. JB. MAHENDRA

Pada sistem klasifikasi tanda tangan ini, digunakan metode five fold untuk

membagi data menjadi 5 bagian. Dimana 4 bagian digunakan untuk data training

sedang 1 bagian yang lain digunakan untuk data testing.

22

Terdapat 80 sample untuk setiap tipe tanda tangan yang diambil dari 5

orang.

Dari hasil perhitungan diperoleh 16 feature tanda tangan untuk setiap

bagian.

Tabel 3.2 Pembagian Feature.

Bagian Orang 1

1 16 feature

2 16 feature

3 16 feature

4 16 feature

5 16 feature

Bagian Orang 3

1 16 feature

2 16 feature

3 16 feature

4 16 feature

5 16 feature

Bagian Orang 5

1 16 feature

2 16 feature

3 16 feature

4 16 feature

5 16 feature

Bagian Orang 2

1 16 feature

2 16 feature

3 16 feature

4 16 feature

5 16 feature

Bagian Orang 4

1 16 feature

2 16 feature

3 16 feature

4 16 feature

5 16 feature

23

Karena menggunakan metode five fold, maka dilakukan percobaan untuk

training dan testing sebanyak 5 kali untuk setiap tipe tanda tangan. 4 bagian ( 320

feature) digunakan untuk data training dan 1 bagian ( 80 feature) digunakan untuk

data testing.

Tabel 3.3 Percobaan.

Percobaan Training Testing

1 Bagian 1, 2, 3, 4 Bagian 5





Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan

kelompok data yang digunakan sebagai data training dan data testing. Jika

feature bagian 1, 2, 3, dan 4 digunakan untuk data training, maka feature bagian 5

digunakan untuk data testing begitu seterusnya sesuai table 3.3.

24

3.2 Desain Sistem

Feature Hasil

Ekstraksi

Jaringan

Optimal

Ekstraksi Feature

Dengan PCA

Training dan Testing

JST Backpropagation

Pengenalan

Feature Asli

Tanda Tangan .JPG

Tanda Tangan

Dikenali

Gambar 3.1 Garis Besar Sistem Pengenalan.

Pada gambar 3.1 dijelaskan mengenai tahapan – tahapan yang dilakukan

dalam sistem pengenalan tanda tangan. Dimulai dari feature asli tanda tangan

sebagai data mentah untuk proses ekstraksi feature dengan metode PCA. Dari

proses ekstraksi feature dihasilkan feature yang dimensinya lebih kecil dibanding

data mentah. Feature yang telah direduksi dijadikan data masukan dalam tahap

training dan testing dengan metode jaringan syaraf tiruan backpropagation,

tahapan terakhir dalam sistem yang dibuat adalah tahap pengenalan. Hasil

pengenalan barupa identitas pemilik tanda tangan.

25

3.2.1 Ekstraksi Feature.

Dalam tahap ekstraksi feature klasifikasi tanda tangan manusia digunakan

metode Principal Component Analysis (PCA). PCA digunakan karena mampu

mereduksi ukuran suatu obyek sehingga ukuran menjadi lebih ringkas dan mampu

mengambil karakteristik yang penting dari obyek yang diolah. Jika dimensi dari

obyek lebih kecil dan informasi yang terkandung lebih padat, maka obyek tersebut

akan lebih spesifik dibandingkan dengan obyek yang belum diolah sebelumnya.

Hal ini akan mempermudah proses pengenalan obyek lebih lanjut. Komponen

yang diperlukan dalam proses ekstraksi feature adalah 400 citra tanda tangan yang

berekstensi .jpg dengan ukuran 100x100.

Mulai

Citra Tanda

Tangan

Binerisasi

Perhitungan Principal

Component (PCA)

Normalisasi

Feature Hasil

Ekstraksi

Perhitungan

Rata-rata Vektor Baris

Selesai

Gambar 3.2 Tahap Ekstraksi Feature.

26

Gambar 3.2 menunjukkan tahapan yang dilalui dalam tahap ekstraksi

feature. Tahapan yang ada dalam ekstraksi feature yaitu :

1. Citra Tanda Tangan.

Data masukan yang digunakan adalah citra tanda tangan dengan

tingkat keabuan (gray-scale image) yang berekstensi *.jpg dan berukuran

100x100. Citra tanda tangan yang digunakan diubah ke bentuk vektor

baris. Sehingga untuk 1 citra tanda tangan terbentuk vektor baris dengan

ukuran 1x10000.

2. Tahap Binerisasi.

Nilai piksel yang semula terdiri dari tingkat keabu – abuan,

dikonversi menjadi 0 sampai 1. Konversi dari tingkat keabu-abuan menjadi

nilai 0-1 ini disebuat binerisasi. Hasil binerisasi adalah berupa vektor baris

yang bernilai 0-1 untuk setiap elemennya. Vektor baris hasil binerisasi

kemudian disusun menjadi matriks yang diberi nama tou ( T ). Karena

setiap vektor baris berukuran 1x10000, maka ukuran matriks tou

400x10000.

3. Tahap Perhitungan PCA.

Pada tahap ini dihitung noise pada matriks tou, dibuat matriks baru

(fi) yang merupakan matriks tou yang bebas noise, dihitung nilai pembeda

(eigen value), dibuat vektor eigen (Veigen) yang diurutkan (GoodV)

berdasarkan nilai eigen terbesar dan membentuk principal component

(construct) yang telah direduksi ukurannya (extract).

27

Noise adalah rata – rata dari semua matriks tou yang dihitung

menggunakan rumus (2.20). Setelah diperoleh nilai noise untuk matriks

tou, disusun matriks baru fi dimana setiap vektor baris dari matriks fi bebas

noise dengan menggunakan rumus (2.21). Proses berikutnya dihitung

matriks covariance dengan rumus (2.22) yang digunakan untuk

menghitung nilai eigen dengan rumus (2.23). Dari nilai eigen, dihitung

vektor eigen dengan rumus (2.24). Vektor eigen yang diperoleh diurutkan

berdasar nilai eigen terbesar kemudian disimpan dalam matriks GoodV.

Dibangun matriks yang mewakili citra awal dengan rumus (2.25). Proses

construct menghasilkan suatu matriks principal component. Principal

component yang diperoleh diambil inti sarinya melalui proses ekstraksi

dengan rumus (2.26) yang menghasilkan matriks extract.

4. Tahap Normalisasi.

Nilai dari matriks principal component (extract) dikonversi

menjadi nilai bipolar antar -1 sampai dengan 1 dengan menggunakan

rumus (2.27).

5. Rata – rata Vektor Baris.

Setiap vektor baris dari matriks principal component yang telah

dinormalisasi, dibagi menjadi 20 bagian. Setiap bagian dari vektor baris

dijumlah kemudian dihitung rata-ratanya.

6. Feature Hasil Ekstraksi.

Data yang dihasilkan dari ekstraksi feature adalah berupa matriks

yang ukurannya lebih kecil dibanding dengan matriks tou, yang kemudian

28

dijadikan sebagai input JST backpropagation.

Contoh perhitungan PCA terdapat pada halaman L-74 hingga halaman L-

81.

3.2.2 Perancangan JST Backpropagation.

Setelah dilakukan tahap ekstraksi feature, tahap selanjutnya dilakukan

pengenalan dengan metode JST backpropagation. Komponen yang diperlukan

dalam JST backpropagation antara lain :

1. Lapisan Tersembunyi (Hidden Layer)

Dalam penelitian ini dilakukan percobaan JST Backpropagation

dengan 1 hidden layer dan 2 hidden layer.

2. Unit Tersembunyi (node)

Unit tersembunyi yang akan dipakai dalam penelitian adalah 150,

175, 200, 225, dan 250 pada JST Backpropagation dengan 1 hidden layer.

Sedang pada JST Backpropagation dengan 2 hidden layer, unit

tersembunyi yang digunakan untuk layer pertama adalah jumlah unit

tersembunyi pada percobaan 1 hidden layer dan untuk layer kedua

digunakan unit dengan jumlah 25, 50, 75, 100, 125.

3. Fungsi Aktivasi

Fungsi aktivasi yang digunakan dalam penelitian adalah logsig.

4. Target

Target keluaran yang dipakai untuk setiap tipe tanda tangan adalah

1, 0, 0, 0, 0 untuk tipe tanda tangan orang ke-1; 0, 1, 0, 0, 0 untuk tipe

tanda tangan orang ke-2; 0, 0, 1, 0, 0 untuk tipe tanda tangan orang ke-3; 0,

29

0, 0, 1, 0 untuk tipe tanda tangan orang ke-4 dan 0, 0, 0, 0, 1 untuk tipe

tanda tangan orang ke-5.

5. Epochs

Dalam penelitian ini digunakan batas epoch 50000 untuk JSTBP

dengan 1 hidden layer dan 20000 untuk JSTBP dengan 2 hidden layer.

6. Kecepatan Pembelajaran

Dalam penelitian ini kecepatan pembelajaran yang dipakai sebesar

0,1, baik untuk 1 hidden layer atau 2 hidden layer.

Pembentukan JSTBP Model JST

Klasifikasi JST Hasil Klasifikasi

Feature Hasil

Ekstraksi

TRAINING

TESTING

Pengenalan

Tanda Tangan

Dikenali

Gambar 3.3 Proses Pengenalan dengan Metode JST Backpropagation.

Di dalam tahap pengenalan dengan menggunakan metode

backpropagation terdapat 3 sub tahap yang harus dilalui yaitu tahap pelatihan

(training), tahap pengujian (testing) dan tahap pengenalan.

30

3.2.2.1 Tahap Pelatihan (Training).

Pembentukan JSTBP Model JST320 Feature

Hasil Ekstraksi

TRAINING

Bobot dan Bias

Gambar 3.4 Skema Tahap Pelatihan.

Data training diperoleh dari perhitungan menurut metode five fold.

Feature tanda tangan dari setiap orang diambil 4 bagian feature yang masing –

masing bagian terdiri dari 16 feature.

Sebanyak 320 data hasil ekstraksi feature digunakan untuk membentuk

jaringan backpropagation. Jaringan yang telah dibentuk kemudian dilakukan

proses training dan menghasilkan model jaringan syaraf tiruan yang berupa bobot

dan bias.

31

3.2.2.2 Tahap Pengujian (Testing)

Klasifikasi JST Hasil Klasifikasi80 Feature

Hasil Ekstraksi

TESTING

Data Benar

Orang ke-1

Data Benar

Orang ke-2

Data Benar

Orang ke-4

Data Benar

Orang ke-3

Data Benar

Orang ke-5

Bobot dan Bias

Gambar 3.5 Skema Tahap Pengujian.

Data testing diperoleh dari perhitungan menurut metode five fold. Feature

tanda tangan dari setiap orang diambil 1 bagian feature yang masing – masing

bagian terdiri dari 16 feature.

Dengan menggunakan 80 data hasil ekstraksi feature dilakukan

klasisifikasi. Klasifikasi dilakukan dengan cara membandingkan model jaringan

syaraf tiruan yang telah terbentuk pada tahap training dengan data testing. Dari

tahap klasifikasi, dihasilkan hasil klasifikasi tanda tangan yang berupa jumlah data

yang dapat dikenali dengan benar dari setiap kelompok tanda tangan.

3.2.2.3 Penghitungan Akurasi.

Karena menggunakan metode five fold dalam pembagian data, maka

dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa

confusion matrix. Confusion matrix menunjukkan data yang dikenali sesuai

32

dengan kelompok data.

Dari hasil klasifikasi dilakukan penghitungan berapa tanda tangan orang

ke-1 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3, orang

ke-4, dan orang ke-5; tanda tangan orang ke-2 yang dikenali sebagai tanda tangan

orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda tangan

orang ke-3 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3,

orang ke-4, dan orang ke-5; tanda tangan orang ke-4 yang dikenali sebagai tanda

tangan orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda

tangan orang ke-5 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2,

orang ke-3, orang ke-4, dan orang ke-5.

Confusion matrix yang dihasilkan dari percobaan di sajikan dengan tabel

sebagai berikut :

Tabel 3.4 Confusion matrix.

M1 M2 M3 M 4 M 5

M1 X

M2 X

M3 X

M4 X

M5 X

Dari confusion matrix dihitung besar akurasi. Penghitungan akurasi

dilakukan untuk melihat seberapa optimal jaringan syaraf tiruan backpropagation

dalam mengenali pola tanda tangan manusia.

33

∑

∑

∑ = jumlah angka pada diagonal matriks,

∑ = keseluruhan data yang digunakan untuk

pengujian / testing.

3.2.2.4 Tahap Pengenalan.

Dari perhitungan akurasi dapat disimpulkan jaringan mana yang paling

optimal yang digunakan untuk tahap pengenalan. Akurasi yang menghasilkan

nilai paling maksimum didapat dari jaringan yang paling optimal pula.

Pengenalan dilakukan dengan membandingkan model jaringan yang diperoleh

dari tahap training dan data pengenalan. Hasil dari tahap pengenalan berupa

identitas individu pemilik tanda tangan.

Tanda Tangan

dikenali

(Jaringan Optimal)

Pengenalan

Data yang akan

dikenali

PENGENALAN

Gambar 3.6 Skema Tahap Pengenalan.

34

3.3. Desain User Interface

Berikut ini adalah contoh user interface dari sistem yang akan dibangun.

User interface dibuat sedemikian sederhana guna untuk memudahkan user dalam

pemakaiannya.

1. Tampilan Awal.

Gambar 3.7 Tampilan Awal.

Gambar 3.7 menunjukkan tampilan awal dari aplikasi yang akan

dibuat. Terdapat 2 menu utama. Yang pertama adalah menu yang terdiri

dari sub menu pengujian 1,pengujian 2, dan pengenalan. Sedang menu

yang kedua adalah bantuan.

35

2. Halaman Pengujian dengan 1 Hidden Layer.

Gambar 3.8 Halaman Pengujian 1.

Gambar 3.8 menunjukkan halaman pengujian dengan

menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’

yang digunakan untuk data training dan data testing. Jumlah node dapat

dipilih pada pop up menu ‘node’. Dengan menekan tombol ‘proses’ maka

pengujian dengan 1 hidden layer dapat dijalankan. Kotak proses

menampilkan tahapan yang dilalui dalam pengujian. Kotak hasil

menampilkan confusion matrix dari proses pengujian. Untuk keluar

halaman tekan tombol ‘selesai’.

36

3. Halaman Pengujian dengan 2 Hidden Layer.

Gambar 3.9 Halaman Pengujian 2.

Gambar 3.9 menunjukkan halaman pengujian dengan

menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’

yang digunakan untuk data training dan data testing. Jumlah node pada

hidden layer pertama dapat dipilih pada pop up menu ‘node 1’ sedang

untuk jumlah node pada hidden layer kedua dapat dipilih pada pop up

menu ‘node 2’. Dengan menekan tombol ‘proses’ maka pengujian dengan

2 hidden layer dapat dijalankan. Kotak proses menampilkan tahapan yang

dilalui dalam pengujian. Kotak hasil menampilkan confusion matrix dari

proses pengujian. Untuk keluar halaman tekan tombol ‘selesai’.

37

4. Halaman Pengenalan.

Gambar 3.10 Halaman Pengenalan.

Gambar 3.10 menunjukkan halaman pengenalan. Dengan

menekan tomol ‘buka’ dapat ditampilkan gambar tanda tangan yang akan

dikenali sesuai dengan nama file yang dipilih. Untuk mengetahui identitas

pemilik tanda tangan, tekan tombol ‘proses’ maka pada kotak ‘dikenali

akan muncul identitas’ yang berupa nama. Untuk keluar dari halaman

pengenalan, tekan tombol ‘selesai’.

38

5. Halaman Bantuan.

Gambar 3.11 Halaman Bantuan.

Pada gambar 3.11 menampilkan bantuan berupa langkah-

langkah penggunaan system. Untuk keluar dari halaman bantuan, tekan

tombol ‘selesai’.

39

Bab IV. Implementasi dan Analisis Hasil

Pada bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian

dari implementasi sistem yang telah dibuat. Hasil penelitian berupa perbandingan

akurasi yang diperoleh dari percobaan metode backpropagation berdasarkan

jumlah hidden layer serta jumlah node pada setiap hidden layer yang digunakan.

Pada bab ini juga dibahas mengenai user interface yang dibangun berdasar

algoritma yang telah dirancang.

4.1 Hasil Penelitian dan Analisa.

Dalam penelitian yang telah dilakukan, penulis menggunakan 5 tipe tanda

tangan yang dimilki oleh 5 orang yang berbeda. Setiap orang mempunyai 1 tipe

tanda tangan. Setiap tipe tanda tangan terdiri dari 80 tanda tangan. Dengan kata

lain setiap orang membuat 80 tanda tangan yang sama. Sehingga diperoleh 400

data tanda tangan untuk 5 tipe tanda tangan. Data tanda tangan berupa image

tanda tangan yang berekstensi .jpg berukuran 100x100 piksel. Pada 400 data tanda

tangan kemudian dilakukan reduksi piksel pada tahap ekstraksi feature untuk

menghasilkan piksel yang lebih kecil tanpa mengurangi informasi yang penting

dari data asli. Ekstraksi feature dilakukan dengan metode principal component

analysis (PCA). Dari 400 data hasil ektraksi feature dibagi menjadi 2 bagian, 320

data digunakan untuk data training sedang 80 sisa data digunakan untuk data

testing. Hasil penelitian didasarkan pada 2 percobaan. Percobaan pertama

dilakukan dengan menambah 1 hidden layer pada jaringan backpropagation.

Percobaan kedua dilakukan dengan menambah 2 hidden layer pada jaringan

40

backpropagation. Dari percobaan kemudian dipilih jaringan yang menghasilkan

akurasi paling tinggi untuk tahap pengenalan.

Tabel 4.1 Hasil Percobaan 1 Hidden Layer.

No. Jumlah

Node

Percobaan

Ke-1 Ke-2 Ke-3 Ke-4 Ke-5

1. 150 85,25% 84,25% 85,00% 83,00% 85,50%

2. 175 85,75% 82,50% 87,75% 85,75% 85,50%

3. 200 86,50% 84,00% 83,50% 84,75% 84,25%

4. 225 84,75% 83,25% 86,75% 85,75% 84,75%

5. 250 87,50% 84,50% 84,50% 83,75% 87,25%

Pada tabel 4.1 ditunjukkan hasil percobaan jaringan backpropagation

dengan 1 hidden layer (confusion matrix tiap percobaan terdapat pada halaman L-

87 hingga L-91). Dari 25 kali percobaan yang telah dilakukan, jaringan syaraf

tiruan terbaik didapat pada percobaan ke tiga dengan jumlah node pada hidden

layer adalah 175 dan mencapai akurasi sebesar 87,75%. Jumlah node yang

menghasilkan akurasi paling tinggi digunakan untuk inputan jumlah node hidden

layer pertama pada percobaan selanjutnya, percobaan menggunakan 2 hidden

layer.

Tabel 4.2 Hasil Percobaan 2 Hidden Layer.

No. Jumlah

Node

Layer

ke-1

Jumlah

Node

Layer

ke-2

Percobaan


1. 150 25 88,75% 89,75% 92,00% 90,00% 88,25%

50 88,75% 88,75% 90,00% 90,75% 90,75%

75 88,25% 89,25% 89,00% 89,00% 89,50%

100 88,50% 88,50% 86,00% 90,75% 89,50%

125 88,00% 87,75% 87,25% 88,75% 87,75%

41

No. Jumlah

Node

Layer

ke-1

Jumlah

Node

Layer

ke-2

Percobaan


2 175 25 89,75% 89,25% 88,75% 89,25% 89,75%

50 90,50% 90,75% 89,00% 91,25% 89,75%

75 86,50% 90,25% 89,00% 89,75% 89,50%

100 88,75% 90,75% 90,75% 89,75% 86,75%

125 88,75% 87,25% 88,50% 86,00% 88,00%

3 200 25 90,00% 89,50% 91,50% 90,25% 91,50%

50 90,25% 90,25% 90,25% 91,00% 89,75%

75 89,75% 89,25% 90,50% 89,00% 90,00%

100 88,25% 89,75% 90,00% 90,75% 89,25%

125 88,00% 88,25% 89,50% 88,00% 90,00%

4 225 25 90,75% 91,00% 90,50% 89,25% 89,25%

50 91,75% 89,75% 89,25% 90,00% 88,50%

75 91,50% 91,75% 89,75% 89,25% 89,75%

100 91,00% 91,00% 90,75% 89,00% 90,25%

125 89,25% 87,75% 89,25% 88,75% 89,75%

5 250 25 91,75% 89,75% 90,25% 90,75% 92,25%

50 91,00% 89,00% 92.25% 90,25% 91.50%

75 90,25% 91,25% 92,00% 91,75% 91,75%

100 87,75% 89,25% 90,75% 91,25% 89,75%

125 87,75% 89,50% 89,50% 88,50% 89,75%

Pada tabel 4.2 ditunjukkan hasil percobaan jaringan backpropagation

dengan 2 hidden layer (confusion matrix tiap percobaan terdapat pada halaman L-

1 hingga L-25). Dari 125 kali percobaan yang telah dilakukan, jaringan syaraf

tiruan terbaik didapat pada percobaan ke lima dengan jumlah node pada hidden

layer pertama adalah 250 dan node pada hidden layer kedua adalah 25.

Dihasilkan akurasi sebesar 92,25%.

Dari percobaan yang telah dilakukan, maka dapat disimpulkan bahwa

jaringan syaraf tiruan backpropagation dengan menggunakan 2 hidden layer

42

menghasilkan akurasi yang lebih tinggi dibanding dengan jaringan syaraf tiruan

backpropagation dengan 1 hidden layer. Dengan kata lain pembentukan model

menggunakan metode jaringan syaraf tiruan backpropagation dengan 2 hidden

layer dihasilkan hasil yang lebih optimal dibanding dengan 1 hidden layer saja.

Confusion matrix yang dihasilkan dari percobaan menggunakan 2 hidden

layer dimana jumlah node pada hidden layer pertama sebanyak 250 dan pada

hidden layer kedua sebanyak 25 adalah sebagai berikut :

Tabel 4.3 Confusion Matrix Hasil Percobaan.

TTD 1 TTD2 TTD3 TTD 4 TTD 5

TTD 1 70 0 8 2 0

TTD 2 0 79 0 1 0

TTD 3 7 0 71 0 2

TTD 4 5 1 0 74 0

TTD 5 0 0 5 0 75

Dari confusion matrix pada tabel 4.3 diketahui bahwa setiap kolom dari

matriks mewakili tipe tanda tangan yang dikenal, sedangkan baris mewakili

klasifikasi yang diberikan oleh system untuk setiap tipe tanda tangan. Tanda

tangan dapat diklasifikasikan dengan sangat baik sesuai dengan tipe masing-

masing, terbukti dari data yang dikenali dengan baik mencapai 92,25% sedang

yang tidak dikenali hanya 7,25% . Sistem dapat mengenali dengan sangat baik

43

pada pola tanda tangan orang ke-2, dan sistem kurang baik dalam mengenali pola

tanda tangan orang ke-1.

Dari tabel confusion matrix juga ditunjukkan bahwa tipe tanda tangan

orang ke-1 dikenali sebagai tipe tanda tangan orang ke-3 dengan jumlah yang

cukup banyak yaitu sebanyak 8. Jika dilihat dengan mata telanjang, kedua tipe

tanda tangan ini mempunyai kesamaan berupa banyaknya garis tegak vertikal

yang digunakan dan sama-sama menggunakan garis bawah.

Tabel 4.4 Perbandingan Tipe Tanda Tangan .


1. BERNADETA PUTRI

3. TIMOTIUS ARI

44

4.2 Implementasi User Interface.

Implementasi sistem klasifikasi tanda tangan dengan JST Backpropagation

ini dibangun dengan menggunakan program matlab 6.5.1. Source code program

terdapat pada halaman L-26 hingga halaman L-73.

4.2.1 Menu Utama

Gambar 4.1 Menu Utama.

Gambar 4.1 ditunjukkan halaman menu utama sistem yang telah dibuat.

Pada halaman menu utama ditampilkan judul dari sistem yang dibuat dan nama

dari pembuat sistem. Terdapat 3 menu pilihan, yaitu :

45

1. Menu.

Di dalam pilihan Menu terdapat 3 sub menu yang dapat dipilih,

antara lain ‘Pengujian 1’ yang digunakan untuk menampilkan halaman

‘Pengujian Backpropagation Dengan 1 Hidden Layer’, ‘Pengujian 2’ yang

digunakan untuk menampilkan halaman Pengujian Backpropagation

Dengan 2 Hidden Layers’, dan ‘Pengenalan’ yang digunakan untuk

menampilkan halaman ‘Pengenalan Tanda Tangan Dengan

Backpropagation’.

2. Informasi.

Di dalam pilihan Informasi terdapat sub menu ‘Bantuan’ yang

berisi mengenai langkah – langkah menggunakan system, serta keterangan

dari konten yang ada di dalamnya. Bantuan yang ditampilkan baik

mengenai pengujian backpropagation dengan 1 hidden layer, pengujian

backpropagation dengan 2 hidden layer, serta mengenai pengenalan tanda

tangan.

3. Keluar.

Pilihan ‘Keluar’ digunakan untuk keluar dari sistem.

46

4.2.2 Pengujian 1.

Gambar 4.2 Halaman Pengujian dengan 1 Hidden Layer.

Pada gambar 4.2 ditunjukkan halaman pengujian backpropagation dengan

1 hidden layer. Jumlah keseluruhan data yang digunakan adalah 400 dimana

sebanyak 320 digunakan untuk data training dan 80 sisanya digunakan untuk data

testing. Jumlah node pada hidden layer dapat dipilih pada pop up menu yang

dinamakan jumlah node.

Tombol proses digunakan untuk memulai proses training. Pada layar

proses ditampilkan parameter yang digunakan dalam tahap training. Parameter

tersebut adalah besar laju pembelajaran, goal yang harus dicapai, dan besar

momentum. Selain itu ditampilkan juga 5 tahapan training karena system

47

menggunakan metode five fold dalam pembagian data. Setiap tahap training yang

dilakukan ditampilkan grafik 4.1 yang merupakan gambar grafik training.

Grafik 4.1 Training untuk 1 Hidden Layer.

Setelah proses training selesai ditampilkan confusion matrix dimana nilai

diagonal dari matriks tersebut adalah data yang dapat dikenali dengan benar.

Nilai diagonal dari confusion matrix dijumlahkan dan ditampilkan sebagai data

benar. Waktu menunjukkan lama dari seluruh tahap training. Sedang akurasi

adalah persentase dari jumlah data benar.

Untuk keluar dari halaman pengujian backpropagation dengan 1 hidden

layer digunakan tombol selesai.

48

4.2.3 Pengujian 2.

Gambar 4.3 Halaman Pengujian dengan 2 Hidden Layer.

Pada gambar 4.3 ditunjukkan halaman pengujian backpropagation dengan

2 hidden layer. Jumlah keseluruhan data yang digunakan adalah 400 dimana

sebanyak 320 digunakan untuk data training dan 80 sisanya digunakan untuk data

testing. Jumlah node hidden layer pertama dipilih pada pop up menu layer ke-1

sedang jumlah node hidden layer kedua dipilih pada pop up menu layer ke-2.

Tombol proses digunakan untuk memulai proses training. Pada layar

proses ditampilkan parameter yang digunakan dalam tahap training. Parameter

tersebut adalah besar laju pembelajaran, goal yang harus dicapai, dan besar

momentum. Selain itu ditampilkan juga 5 tahapan training karena sistem

49

menggunakan metode five fold dalam pembagian data. Setiap tahap training yang

dilakukan ditampilkan grafik 4.2 yang merupakan gambar grafik training.

Grafik 4.2 Training untuk 2 Hidden Layer.

Setelah proses training selesai ditampilkan confusion matrix dimana nilai

diagonal dari matriks tersebut adalah data yang dapat dikenali dengan benar. Nilai

diagonal dari confusion matrix dijumlahkan dan ditampilkan sebagai data benar.

Waktu menunjukkan lama dari seluruh tahap training. Sedang akurasi adalah

persentase dari jumlah data benar.

Untuk keluar dari halaman pengujian backpropagation dengan 2 hidden

layer digunakan tombol selesai.

50

4.2.4 Pengenalan.

Gambar 4.4 Halaman Pengenalan Tanda Tangan.

Pada gambar 4.4 ditunjukkan halaman pengenalan tanda tangan. Diawali

dengan membuka file gambar tanda tangan yang akan dikenali. Tombol buka akan

menampilkan kotak file selector (gambar 4.5) yang digunakan untuk memilih file

gambar tanda tanagan yang akan dikenali.

Gambar 4.5 Kotak File Selector Image Tanda Tangan.

51

Setelah file gambar dipilih kemudian ditampilkan gambar tanda tangan

sesuai dengan nama file yang dipilih. Untuk proses pengenalan dilakukan dengan

menekan tombol proses. Setelah proses pengenalan selesai akan ditampilkan nama

individu sebagai pemilik bentuk tanda tangan. Untuk keluar dari halaman

pengenalan tekan tombol selesai.

4.2.5 Bantuan.

Gambar 4.6 Halaman Bantuan.

Pada gambar 4.6 ditunjukkan halaman bantuan yang berisi petunjuk

penggunaan sistem.

52

Bab V. Penutup

5.1 Kesimpulan

Berdasarkan hasil penelitian untuk klasifikasi tanda tangan manusia

dengan menggunakan metode jaringan syaraf tiruan backpropagation, maka dapat

ditarik kesimpulan sebagai berikut :

1. Dari penelitian dengan menggunakan 400 data tanda tangan yang terdiri

dari 5 pola tanda tangan, terbukti bahwa jaringan syaraf tiruan

backpropagation merupakan metode yang efektif untuk klasifikasi tanda

tangan dengan tingkat akurasi diatas 92,25%.

2. Arsitektur jaringan syaraf tiruan backpropagation dengan 2 hidden layer

lebih optimal dibandingkan jaringan dengan 1 hidden layer. Pada

jaringan menggunakan 1 hidden layer dihasilkan akurasi sebesar 87,75%

sedang untuk jaringan menggunakan 2 hidden layer dihasilkan akurasi

sebesar 92,25% dengan jumlah node pada hidden layer pertama adalah

250 dan jumlah node pada hidden layer kedua adalah 25.

3. Ekstraksi feature dengan metode principal component analysis (PCA)

adalah metode yang efektif untuk mereduksi ukuran suatu obyek sehingga

ukuran menjadi lebih ringkas dan mampu mengambil karakteristik yang penting

dari obyek yang diolah.

4. Sistem ini hanya digunakan untuk mengenali 5 pola tanda tangan. Untuk

mengenali pola tanda tangan yang lebih dari 5 pola, struktur jaringan dapat

dimodifikasi pada jumlah node pada hidden layer pertama dan hidden layer

53

kedua untuk menghasilkan jaringan yang paling optimal. Target yang

digunakan disesuaikan dengan jumlah pola tanda tangan yang digunakan.

5.2 Saran

Setelah melakukan evaluasi terhadap sistem secara keseluruhan, penulis

berharap tugas akhir ini dapat dikembangkan lebih lanjut dengan saran-saran

pengembangan sebagai berikut :

1. Metode Ekstraksi Ciri.

Perlu dibandingkan metode ekstraksi ciri PCA (Principal Component

Analysis) yang telah digunakan penulis dengan metode lain seperti LDA

(Linear Discriminant Analysis) untuk mendapatkan jaringan yang lebih

optimal.

2. Aplikasi Sesungguhnya.

Untuk aplikasi sesungguhnya di dunia nyata, maka sistem yang telah dibuat :

1. Diaplikasikan dengan menggunakan light pen sebagai sarana masukan

untuk memberikan data ke komputer.

2. Dibangun menggunakan data base untuk menyimpan data tanda tangan.

3. Sistem dilengkapi dengan penanganan merubah ukuran gambar secara

otomatis.

Gambar tanda tangan yang dicetak dengan menggunakan light pen akan

masuk sebagai data pada sistem pengenalan yang telah terinstal pada

komputer. Gambar akan langsung diproses untuk menyesuaikan dengan

ukuran yang telah ditentukan. Setelah ukuran gambar sesuai dengan standar

54

sistem, dilakukan ekstraksi ciri untuk mendapatkan data yang dapat

dibandingkan dengan data yang tersimpan pada data base.

55

Daftar Pustaka

Ahmad Hidayatno, Isnanto Rizal R., Kurnia, Dian. (2008), Identifikasi Tanda

Tangan Menggunakan Jaringan Syaraf Tiruan Perambatan Balik

(Backpropagation), Jurnal Teknologi, Universitas Diponegoro, 100 – 106.

Arif Wijaya. (2005), Pembuatan Aplikasi Pengenalan Tanda Tangan dengan

Metode Stroke Histogram, Tugas Akhir, Universitas Kristen Petra.

Aris Sugiharto. (2006), Pemrograman GUI dengan MATLAB, Yogyakarta, Andi

Offset.

Drs.Jong Jek Siang, M.Sc. (2005), Jaringan Syaraf Tiruan dan Pemrogramanya

Menggunakan Matlab, Yogyakarta, Andi Offset.

Drs. Sahid, M.Sc. (2006), Panduan Praktis Matlab, Yogyakarta, Andi Offset.

Gilang Romadina Soraya. (2008), Aplikasi Pengenalan Tanda Tangan dengan

Metode Moment Invariant, Tugas Akhir, Universitas Gunadarma.

Gunaidi Abdia Away. (2006), Matrix Laboratory Matlab Programming,

Bandung, Indormatika Bandung.

56

Jus Vilda. (2009), Pengenalan Pola Tanda Tangan Menggunakan Metode

Ekstraksi Ciri DCT, DFT, dan Filter 2D Gabor Wavelet, Tugas Akhir,

Institut Teknologi Telkom.

Sri Kusuma Dewi, Sri Hartati. (2006), Neuro-Fuzzy, Yogyakarta, Andi Offset.

Wahyu Agung Prasetyo. (2004), Tips dan Trik Matlab, Yogyakarta, Andi Offset.

Wikaria Gazali, Lyli. (2003), Perancangan Program Aplikasi Pengenalan Wajah

Berbasiskan Jaringan Syaraf Tiruan dengan Menerapkan Metode Principal

Component Analysis, Risalah Lokakarya Komputasi, Universitas Bina

Nusantara, 87 - 170.

57

LAMPIRAN

L - 1

Tabel 4.10 Hasil Percobaan ke-1 dengan 2 Hidden Layer

(Hidden Layer ke-1 = 150).

Node hidden layer ke-2 = 25

65 0 8 4 3

0 79 0 1 0

6 0 69 0 5

6 1 0 73 0

7 0 4 0 69

Akurasi = 88,75%


65 0 9 4 2

0 79 0 1 0

10 0 66 0 4

9 0 0 71 0

2 0 6 0 72

Akurasi = 88,25%


62 0 10 6 2

0 79 0 1 0

7 0 69 0 4

6 3 0 71 0

2 0 4 0 74

Akurasi = 88,75%


64 0 7 5 4

0 80 0 0 0

10 1 64 1 4

6 0 0 74 0

1 0 7 0 72

Akurasi = 88,50%


63 0 6 8 3

1 79 0 0 0

10 0 66 0 4

6 2 0 72 0

3 0 5 0 72

Akurasi = 88,00%

L - 2




66 1 7 3 3

0 77 0 3 0

8 0 69 0 3

4 2 0 74 0

2 0 5 0 73

Akurasi = 89,75%


63 2 5 9 1

0 80 0 0 0

7 0 70 0 3

7 0 0 73 0

2 0 7 0 71

Akurasi = 89,25%


67 0 4 8 1

0 78 0 2 0

7 0 69 0 4

6 3 0 71 0

2 0 8 0 70

Akurasi = 88,75%


58 0 12 6 4

0 78 0 2 0

6 1 69 0 4

6 1 0 73 0

0 0 4 0 76

Akurasi = 88,50%


62 1 8 8 1

1 78 0 1 0

6 0 68 0 6

7 2 0 71 0

5 0 3 0 72

Akurasi = 86,25%

L - 3




72 0 3 2 3

0 79 0 1 0

7 0 69 0 4

3 3 0 74 0

1 0 5 0 74

Akurasi = 92,00%


65 0 9 3 3

0 78 0 2 0

8 0 68 0 4

8 1 0 71 0

1 0 5 0 74

Akurasi = 89,00%


66 0 10 4 0

0 77 0 3 0

6 0 72 0 2

8 0 0 72 0

1 0 6 0 73

Akurasi = 90,00%


56 0 12 7 5

0 77 0 3 0

8 0 70 0 2

4 1 0 75 0

7 0 7 0 66

Akurasi = 86,00%


57 0 13 7 3

0 77 0 3 0

8 0 70 0 2

6 0 0 74 0

2 0 7 0 71

Akurasi = 87,25%

L - 4




63 0 10 5 2

0 80 0 0 0

6 0 71 0 3

7 1 0 72 0

1 0 5 0 74

Akurasi = 90,00%


63 0 10 7 0

0 78 0 2 0

6 0 70 0 4

7 0 0 73 0

2 0 6 0 72

Akurasi = 89,00%


67 0 9 3 1

0 80 0 0 0

7 0 71 0 2

7 0 0 73 0

2 0 6 0 72

Akurasi = 90,75%


68 0 7 5 0

0 80 0 0 0

9 0 67 0 4

6 1 0 73 0

0 0 5 0 75

Akurasi = 90,75%


64 1 7 8 0

0 78 0 2 0

8 0 68 0 4

5 0 1 74 0

5 0 4 0 71

Akurasi = 88,75%

L - 5




66 0 8 5 1

0 79 0 1 0

10 0 66 0 4

8 2 0 70 0

2 0 6 0 72

Akurasi = 88,25%


69 0 5 5 1

3 77 0 0 0

8 0 67 0 5

7 0 0 73 0

2 0 6 0 72

Akurasi = 89,50%


66 0 8 4 2

0 79 0 1 0

5 0 71 0 4

6 1 0 73 0

1 0 5 0 74

Akurasi = 90,75%


65 1 8 5 1

0 79 0 1 0

5 0 70 0 5

6 0 0 74 0

3 0 7 0 70

Akurasi = 89,50%


59 0 10 8 3

0 80 0 0 0

8 0 69 0 3

9 2 0 69 0

1 0 5 0 74

Akurasi = 87,75%

L - 6




67 0 9 4 0

0 79 1 0 0

6 0 68 0 6

6 1 0 73 0

2 0 6 0 72

Akurasi = 89,75%


56 1 9 11 3

0 78 0 2 0

6 1 68 0 5

6 1 0 73 0

3 0 6 0 71

Akurasi = 86,50%


70 0 5 5 0

0 80 0 0 0

10 0 67 0 3

7 1 0 72 0

1 0 6 0 73

Akurasi = 90,50%


62 0 8 8 2

0 79 0 1 0

5 0 69 0 6

5 0 0 75 0

2 0 8 0 70

Akurasi = 88,75%


63 0 7 8 2

0 79 0 1 0

7 0 68 0 5

7 2 0 71 0

1 0 5 0 74

Akurasi = 88,75%

L - 7




66 0 5 8 1

0 78 0 2 0

8 0 68 0 4

8 2 0 70 0

0 0 5 0 75

Akurasi = 89,25%


67 0 5 6 2

0 79 0 1 0

8 0 68 0 4

6 0 0 74 0

0 0 7 0 73

Akurasi = 90,25%


68 0 7 5 0

0 79 0 1 0

7 0 70 0 3

6 0 0 74 0

1 0 7 0 72

Akurasi = 90,75%


68 0 7 4 1

0 80 0 0 0

7 0 70 0 3

6 0 0 74 0

1 0 8 0 71

Akurasi = 90,75%


59 0 8 9 4

0 80 0 0 0

6 1 68 0 5

9 2 0 69 0

1 0 6 0 73

Akurasi = 87,25%

L - 8




63 0 12 4 1

0 80 0 0 0

7 0 69 0 4

8 1 0 71 0

2 0 6 0 72

Akurasi = 88,75%


64 0 7 6 3

1 79 0 0 0

5 0 68 0 7

6 1 0 73 0

0 0 8 0 72

Akurasi = 89,00%


66 0 7 6 1

0 79 0 1 0

6 0 69 0 5

8 2 0 70 0

2 0 6 0 72

Akurasi = 89,00%


68 0 6 5 1

0 80 0 0 0

5 0 69 0 6

6 1 0 73 0

0 0 7 0 73

Akurasi = 90,75%


62 0 9 6 3

0 79 0 13 0

6 0 71 0 3

7 1 1 71 0

1 0 8 0 71

Akurasi = 88,50%

L - 9




68 0 8 1 3

0 78 0 2 0

7 0 67 0 6

7 0 0 73 0

2 0 7 0 71

Akurasi = 89,25%


66 0 8 6 0

1 79 0 0 0

10 0 66 0 4

5 1 0 74 0

1 0 5 0 74

Akurasi = 89,75%


66 1 8 4 1

0 79 0 1 0

3 0 73 0 4

4 0 0 76 0

3 0 6 0 71

Akurasi = 91,25%


64 1 7 5 3

0 79 0 1 0

7 0 68 0 5

6 1 0 73 0

1 0 4 0 75

Akurasi = 89,75%


53 0 12 10 5

0 80 0 0 0

6 0 68 0 6

7 1 0 72 0

2 0 7 0 71

Akurasi = 86,00%

L - 10




67 0 5 6 2

0 79 0 1 0

5 0 73 0 2

9 1 0 70 0

5 0 5 0 70

Akurasi = 88,25%


62 0 9 7 2

1 78 0 2 0

6 0 71 0 3

4 2 0 74 0

2 0 5 0 73

Akurasi = 89,50%


64 0 9 5 2

0 79 0 1 0

8 0 69 0 3

4 2 0 74 0

1 0 6 0 74

Akurasi = 89,75%


58 0 9 9 4

1 78 0 1 0

5 0 69 0 6

9 1 0 70 0

2 0 6 0 72

Akurasi = 86,75%


64 0 8 7 1

1 78 0 1 0

8 0 67 0 5

7 2 0 71 0

2 0 6 0 72

Akurasi = 88,00%

L - 11




68 0 6 4 2

0 78 0 2 0

10 0 68 0 2

6 1 0 73 0

1 0 6 0 73

Akurasi = 90,00%


67 10 9 3 0

0 79 0 1 0

7 0 70 0 3

7 2 0 71 0

3 0 5 0 72

Akurasi = 89,75%


65 0 12 1 2

1 78 0 1 0

7 0 70 0 3

6 0 0 74 0

1 0 5 0 74

Akurasi = 90,25%


63 0 8 7 2

0 79 0 1 0

7 1 69 0 4

6 0 0 74 0

4 0 8 0 68

Akurasi = 88,25%


59 0 9 8 4

0 79 0 1 0

5 0 69 0 6

8 1 0 71 0

2 0 4 0 74

Akurasi = 88,00%

L - 12




59 0 10 8 3

0 79 0 1 0

4 0 73 0 3

6 0 0 74 0

3 0 4 0 73

Akurasi = 89,50%


64 0 8 5 3

0 79 0 1 0

8 0 69 0 3

5 1 0 74 0

2 0 7 0 71

Akurasi = 89,25%


66 0 8 5 1

0 79 0 1 0

6 0 70 0 4

5 1 0 74 0

2 0 6 0 72

Akurasi = 90,25%


63 1 8 4 4

0 80 0 0 0

5 1 71 0 4

6 0 0 74 0

1 0 8 0 71

Akurasi = 89,75%


65 0 8 5 2

0 79 0 1 0

8 0 66 0 6

9 1 0 70 0

2 0 5 0 73

Akurasi = 88,25%

L - 13




68 0 8 3 1

0 79 0 1 0

7 0 71 0 2

5 1 0 74 0

1 0 5 0 74

Akurasi = 91,50%


66 0 11 3 0

0 79 0 1 0

6 0 71 0 3

7 2 0 71 0

1 0 4 0 75

Akurasi = 90,50%


65 0 10 5 0

0 79 0 1 0

7 0 71 0 2

6 2 0 72 0

0 0 6 0 74

Akurasi = 90,25%


64 0 11 4 1

0 79 0 1 0

8 0 70 0 2

6 1 0 73 0

1 0 5 0 64

Akurasi = 90,00%


65 1 7 5 2

0 78 1 1 0

7 0 71 0 2

7 0 0 73 0

1 0 8 0 71

Akurasi = 89,50%

L - 14




66 0 6 7 1

0 80 0 0 0

6 1 70 0 3

6 2 0 72 0

0 0 7 0 73

Akurasi = 90,25%


63 0 9 6 2

0 79 0 1 0

5 0 71 0 4

8 1 0 71 0

3 0 5 0 72

Akurasi = 89,00%


66 0 6 6 2

0 80 0 0 0

4 0 71 0 5

7 1 0 72 0

1 0 4 0 75

Akurasi = 91,00%


64 0 10 6 0

0 79 0 1 0

6 0 71 0 3

6 0 0 74 0

0 0 5 0 75

Akurasi = 90,75%


61 0 10 8 1

0 79 0 1 0

10 0 67 0 4

6 1 0 73 0

1 0 7 0 72

Akurasi = 88,00%

L - 15




70 0 5 3 2

0 78 0 2 0

6 0 71 0 3

6 1 0 73 0

1 0 5 0 74

Akurasi = 91,50%


64 0 8 6 2

0 79 0 1 0

6 0 70 0 4

5 2 0 73 0

3 0 3 0 74

Akurasi = 90,00%


68 0 8 3 1

0 76 0 4 0

8 0 70 0 2

7 1 0 72 0

0 0 7 0 73

Akurasi = 89,75%


65 0 7 7 1

0 78 1 1 0

8 0 69 0 3

6 1 0 73 0

2 0 6 0 72

Akurasi = 89,25%


65 0 6 9 0

0 79 0 1 0

7 0 69 0 4

4 2 0 74 0

2 0 5 0 73

Akurasi = 90,00%

L - 16




68 0 6 3 3

2 78 0 1 0

7 0 69 0 4

6 0 0 74 0

0 0 6 0 74

Akurasi = 90,75%


71 0 6 3 0

0 79 0 1 0

6 0 71 0 3

7 1 0 72 0

2 0 5 0 73

Akurasi = 91,50%


69 0 6 4 1

1 79 0 0 0

8 0 69 0 3

5 0 0 75 0

0 0 5 0 75

Akurasi = 91,75%


69 0 7 3 1

0 79 1 0 0

6 1 71 1 3

4 1 1 74 0

0 0 9 0 71

Akurasi = 91,00%


64 0 8 5 3

0 78 0 2 0

7 0 68 0 5

6 0 0 74 0

0 0 7 0 73

Akurasi = 89,25%

L - 17




65 0 8 6 1

0 80 0 0 0

6 0 71 0 3

5 1 0 74 0

2 0 4 0 74

Akurasi = 91,00%


66 0 9 5 0

0 80 0 0 0

6 0 72 0 2

6 1 0 73 0

1 0 3 0 76

Akurasi = 91,75%


62 0 12 6 0

0 80 0 0 0

4 0 71 0 5

7 1 0 72 0

1 0 5 0 74

Akurasi = 89,75%


70 0 6 3 1

1 77 0 2 0

6 0 70 0 4

5 0 0 75 0

2 0 6 0 72

Akurasi = 91,00%


58 0 11 8 3

0 80 0 0 0

5 0 72 0 3

8 1 0 71 0

2 0 8 0 70

Akurasi = 87,75%

L - 18




66 0 9 3 2

0 78 0 2 0

5 0 71 0 4

6 1 0 73 0

0 0 6 0 74

Akurasi = 90,50%


67 0 7 5 1

0 79 0 1 0

7 0 70 0 3

7 2 0 71 0

1 0 7 0 72

Akurasi = 89,75%


66 0 6 8 0

0 79 0 1 0

7 0 69 0 4

7 2 0 71 0

1 0 7 0 72

Akurasi = 89,25%


68 0 7 4 1

0 79 0 1 0

6 0 70 0 4

6 1 0 73 0

1 0 6 0 73

Akurasi = 90,75%

Node hidden

Documents

KLASIFIKASI TANDA TANGAN MANUSIA DENGAN METODE …repository.usd.ac.id/32455/2/055314102_Full.pdf · 2018. 12. 3. · Bahkan pola tanda tangan yang dibuat oleh individu yang samapun