PENGENALAN POLA TANDA TANGAN

Posted: Januari 20, 2009 in Artikel Tentang Komputer
Tag:, , ,

Aplikasi Neural Network pada

Pengenalan Pola Tanda Tangan

1. Pendahuluan


Personal Computer (PC) sebagai sarana bantu manusia dapat menyelesaikan pekerjaan sehari-hari di segala bidang. Pada mulanya para pemakai hanya menggunakan komputer sebagai mesin ketik, kini telah berkembang menjadi alat kontrol atau pengendali baik dirumah tangga, di industri bahkan dilingkungan pendidikan.

Dengan bantuan light pen maka komputer dapat mengubah informasi input dari light pen menjadi sebuah citra atau gambar. Pengolahan citra adalah suatu metode atau teknik yang dapat digunakan untuk memproses citra atau gambar dengan jalan memanipulasinya menjadi data gambar yang diinginkan untuk mendapatkan informasi tertentu. Penampakan suatu obyek tanda tangan yang kita lihat sehari-hari seperti sesuatu persoalan yang sederhana, banyak dari kita mungkin tidak membayangkan bahwa orang lain tidak akan menduplikasi tanda tangan kita karena sulit untuk diduplikasi atau tidak ada gunanya untuk menduplikasinya.

Tetapi pada saatsaat tertentu kita mulai mewaspadai tanda tangan yang kita buat atau yang dibuat orang lain, dengan tujuan agar kita dapat mengetahui keaslian dari suatu tanda tangan baik tanda tangan milik kita maupun tanda tangan milik orang lain. Hal tersebut mulai menjadi persoalan bagi kita, bila suatu transaksi menjadi tidak syah karena terjadi pemalsuan tanda tangan. Dan tentunya dapat merugikan salah satu pihak yang bersangkutan. Dalam makalah ini dicoba untuk membuat perangkat lunak yang dapat dipergunakan untuk mengenali tanda tangan dengan menggunakan pengolahan citra.

Adapun metode yang digunakan dengan cara mengembangkan Jaringan Syaraf Tiruan dengan metode pembelajaran backpropagation seperti yang telah dipakai pada makalah yang disebutkan diatas.


2. Blok Diagram Perangkat Keras

Keseluruhan perangkat keras membentuk suatu sistem dengan susunan blok diagram seperti Gambar 1

fig1

Gambar 1. Blok Diagram Perangkat Keras

Blok diagram dari perangkat keras terdiri dari:

  1. Light pen sebagai sarana masukan untuk memberikan data ke komputer. Data tersebut merupakan suatu bentuk tulisan yang dibuat oleh light pen pada pad-nya.
  2. Blok Diagram Perangkat Lunak Secara garis besar perangkat lunak membentuk blok diagram seperti pada Gambar 2.

fig2

Gambar 2. Blok Diagram Perangkat Lunak

Subsistem pengolahan citra terbagi menjadi beberapa bagian fungsional. Citra yang diolah memiliki ciri sebagai berikut:

  1. Resolusi 200 x 200 pixel
  2. Memiliki level 256 warna merah, 256 warna hijau dan 256 warna biru.
  3. Diperoleh dari akuisisi data dengan menggunakan sebuah light pen dan diubah menjadi data digital.

Citra ini kemudian diolah dalam bagian-bagian yang akan dijelaskan berikut ini.

3.1 Preprocessing

Pada makalah ini kami menggunakan metode Mean Clustering, dimana metode ini akan menggunakan segmentasi citra dengan berdasarkan intensitas warna. Pada Mean Clustering, dilakukan pembagian gambar dengan membagi citra histogram. Pertama-tama dicari intensitas maksimum dan minimum yang dipergunakan oleh gambar. Kemudian dari intensitas mulai dari minimum ke maksimum, dilakukan pembagian sejumlah N. Misalnya pembagian citra histogram menjadi dua cluster (N=2), hal ini dapat dilihat pada Gambar 3. N ini menentukan jumlah obyek yang diharapkan ada pada gambar.

fig3

Gambar 3. Pembagian 2 cluster (N=2)

Setelah dilakukan pembagian, histogram akan terbagi menjadi bagian-bagian yang dinamakan cluster. Hasil pembagian dari proses clustering, seluruh titik pada setiap cluster diganti dengan rata-rata cluster sehingga menghasilkan gambar dengan 2 warna, hal ini dapat dilihat pada Gambar 4.

fig4

Gambar 4. Hasil clustering dengan 2warna

Kemudian pada gambar dilakukan scanning untuk seluruh titik. Setiap titik akan digolongkan ke cluster yang terdekat sehingga hasil akhir dari proses ini ialah, jumlah warna pada gambar N. Proses terakhir ialah mencari hasil rata-rata (mean) dari seluruh titik pada setiap cluster, kemudian mengganti warna seluruh titik didalam grup-grup tersebut dengan rata-rata dari grup masing-masing.

3.2 Ekstraksi

Setelah obyek-obyek yang ada berhasil disederhanakan pada tahap sebelumnya, tahap berikutnya adalah mengekstraksi ciri-ciri tertentu dari setiap obyek. Pada tahap ini mencari posisi gambar paling kiri, paling kanan, paling atas dan paling bawah. Kemudian gambar dibagi-bagi menjadi baris M dan kolom N. Setiap kotak dilakukan scanning pixel melebihi jumlah yang ditentukan maka kotak tersebut diberi nilai 1, jika tidak diberi nilai 0. Lakukan penyimpanan dalam matriks MxN sebagai data referensi. Proses ekstraksi ciri dapat dilihat pada Gambar 5.


fig5

Gambar 5. Proses ekstraksi ciri

Dalam makalah ini kami melakukan ekstraksi ciri dengan membagi gambar menjadi 16 kolom dan 16 baris atau matriks 16 x16.

3.3 Klasifikasi

Pada saat melakukan pengenalan tanda tangan tersebut kita tuliskan tanda tangan kita dengan menggunakan light pen di bagian pad-nya. Dari beberapa tanda tangan yang dituliskan tersebut harus dapat dikenali. Informasi data gambar di komputer yang diperoleh dari light pen terlihat seperti pada Gambar 6.


fig6

Gambar 6. Data tanda tangan dari light pen

Salah satu metode pembelajaran yang digunakan dalam Jaringan Syaraf Tiruan ini adalah backpropagation atau dikenal dengan generalisasi delta rule. Secara sederhana sebenarnya adalah metode gradient descent untuk meminimalisasi total square error pada keluaran hasil perhitungan jaringan. Ada tiga tahapan yang dilakukan pada metode backpropagation dari error, serta pengaturan nilai penimbang atau bobot.

4. Hasil Implementasi

Hasil implementasi disini merupakan hasil yang kami peroleh berdasarkan apa yang kami telah lakukan sampai saat ini.

4.1 Desain Arsitektur

Pada Proyek Akhir tersebut kami menggunakan layer input sebanyak 10 titik, layer hidden sebanyak 18 titik dan layer output sebanyak 10 titik. Mengapa demikian? Karena kami mempunyai target 10 buah tanda tangan yang akan dikenali sebagai data input, tentunya akan menghasilkan 10 informasi output yang akan diperoleh melalui 18 titik pada layer hidden sebagai jaringan yang paling sesuai dengan banyaknya target yang akan dicapai. Jadi dari desain arsitektur diatas diperoleh sebuah tampilan grafik yang menunjukkan error rate jaringan seperti dibawah ini:


fig7

Gambar 7. Grafik error dengan desain arsitektur 10-18-10.

4.2 Uji Pengenalan

Pada awal uji pengenalan dilakukan terhadap tanda tangan yang sama persis dengan yang telah di-training-kan (training data set) dan didapat hasil bahwa error yang terjadi sebesar 0% atau dengan kata lain keakuratan sistem untuk mengenali pola training data set mencapai 100% (Tabel 1).


tbl1

Tabel 1. Error rate pada pengujian

dengan training data set

Kemudian dilakukan pengujian terhadap tanda tangan secara langsung oleh orang yang sama dengan yang telah dilatihkan (tanda tangan ke-1 s/d tanda tangan ke-10) ataupun oleh orang yang belum pernah dilatihkan sebelumnya yaitu tanda tangan ke-11 dan tanda tangan ke-12 (blind data set). Dari proses pengujian ini didapat error rate sebesar 100% atau dengan kata lain keakuratan sistem untuk pengenalan pola blind data set mencapai 0% (Tabel 2).


tbl2

Tabel 2. Error rate pada pengujian

dengan blind data set

4.3 Analisa Jaringan

Berdasarkan hasil yang diperoleh; banyaknya input yang dimasukkan akan mempengaruhi proses kerja jaringan, bila kita pada saat pertama kali memasukkan input maka akan didapat suatu proses yang tidak akurat dengan mengenali data yang lain selain data yang diinput-kan sehingga diperoleh hasil yang salah. Tetapi bila kita masukkan data dengan jumlah data sebanyak 8 buah maka jaringan tersebut akan dapat mengenali datadata yang dimasukkan dan tidak mengenali data-data yang belum dimasukkan sehingga diperoleh hasil yang benar, namun demikian akan diperoleh hasil yang sedikit salah pada pengenalan data yang lain. Hal ini disebabkan oleh tidak sesuainya banyak data yang dimasukkan dengan arsitektur jaringan yang telah ditentukan sehingga dari data yang tidak sesuai dengan banyaknya data pada arsitektur jaringan akan menyebabkan kinerja jaringan tersebut tidak optimal. Maka bila jumlah data input semakin mendekati jumlah yang telah ditentukan pada arsitektur jaringannya maka informasi output yang dihasilkan juga akan makin efektif.

Pencapaian informasi output yang efektif tidak terlepas dari kecilnya error rate yang dihasilkan oleh jaringan tersebut pada bagian backpropagation-nya, tentunya dengan pencapaian error rate yang makin kecil maka akan didapat pula hasil yang makin optimal. Bila kita membicarakan error rate maka ada suatu proses iterasi yang akan menghasilkan suatu kondisi yang disebut ”convergence” atau ”unconvergence”, dimana kondisi tersebut terjadi akibat dari error rate jaringan yang selalu dibandingkan dengan limit error yang telah kita tentukan sebelumnya, bila error rate jaringan lebih kecil dari limit error-nya maka kondisi tersebut akan menjadi

convergence dan bila error rate jaringan sama dengan atau lebih besar dari limit error-nya maka kondisi tersebut akan menjadi unconvergence. Atau dengan kata lain, Nilai output dari hasil proses system jaringan tersebut diharapkan mendekati nilai targetnya, dengan makin dekatnya nilai output ke nilai targetnya maka error rate yang terjadi akan makin kecil. Dengan error rate yang semakin kecil maka akan didapatkan nilai output yang semakin baik. Dimana untuk mendapatkan error rate yang kecil, akan memerlukan waktu proses

iterasi yang cukup lama. Tetapi yang perlu kita perhatikan adalah kebutuhan yang akan kita capai, kebutuhan-kebutuhan tersebut secara garis besar dibagi menjadi dua bagian. Bagian pertama adalah mendapatkan hasil yang relative cepat (dengan pencapaian nilai convergence yang relatif cepat pula) dengan hasil proses ketelitian yang relatif buruk. Bagian kedua adalah mendapatkan hasil yang relatif lama (dengan pencapaian nilai convergence yang relatif lama) dengan hasil proses ketelitian yang relatif baik. Dalam hal ini kita tidak dapat menganggap sepele pada satu kebutuhan terhadap kebutuhan yang lainnya, bagaimanapun juga kebutuhan-kebutuhan tersebut tergantung pada permasalahan yang kita hadapi.

Andam Zainal

Abdullah Fauzi

Riyanto Sigit

Miftahul Huda

Komentar
  1. giellis mengatakan:

    perangkat lunak nya sudah ada?

    mendapatkan lightpen dimana ya?

  2. cumi mengatakan:

    terimakasih . pas banget ada tugas kuliah ginian –v

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s