A15

Seminar Nasional Teknologi Informasi 2010

PENGENALAN TANDA TANGAN DENGAN MENGGUNAKAN

NEURAL NETWORK DAN PEMROSESAN AWAL THINNING
ZHANG SUEN
Chairisni Lubis1) Yuliana Soegianto2)
1)

Fakultas Teknologi Informasi Universitas Tarumanagara

Jl. S.Parman No.1 Jakarta 11440 Indonesia
email : Chairisni.fti.untar@gmail.com

2)

Fakultas Teknologi Informasi Universitas Tarumanagara

Jl. S.Parman No.1 Jakarta 11440 Indonesia
email : yoeli_yoye88@yahoo.com

ABSTRAK
Pada sistem pengenalan tandatangan ini
digunakan
Backpropagation
Neural
Network.
Pemrosesan awal yang dilakukan untuk mendapatkan ciri
penting sebelum diproses dalam Neural Network adalah
proses thinning Zhang Suen, sedangkan ekstraksi cirinya
menggunakan proyeksi histogram. Pada sistem
pengenalan tandatangan ini, citra tandatangan diperoleh
dengan cara menscan tanda tangan yang akan diproses
dan disimpam dalam format JPG dan BMP. Program
aplikasinya dibuat dengan menggunakan Visual basic.Net
dan untuk menyimpan tandatangan yang akan dipakai
dalam proses pembelajran digunakan Microsoft Access.
Pada proses pengujian digunakan 10 pola tanda tangan,
dengan demikian jumlah neuron output pada arsitektur
Backpropagation Neural Network yang digunakan
sebanyak 10 buah. Jumlah neuron inputnya sebanyak 16
buah yang berasal dari hasil ekstraksi ciri dengan
menggunakan proyeksi histogram. Dari hasil pengujian
didapat tingkat pengenalan tanda tangan yang diperoleh
dengan menggunakan Backpropagation Neural Network
dan pemrosesan awal menggunakan thinning Zhang Suen
sebesar 94%

1. Pendahuluan
Sistem pemeriksaan tanda tangan secara manual
memiliki kelemahan dimana pemeriksa kurang teliti
dalam membandingkan tanda tangan. Salah satu solusi
untuk mengatasi kelemahan sistem manual ini adalah
dengan menggunakan Neural Network untuk proses
pengenalannya. Neural Network merupakan suatu
prosesor yang dapat melakukan pendistribusian secara
besar-besaran, yang memiliki kecenderungan alami untuk
menyimpan suatu pengenalan yang pernah dialaminya,
dengan kata lain Neural Network ini memiliki
kemampuan untuk dapat melakukan pembelajaran dan
pengenalan terhadap suatu pola. Pada sistem pengenalan
tandatangan ini digunakan Backpropagation Neural
Network. Sebelum diproses dalam Neural Network, tanda
tangan harus diproses awal dahulu (preprosesing). Tujuan
pemrosesan awal ini adalah untuk mendapatkan ciri
penting dari suatu pola tandatangan melalui proses yang
dinamakan ekstraksi ciri. Metoda ekstraksi ciri yang
digunakan adalah proyeksi histogram. Tanda tangan yang
akan diperiksa kadang-kadang mengalami penebalan
(salah satu penyebabnya adalah berasal dari tinta yang
digunakan), karena itu pada sistem pengenalan tanda
tangan ini digunakan proses thinning Zhang Suen untuk
mengambil garis yang lebih tipis dari sebuah tanda
tangan Thinning atau penipisan adalah suatu proses
pengurangan objek dalam citra digital hingga ukuran
minimal yang diperlukan untuk pengenalan objek,
hasilnya dikenal dengan skeleton (kerangka) dan proses
thinning
kadang-kadang
dikenal
juga
sebagai
skeletonisasi. Algoritma Thinning Zhang Suen

Key words
Backpropagation Neural Network, Proyeksi Histogram,
Thinning Zhang Suen.

80

Seminar Nasional Teknologi Informasi 2010

A15

didasarkan pada evaluasi nilai piksel dan 8 piksel

tetangga atau dikenal dengan the 8-neighborhood pixel,
dengan piksel acuan Selain itu, pada sistem ini digunakan
juga Edge detection Sobel untuk mencari garis tepi tanda
tangan sebelum diproses sehingga data yang digunakan
merupakan data yang tidak terlalu besar.

2. Pengenalan
tanda
tangan
dengan
menggunakan Backpropagation Neural
Network

p9

p2

p3

p8

p1

p4

p7

p6

p5

Gambar 1 Piksel P1 dengan 8 tetangga

Pada langkah kedua, kondisi 1 dan 2 sama

dengan langkah pertama, sedangkan kondisi 3 dan 4
diubah menjadi:
1.
p2 . p4 . p8 = 0;
2.
p2 . p6 . p8 = 0;

Dalam perancangan program pengenalan tanda

tangan ini, terdapat beberapa metode yang akan
digunakan, yaitu :
1. Thresholding :
Digunakan untuk mengatur jumlah derajat keabuan
yang ada pada citra.
2. Edge Detection Sobel
Digunakan untuk memperjelas garis-garis batas yang
terdapat pada citra.
3. Thinning Zhang Suen
Digunakan untuk skeletonizing
4. Proyeksi Histogram
Digunakan untuk proses ekstraksi ciri
5. Backpropagation Neural Network (BPNN)
Digunakan untuk proses pengenalan tanda tangan.

Langkah pertama dilakukan terhadap semua

border piksel di citra. Jika salah satu dari keempat
kondisi di atas tidak dipenuhi atau dilanggar maka nilai
piksel yang bersangkutan tidak diubah. Sebaliknya jika
semua kondisi tersebut dipenuhi maka piksel tersebut
ditandai untuk penghapusan. Piksel yang ditandai tidak
dihapus sebelum semua border points selesai diproses.
Setelah langkah 1 selesai dilakukan untuk semua border
points maka dilakukan penghapusan untuk titik yang
telah ditandai (diubah menjadi 0). Setelah itu dilakukan
langkah 2 pada data hasil dari langkah 1 dengan cara
yang sama dengan langkah 1 sehingga, dalam satu kali
iterasi urutan algoritmanya terdiri dari:[1]
1. Menjalankan langkah 1 untuk menandai border points
yang akan dihapus,
2. Menghapus titik-titik yang ditandai dengan
menggantinya menjadi angka 0,
3. Menjalankan langkah 2 pada sisa border points yang
ada langkah 1 belum dihapus lalu yang sesuai dengan
semua kondisi yang seharusnya dipenuhi pada langkah
2 kemudian ditandai untuk dihapus,
4. Menghapus titik-titik yang ditandai dengan
menggantinya menjadi angka 0.

Pada makalah ini hanya dibahas 3 buah metoda yang

dianggap paling dominan dalam perancangan program
tanda tangan ini, yaitu :

2.1 Thinning Zhang Suen

Thinning Zhang Suen adalah salah satu
algoritma thinning yang cukup populer dan telah
digunakan sebagai suatu basis untuk perbandingan untuk
thinning. Setiap iterasi dari metode ini terdiri dari dua
sub-iterasi yang berurutan yang dilakukan terhadap
contour points dari wilayah citra. Contour point adalah
setiap pixel dengan nilai 1 dan memiliki setidaknya satu
8-neighbor dengan nilai 0. Langkah pertama adalah
menandai contour point p untuk dihapus jika semua
kondisi ini dipenuhi:[1]
2 N(p1) 6;
S(p1) = 1;
p2 . p4 . p6 = 0;
(1)
p4 . p6 . p8 = 0;

Prosedur ini dilakukan secara iteratif sampai

tidak ada lagi titik yang dapat dihapus. Pada saat
algoritma ini selesai maka dihasilkan skeleton dari citra
awal.[1]

2.2 Proyeksi Histogram

Ekstraksi ciri dapat mempersingkat waktu
pemprosesan dalam pembelajaran, karena semakin
banyak input yang masuk dalam pembelajaran
Backpropagation maka akan semakin banyak pula
persamaan yang akan diproses hal ini dapat menyebabkan
proses yang terlalu lama. Salah satu metode yang dapat

Keterangan :
N(p1) = jumlah tetangga dari p1 yang tidak 0
S(p1) = jumlah dari transisi 0-1 pada urutan p2, p3, ...,
p8, p9.

81

A15

Seminar Nasional Teknologi Informasi 2010

Citra yang dimasukkan dalam program aplikasi

ini adalah citra grayscale dan diproses thresholding.
Setelah menentukan format input yang akan digunakan
dalam proses pengenalan tanda tangan maka langkah
selanjutnya adalah menentukan perangkat lunak dan
perangkat keras yang akan digunakan, yang dapat
mendukung dalam pembuatan program aplikasi ini.
Program aplikasi pengenalan tanda tangan ini
menggunakan spesifikasi perangkat lunak yaitu:
1. Microsoft Visual Basic.Net 2005
2. Microsoft Windows XP Profesional Service Pack 3
3. Microsoft Access 2007

digunakan untuk ekstraksi ciri adalah metode proyeksi

histogram. Nilai-nilai dari histogram adalah jumlah dari
piksel hitam sepanjang arah tertentu. Empat jenis
histogram yang ada adalah, di 0 derajat (proyeksi
histogram horizontal), di 90 derajat (proyeksi histogram
vertikal) dengan melihat pada sumbu horizontal y, positif
dan negatif diagonal. Suatu proyeksi histogram horizontal
h(x) dari gambar biner f(x,y) adalah jumlah piksel hitam
diproyeksikan ke sumbu vertikal x. Sumbu proyeksi
histogram vertikal v(y) dari gambar biner f(x,y) adalah
jumlah piksel hitam diproyeksikan ke horizontal sumbu y
[1] Dari hasil feature vektor akan melakukan pendekatan
statistika, yaitu dengan mencari nilai standar deviasi,
range, maksimum median, dan mean dari setiap
proyeksi. Rumus statistik yang digunakan adalah:[2]
1. Menghitung standar deviasi:
S = nx2-x2n (n-1)
(5)
2. Menghitung Range:
Range = Maksimum Minimum
(6)
3. Mengitung Maksimum Median
(7)
4. Menghitung Mean:
Mean = xn
(8)

Dan spesifikasi perangkat keras yang akan

digunakan adalah:
1.
2.
3.
4.
5.
6.
7.

Processor Intel Pentium 4 CPU 2,4 GHz.

Harddisk dengan kapasitas 70GB.
RAM 512 Mb.
Monitor 14.
VGA Card 128 Mb.
Mouse.
Keyboard.

2.3 Backpropagation Neural Network

1

Dari hasil ekstraksi cirri dengan menggunakan

proyeksi histogram terdapat empat nilai yang dihitung
dari citra secara vertikal, empat nilai yang dihitung dari
citra secara horizontal, empat nilai yang dihitung dari
citra secara diagonal positif, dan empat nilai yang
dihitung dari citra secara diagonal negative. Empat nilai
dari masing-masing arah terdiri dari jumlah nilai tengah
piksel, nilai mean, nilai maksimum dikurangi dengan
nilai median, dan nilai range. Sehingga menghasilkan
input enam belas nilai yang akan menjadi enam belas
neuron input yang kemudian diproses dalam
backpropagation Neural Network Jumlah hidden layer
akan dilakukan beberapa percobaan, dengan beberapa
percobaan maka akan didapat hasil jumlah hidden layer
yang paling baik untuk dipergunakan dalam proses
pengenalan. Output berjumlah sepuluh tanda tangan dari
sepuluh orang yang berbeda sehingga neuron output
berjumlah sepuluh. Epoch dilakukan sebanyak 10000
kali, akan disesuaikan apabila waktu yang diperlukan
untuk proses tersebut terlalu lama maka jumlah
maksimum epoch akan dikurangi. Alpha () yang
dipergunakan antara 0,1 sampai dengan 0,9 dipilih yang
menghasilkan nilai output yang terbaik. Dan bobot awal
untuk perhitungan awal akan menggunakan bobot acak
antara
-0.5
sampai
dengan
0.5.
Arsitektur
backpropagation terdapat pada gambar 2 di bawah ini.

V01

X1

W01

Z1

V11
V02

V21

Y1

W11
W02
W21

V12
W12

X2

V22

Z2
V141

W22

Y2

Wp1

V142

Wp2

W110
W010

V0p

W210

V2p
V1p

X16

V14p

Zp

Wp10

Y10

Gambar 2 Arsitektur Backpropagation untuk pengenalan tanda tangan

3. Hasil Percobaan
Pengujian pertama dilakukan dengan tujuan
untuk menguji nilai alpha dan jumlah hidden layer yang
terbaik
yang
akan
digunakan
dalam
proses
Backpropagation Neural Network, sehingga dalam proses
selanjutnya akan menggunakan nilai-nilai ini. Berikut

82

Seminar Nasional Teknologi Informasi 2010

A15

Tabel 3 Perbandingan hasil pengenalan dengan thinning dan tanpa thinning

adalah tabel 3 pengujian untuk menemukan jumlah

hidden layer dengan alpha 0.9.

Objek

Dengan
thinning

Tanpa
thinning

Pena

92%

94%

Boxy

92%

94%

Stabillo

88%

90%

Spidol

94%

94%

Tabel 1 Jumlah Hidden Layer untuk Pembelajaran

Jumlah Hidden
Layer
5
15
20
30

Berhenti pada
Epoch
8
5
30
50

Nilai Error
0.00078
0.000689
0.000916
0.000818

Dilihat dari hasil yang didapat, maka dapat diperoleh

nilai error yang terkecil, yaitu pada hidden layer yang
berjumlah lima belas sehingga akan dipergunakan jumlah
hidden layer lima belas untuk proses pembelajaran
Backpropagation Neural Network. Pengujian berikutnya
adalah penentuan nilai alpha terbaik dari jumlah hidden
layer lima belas yang akan digunakan pada proses
pembelajaran Backpropagation Neural Network.

Dari tabel 3 di atas terlihat bahwa penggunaan

thinning dalam proses pengenalan tanda tangan tidak
memberikan dampak yang besar pada proses pengenalan,
karena gambar tanda tangan yang sudah tipis apabila
dimasukkan dalam proses thinning maka citra akan
terbuang
sehingga
tidak
ikut
dalam
proses
backpropagation. Seperti contoh gambar 3 hasil thinning
di bawah ini.

Tabel 2 Nilai Alpha untuk Pembelajaran

Nilai Alpha
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

Berhenti pada
Epoch
23
18
17
25
27
18
18
14
17

Nilai Error
0.000692
0.000665
0.000987
0.000794
0.000971
0.000665
0.00089
0.000644
0.000902

Gambar 3 Hasil Thinning

Hasil pengenalan degan menggunakan thinning Zhang

Suen sebesar 94 % didapat pada saat menggunakan
tingkat ketebalan alat tulis yang lebih besar (spidol),
tetapi hasilnya belum lebih baik dengan tanpa
menggunakan thinning

Dilihat dari hasil yang didapat, maka dapat diperoleh

nilai alpha yang memiliki nilai error terkecil dari
pembelajaran dengan thinning yaitu pada alpha ke 0.8.
Sehingga untuk proses pembelajaran Backpropagation
akan menggunakan alpha 0.8 dan hidden layer lima
belas.
Pengujian kedua dilakukan dengan tujuan untuk
menguji apakah output yang dihasilkan oleh program
sesuai dengan konsep yang digunakan. Sampel yang
digunakan untuk pengujian tanda tangan ini beasal dari
10 orang . Masing-masing orang memasukkan 5 buah
tanda tangan, sehingga jumlah tanda tangan seluruhnya
ada 50 tandatangan. Untuk mengetahui pengaruh
thinning Zhang Suen pada pengenalan tanda tangan ini,
maka digunakan 4 buah alat tulis yang berbeda
ketebalannya dan hasilnya dibandingkan dengan
pengenalan tanda tangan tanpa menggunakan proses
thinning.
Hasil proses pengenalan tanda tangan dapat
dilihat pada tabel 3.

4. Kesimpulan
Pengenalan tanda tangan dengan menggunakan
Backpropagation Neural Network dengan pemrosesan
awal thinning Zhang Suen tidak memberikan dampak
yang cukup baik, persentase yang diperoleh adalah 94%
dan dibandingkan proses yang tanpa menggunakan
thinning, persentase yang diperoleh juga 94%. Hal ini
dikarenakan terdapat penghilangan data gambar tanda
tangan setelah proses thinning sehingga hal ini dapat
mempengaruhi dalam pengenalannya.

83

A15

Seminar Nasional Teknologi Informasi 2010

REFERENSI
[1] Andreas
Nataniel,
dkk.,
Algoritma
Thinning, http://www.google.co.id/#hl=id&q=1.%09S
keleton+dari+citra+kirakira+berada+di+bagian+tengah+dari+citra+awal+sebe
lum+dilakukan+thinning&meta=cr%3DcountryID&aq
=&oq=1.%09Skeleton+dari+citra+kirakira+berada+di+bagian+tengah+dari+citra+awal+sebe
lum+dilakukan+thinning&fp=3c535af0b522fb05, 10
Desember 2009.
[2] Histogram
Proyeksi, http://4.bp.blogspot.com/_D5l6uqAnYKs/Si
20MQRnZdI/AAAAAAAAAJQ/VHXMyE3Dc0/s1600-h/histproyeksi.jpg, 28 Maret 2010.

Chairisni Lubis, memperoleh gelar Dra dari Jurusan Fisika,

Universitas Indonesia dan M.Kom dari Program Pasca Sarjana
Ilmu Komputer, Universitas Indonesia .

84