Ipi201041 PDF
Ipi201041 PDF
2)
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
A15
2. Pengenalan
tanda
tangan
dengan
menggunakan Backpropagation Neural
Network
p9
p2
p3
p8
p1
p4
p7
p6
p5
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
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
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
A15
Objek
Dengan
thinning
Tanpa
thinning
Pena
92%
94%
Boxy
92%
94%
Stabillo
88%
90%
Spidol
94%
94%
Jumlah Hidden
Layer
5
15
20
30
Berhenti pada
Epoch
8
5
30
50
Nilai Error
0.00078
0.000689
0.000916
0.000818
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
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
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.
84