LAPORAN TUGAS AKHIR

MATAKULIAH PENGENALAN POLA

PENGENALAN POLA TANDA TANGAN

Disusun oleh:

Maulida Ayu Fitriani 14/371998/PPA/04631

Hani Febri Mustika 15/388512/PPA/04951

Hanif Rahmawan 15/388476/PPA/04915

PROGRAM STUDI PASCASARJANA ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS GADJAH MADA

2016
1.​ PENDAHULUAN
​

Tanda tangan merupakan salah satu bukti untuk membenarkan atau mengesahkan suatu
dokumen, keaslian tanda tangan menjadi aset yang sangat berharga bagi dari suatu organisasi,
perusahaan, pemerintah, maupun pribadi. Hal ini menyebabkan keaslian (autentifikasi) tanda
tangan menjadi sangat penting untuk dilindungi dari orang-orang yang tidak bertanggung
jawab yang akan memanipulasi tanda tangan untuk kepentingannya yang dapat merugikan
orang lain.
Dengan berkembangnya teknologi saat ini, sebuah sistem dapat dibangun untuk belajar
mengenali sebuah bentuk atau pola. Pada saat ini pengenalan pola tanda tangan merupakan
sebuah kebutuhan bagi berbagai instansi ataupun organisasi misalnya digunakan sebagai ID
dari pegawai, ​security dan lain sebagainya. Ilmu dan metode yang digunakan dalam
membangun pengenalan pola tanda tangan semakin berkembang dan lebih baik.
(Ratril dkk, 2014) Membandingkan tiga metode yang digunakan untuk ​shape detection
yaitu Moment Invariants (Hu), Zernike Moment, dan Polar Fourier Transform (PFT)
dengan menggunakan dua ​classifier yang berbeda yaitu Support Vector Machine (SVM)
dan Multilayer Perceptron (MLP). Dapat disimpulkan dari hasil yang diperoleh PFT yang
dikombinasikan dengan classifier SVM memiliki hasil paling baik diantara kombinasi metode
shape detection dengan classifier lain.
(Zheng dkk, 2006) Mengusulkan pengumpulan data citra untuk pengenalan pola tanda
tangan dalam posisi duduk dan berdiri, pengumpulan data diakukan selama lima bulan.
Penelitian dari (Ratril dkk, 2014) dan (Zheng dkk, 2006) merupakan ide awal dari tugas
akhir pengenalan pola tanda tangan ini. PFT akan digunakan sebagai ​shape detection
dikombinasikan dengan ​classifier SVM untuk mengolah data citra yang diambil dari dua
posisi berbeda saat melakukan tanda tangan yaitu posisi duduk dan berdiri.

2.​ LANDASAN TEORI

​

2.1 Pengenalan Pola

Pola adalah entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya
(​features​). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya.
Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga
pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang
tinggi.
 Pengenalan pola bertujuan menentukan kelompok atau kategori pola berdasarkan ciri-ciri
yang dimiliki oleh pola tersebut. Dengan kata lain, pengenalan pola membedakan suatu objek
dengan objek lain.
Terdapat empat langkah utama dari pengenalan pola yaitu pengumpulan data,
preprocessing​, ​feature extraction dan classification atau ​decision making​. ​Preprocessing
merupakan proses awal yang dilakukan untuk memperbaiki kualitas citra ​(edge enhancement)
dengan menggunakan teknik-teknik pengolahan citra. ​Feature Extraction merupakan proses
mengambil ciri-ciri yang terdapat pada objek di dalam citra. ​Classificatio​n merupakan roses
mengelompokkan objek ke dalam kelas yang sesuai.

2.2​ P
​ olar Fourier Transform

​Citra dapat ditransformasikan di kawasan spasial maupun di kawasan frekuensi. Salah

satu diagram alihragam yang biasa dipakai di kawasan frekuensi adalah, ​Fourier. Alihragam
Fourier (Fourier Transform)​ merupakan salah satu jenis alihragam ke kawasan frekuensi
yang banyak dipakai pada pengolahan citra digital. Alihragam ini dimanfaatkan untuk
memetakan citra dari kawasan spasial ke dalam kawasan frekuensi. Di samping untuk melihat
karakteristik spektrum citra, juga menjadi bagian pemrosesannya. ​Fourier terdapat beberapa
bentuk :
a. Fourier 1-D ​(DFT)
b. Fourier 2-D
c. Fast fourier transform
d. dan lainnya
Discrete fourier transform (DFT) merupakan salah satu bentuk ​fourier transform. Polar
Fourier Transform merupakan DFT yang dikenakan pada citra yang sudah ditransformasikan
ke polar image. Jadi, sebelum dilakukan transformasi fourier, citra/ image di transformasikan
dahulu dengan log-polar.
 Gambar 1. Proses transfomasi log-polar

2.3​ ​SVM
Konsep SVM dapat dijelaskan secara sederhana sebagai usaha mencari
hyperplane-hyperplane terbaik yang berfungsi sebagai pemisah dua buah ​class pada input
space.​ Gambar 1a memperlihatkan beberapa pola yang merupakan anggota dari dua buah
class : +1 dan –1. Pola yang tergabung pada ​class –1 disimbolkan dengan warna merah
(kotak), sedangkan pola pada ​class +1, disimbolkan dengan warna kuning (lingkaran).
Problem klasifikasi dapat diterjemahkan dengan usaha menemukan garis ​(hyperplane) ​yang
memisahkan antara kedua kelompok tersebut. Berbagai alternatif garis pemisah
(discrimination boundaries)​ ditunjukkan pada gambar 1-a.
Hyperplane pemisah terbaik antara kedua ​class dapat ditemukan dengan mengukur
margin hyperplane tersebut dan mencari titik maksimalnya. ​Margin adalah jarak antara
hyperplane tersebut dengan pola terdekat dari masing-masing ​class​. Pola yang paling dekat
ini disebut sebagai support vector​. Garis solid pada gambar 1-b menunjukkan ​hyperplane
yang terbaik, yaitu yang terletak tepat pada tengah-tengah kedua class, sedangkan titik merah
dan kuning yang berada dalam lingkaran hitam adalah ​support vector​. Usaha untuk mencari
lokasi ​hyperplane​ ini merupakan inti dari proses pembelajaran pada SVM.
 Gambar 2. SVM berusaha menemukan hyperplane terbaik yang memisahkan kedua
class –1 dan +1

3.​ PENGEMBANGAN
​

3.1 Data
Data citra yang digunakan terdiri dari dua jenis posisi saat melakukan tanda tangan yaitu
posisi duduk dan berdiri. Data awal didapatkan dari 3 orang, masing-masing melakukan tanda
tangan sebanyak 16 kali, Diantaranya 8 merupakan tanda tangan dalam posisi duduk dan 8
dalam posisi berdiri.
Dalam setiap posisi yaitu duduk dan berdiri, 6 merupakan data yang digunakan untuk
proses ​training dan 2 data sisanya digunakan untuk ​testing.​ Ukuran data citra yang digunakan
yaitu 50x50 pixel. Berikut merupakan contoh data citra yang digunakan.

Tabel 1. Contoh data dengan posisi duduk dan berdiri

No Duduk Berdiri

1
 2

3.2​ ​Tools
Tools yang digunakan dalam pengembangan aplikasi pengenalan pola ini adalah sebagai
berikut:
● Java Programming Language
● libSVM
● OpenCV. OpenCV digunakan untuk melakukan proses ​grayscale, threshold, erotion,
dilation, median filter, log polar t​ erhadap citra tanda tangan
● BoofCV. BoofCV digunakan untuk melakukan Transformasi Fourier
● Eclipse IDE

3.3​ ​Preprocessing
Tahap preprocessing yang digunakan adalah ​grayscale, threshold, erotion, dilation,
median filter, log polar ​dan DFT.
● Grayscale
Grayscale merupakan proses pengolahan citra dengan cara mengubah nilai-nilai piksel
awal citra menjadi sebuah citra keabuan. Citra keabuan adalah citra yang setiap pikselnya
mengandung satu layer dimana nilai intensitasnya berada pada interval 0-255, sehingga
nilai-nilai piksel pada citra keabuan tersebut dapat direpresentasikan dalam sebuah matriks
yang dapat memudahkan proses perhitungan pada operasi berikutnya.
Contoh data yang telah memasuki ​grayscale​ adalah sebagai berikut:
 Gambar 3. Grayscale image
● Threshold
​Thresholding adalah proses mengubah citra berderajat keabuan (​grayscale​) menjadi citra
biner ​atau ​hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan
background dari citra secara jelas.
Contoh data yang telah memasuki ​threshold​ adalah sebagai berikut:

Gambar 4. Threshold image

● Erotion​ (Erosi)
P​roses erosi merupakan kebalikan dari proses ​dilasi​. Jika dalam proses dilatasi
menghasilkan objek yang lebih luas, maka dalam proses erosi akan menghasilkan objek yang
menyempit (mengecil). Lubang pada objek juga akan tampak membesar seiring
menyempitnya batas objek tersebut. Sama seperti dilasi, proses erosi membandingkan setiap
pixel citra input dengan nilai pusat tapis dengan cara melapiskan (​superimpose​) tapis dengan
citra sehingga pusat tapis tepat dengan posisi ​pixel citra yang diproses. Jika semua pixel pada
tapis sama dengan semua nilai ​pixel objek (​foreground​) citra maka ​pixel input di set nilainya
dengan nilai ​pixel ​foreground,​ bila tidak maka input ​pixel di beri nilai ​pixel ​background​.
Proses serupa dilanjutkan dengan menggerakkan tapis ​pixel​ demi ​pixel​ pada citra input.
Contoh data yang telah memasuki erotion adalah sebagai berikut:

Gambar 5. Erotion image

 ● Dilation (Dilasi)
Efek dilasi terhadap citra biner adalah memperbesar batas dari objek yang ada sehingga
objek terlihat semakin besar dan lubang-lubang yang terdapat di tengah objek akan tampak
mengecil. Prosesnya adalah membandingkan setiap ​pixel citra input dengan nilai pusat tapis
dengan cara melapiskan (​superimpose)​ tapis dengan citra sehingga pusat tapis tepat dengan
posisi ​pixel citra yang diproses. Jika paling sedikit ada 1 ​pixel pada tapis sama dengan nilai
pixel objek (​foreground)​ citra maka ​pixel input di set nilainya dengan nilai ​pixel ​foreground,​
dan bila semua ​pixel yang berhubungan adalah ​background maka input ​pixel di beri nilai
pixel ​background​. Proses serupa dilanjutkan dengan menggerakan tapis ​pixel demi​pixel pada
citra input.
Contoh data yang telah memasuki ​dilation rayscale​ adalah sebagai berikut:

Gambar 6. Dilation image

● Median Filter
Median filter adalah salah satu filtering non-linear yang mengurutkan nilai intensitas
sekelompok ​pixel, kemudian mengganti nilai ​pixel ​yang diproses dengan nilai mediannya.
Median filter telah digunakan secara luas untuk memperhalus dan mengembalikan bagian
dari citra yang mengandung noise yang berbentuk bintik putih.
Contoh data yang telah memasuki median filter adalah sebagai berikut:

Gambar 7. Median filter image

● Log Polar
 Log-polar transform meniru cara kerja sistem foveal pada mata manusia. Sistem
foveal ini berfungsi sebagai ketajaman penglihatan yang digunakan oleh manusia untuk
membaca, mengendarai dan sesuatu yang memerlukan ketajaman mata.

Gambar 8. Log Polar image

3.4 ​Feature Extraction

Feature extraction merupakan salah satu cara untuk mengenali suatu objek dengan
melihat ciri-ciri khusus yang dimiliki objek tersebut. Tujuan dari feature extraction adalah
melakukan perhitungan dan perbandingan yang bisa digunakan untuk mengklasifikasikan
ciri-ciri yang dimiliki oleh suatu citra.

3.5 ​Classification
Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari
suatu objek yang labelnya tidak diketahui. Proses klasifikasi biasanya dibagi menjadi dua
fase yaitu fase learning dan fase test. Pada fase learning, sebagian data yang telah diketahui
kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase test
model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi
dari model tersebut. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas
data yang belum diketahui

4. IMPLEMENTASI
4.1 ​Pre processing
 Tahap preprocessing menggunakan image tanda tangan berukuran 400x400 ​pixel. Lalu
diproses melalui ​grayscale, threshold, erotion, dilation, median filter, log polar d​ an DFT
menjadi berukuran yang lebih kecil.

Gambar 9. Contoh 1 Proses pre processing

 Gambar 10. Contoh 2 Proses pre processing

4.2 ​Features Extraction

 Hasil preprocessing yang sudah berbentuk DFT image digunakan untuk melakukan
ekstrasi fitur ciri yang akan digunakan untuk melakukan klasifikasi tanda tangan. Ekstrasi
fitur yang dilakukan adalah dengan mengambil nilai ​pixel ​ dari image hasil DFT.

4.3 ​Classification
​ VM
Klasifikasi dilakukan dengan menggunakan ​Support Vector Machine (SVM). S
dilakukan ​training terhadap data fitur ciri (nilai ​pixel d​ ari image DFT). Setelah dilakukan
training maka akan terbentuk model SVM yang dalam digunakan untuk melakukan
klasifikasi tanda tangan. Selanjutnya, proses ​testing ​ dilakukan pada data ​testing ​ yang ada.

Gambar 11. Proses ​training​ data

Gambar 12. Hasil ​training ​SVM

Gambar 13. Proses ​testing ​data

 Gambar 14. Akurasi dari ​classification

4.4 ​Post-Processing
Proses ​post processing d​ igunakan untuk mengambil keputusan dari hasil klasifikasi
yang dilakukan SVM terhadap seluruh klasifikasi tanda tangan yang ada.
4.5 Pelatihan dan Pengujian
Pelatihan menggunakan 6 data tanda tangan pada posisi duduk dan 6 data posisi berdiri
kemudian SVM diuji dengan menggunakan 16 data tanda tangan yang di dalamnya terdapat 4
tanda tangan baru yang tidak termasuk dalam data pelatihan. Keempat tanda tangan tersebut
terdiri dari 2 tanda tangan pada posisi berdiri dan 2 tanda tangan dalam posisi duduk.
Hasil pengujiannya sebagai berikut

No. Label Data Akurasi

1. Ayu 81.25%

2. Hani 75.00%

3. Hanif 81.25%

Rata-rata akurasi 79.16%

Selain menggunakan skema pengujian di atas, pengujian juga dilakukan dengan
menggunakan metode cross validation. Metode cross validation yang digunakan adalah 4
cross validation yang dilakukan dengan membagi 48 data yang tersedia menjadi 4 bagian dan
pada tiap bagian terdiri dari 3 jenis data tanda tangan yang masing-masing berjumlah 4 data.
Hasil pengujiannya sebagai berikut

Fold 1

Hanif Accuracy = 75.0% (9/12) (classification)

Hani Accuracy = 66.66666666666666% (8/12) (classification)

Ayu Accuracy = 66.66666666666666% (8/12) (classification)

Fold 2
 Ayu Accuracy = 66.66666666666666% (8/12) (classification)

Hani Accuracy = 66.66666666666666% (8/12) (classification)

Hanif Accuracy = 75.0% (9/12) (classification)

Fold 3

Hanif Accuracy = 66.66666666666666% (8/12) (classification)

Hani Accuracy = 66.66666666666666% (8/12) (classification)

Ayu Accuracy = 66.66666666666666% (8/12) (classification)

Fold 4

Ayu Accuracy = 66.66666666666666% (8/12) (classification)

Hani Accuracy = 66.66666666666666% (8/12) (classification)

Hanif Accuracy = 66.66666666666666% (8/12) (classification)

Hasil dari pengujian tersebut kemudian dihitung rata-ratanya dan didapat rata-rata akurasinya
adalah 68.05% dengan rincian sebagai berikut

No. Label Data Rata-Rata Akurasi

per Label Data

1. Hanif 70.83 %

2. Hani 66.66 %

3. Ayu 66.66 %

Rata-rata akurasi secara keseluruhan 68.05 %

5.​ KESIMPULAN DAN SARAN

​

Pengenalan pola tulisan tanda tangan melalui beberapa proses mulai dari
​ engenalan pola tanda tangan menggunakan
preprocessing sampai dengan ​postprocessing. P
proses ​grayscale, threshold, erotion, dilation, median filter, log polar d​ an DFT pada
preprocessing d​ an SVM pada klasifikasinya. Penggunaan ​log-polar transform d​ an SVM
menghasilkan akurasi yang 66-84%.
 Pengembangan pengenalan pola tanda tangan dapat dikembangkan menggunakan data
(image) yang lebih real dan lebih sulit segmentasinya serta terdapat banyak terdapat ​noise.
Pengenalan pola menggunakan ​log-polar transform d​ an SVM dapat juga dikembangkan pada
pengenalan pola yang lain. Pengembangan pengenalan pola tandan tangan sendiri dapat
ditingkatkan terus akurasinya dengan menambahkan metode atau model lain.

DAFTAR PUSTAKA

Kadir, Abdul, dan Adhi Susanto.2013. ​Teori dan Aplikasi Pengolahan Citra.​ Yogyakarta:
Andi.

Ratril, Ignatia D.E.Karisma, Hanung Adi Nugroho, dan Teguh Bharata Adji. 2014. A
Comparative Study on Signature Recognition.​ 1st International Conference on
Information Technology, Computer and Electrical Engineering (ICITACEE)​.
Zheng, Jianbin dan Guangxi Zhu. 2006. On-Line Handwriting Signature Recognition Based
on Wavelet Energy Feature Matching. ​Proceedings of the 6th World Congress on
Intelligent Control and Automation​. June 21 - 22.