Home >Documents >SKRIPSI STUDI KOMPARASI METODE BACKPROPOGATION

SKRIPSI STUDI KOMPARASI METODE BACKPROPOGATION

Date post:09-Nov-2021
Category:
View:0 times
Download:0 times
Share this document with a friend
Transcript:
LEARNING VECTOR QUANTIZATION (LVQ) PADA PENGENALAN CITRA
TANDA TANGAN
Program Studi Teknik Informatika
YOGYAKARTA
2020
SKRIPSI
ii
Universitas Islam Negeri Sunan Kalijaga Yogyakarta. Shalawat serta salam semoga tetap
tercurahkan kepada junjungan kita Nabi Muhammada SAW, keluarga, sahabat dan para
pengikutnya hingga hari kiamat.
Learning Vector Quantization (LVQ) pada Pengenalan Citra Tanda Tangan dapat
diselesaikan dengan lancar tanpa suatu halangan apapun. Penulis menyadari bahwa dalam
menyelesaikan skripsi ini tidak akan berjalan lancar tanpa dukungan dari berbagai pihak.
Oleh karena itu dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada :
1. Prf. Dr. Phill. Al Makin, M.A. selaku Rektor Universitas Islam Negeri Sunan
Kalijaga Yogyakarta.
2. Dr. Murtono, M.Si selaku Dekan Fakultas Sains dan Teknologi Universitas Islam
Negeri Sunan Kalijaga Yogyakarta.
3. Bapak Sumarsono, S.T, M.Kom. selaku Ketua Program Studi Teknik Informatika
Universitas Islam Negeri Sunan Kalijaga Yogyakarta.
4. Dr. Bambang Sugiantoro, MT selaku Dosen Pembimbing akademik Program Studi
Teknik Informatika Universitas Islam Negeri Sunan Kalijaga Yogyakarta.
5. Bapak Nurochman, M.Kom. selaku pembimbing tugas akhir, yang telah memberikan
banyak bantuan, saran, nasehat, masukan, dan bombingan yang sangat bermanfaat
pada saya.
6. Seluru Dosen Teknik Informatika Universitas Islam Negeri Sunan Kalijaga
Yogyakarta yang telah banyak memberikan pelajaran kepada penulis selama ini.
7. Bapak, ibu, dan adik yang telah mendoakan, memotivasi dan mendorong dalam
penyelesaian skripsi ini,
Yogyakarta, 10 Juni 2020
ini kepada:
1. Ayah dan bunda saya, pak Ahmad Dawam dan ibu Sumarsih yang selalu
memberikan dukungan dan doa yang terbaik untuk saya.
2. Saudara kandung saya, Rajiv Bayu Al-Kahfi yang menjadi penyemangat serta
motivasi dalam setiap hari-hari saya.
3. Keluarga besar saya yang menjadi motivasi bagi saya untuk menjadi lebih baik.
4. Sahabat-sahabat saya, Irsa, Muftia, Nafi, Tami, Zila, Mar, Riko, Fauzan, Ozi,
Dani, Fahrul, Faisal, dan Lana yang selalu menjadi teman setia dan terbaik.
5. Teman-teman After Sunday 2015 menjadi tempat saya belajar banyak hal.
6. Serta teman-teman Alumni PonPes Darul Huda Ponorogo angkatan 2015 yang
berada di Jogja terimakasih atas dukungannya selalu.
viii
pemuda kuat keyakinannya maka akan diangkat derajatnya # dan
setiap insan yang tidak memiliki keyakinan maka tidak akan bisa mengambil
(Kitab al-Durrat al-Bahiyyah Nadham Al Ajrumiyah, karya Imam Syarafuddin
Yahya Al-'Imrithi).
2.1. Tinjauan Pustaka ....................................................................................................... 5
2.2. Landasan Teori .......................................................................................................... 9
2.2.1. Rumus Slovin ........................................................................................................ 9
2.2.4. Jaringan Backpropogation ................................................................................... 10
2.2.6. Citra ..................................................................................................................... 16
2.2.15. Tanda Tangan .................................................................................................. 22
3.1. Obyek Penelitian ..................................................................................................... 24
3.2.1. Jenis Dan Sumber Data ....................................................................................... 24
3.3. Tahapan Penelitian ................................................................................ .................. 24
3.3.1. Pengumpulan Data ............................................................................................... 24
3.3.2. Prapemrosesan Data ............................................................................................ 24
3.3.3. Ekstraksi Fitur ............................................................................... ...................... 25
4.1. Pengumpulan Data ........................................................................................................ 29
4.3. Ekstraksi fitur ............................................................................................................... 32
4.4.1.2. Arsitektur Jaringan Learning Vector Quantization (LVQ) ................................. 35
4.4.2. Pelatihan ................................................................................................................ 36
4.4.3. Pengujian ............................................................................................................... 47
Tabel 4. 1 Tingkat Akurasi Eksperimen Backpropogation ...............................................40
Tabel 4. 2 Tingkat Akurasi Eksperimen LVQ ...................................................................45
Tabel 4. 3 Pengujian Aplikasi............................................................................................46
Gambar 2. 3 Operasi Gaussian ..........................................................................................19
Gambar 2. 4 Operator Sobel ..............................................................................................20
Gambar 2. 5 Non-maximal Suppression ............................................................................22
Gambar 2. 6 Double Threshold .........................................................................................22
Gambar 4. 1 Citra Tanda Tangan ......................................................................................29
Gambar 4. 2 input jaringan Backpropogation dan LVQ ...................................................30
Gambar 4. 3 Hasil proses Canny Edge Detection .............................................................32
Gambar 4. 4 Arsitektur Backpropogation Tanda Tangan ..................................................34
Gambar 4. 5 Arsitektur LVQ Tanda Tangan ....................................................................36
Gambar 4. 6 Kode Program Perhitungan Sinyal Output Pada Hidden Layer ...................37
Gambar 4. 7 Kode Program Perhitungan Sinyal Ouput Pada Lapisan Ouput ...................37
Gambar 4. 8 kode program perhitungan error lapisan output, delta bias dan delta bobot .38
Gambar 4. 9 kode program perhitungan error hiden layer, delta bias dan delta bobot ...38
Gambar 4. 10 kode program perhitungan update bobot dan bias ......................................39
Gambar 4. 11 kode program output pengenalan pola ........................................................40
Gambar 4. 13 Kode Program Update Bobot .....................................................................44
Gambar 4. 14 Kode Perubahan Alpha ...............................................................................44
Quantization (LVQ) pada Pengenalan Citra Tanda Tangan
Oleh
Tanda tangan merupakan bukti pengesahan yang paling sering dipakai dibandingkan
dengan bukti-bukti pengesahan yang lain. Baik transaksi jual beli, proses penarikan maupun
penyimpanan uang pada bank, penandatanganan ijazah persertifikatan tanah maupun proses
administrasi lain yang kesemuanya membutuhkan keabsahan yang dibuktikan dengan
ditandatanganinya suatu dokumen administrasi. Penelitian ini bertujuan untuk merancang
dan mengimplementasikan sistem biometrika tanda tangan dengan jaringan syaraf tiruan
backpropagation dan LVQ dan mengukur tingkat keakuratan dari sistem biometrika tanda
tangan dengan jaringan syaraf tiruan backpropagation dan LVQ.
Berdasarkan hal tersebut, peneliti akan mengembangkan suatu aplikasi untuk
mengidentifikasi tanda tangan dengan memanfaatkan algoritma backpropagation dan LVQ
dan bagaimana hasil pengenalan citra tanda tangan dengan metode backpropagation
dibandingkan metode LVQ. Data yang akan digunakan dalam jaringan syaraf tiruan
backpropagation dan LVQ merupakan hasil dari prapemrosesan dan ekstraksi fitur seluruh
citra. Prapemrosesan citra dilakukan dengan menerapkan resizing, noise reduction, dan edge
detection.
Dari hasil pengujian sistem diperoleh tingkat akurasi sistem dalam mengenali citra
tanda tangan sebesar 20.0% untuk backpropogation dan 90.0% untuk LVQ. Arsitektur
jaringaan yang psling baik digunakan dalam proses pengenalan citra tanda tangan dengan
metode backpropagation adalah dengan variasi learning rate = 0.8 dan nilai toleransi 0.6.
Sedangkan dengan metode learning vector quantization yaitu dengan variasi learning rate
0,5 dan perubahan learning rate 0.5.
Kata kunci: Tanda Tangan, Jaringan Syaraf Tiruan, Backpropagation, Learning Vector
Quantization, Ekstrasi Fitur.
Quantization (LVQ) method at recognizing signature images.
By
15650043
Signatures are more often used for ratification compared to others. The sale
transaction, deposit in a bank, such as a withdrawal ora storage funds, the conclusion of land
purchase and other management processes all required the validity evidenced by
administrative documents. The purpose of this study was to made an biometric signature
system with backpropagation and LVQ-type neural networks, and to measure the accuracy
of backpropagation and LVQ.
Based on that, the reseachers would develop an application to identify signature by
using backpropagation and LVQ algorithm and the results of signatures description
identifications with backpropagation method compared to LVQ method. The
backpropagation and LVQ materials that will be used was the result from the pra-process
and extraction of the descriptions. Pra-processing of the descriptions will be done by
applying resizing, noise reduction, and edge detection.
The results of system test the accuracy level of system in recognizing signature
images was 20.0% for backpropogation and 90.0% for LVQ. The best network architecture
that used at signatures description identifications by backpropagation method was with the
learning rate variations at 0.8 and the tolerance number at 0.6. On the other hand the learning
vector quantization method results was with the learning rate variations at 0.5, and the
learning rate change at 0.5
Keywords: Signatures, artificial neural network, backpropogation, Learning
vector quantization, features extractions.
Data merupakan kumpulan dari fakta-fakta yang sering digunakan dalam mengolah
ataupun memproses segala sesuatu. Khususnya dalam sebuah instansi atau organisasi, ada
banyak data yang terdapat didalamnya. Baik itu data administrasi, data perusahaan, ataupun
data data penting lainnya. Terdapat macam-macam sistem yang digunakan untuk
auntentifikasi data, antara lain sistem keamanan sidik jari, pengenalan wajah, biometric,
sistem keamanan barcode, tanda tangan ataupun sistem keamanan lainnya. Yang akan
dibahas dalam hal ini adalah sistem autentifikasi dengan menggunakan tanda tangan.
Tanda tangan merupakan salah satu cara yang digunakan sebagai sistem autentifikasi
dalam sebuah instansi, atau perusahaan-perusahaan besar khususnya. Hal ini digunakan
untuk dapat menjaga kerahasiaan data. Jadi setiap orang yang akan berhubungan dengan
data khususnya data penting, mereka dapat mengakses data hanya data hanya jika tanda
tangan mereka sesuai dengan tanda tangan yang terdapat dalam daftar. Misalnya seseorang
ingin mengakses data penting, Untuk mengijinkan dia masuk, orang itu harus tanda tangan,
kemudian tanda tangan itu akan dikenali, apakah sesuai dengan pemilik tanda tangan aslinya.
Jika sesuai, maka orang tersebut akan diijinkan masuk dan boleh mengakses data. Tapi jika
tanda tangannya tidak sesuai atau tanda tangannya tidak dikenali, maka orang tersebut tidka
diperbolehkan untuk masuk dan mengakses data. Jadi tanda tangan tersebut berguna sebagai
tanda pengenal seseorang untuk dapat mengakses data penting. Pada zaman teknologi ini,
pencocokkan karakteristik tanda tangan dengan pemiliknya dapat dilakukan dengan
menggunakan komputer, sehingga akan menghemat waktu bila dibandingkan dengan
melakukan secara manual. Caranya adalah menggunakan Jaringan Syaraf Tiruan (JST).
1
2
karakterisitk tanda tangan adalah backpropagation dan learning vector quantization. Metode
Backpropagation merupakan salah satu algoritma pembelajaran yang menyesuaikan bobot-
bobot jaringan syaraf tiruan dengan arah mundur berdasarkan nilai error di dalam proses
pembelajaran. Setelah itu, pola tanda tangan yang telah dipelajari akan dapat dikenali melalui
fase pengenalan. Sedangkan metode learning vector quantization merupakan suatua metode
klasifikasi pola yang masing-masing unit output mewakili kategori atau kelompok tertentu.
Pemprosesan yang terjadi pada setiap neuron adalah mencari jarak terdekat antara suau
vector masuakan ke bobot yang bersangkutan. Selain mencari jarak terdekat, metode LVQ
selama pembelajaran unit output diposisikan dengan mengatur dan memperbaharui bobot
melalui pembelajaran yang terawasi untuk memperkirakan keputusan klasifikasi. Sama
seperti metode Backpropagation juga mempunya fase pelatihan untuk mempelajari pola
tanda tangan dan fase pengenalan untuk mengenali identitas pemilik tanda tangan. Perbedaan
kedua metode terletak pada rumus dan konsep perhitungan JST untuk setiap proses pelatihan
dan pengenalan.
vector quantization dalam melakukan pengenaalan terhadap karakteristik tanda tangan. Oleh
karena itu, penulis ingin merancang aplikasi pengenalan tanda tangan yang menerapkan
kedua metode ini dan melakukan studi komparasi terhadap kinerja kedua metode, dengan
Studi Komparasi Metode Backpropogation
Pengenalan Citra Tanda Tangan”.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas maka rumusan masalah dalam penelitian ini
adalah
1. Bagaimana membuat aplikasi untuk mengenali citra tanda tangan menggunakan
algoritma backpropogation dan Learning Vector Quantization (LVQ) dan menemukan
nilai parameter yang optimal untuk jaringan tersebut?
2. Manakah yang lebih baik antara metode backpropogation atau metode Learning Vector
Quantization (LVQ) dalam pengenalan citra tanda tangan?
1.3. Batasan Masalah
1. Sampel yang digunakan adalah tanda tangan dari 40 orang.
2. Citra latih dan uji berupa data real yang diambil dari smartphone.
3. Aplikasi yang dibuat adalah aplikasi desktop
4. Fungsi aktivasi yang digunakan dalam metode backpropagation adalah aktivasi
biner dan LVQ menggunakan aktivasi linear.
5. Sistem bersifat offline.
7. Software yang digunakan adalah NetBeans
1.4. Tujuan Penelitian
1. Mampu membuat aplikasi untuk mengidentifikasi tanda tangan dengan algoritma
backpropogation dan learning vector quantization.
4
2. Mengetahui parameter apa saja yang digunakan untuk memperoleh hasil optimal
pengenalan citra tanda tangan dengan metode backpropagation dan Learning Vector
Quantization (LVQ).
dan Learning Vector Quantization (LVQ).
1.5. Manfaat Penelitian
pada aplikasi untuk mengidentifikasi tanda tangan.
1.6. Keaslian Penelitian
Kontribusi yang akan disumbangkan dari penenltian ini untuk ilmu pengetahuan
adalah meneliti mengenai pemanfaatan teknologi untuk mrngrnali tanda tangan
menggunakan backpropagation dan Learning Vector Quantization (LVQ) serta
memberi masukan bagi siapa saja yang membutuhkan informasi yang berhubungan
dengan judul penelitian ini.
yang dapat mengadopsi kemampuan otak manusia.
50
Dari penelitian yang dilakukan, ada beberapa kesimpulan yang didapatkan, yaitu:
1. Sistem pengenalan Jaringan Syaraf Tiruan dengan metode Backpropagation dan
Learning Vector Quantization uuntuk mengenali citra tanda tangan berhasil dibuat.
2. Tingkat kecocokan dan akurasi hasil pengenalan tergantung pada variasi nilai
parameter yang digunakan dalam proses pelatihan. Dari hasil pengujian, maka
didapatkan variasu parameter terbaik dari backpropogation yaitu learning rate = 0.8
dan nilai toleransi 0.8 dengan akurasi 20.0 %. Sedangkan variasi parameter terbaik
dari Learning Vector Quantization yaitu learning rate = 0.5 dan perubahan learning
rate = 0.5 dengan akurasi 90.0%.
3. Terdapat 8 (20.0%) hasil pengenalan cocok dengan menggunakan metode
backpropogation dan 32 (80.0%) hasil pengenalan cocok dengan menggunakan
metode Learning Vector Quantization dari total citra uji sebanyak 40 citra uji. Hal
yang mempengaruhi tingkat akurasi adalah a.) Citra pengujian yang tidak sesuai/jauh
berbeda dengan citra latih b.) Terdapat noise pada citra uji c.) Data uji yang
digunakan lebih mendektati kelas lain.
4. Dari hasil pengujian, diperoleh metode jaringan syaraf tiruan yang paling tepat untuk
pengenalan citra tanda tangan dari segi akurasi, metode learning vector quantization
lebih baik dibandingkan dengan backpropogation. Dengan tingkat akurasi
pengenalan 90.0%.
Dari penelitian ini, penulis memberikan saran untuk penelitan selanjutnya yang
berkaitan dengan penelitian ini untuk dapat mencari metode jaringan syaraf tiruan yang
lain, guna memperoleh hasil yang lebih baik dibandingakan dengan 2 metode yang
digunakan pada penelitian ini.
Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Edisi
Pertama. Yogyakarta : Graha Ilmu.
Anwar Hidayat. 2017. Cara Hitung Rumus Slovin Besar Sampel di
https://www.statistikian.com
Fausett, L. 1994. Fundamentals of Neural Network: Architectures, Algorithms, and
Applications. Prentice-Hall,Inc: New Jersey
Gonzales, R. C., dkk. 2002. Digital Image Processing Using Matlab. Prentice Hall, Upper
Saddle River, NJ.
Hermawan, A. 2006. Jaringan Syaraf Tiruan: Teori dan Aplikasi. Yogyakarta: ANDI
Kusumadewi, S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu
Nurkhozin, A., dkk. 2011. Komparasi Hasil Klasifikasi Penyakit Diabetes Mellitus
Menggunakan Jaringan Syaraf Tirua Backpropagation dan Learning Vector
Quantization. Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan
FMIPA UNY. 14 Mei 2011.
Prabowo,A., dkk. 2006. Perbandingan Antara Metode Kohonen Neurel Network dengan
Metode Learning Vektor Quantization Pada Pengenalan Pola Tandatangan. Jurnal
Sains dan Matematika (JSM). 14 (4): 1
Pujiyono, dkk. 2009. Perbandingan Kinerja Metode Gradient Berdasarkan Operator Sobel
dan Prewitt Implementasi Pada Deteksi Sidik Jari. Jurnal Informatika. 3 (1): 5
Pulungan, AF. 2016. Klasifikasi Karet Rss (Ribbed Smoke Sheet) Menggunakan
Metode Lvq (Learning Vector Quantization). Medan: Universitas Sumatra Utara.
Putri, Restiana. 2014. Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Peserta
Kb Baru Di Kabupaten Semarang Dengan Metode Backpropagation. Semarang:
UNIVERSITAS DIAN NUSWANTORO
Saputra, SS. 2015. Metode Learning Vector Quantization pada Jaringan Syaraf Tiruan untuk
Mengidentifikasi Tulisan Tangan Huruf Lontara. Makassar: UIN ALAUDDIN
MAKASSAR.
Sari, Z. W. 2010. Pengenalan Pola Golongan Darah Menggunakan Jaringan Saraf Tiruan
Backpropagation. Skripsi. Malang: Jurusan Teknik Informatika Fakultas Sains dan
Teknologi Universitas Islam Negeri (UIN) Malang
Surrisyad, Hari. 2017. Aplikasi Jaringan Syaraf Tiruan Menggunakan Metode Learning
Vector Quantization Dalam Pengenalan Pola Huruf Pegon Jawa. Yogyakarta:
UIN Sunan Kalijaga Yogyakarta.
Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah.
Jurnal Komputer dan Informatika (KOMPUTA). 1 (1): 1
LAMPIRAN
1 Adam
2 Ahmad
3 Ais
4 Arif
5 Ayuk
6 Bayu
7 Beni
8 Cici
9 Dani
10 Dian
11 Doni
12 Fahrul
13 Hani
14 Hanum
15 Heri
16 Iis
17 Ila
18 Irfan
19 Maman
20 Mar
21 Maya
22 Muftia
23 Nafi
24 Nisa
25 Oki
26 Ozi
27 Ratih
28 Rian
29 Riko
30 Rio
31 Rotul
32 Sopyan
33 Sopyan
34 Tami
35 Tyas
36 Wina
37 Yani
38 Yuni
39 Zila
40 Ziya
B.1. Kelas Backpro.Java
B.2. Kelas Node.Java
B.3. Kelas LVQ.Java
Kewarganegaraan : Indonesia
Agama : Islam
2015 2020 : S1 Teknik Informatika UIN Sunan Kalijaga Yogyakarta

Click here to load reader

Reader Image
Embed Size (px)
Recommended