i
KLASIFIKASI TANDA TANGAN MANUSIA DENGAN
METODE JARINGAN SYARAF TIRUAN
BACKPROPAGATION
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Teknik
Program Studi Teknik Informatika
Oleh:
Yuanita Prasetyaningtyas
NIM : 055314102
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2010
ii
HUMAN SIGNATURE CLASSIFICATION USING
BACKPROPAGATION ARTIFICIAL NEURAL NETWORK
METHOD
A Thesis
Presented As Partial Fulfillment Of The Requirements
To Obtain The Sarjana Teknik Degree
In Departement Of Informatics Engineering
By :
Yuanita Prasetyaningtyas
Student Id : 055314102
INFORMATICS ENGINEERING STUDY PROGRAM
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2010
iii
iv
v
HALAMAN PERSEMBAHAN
Keberanian dan kegigihan punya kekuatan yang ajaib,
dan di hadapannya kesulitan lenyap dan rintangan menguap
ke udara.
Skripsi ini saya persembahkan untuk :
Yesus Kristus,
keluarga, sahabat, dan kekasih.
Terima kasih untuk segalanya.
vi
vii
viii
KLASIFIKASI TANDA TANGAN MANUSIA DENGAN
METODE JARINGAN SYARAF TIRUAN
BACKPROPAGATION
Abstrak
Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis
untuk diidentifikasi. Identifikasi tanda tangan secara manual dengan
menggunakan mata telanjang dapat memakan waktu yang lama dan besar terjadi
kesalahan. Tujuan dari penelitian ini adalah membangun sistem untuk mengenali
tanda tangan secara otomatis. Pengenalan tanda tangan secara otomatis dapat
mempersingkat waktu dan memperkecil terjadinya kesalahan.
Penelitian dilakukan dengan menggunakan 400 citra tanda tangan yang
diambil dari 5 individu yang berbeda. Setiap individu terdisi dari 80 tanda tangan.
Metode five fold digunakan untuk membagi tanda tangan menjadi 5 bagian. Tahap
pertama dari penelitian adalah ekstraksi ciri dengan menggunakan metode
principal component analysis (PCA). Dengan menggunakan PCA, ukuran citra
tanda tangan sebagai data masukan akan menjadi lebih ringkas tanpa
menghilangkan informasi yang penting. Tahap kedua adalah
klasifikasi/pengenalan dengan menggunakan metode jaringan syaraf tiruan
backpropagation.
Dari penelitian yang telah dilakukan diperoleh rata-rata akurasi
pengenalan tanda tangan sebesar 92,25% dengan menggunakan 2 hidden layer
ix
pada jaringan backpropagation dimana jumlah node pada hidden layer pertama
250 dan jumlah node pada hidden layer kedua 25. Hal ini menunjukkan bahwa
klasifikasi menggunakan jaringan syaraf tiruan backpropagation yang didukung
dengan PCA untuk proses ekstraksi ciri merupakan metode yang efektif untuk
proses klasifikasi tanda tangan.
x
HUMAN SIGNATURE CLASSIFICATION USING
BACKPROPAGATION ARTIFICIAL NEURAL NETWORK
METHOD
Abstract
Texture unique signature on each individual can be analyzed to identify.
Identification of signature manually by using the naked eye can take a long time
and large errors. The purpose of this research is to build a system to recognize the
signature automatically. The introduction of automatic signature can shorten time
and reduce errors.
The study was conducted using 400 signature image taken from five
different individuals. Each individual give 80 signatures. Five fold method used to
divide the signature into five section. The first stage of the research is to extract
features using principal component analysis (PCA). By using PCA, the size
signature images as input will be more concise without losing important
information. The second step is the classification / recognition using
backpropagation artificial neural network method.
From the research that has been done obtained an average recognition
accuracy of 92,25% signature by using two hidden layers of backpropagation
network where the number of nodes in first hidden layer 250 and the number of
nodes in the second hidden layers 25. The indicates that the classification using
backpropagation artificial neural network which is supported by the PCA for
xi
feature extraction process is an effective method for the signature classification
process.
xii
Kata Pengantar
Puji syukur kepada Yesus Kristus yang telah memberikan karunia dan
kesempatan sehingga penulis dapat menyelesaikan skripsi dengan judul
“Klasifikasi Tanda Tangan Manusia dengan Metode Jaringan Syaraf Tiruan
Backpropagation”.
Terima kasih sebesar-besarnya kepada semua pihak yang turut member
dukungan, semangat dan bantuan hingga selesainya skripsi ini :
1. Dr. C. Kuntoro Adi, SJ., M.A., M.Sc. selaku dosen pembimbing atas kesabaran,
bimbingan, waktu, dan saran yang diberikan.
2. Dr. Linggo Sumarno, M. T. dan ibu Sri Hartati, S.Si, M.Kom selaku dosen
penguji atas saran dan kritik yang diberikan.
3. Laboran laboratorium komputer atas bantuan kepada penulis ketika
melaksanakan ujian akhir.
4. Kedua orang tua, yaitu bapak Antonius Widodo dan ibu Umi Kalsum yang
mendukung sepenuhnya.
5. Semua saudara, yaitu Hiwawan Yudi dan Yuliana Pratiwi yang selalu
memberikan semangat.
6. Ibu Rusiti, Kristian Ari Ruswantoro, dan Timotius Ari Kusbiyantoro yang
selalu memberi semangat, nasihat, dan sumber inspirasi dalam
menyelesaikan skripsi.
7. Sony Setiawan, Novy Chrisdiyanto Adi Putra, Orpa Sampe Biringkaka,
dan Maria Fransiska Indah selaku teman satu team yang berjuang dalam
meyelesaikan skripsi.
8. Bernadeta Putri, Kurnianingtyas, Timotius Ari, Nugrahayuningsih, dan JB.
Mahendra selaku teman yang memberikan sampel data tanda tangan.
9. Seluruh civitas akademika Teknik Informatika angkatan 2005 dan pihak-
pihak lain yang telah berjuang bersama dan saling memberi semangat.
Terima kasih atas sejuta inspirasi berharga.
Penulis menyadari bahwa masih banyak kekurangan yang terdapat pada
laporan tugas akhir ini. Saran dan kritik saya harapkan untuk perbaikan-perbaikan
pada masa yang akan dating. Semoga bermanfaat.
xiii
xiv
DAFTAR ISI
HALAMAN JUDUL BAHASA INDONESIA……………………………………i
HALAMAN JUDUL BAHASA INGGRIS………………………………………ii
HALAMAN PERSETUJUAN…………………………………………………...iii
HALAMAN PENGESAHAN…………………………………………………….iv
HALAMAN PERSEMBAHAN…………………………………………………...v
HALAMAN PERNYATAAN KEASLIAN KARYA……………………………vi
HALAMAN PERSETUJUAN PUBLIKASI……………………………………vii
ABSTRAK………………………………………………………………………viii
ABSTRACT……………………………………………………………………….x
KATA PENGANTAR…………………………………………………………...xii
DAFTAR ISI…………………………………………………………………….xiv
DAFTAR GAMBAR…………………………………………………………..xviii
DAFTAR TABEL……………………………………………………………….xx
DAFTAR GRAFIK…………………………………………………………….xxiv
Bab I. Pendahuluan……………………………………………………..……1
1.1 Latar Belakang………………………………………………………..1
xv
1.2 Rumusan Masalah………………………………………………….…3
1.3 Tujuan………………………………………………………………...3
1.4 Batasan Masalah………………………………………………………3
1.5 Metodologi Penelitian…………………………………………..…….4
1.6 Sistematika Penulisan…………………………………………………5
Bab II. Landasan Teori……………………………………..…………………7
2.1 Jaringan Syaraf Tiruan…………………………………………..……7
2.1.1 Arsitektur Jaringan Syaraf Tiruan…………………………...8
2.1.2 Fungsi Aktivasi……………………………………….……10
2.2 Jaringan Syaraf Tiruan Backpropagation……………………..….....11
2.2.1 Arsitektur Backpropagation………………………………..11
2.2.2 Fungsi Aktivasi Backpropagation……………………..…..12
2.2.3 Pelatihan Standard Backpropagation…………………...….13
2.3 PCA (Principal Component Analysis)………………………………16
Bab III. Desain Sistem………………………………………………………..20
3.1 Data………………………………………………………………….20
3.2 Desain Sistem…………………………………………………….….24
xvi
3.2.1 Ekstraksi Feature………………………………...………...25
3.2.2 Perancangan JST Backpropagation…………………...…...28
3.2.2.1 Tahap Pelatihan (Training)……………………...30
3.2.2.2 Tahap Pengujian (Testing)………………………31
3.2.2.3 Penghitungan Akurasi…………………………...31
3.2.2.4 Tahap Pengenalan…………………………….…33
3.3 Desain User Interface……………………………………………….34
Bab IV. Implementasi dan Analisis Hasil……………………………………39
4.1 Hasil Penelitian dan Analisa………………………………………...39
4.2 Implementasi User Interface………………………………………...44
4.2.1 Menu Utama……………………………………………….44
4.2.2 Pengujian 1…………………………………………………46
4.2.3 Pengujian 2…………………………………………………48
4.2.4 Pengenalan…………………………………………………50
4.2.5 Bantuan………………………………………………….…51
Bab V. Penutup………………………………………………………………52
5.1 Kesimpulan…………………………………………………………..52
xvii
5.2 Saran…………………………………………………………………53
Daftar Pustaka……………………………………………………………………55
Lampiran…………………………………………………………………………57
xviii
DAFTAR GAMBAR
Gambar 2.1 Jaringan Layar Tunggal………………………………….…….8
Gambar 2.2 Jaringan Layar Jamak………………………………………….9
Gambar 2.3 Arsitektur Backpropagation…………………………….…….12
Gambar 3.1 Garis Besar Sistem Pengenalan……………………………….24
Gambar 3.2 Tahap Ekstraksi Feature………………………………………25
Gambar 3.3 Proses Pengenalan dengan Metode JST Backpropagation………29
Gambar 3.4 Skema Tahap Pelatihan……………………………………………30
Gambar 3.5 Skema Tahap Pengujian…………………………………………….31
Gambar 3.6 Skema Tahap Pengenalan…………………………………………33
Gambar 3.7 Tampilan Awal………………………………………………..34
Gambar 3.8 Halaman Pengujian 1………………………………………….35
Gambar 3.9 Halaman Pengujian 2………………………………………….36
Gambar 3.10 Halaman Pengenalan…………………………………………..37
Gambar 3.11 Halaman Bantuan……………………………………………...38
Gambar 3.12 Tanda Tangan Bernadeta Putri……………………………...L-82
Gambar 3.13 Tanda Tangan Kurnianingtyas……………………………...L-83
xix
Gambar 3.14 Tanda Tangan Timotius Ari………………………………...L-84
Gambar 3.15 Tanda Tangan Nugrahayuningsih…………………………..L-85
Gambar 3.16 Tanda Tangan JB. Mahendra……………………………….L-86
Gambar 4.1 Menu Utama…………………………………………………..44
Gambar 4.2 Halaman Pengujian dengan 1 Hidden Layer………………….46
Gambar 4.3 Halaman Pengujian dengan 2 Hidden Layer………………….48
Gambar 4.4 Halaman Pengenalan Tanda Tangan…………………………..50
Gambar 4.5 Kotak File Selector Image Tanda Tangan…………………….50
Gambar 4.6 Halaman Bantuan……………………………………………..51
xx
DAFTAR TABEL
Tabel 3.1 Tipe Tanda Tangan……………………………………………20
Tabel 3.2 Pembagian Feature……………………….………………………22
Tabel 3.3 Percobaan…………………………………………………………23
Tabel 3.4 Confusion matrix…………………………………………………32
Tabel 4.1 Hasil Percobaan 1 Hidden Layer……………………………...40
Tabel 4.2 Hasil Percobaan 2 Hidden Layer……………………………...40
Tabel 4.3 Confusion Matrix Hasil Percobaan……………………………42
Tabel 4.4 Perbandingan Tipe Tanda Tangan…………………………….43
Tabel 4.5 Hasil Percobaab ke-1 dengan 1 Hidden Layer……………...L-87
Tabel 4.6 Hasil Percobaan ke-2 dengan 1 Hidden Layer……………...L-88
Tabel 4.7 Hasil Percobaan ke-3 dengan 1 Hidden Layer……………...L-89
Tabel 4.8 Hasil Percobaan ke-4 dengan 1 Hidden Layer………...........L-90
Tabel 4.9 Hasil Percobaan ke-5 dengan 1 Hidden Laye…………........L-91
Tabel 4.10 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 150)…………………………………………………..L-1
Tabel 4.11 Hasil Percobaan ke-2 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 150)…………………..................................................L-2
xxi
Tabel 4.12 Hasil Percobaan ke-3 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 150)………………………………………………......L-3
Tabel 4.13 Hasil Percobaan ke-4 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 150)…………………………………………….….....L-4
Tabel 4.14 Hasil Percobaan ke-5 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 150)…………………………………………..……....L-5
Tabel 4.15 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 175)…………………………………………………..L-6
Tabel 4.16 Hasil Percobaan ke-2 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 175)…………………..................................................L-7
Tabel 4.17 Hasil Percobaan ke-3 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 175)………………………………………………......L-8
Tabel 4.18 Hasil Percobaan ke-4 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 175)…………………………………………….….....L-9
Tabel 4.19 Hasil Percobaan ke-5 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 175)…………………………………………..…......L-10
Tabel 4.20 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 200)……………………………………………..…..L-11
Tabel 4.21 Hasil Percobaan ke-2 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 200)…………………................................................L-12
xxii
Tabel 4.22 Hasil Percobaan ke-3 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 200)………………………………………………....L-13
Tabel 4.23 Hasil Percobaan ke-4 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 200)…………………………………………….…...L-14
Tabel 4.24 Hasil Percobaan ke-5 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 200)…………………………………………..……..L-15
Tabel 4.25 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 225)……………………………………………..…..L-16
Tabel 4.26 Hasil Percobaan ke-2 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 225)…………………................................................L-17
Tabel 4.27 Hasil Percobaan ke-3 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 225)………………………………………………....L-18
Tabel 4.28 Hasil Percobaan ke-4 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 225)…………………………………………….…...L-19
Tabel 4.29 Hasil Percobaan ke-5 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 225)…………………………………………..……..L-20
Tabel 4.30 Hasil Percobaan ke-1 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 250)……………………………………………..…..L-21
Tabel 4.31 Hasil Percobaan ke-2 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 250)…………………................................................L-22
xxiii
Tabel 4.32 Hasil Percobaan ke-3 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 250)………………………………………………....L-23
Tabel 4.33 Hasil Percobaan ke-4 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 250)…………………………………………….…...L-24
Tabel 4.34 Hasil Percobaan ke-5 dengan 2 Hidden Layer (Hidden Layer
Ke-1 = 250)…………………………………………..……..L-25
xxiv
DAFTAR GRAFIK
Grafik 4.1 Training untuk 1 Hidden Layer……………………………….47
Grafik 4.2 Training untuk 2 Hidden Layer……………………………….49
1
Bab I. Pendahuluan
1.1 Latar Belakang
Tanda tangan sangat berarti karena diyakini sebagai simbol yang digunakan
manusia untuk menyetujui suatu perjanjian dengan manusia lain, dimana isi dari
perjanjian tersebut adalah bersifat mutlak harus dilakukan. Seiring dengan
perkembangan jaman, tanda tangan juga digunakan sebagai salah satu cara untuk
identifikasi seseorang. Setiap individu mempunyai karakteristik pola tanda tangan
yang khas sehingga kemungkinan terjadi kesamaan pola tanda tangan yang dibuat
oleh individu satu dengan individu lain akan sulit ditemukan. Bahkan pola tanda
tangan yang dibuat oleh individu yang samapun belum tentu akan selalu sama.
Tekstur tanda tangan yang unik pada setiap individu dapat dianalisis untuk
diidentifikasi. Identifikasi tanda tangan secara manual dengan menggunakan mata
telanjang dapat memakan waktu yang lama dan besar terjadi kesalahan.
Diperlukan sistem komputer yang mampu melakukan identifikasi tanda tangan
manusia secara otomatis untuk mempercepat waktu dan memperkecil terjadinya
kesalahan. Sebagai pemecahan atas permasalah tersebut, dilakukan penelitian untuk
membangun sistem pengklasifikasian tanda tangan manusia secara otomatis.
Beberapa penelitian mengenai pengenalan tanda tangan yang telah dilakukan adalah
sebagai berikut :
2
Tabel 1.1 Tabel Penelitian.
Nomor Penelitian Peneliti/ Tahun
Penelitian
Jumlah Data Akurasi
1 Pengenalan tanda tangan
dengan metode jaringan
syaraf tiruan
backpropagation dan
metode ekstraksi ciri
dengan menggunakan
metode pemayaran piksel.
Wikaria Gazali /
2003
100 dari 10
pola tanda
tangan.
88,00%
2 Pengenalan tanda tangan
dengan menggunakan
metode stroke histogram.
Arif Wijaya /
2005
56 dari 8 pola
tanda tangan.
70,90%
3 Klasifikasi tanda tangan
manusia dengan jaringan
syaraf tiruan
backpropagation dan
metode ekstrkasi ciri PCA
(Principal Component
Analysis)
Yuanita
Prasetyaningtyas
/ 2010
400 dari 5 pola
tanda tangan.
91,00%
3
Berdasarkan penelitian yang telah dilakukan oleh peneliti sebelumnya, maka
penulis melakukan penelitian mengenai identifikasi tanda tangan manusia dengan
menggunakan metode jaringan syaraf tiruan backpropagation (JST backpropagation)
dan PCA (Principal Component Analysis) sebagai metode ekstraksi ciri.
Contoh aplikasi pengembangan di dunia nyata yang menggunakan tanda tangan
sebagai identitas seseorang antara lain absensi otomatis pegawai perkantoran dengan
menggunakan tanda tangan dan sistem pembayaran dengan menggunakan kartu
kredit.
1.2 Rumusan Masalah
Rumusan masalah dari proposal ini adalah bagaimana membangun sistem yang
digunakan untuk klasifikasi tanda tangan secara otomatis dengan metode Jaringan
Syaraf Tiruan Backpropagation.
1.3 Tujuan
Membangun sistem yang digunakan untuk mengenali dan mengklasifikasi
tanda tangan seseorang dengan menggunakan metode Jaringan Syaraf Tiruan
Backpropagation.
1.4 Batasan Masalah
1. Input berupa file gambar dua dimensi pada citra tingkat keabuan (gray-
scale image) yang berekstensi *.jpg dengan ukuran 100 x100 piksel.
4
2. Sistem yang dibangun bertujuan untuk mengenali tanda tangan seseorang
berdasarkan pada tingkat kemiripannya .
3. Pengenalan dibatasi pada jumlah sample 80 untuk tiap tanda tangan yang
diambil dari 5 orang.
4. Hasil pengenalan hanya dibatasi pada nama individu.
5. Ekstraksi feature menggunakan PCA (Pricipal Component Analysis).
6. Metode yang akan digunakan untuk mengenali tanda tangan adalah
metode Jaringan Syaraf Tiruan Backpropagation.
7. Software yang digunakan adalah MATLAB.
1.5 Metodologi Penelitian
Dalam penyelesaian tugas akhir yang berjudul Klasifikasi Tanda Tangan
Manusia Dengan Metode Jaringan Syaraf Tiruan Backpropagation ini, akan ditempuh
langkah – langkah kerja sebagai berikut :
1. Studi pustaka.
Mengumpulkan informasi dari buku, internet, dan artikel yang
dibutuhkan untuk membangun sistem klasifikasi tanda tangan secara otomatis
dengan metode jaringan syaraf tiruan backpropagation.
2. Akuisisi data.
Proses akuisisi data merupakan proses pengambilan data gambar yang
digunakan untuk proses pelatihan (training) maupun proses pengujian (testing).
5
3. Analisis dan perancangan algoritma.
Melakukan analisis dari masalah yang ada dan merancang algoritma
yang digunakan untuk klasifikasi pola tanda tangan.
4. Implementasi.
Setelah merancang algoritma, kemudian dilakukan implementasi
algoritma dalam listing program, baik untuk proses pelatihan (training) maupun
proses pengujian (testing).
5. Simulasi.
Dari hasil implementasi dilanjutkan proses simulasi untuk mendapatkan
jaringan yang paling optimal.
1.6 Sistematika Penulisan
Sistematika penulisan dalam tugas akhir yang berjudul Klasifikasi Tanda
Tangan Manusia dengan Metode Jaringan Syaraf Tiruan Backpropagation ini
dijelaskan sebagai berikut :
Bab I. Pendahuluan
Pada bab ini dijelaskan mengenai latar belakang masalah yang mendorong
dibangunnya sistem, rumusan masalah, tujuan, batasan masalah, metodologi
penelitian yang dilakukan, dan sistematika penulisan yang digunakan dalam
menyelesaikan laporan tugas akhir.
6
Bab II. Landasan Teori
Pada bab ini dijelaskan teori dari metode yang digunakan dalam
pembangunan sistem pengelompokan tanda tangan yaitu teori mengenai metode
jaringan syaraf tiruan backpropagation.
Bab III. Desain Sistem
Pada bagian ini digambarkan komponen dan algoritma yang digunakan
dalam penelitian.
Bab IV. Implementasi dan Analisis Hasil
Pada bagian ini digambarkan penerapan rancangan yang dibuat dalam suatu
program, hasil implementasi serta analisis dari hasil implementasi.
Bab V. Penutup
Pada bagian ini akan digambarkan kesimpulan dari seluruh penelitian dan
saran yang diusulkan untuk pengembangan lebih lanjut.
7
Bab II. Landasan Teori
Pada bab ini akan dibahas mengenai teori – teori yang digunakan untuk
mendukung penulisan tugas akhir klasifikasi tanda tangan manusia dengna metode
jaringan syaraf tiruan backpropagation. Teori – teori yang akan dibahas mencakup
pengertian dasar jaringan syaraf tiruan, metode jaringan syaraf tiruan
backpropagation, dan pengertian mengenai metode PCA (Principal Components
Analysis) yang digunakan untuk mereduksi feature.
2.1 Jaringan Syaraf Tiruan.
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang
dikembangkan dengan model matematika dan memiliki karakteristik mirip dengan
jaringan syaraf biologi dengan asumsi bahwa (Jong Jek Siang, 2005) :
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
2. Sinyal dikirim diantara neuron–neuron melalui penghubung– penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi
yang dikenakan pada jumlah masukan yang diterima. Besarnya keluaran
ini selanjutnya dibandingkan dengan suatu batas ambang.
Jadi jaringan syaraf tiruan ditentukan oleh 3 hal yaitu :
1. Pola hubungan antar neuron ( arsitektur jaringan ).
2. Metode untuk menentukan bobot penghubung.
8
3. Fungsi aktivasi.
2.1.1 Arsitektur Jaringan Syaraf Tiruan.
Arsitektur jaringan syaraf tiruan merupakan pengaturan spesifik dan
hubungan antar neuron pada lapisan dalam jaringan. Neuron-neuron yang terletak
pada lapisan yang sama memiliki sifat dan fungsi aktivasi yang sama.
Neuron-neuron dalam jaringan syaraf tiruan dikelompokkan dalam lapisan
masukan (input layer) merupakan lapisan pertama yang menerima sinyal dari
bagian luar jaringan, lapisan tersembunyi (hidden layer) yaitu lapisan yang
menerima sinyal dari neuron pada lapisan masukan dan lapisan keluaran (output
layer) yaitu lapisan yang mengekstrak ciri dari yang berkaitan atau pola dari
sinyal yang diterima .
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf
tiruan antara lain :
1. Jaringan Layar Tunggal (single layer network).
Dalam jaringan layar tunggal, sekumpulan masukan dihubungkan
langsung dengan sekumpulan keluaran.
x1
xi
xn
y1
yj
ym
w11
wj1wm1
w1iwji
wmi
w1nwjn
wmn
Gambar 2.1 Jaringan Layar Tunggal.
9
Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit masukan (x1,
x2, …, xn) dan m buah unit keluaran (y1, y2, …, ym). Disebut jaringan
layar tunggal karena semua unit masukan dihubungkan dengan semua unit
keluaran, meskipun dengan bobot yang berbeda.
wji menyatakan bobot hubungan antara unit ke-i dalam masukan
dengan unit ke-j dalam keluaran. Bobot-bobot ini saling independen.
Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk
meningkatkan keakuratan hasil.
2. Jaringan Layar Jamak (multi layer network).
Jaringan layar jamak merupakan perluasan dari layar tunggal.
Dalam jaringan ini, selain unit masukan dan keluaran, ada unit – unit lain
(sering disebut layar tersembunyi). Sama seperti pada unit masukan dan
keluaran, unit dalam satu layar tidak saling berhubungan.
x1
xi
xn
z1
zp
w11
wj1wm1
w1pwjp
wmp
vpi
v1n
vpn
y1
yj
ym
v11
vp1
v1i
Gambar 2.2 Jaringan Layar Jamak.
Pada gambar 2.2 ditunjukkan jaringan dengan n buah unit masukan
(x1, x2, …, xn), sebuah layar tersembunyi yang terdiri dari p buah unit
(z1, …, zp) dan m buah unit keluaran(y1, y2, …, ym).
10
2.1.2 Fungsi Aktivasi.
Dalam jaringan syaraf tiruan, fungsi aktivasi digunakan untuk menentukan
keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi
linier masukan dan bobotnya). Jika net ∑ , maka fungsi aktivasinya adalah
f (net) = f(∑ ) (Jong Jek Siang, 2005).
Fungsi aktivasi dalam jaringan syaraf tiruan :
1. Fungsi threshold (batas ambang).
( ) {
(2.1)
Jika fungsi threshold berharga -1 atau 1 disebut threshold bipolar.
2. Fungsi sigmoid.
( )
(2.2)
Nilai fungsi dari fungsi sigmoid terletak antara 0 dan 1 dan dapat
diturunkan menjadi :
( ) ( )( ( )) (2.3)
3. Fungsi Identitas.
( ) (2.4)
Fungsi identitas sering digunakan jika diinginkan keluaran jaringan
berupa bilangan riil (bukan hanya pada range (0,1) atau (-1,1)).
11
2.2 Jaringan Syaraf Tiruan Backpropagation.
Backpropagation merupakan salah satu contoh dari jaringan layar jamak.
Seperti halnya model jaringan syaraf tiruan lain, backpropagation melatih
jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk
mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola masukkan yang serupa (tapi tidak
sama) dengan pola yang dipakai selama pelatihan.
2.2.1 Arsitektur Backpropagation.
Backpropagation memiliki beberapa unit neuron yang ada dalam satu atau
lebih layar tersembunyi. Gambar 2.3 adalah arsitektur backpropagation dengan
n buah masukan (ditambah sebuah bias), serta m buah unit keluaran.
vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi
zj (vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke
unit layar tersembunyi zj). wkj merupakan bobot dari unit layar tersembunyi zj
ke unit keluaran yk (wk0 merupakan bobot dari bias di layar tersembunyi ke unit
keluaran zk).
12
1 x1 xi xn
1 z1 zj zp
y1 yk ym
v10vj0
vp0 v11vj1vp1
v1i vjivpi v1n
vjn vpn
w10 wk0
wm0w11
wk1wm1
w1j wkjwmj w1p
wkp wmp
Gambar 2.3 Arsitektur Backpropagation.
2.2.2 Fungsi Aktivasi Backpropagation.
Fungsi aktivasi pada metode backpropagation tidak hanya menggunakan
sebuah fungsi aktivasi, akan tetapi turunan dari fungsi tersebut juga ikut
digunakan. Backpropagation dapat menggunakan fungsi aktivasi sigmoid biner
(yang memiliki range (0,1)) maupun sigmoid bipolar (yang memiliki range (-1,1))
beserta turunan fungsinya. Pemilihan fungsi aktivasi tergantung kepada kebutuhan
nilai keluaran jaringan yang diharapkan. Bila keluaran jaringan yang diharapkan
ada yang bernilai negatif, maka digunakan fungsi sigmoid bipolar, sebaliknya bila
nilai keluaran jaringan yang diharapkan bernilai positif atau sama dengan nol ,
maka digunakan fungsi sigmoid biner. Selain fungsi sigmoid fungsi yang bias
digunakan dalam metode backpropagation adalah fungsi linier.
Fungsi sigmoid biner :
( )
(2.5)
13
dengan turunan
( ) ( )( ( )) (2.6)
Fungsi sigmoid bipolar :
( )
(2.7)
dengan turunan
( ) ( ( ))( ( ))
(2.8)
Fungsi sigmoid memiliki nilai maksismum = 1. Maka untuk pola yang
targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan
sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang
dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada
layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
2.2.3 Pelatihan Standar Backpropagation.
Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju.
Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan
kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari
garis yang berhubungan langsung dengan unit – unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
14
Algoritma pelatihan jaringan syaraf tiruan backpropagation adalah sebagai
berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9.
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8.
Fase I : Propagasi maju.
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit
tersembunyi di atasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi zj (j = 1, 2, …, p).
(2.9)
(2.10)
Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, …, m).
(2.11)
(2.12)
Fase II : Propagasi mundur.
Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit
keluaran yk (k = 1, 2, …, m).
(2.13)
15
δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot
layar dibawahnya (langkah 7).
Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah
bobot wkj) dengan laju percepatan α.
; k = 1, 2, …, m ; j = 0, 1, …, p (2.14)
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap
unit tersembunyi zj (j = 1, 2, …, p).
(2.15)
Faktor δ unit tersembunyi :
(2.16)
Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah
bobot vji)
(2.17)
j = 1, 2, …, p ; i = 0, 1, …, n
Fase III : Perubahan bobot.
Langkah 8 : Hitung semua perubahan bobot.
Perubahan bobot garis yang menuju ke unit keluaran :
(2.18)
16
Perubahan bobot garis yang menuju ke unit tersembunyi :
( ) ( ) (2.19)
Langkah 9 : Kondisi perulangan.
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk
pengenalan pola. Dalam hal ini hanya propagasi maju (langkah 4 dan 5) saja
yang dipakai untuk menentukan keluaran jaringan.
2.3 PCA (Principal Components Analysis).
PCA digunakan untuk mereduksi dimensi image menjadi feature yang
memiliki dimensi lebih sedikit. PCA akan menangkap variasi total di dalam
kumpulan karakter yang dilatihkan, dan untuk mempresentasikan variasi ini
dengan variable yang lebih sedikit. Suatu image yang dipresentasikan dengan
variable yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada
jika dipresentasikan dengan variable yang banyak dari image tersebut (Wikaria
Gazali dan Lily, 2003).
Adapun langkah – langkah dalam menghitung PCA adalah sebagai berikut :
1. Menyimpan nilai – nilai piksel dari citra tanda tangan ke sebuah vektor
yang dinamakan tou.
[
]
17
T = Matriks tou / Matriks awal = N x P,
N = jumlah vekor = jumlah citra,
P = ukuran citra.
2. Menghitung noise yang merupakan rata – rata dari semua vektor tou.
∑
(2.20)
= vektor rata – rata = noise,
= vektor tou ke-i.
Sehingga diperoleh vektor [ ]
3. Menghitung vektor fi yang merupakan vektor tou yang bebas noise.
(2.21)
= vektor fi.
Vektor – vektor yang diperoleh digabung menjadi matriks A.
[
]
4. Menghitung matriks covariance.
∑
(2.22)
C = vektor covariance,
AT = transpose dari matriks A.
Vektor – vektor yang diperoleh digabung menjadi matriks covariance.
[
]
18
5. Menghitung nilai eigen.
( ) (2.23)
= nilai eigen,
I = matriks identitas.
6. Menghitung vektor eigen.
( ) (2.24)
= vektor eigen.
Sehingga dihasilkan vektor V dengan elemen :
[
]
Vektor V diurutkan berdasarkan nilai eigen terbesar dan disimpan dalam
matriks GoodV.
7. Dibangun matriks yang mewakili citra awal.
(2.25)
Diperoleh matriks construct yang bila dikonversi menjadi citra
menghasilkan principal component.
[
]
Ct = elemen dari matriks construct.
8. Membentuk matriks Extract.
(2.26)
19
[
]
e = elemen dari matriks extract.
9. Normalisasi.
(
) ( ) (2.27)
20
Bab III. Desain Sistem
Pada bab ini diuraikan desain sistem yang akan dibuat untuk klasifikasi
tanda tangan manusia menggunakan metode jaringan syaraf tiruan
backpropagation sehingga menghasilkan akurasi yang optimal.
3.1 Data
Dalam klasifikasi tanda tangan dengan metode jaringan syaraf tiruan
backpropagation ini digunakan 5 tipe tanda tangan berbeda yang dimiliki oleh 5
orang yang berbeda. Setiap tipe tanda tangan terdiri dari 80 gambar yang akan
dijadikan sebagai data. Tipe tanda tangan yang akan digunakan dalam klasifikasi
tanda tangan ditunjukkan pada tabel 3.1 (gambar seluruh tanda tangan terdapat
pada halaman L-82 sampai dengan L-86).
Tabel 3.1 Tipe Tanda Tangan.
Nomor Nama Tipe Tanda Tangan
1. BERNADETA PUTRI
21
Nomor Nama Tipe Tanda Tangan
2. KURNIANINGTYAS
3. TIMOTIUS ARI
4. NUGRAHAYUNINGSIH
5. JB. MAHENDRA
Pada sistem klasifikasi tanda tangan ini, digunakan metode five fold untuk
membagi data menjadi 5 bagian. Dimana 4 bagian digunakan untuk data training
sedang 1 bagian yang lain digunakan untuk data testing.
22
Terdapat 80 sample untuk setiap tipe tanda tangan yang diambil dari 5
orang.
Dari hasil perhitungan diperoleh 16 feature tanda tangan untuk setiap
bagian.
Tabel 3.2 Pembagian Feature.
Bagian Orang 1
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 3
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 5
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 2
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
Bagian Orang 4
1 16 feature
2 16 feature
3 16 feature
4 16 feature
5 16 feature
23
Karena menggunakan metode five fold, maka dilakukan percobaan untuk
training dan testing sebanyak 5 kali untuk setiap tipe tanda tangan. 4 bagian ( 320
feature) digunakan untuk data training dan 1 bagian ( 80 feature) digunakan untuk
data testing.
Tabel 3.3 Percobaan.
Percobaan Training Testing
1 Bagian 1, 2, 3, 4 Bagian 5
2 Bagian 1, 2, 3, 5 Bagian 4
3 Bagian 1, 2, 4, 5 Bagian 3
4 Bagian 1, 3, 4, 5 Bagian 2
5 Bagian 2, 3, 4, 5 Bagian 1
Pada tabel 3.3 ditunjukkan banyaknya percobaan yang akan dilakukan dan
kelompok data yang digunakan sebagai data training dan data testing. Jika
feature bagian 1, 2, 3, dan 4 digunakan untuk data training, maka feature bagian 5
digunakan untuk data testing begitu seterusnya sesuai table 3.3.
24
3.2 Desain Sistem
Feature Hasil
Ekstraksi
Jaringan
Optimal
Ekstraksi Feature
Dengan PCA
Training dan Testing
JST Backpropagation
Pengenalan
Feature Asli
Tanda Tangan .JPG
Tanda Tangan
Dikenali
Gambar 3.1 Garis Besar Sistem Pengenalan.
Pada gambar 3.1 dijelaskan mengenai tahapan – tahapan yang dilakukan
dalam sistem pengenalan tanda tangan. Dimulai dari feature asli tanda tangan
sebagai data mentah untuk proses ekstraksi feature dengan metode PCA. Dari
proses ekstraksi feature dihasilkan feature yang dimensinya lebih kecil dibanding
data mentah. Feature yang telah direduksi dijadikan data masukan dalam tahap
training dan testing dengan metode jaringan syaraf tiruan backpropagation,
tahapan terakhir dalam sistem yang dibuat adalah tahap pengenalan. Hasil
pengenalan barupa identitas pemilik tanda tangan.
25
3.2.1 Ekstraksi Feature.
Dalam tahap ekstraksi feature klasifikasi tanda tangan manusia digunakan
metode Principal Component Analysis (PCA). PCA digunakan karena mampu
mereduksi ukuran suatu obyek sehingga ukuran menjadi lebih ringkas dan mampu
mengambil karakteristik yang penting dari obyek yang diolah. Jika dimensi dari
obyek lebih kecil dan informasi yang terkandung lebih padat, maka obyek tersebut
akan lebih spesifik dibandingkan dengan obyek yang belum diolah sebelumnya.
Hal ini akan mempermudah proses pengenalan obyek lebih lanjut. Komponen
yang diperlukan dalam proses ekstraksi feature adalah 400 citra tanda tangan yang
berekstensi .jpg dengan ukuran 100x100.
Mulai
Citra Tanda
Tangan
Binerisasi
Perhitungan Principal
Component (PCA)
Normalisasi
Feature Hasil
Ekstraksi
Perhitungan
Rata-rata Vektor Baris
Selesai
Gambar 3.2 Tahap Ekstraksi Feature.
26
Gambar 3.2 menunjukkan tahapan yang dilalui dalam tahap ekstraksi
feature. Tahapan yang ada dalam ekstraksi feature yaitu :
1. Citra Tanda Tangan.
Data masukan yang digunakan adalah citra tanda tangan dengan
tingkat keabuan (gray-scale image) yang berekstensi *.jpg dan berukuran
100x100. Citra tanda tangan yang digunakan diubah ke bentuk vektor
baris. Sehingga untuk 1 citra tanda tangan terbentuk vektor baris dengan
ukuran 1x10000.
2. Tahap Binerisasi.
Nilai piksel yang semula terdiri dari tingkat keabu – abuan,
dikonversi menjadi 0 sampai 1. Konversi dari tingkat keabu-abuan menjadi
nilai 0-1 ini disebuat binerisasi. Hasil binerisasi adalah berupa vektor baris
yang bernilai 0-1 untuk setiap elemennya. Vektor baris hasil binerisasi
kemudian disusun menjadi matriks yang diberi nama tou ( T ). Karena
setiap vektor baris berukuran 1x10000, maka ukuran matriks tou
400x10000.
3. Tahap Perhitungan PCA.
Pada tahap ini dihitung noise pada matriks tou, dibuat matriks baru
(fi) yang merupakan matriks tou yang bebas noise, dihitung nilai pembeda
(eigen value), dibuat vektor eigen (Veigen) yang diurutkan (GoodV)
berdasarkan nilai eigen terbesar dan membentuk principal component
(construct) yang telah direduksi ukurannya (extract).
27
Noise adalah rata – rata dari semua matriks tou yang dihitung
menggunakan rumus (2.20). Setelah diperoleh nilai noise untuk matriks
tou, disusun matriks baru fi dimana setiap vektor baris dari matriks fi bebas
noise dengan menggunakan rumus (2.21). Proses berikutnya dihitung
matriks covariance dengan rumus (2.22) yang digunakan untuk
menghitung nilai eigen dengan rumus (2.23). Dari nilai eigen, dihitung
vektor eigen dengan rumus (2.24). Vektor eigen yang diperoleh diurutkan
berdasar nilai eigen terbesar kemudian disimpan dalam matriks GoodV.
Dibangun matriks yang mewakili citra awal dengan rumus (2.25). Proses
construct menghasilkan suatu matriks principal component. Principal
component yang diperoleh diambil inti sarinya melalui proses ekstraksi
dengan rumus (2.26) yang menghasilkan matriks extract.
4. Tahap Normalisasi.
Nilai dari matriks principal component (extract) dikonversi
menjadi nilai bipolar antar -1 sampai dengan 1 dengan menggunakan
rumus (2.27).
5. Rata – rata Vektor Baris.
Setiap vektor baris dari matriks principal component yang telah
dinormalisasi, dibagi menjadi 20 bagian. Setiap bagian dari vektor baris
dijumlah kemudian dihitung rata-ratanya.
6. Feature Hasil Ekstraksi.
Data yang dihasilkan dari ekstraksi feature adalah berupa matriks
yang ukurannya lebih kecil dibanding dengan matriks tou, yang kemudian
28
dijadikan sebagai input JST backpropagation.
Contoh perhitungan PCA terdapat pada halaman L-74 hingga halaman L-
81.
3.2.2 Perancangan JST Backpropagation.
Setelah dilakukan tahap ekstraksi feature, tahap selanjutnya dilakukan
pengenalan dengan metode JST backpropagation. Komponen yang diperlukan
dalam JST backpropagation antara lain :
1. Lapisan Tersembunyi (Hidden Layer)
Dalam penelitian ini dilakukan percobaan JST Backpropagation
dengan 1 hidden layer dan 2 hidden layer.
2. Unit Tersembunyi (node)
Unit tersembunyi yang akan dipakai dalam penelitian adalah 150,
175, 200, 225, dan 250 pada JST Backpropagation dengan 1 hidden layer.
Sedang pada JST Backpropagation dengan 2 hidden layer, unit
tersembunyi yang digunakan untuk layer pertama adalah jumlah unit
tersembunyi pada percobaan 1 hidden layer dan untuk layer kedua
digunakan unit dengan jumlah 25, 50, 75, 100, 125.
3. Fungsi Aktivasi
Fungsi aktivasi yang digunakan dalam penelitian adalah logsig.
4. Target
Target keluaran yang dipakai untuk setiap tipe tanda tangan adalah
1, 0, 0, 0, 0 untuk tipe tanda tangan orang ke-1; 0, 1, 0, 0, 0 untuk tipe
tanda tangan orang ke-2; 0, 0, 1, 0, 0 untuk tipe tanda tangan orang ke-3; 0,
29
0, 0, 1, 0 untuk tipe tanda tangan orang ke-4 dan 0, 0, 0, 0, 1 untuk tipe
tanda tangan orang ke-5.
5. Epochs
Dalam penelitian ini digunakan batas epoch 50000 untuk JSTBP
dengan 1 hidden layer dan 20000 untuk JSTBP dengan 2 hidden layer.
6. Kecepatan Pembelajaran
Dalam penelitian ini kecepatan pembelajaran yang dipakai sebesar
0,1, baik untuk 1 hidden layer atau 2 hidden layer.
Pembentukan JSTBP Model JST
Klasifikasi JST Hasil Klasifikasi
Feature Hasil
Ekstraksi
TRAINING
TESTING
Pengenalan
Tanda Tangan
Dikenali
Gambar 3.3 Proses Pengenalan dengan Metode JST Backpropagation.
Di dalam tahap pengenalan dengan menggunakan metode
backpropagation terdapat 3 sub tahap yang harus dilalui yaitu tahap pelatihan
(training), tahap pengujian (testing) dan tahap pengenalan.
30
3.2.2.1 Tahap Pelatihan (Training).
Pembentukan JSTBP Model JST320 Feature
Hasil Ekstraksi
TRAINING
Bobot dan Bias
Gambar 3.4 Skema Tahap Pelatihan.
Data training diperoleh dari perhitungan menurut metode five fold.
Feature tanda tangan dari setiap orang diambil 4 bagian feature yang masing –
masing bagian terdiri dari 16 feature.
Sebanyak 320 data hasil ekstraksi feature digunakan untuk membentuk
jaringan backpropagation. Jaringan yang telah dibentuk kemudian dilakukan
proses training dan menghasilkan model jaringan syaraf tiruan yang berupa bobot
dan bias.
31
3.2.2.2 Tahap Pengujian (Testing)
Klasifikasi JST Hasil Klasifikasi80 Feature
Hasil Ekstraksi
TESTING
Data Benar
Orang ke-1
Data Benar
Orang ke-2
Data Benar
Orang ke-4
Data Benar
Orang ke-3
Data Benar
Orang ke-5
Bobot dan Bias
Gambar 3.5 Skema Tahap Pengujian.
Data testing diperoleh dari perhitungan menurut metode five fold. Feature
tanda tangan dari setiap orang diambil 1 bagian feature yang masing – masing
bagian terdiri dari 16 feature.
Dengan menggunakan 80 data hasil ekstraksi feature dilakukan
klasisifikasi. Klasifikasi dilakukan dengan cara membandingkan model jaringan
syaraf tiruan yang telah terbentuk pada tahap training dengan data testing. Dari
tahap klasifikasi, dihasilkan hasil klasifikasi tanda tangan yang berupa jumlah data
yang dapat dikenali dengan benar dari setiap kelompok tanda tangan.
3.2.2.3 Penghitungan Akurasi.
Karena menggunakan metode five fold dalam pembagian data, maka
dilakukan 5 kali percobaan training dan testing. Hasil dari percobaan berupa
confusion matrix. Confusion matrix menunjukkan data yang dikenali sesuai
32
dengan kelompok data.
Dari hasil klasifikasi dilakukan penghitungan berapa tanda tangan orang
ke-1 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3, orang
ke-4, dan orang ke-5; tanda tangan orang ke-2 yang dikenali sebagai tanda tangan
orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda tangan
orang ke-3 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2, orang ke-3,
orang ke-4, dan orang ke-5; tanda tangan orang ke-4 yang dikenali sebagai tanda
tangan orang ke-1, orang ke-2, orang ke-3, orang ke-4, dan orang ke-5; tanda
tangan orang ke-5 yang dikenali sebagai tanda tangan orang ke-1, orang ke-2,
orang ke-3, orang ke-4, dan orang ke-5.
Confusion matrix yang dihasilkan dari percobaan di sajikan dengan tabel
sebagai berikut :
Tabel 3.4 Confusion matrix.
M1 M2 M3 M 4 M 5
M1 X
M2 X
M3 X
M4 X
M5 X
Dari confusion matrix dihitung besar akurasi. Penghitungan akurasi
dilakukan untuk melihat seberapa optimal jaringan syaraf tiruan backpropagation
dalam mengenali pola tanda tangan manusia.
33
∑
∑
∑ = jumlah angka pada diagonal matriks,
∑ = keseluruhan data yang digunakan untuk
pengujian / testing.
3.2.2.4 Tahap Pengenalan.
Dari perhitungan akurasi dapat disimpulkan jaringan mana yang paling
optimal yang digunakan untuk tahap pengenalan. Akurasi yang menghasilkan
nilai paling maksimum didapat dari jaringan yang paling optimal pula.
Pengenalan dilakukan dengan membandingkan model jaringan yang diperoleh
dari tahap training dan data pengenalan. Hasil dari tahap pengenalan berupa
identitas individu pemilik tanda tangan.
Tanda Tangan
dikenali
(Jaringan Optimal)
Pengenalan
Data yang akan
dikenali
PENGENALAN
Gambar 3.6 Skema Tahap Pengenalan.
34
3.3. Desain User Interface
Berikut ini adalah contoh user interface dari sistem yang akan dibangun.
User interface dibuat sedemikian sederhana guna untuk memudahkan user dalam
pemakaiannya.
1. Tampilan Awal.
Gambar 3.7 Tampilan Awal.
Gambar 3.7 menunjukkan tampilan awal dari aplikasi yang akan
dibuat. Terdapat 2 menu utama. Yang pertama adalah menu yang terdiri
dari sub menu pengujian 1,pengujian 2, dan pengenalan. Sedang menu
yang kedua adalah bantuan.
35
2. Halaman Pengujian dengan 1 Hidden Layer.
Gambar 3.8 Halaman Pengujian 1.
Gambar 3.8 menunjukkan halaman pengujian dengan
menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’
yang digunakan untuk data training dan data testing. Jumlah node dapat
dipilih pada pop up menu ‘node’. Dengan menekan tombol ‘proses’ maka
pengujian dengan 1 hidden layer dapat dijalankan. Kotak proses
menampilkan tahapan yang dilalui dalam pengujian. Kotak hasil
menampilkan confusion matrix dari proses pengujian. Untuk keluar
halaman tekan tombol ‘selesai’.
36
3. Halaman Pengujian dengan 2 Hidden Layer.
Gambar 3.9 Halaman Pengujian 2.
Gambar 3.9 menunjukkan halaman pengujian dengan
menggunakan 1 layer tersembunyi. Kotak data ditampilkan banyak ‘data’
yang digunakan untuk data training dan data testing. Jumlah node pada
hidden layer pertama dapat dipilih pada pop up menu ‘node 1’ sedang
untuk jumlah node pada hidden layer kedua dapat dipilih pada pop up
menu ‘node 2’. Dengan menekan tombol ‘proses’ maka pengujian dengan
2 hidden layer dapat dijalankan. Kotak proses menampilkan tahapan yang
dilalui dalam pengujian. Kotak hasil menampilkan confusion matrix dari
proses pengujian. Untuk keluar halaman tekan tombol ‘selesai’.
37
4. Halaman Pengenalan.
Gambar 3.10 Halaman Pengenalan.
Gambar 3.10 menunjukkan halaman pengenalan. Dengan
menekan tomol ‘buka’ dapat ditampilkan gambar tanda tangan yang akan
dikenali sesuai dengan nama file yang dipilih. Untuk mengetahui identitas
pemilik tanda tangan, tekan tombol ‘proses’ maka pada kotak ‘dikenali
akan muncul identitas’ yang berupa nama. Untuk keluar dari halaman
pengenalan, tekan tombol ‘selesai’.
38
5. Halaman Bantuan.
Gambar 3.11 Halaman Bantuan.
Pada gambar 3.11 menampilkan bantuan berupa langkah-
langkah penggunaan system. Untuk keluar dari halaman bantuan, tekan
tombol ‘selesai’.
39
Bab IV. Implementasi dan Analisis Hasil
Pada bab ini dibahas mengenai hasil penelitian dan analisis hasil penelitian
dari implementasi sistem yang telah dibuat. Hasil penelitian berupa perbandingan
akurasi yang diperoleh dari percobaan metode backpropagation berdasarkan
jumlah hidden layer serta jumlah node pada setiap hidden layer yang digunakan.
Pada bab ini juga dibahas mengenai user interface yang dibangun berdasar
algoritma yang telah dirancang.
4.1 Hasil Penelitian dan Analisa.
Dalam penelitian yang telah dilakukan, penulis menggunakan 5 tipe tanda
tangan yang dimilki oleh 5 orang yang berbeda. Setiap orang mempunyai 1 tipe
tanda tangan. Setiap tipe tanda tangan terdiri dari 80 tanda tangan. Dengan kata
lain setiap orang membuat 80 tanda tangan yang sama. Sehingga diperoleh 400
data tanda tangan untuk 5 tipe tanda tangan. Data tanda tangan berupa image
tanda tangan yang berekstensi .jpg berukuran 100x100 piksel. Pada 400 data tanda
tangan kemudian dilakukan reduksi piksel pada tahap ekstraksi feature untuk
menghasilkan piksel yang lebih kecil tanpa mengurangi informasi yang penting
dari data asli. Ekstraksi feature dilakukan dengan metode principal component
analysis (PCA). Dari 400 data hasil ektraksi feature dibagi menjadi 2 bagian, 320
data digunakan untuk data training sedang 80 sisa data digunakan untuk data
testing. Hasil penelitian didasarkan pada 2 percobaan. Percobaan pertama
dilakukan dengan menambah 1 hidden layer pada jaringan backpropagation.
Percobaan kedua dilakukan dengan menambah 2 hidden layer pada jaringan
40
backpropagation. Dari percobaan kemudian dipilih jaringan yang menghasilkan
akurasi paling tinggi untuk tahap pengenalan.
Tabel 4.1 Hasil Percobaan 1 Hidden Layer.
No. Jumlah
Node
Percobaan
Ke-1 Ke-2 Ke-3 Ke-4 Ke-5
1. 150 85,25% 84,25% 85,00% 83,00% 85,50%
2. 175 85,75% 82,50% 87,75% 85,75% 85,50%
3. 200 86,50% 84,00% 83,50% 84,75% 84,25%
4. 225 84,75% 83,25% 86,75% 85,75% 84,75%
5. 250 87,50% 84,50% 84,50% 83,75% 87,25%
Pada tabel 4.1 ditunjukkan hasil percobaan jaringan backpropagation
dengan 1 hidden layer (confusion matrix tiap percobaan terdapat pada halaman L-
87 hingga L-91). Dari 25 kali percobaan yang telah dilakukan, jaringan syaraf
tiruan terbaik didapat pada percobaan ke tiga dengan jumlah node pada hidden
layer adalah 175 dan mencapai akurasi sebesar 87,75%. Jumlah node yang
menghasilkan akurasi paling tinggi digunakan untuk inputan jumlah node hidden
layer pertama pada percobaan selanjutnya, percobaan menggunakan 2 hidden
layer.
Tabel 4.2 Hasil Percobaan 2 Hidden Layer.
No. Jumlah
Node
Layer
ke-1
Jumlah
Node
Layer
ke-2
Percobaan
Ke-1 Ke-2 Ke-3 Ke-4 Ke-5
1. 150 25 88,75% 89,75% 92,00% 90,00% 88,25%
50 88,75% 88,75% 90,00% 90,75% 90,75%
75 88,25% 89,25% 89,00% 89,00% 89,50%
100 88,50% 88,50% 86,00% 90,75% 89,50%
125 88,00% 87,75% 87,25% 88,75% 87,75%
41
No. Jumlah
Node
Layer
ke-1
Jumlah
Node
Layer
ke-2
Percobaan
Ke-1 Ke-2 Ke-3 Ke-4 Ke-5
2 175 25 89,75% 89,25% 88,75% 89,25% 89,75%
50 90,50% 90,75% 89,00% 91,25% 89,75%
75 86,50% 90,25% 89,00% 89,75% 89,50%
100 88,75% 90,75% 90,75% 89,75% 86,75%
125 88,75% 87,25% 88,50% 86,00% 88,00%
3 200 25 90,00% 89,50% 91,50% 90,25% 91,50%
50 90,25% 90,25% 90,25% 91,00% 89,75%
75 89,75% 89,25% 90,50% 89,00% 90,00%
100 88,25% 89,75% 90,00% 90,75% 89,25%
125 88,00% 88,25% 89,50% 88,00% 90,00%
4 225 25 90,75% 91,00% 90,50% 89,25% 89,25%
50 91,75% 89,75% 89,25% 90,00% 88,50%
75 91,50% 91,75% 89,75% 89,25% 89,75%
100 91,00% 91,00% 90,75% 89,00% 90,25%
125 89,25% 87,75% 89,25% 88,75% 89,75%
5 250 25 91,75% 89,75% 90,25% 90,75% 92,25%
50 91,00% 89,00% 92.25% 90,25% 91.50%
75 90,25% 91,25% 92,00% 91,75% 91,75%
100 87,75% 89,25% 90,75% 91,25% 89,75%
125 87,75% 89,50% 89,50% 88,50% 89,75%
Pada tabel 4.2 ditunjukkan hasil percobaan jaringan backpropagation
dengan 2 hidden layer (confusion matrix tiap percobaan terdapat pada halaman L-
1 hingga L-25). Dari 125 kali percobaan yang telah dilakukan, jaringan syaraf
tiruan terbaik didapat pada percobaan ke lima dengan jumlah node pada hidden
layer pertama adalah 250 dan node pada hidden layer kedua adalah 25.
Dihasilkan akurasi sebesar 92,25%.
Dari percobaan yang telah dilakukan, maka dapat disimpulkan bahwa
jaringan syaraf tiruan backpropagation dengan menggunakan 2 hidden layer
42
menghasilkan akurasi yang lebih tinggi dibanding dengan jaringan syaraf tiruan
backpropagation dengan 1 hidden layer. Dengan kata lain pembentukan model
menggunakan metode jaringan syaraf tiruan backpropagation dengan 2 hidden
layer dihasilkan hasil yang lebih optimal dibanding dengan 1 hidden layer saja.
Confusion matrix yang dihasilkan dari percobaan menggunakan 2 hidden
layer dimana jumlah node pada hidden layer pertama sebanyak 250 dan pada
hidden layer kedua sebanyak 25 adalah sebagai berikut :
Tabel 4.3 Confusion Matrix Hasil Percobaan.
TTD 1 TTD2 TTD3 TTD 4 TTD 5
TTD 1 70 0 8 2 0
TTD 2 0 79 0 1 0
TTD 3 7 0 71 0 2
TTD 4 5 1 0 74 0
TTD 5 0 0 5 0 75
Dari confusion matrix pada tabel 4.3 diketahui bahwa setiap kolom dari
matriks mewakili tipe tanda tangan yang dikenal, sedangkan baris mewakili
klasifikasi yang diberikan oleh system untuk setiap tipe tanda tangan. Tanda
tangan dapat diklasifikasikan dengan sangat baik sesuai dengan tipe masing-
masing, terbukti dari data yang dikenali dengan baik mencapai 92,25% sedang
yang tidak dikenali hanya 7,25% . Sistem dapat mengenali dengan sangat baik
43
pada pola tanda tangan orang ke-2, dan sistem kurang baik dalam mengenali pola
tanda tangan orang ke-1.
Dari tabel confusion matrix juga ditunjukkan bahwa tipe tanda tangan
orang ke-1 dikenali sebagai tipe tanda tangan orang ke-3 dengan jumlah yang
cukup banyak yaitu sebanyak 8. Jika dilihat dengan mata telanjang, kedua tipe
tanda tangan ini mempunyai kesamaan berupa banyaknya garis tegak vertikal
yang digunakan dan sama-sama menggunakan garis bawah.
Tabel 4.4 Perbandingan Tipe Tanda Tangan .
Nomor Nama Tipe Tanda Tangan
1. BERNADETA PUTRI
3. TIMOTIUS ARI
44
4.2 Implementasi User Interface.
Implementasi sistem klasifikasi tanda tangan dengan JST Backpropagation
ini dibangun dengan menggunakan program matlab 6.5.1. Source code program
terdapat pada halaman L-26 hingga halaman L-73.
4.2.1 Menu Utama
Gambar 4.1 Menu Utama.
Gambar 4.1 ditunjukkan halaman menu utama sistem yang telah dibuat.
Pada halaman menu utama ditampilkan judul dari sistem yang dibuat dan nama
dari pembuat sistem. Terdapat 3 menu pilihan, yaitu :
45
1. Menu.
Di dalam pilihan Menu terdapat 3 sub menu yang dapat dipilih,
antara lain ‘Pengujian 1’ yang digunakan untuk menampilkan halaman
‘Pengujian Backpropagation Dengan 1 Hidden Layer’, ‘Pengujian 2’ yang
digunakan untuk menampilkan halaman Pengujian Backpropagation
Dengan 2 Hidden Layers’, dan ‘Pengenalan’ yang digunakan untuk
menampilkan halaman ‘Pengenalan Tanda Tangan Dengan
Backpropagation’.
2. Informasi.
Di dalam pilihan Informasi terdapat sub menu ‘Bantuan’ yang
berisi mengenai langkah – langkah menggunakan system, serta keterangan
dari konten yang ada di dalamnya. Bantuan yang ditampilkan baik
mengenai pengujian backpropagation dengan 1 hidden layer, pengujian
backpropagation dengan 2 hidden layer, serta mengenai pengenalan tanda
tangan.
3. Keluar.
Pilihan ‘Keluar’ digunakan untuk keluar dari sistem.
46
4.2.2 Pengujian 1.
Gambar 4.2 Halaman Pengujian dengan 1 Hidden Layer.
Pada gambar 4.2 ditunjukkan halaman pengujian backpropagation dengan
1 hidden layer. Jumlah keseluruhan data yang digunakan adalah 400 dimana
sebanyak 320 digunakan untuk data training dan 80 sisanya digunakan untuk data
testing. Jumlah node pada hidden layer dapat dipilih pada pop up menu yang
dinamakan jumlah node.
Tombol proses digunakan untuk memulai proses training. Pada layar
proses ditampilkan parameter yang digunakan dalam tahap training. Parameter
tersebut adalah besar laju pembelajaran, goal yang harus dicapai, dan besar
momentum. Selain itu ditampilkan juga 5 tahapan training karena system
47
menggunakan metode five fold dalam pembagian data. Setiap tahap training yang
dilakukan ditampilkan grafik 4.1 yang merupakan gambar grafik training.
Grafik 4.1 Training untuk 1 Hidden Layer.
Setelah proses training selesai ditampilkan confusion matrix dimana nilai
diagonal dari matriks tersebut adalah data yang dapat dikenali dengan benar.
Nilai diagonal dari confusion matrix dijumlahkan dan ditampilkan sebagai data
benar. Waktu menunjukkan lama dari seluruh tahap training. Sedang akurasi
adalah persentase dari jumlah data benar.
Untuk keluar dari halaman pengujian backpropagation dengan 1 hidden
layer digunakan tombol selesai.
48
4.2.3 Pengujian 2.
Gambar 4.3 Halaman Pengujian dengan 2 Hidden Layer.
Pada gambar 4.3 ditunjukkan halaman pengujian backpropagation dengan
2 hidden layer. Jumlah keseluruhan data yang digunakan adalah 400 dimana
sebanyak 320 digunakan untuk data training dan 80 sisanya digunakan untuk data
testing. Jumlah node hidden layer pertama dipilih pada pop up menu layer ke-1
sedang jumlah node hidden layer kedua dipilih pada pop up menu layer ke-2.
Tombol proses digunakan untuk memulai proses training. Pada layar
proses ditampilkan parameter yang digunakan dalam tahap training. Parameter
tersebut adalah besar laju pembelajaran, goal yang harus dicapai, dan besar
momentum. Selain itu ditampilkan juga 5 tahapan training karena sistem
49
menggunakan metode five fold dalam pembagian data. Setiap tahap training yang
dilakukan ditampilkan grafik 4.2 yang merupakan gambar grafik training.
Grafik 4.2 Training untuk 2 Hidden Layer.
Setelah proses training selesai ditampilkan confusion matrix dimana nilai
diagonal dari matriks tersebut adalah data yang dapat dikenali dengan benar. Nilai
diagonal dari confusion matrix dijumlahkan dan ditampilkan sebagai data benar.
Waktu menunjukkan lama dari seluruh tahap training. Sedang akurasi adalah
persentase dari jumlah data benar.
Untuk keluar dari halaman pengujian backpropagation dengan 2 hidden
layer digunakan tombol selesai.
50
4.2.4 Pengenalan.
Gambar 4.4 Halaman Pengenalan Tanda Tangan.
Pada gambar 4.4 ditunjukkan halaman pengenalan tanda tangan. Diawali
dengan membuka file gambar tanda tangan yang akan dikenali. Tombol buka akan
menampilkan kotak file selector (gambar 4.5) yang digunakan untuk memilih file
gambar tanda tanagan yang akan dikenali.
Gambar 4.5 Kotak File Selector Image Tanda Tangan.
51
Setelah file gambar dipilih kemudian ditampilkan gambar tanda tangan
sesuai dengan nama file yang dipilih. Untuk proses pengenalan dilakukan dengan
menekan tombol proses. Setelah proses pengenalan selesai akan ditampilkan nama
individu sebagai pemilik bentuk tanda tangan. Untuk keluar dari halaman
pengenalan tekan tombol selesai.
4.2.5 Bantuan.
Gambar 4.6 Halaman Bantuan.
Pada gambar 4.6 ditunjukkan halaman bantuan yang berisi petunjuk
penggunaan sistem.
52
Bab V. Penutup
5.1 Kesimpulan
Berdasarkan hasil penelitian untuk klasifikasi tanda tangan manusia
dengan menggunakan metode jaringan syaraf tiruan backpropagation, maka dapat
ditarik kesimpulan sebagai berikut :
1. Dari penelitian dengan menggunakan 400 data tanda tangan yang terdiri
dari 5 pola tanda tangan, terbukti bahwa jaringan syaraf tiruan
backpropagation merupakan metode yang efektif untuk klasifikasi tanda
tangan dengan tingkat akurasi diatas 92,25%.
2. Arsitektur jaringan syaraf tiruan backpropagation dengan 2 hidden layer
lebih optimal dibandingkan jaringan dengan 1 hidden layer. Pada
jaringan menggunakan 1 hidden layer dihasilkan akurasi sebesar 87,75%
sedang untuk jaringan menggunakan 2 hidden layer dihasilkan akurasi
sebesar 92,25% dengan jumlah node pada hidden layer pertama adalah
250 dan jumlah node pada hidden layer kedua adalah 25.
3. Ekstraksi feature dengan metode principal component analysis (PCA)
adalah metode yang efektif untuk mereduksi ukuran suatu obyek sehingga
ukuran menjadi lebih ringkas dan mampu mengambil karakteristik yang penting
dari obyek yang diolah.
4. Sistem ini hanya digunakan untuk mengenali 5 pola tanda tangan. Untuk
mengenali pola tanda tangan yang lebih dari 5 pola, struktur jaringan dapat
dimodifikasi pada jumlah node pada hidden layer pertama dan hidden layer
53
kedua untuk menghasilkan jaringan yang paling optimal. Target yang
digunakan disesuaikan dengan jumlah pola tanda tangan yang digunakan.
5.2 Saran
Setelah melakukan evaluasi terhadap sistem secara keseluruhan, penulis
berharap tugas akhir ini dapat dikembangkan lebih lanjut dengan saran-saran
pengembangan sebagai berikut :
1. Metode Ekstraksi Ciri.
Perlu dibandingkan metode ekstraksi ciri PCA (Principal Component
Analysis) yang telah digunakan penulis dengan metode lain seperti LDA
(Linear Discriminant Analysis) untuk mendapatkan jaringan yang lebih
optimal.
2. Aplikasi Sesungguhnya.
Untuk aplikasi sesungguhnya di dunia nyata, maka sistem yang telah dibuat :
1. Diaplikasikan dengan menggunakan light pen sebagai sarana masukan
untuk memberikan data ke komputer.
2. Dibangun menggunakan data base untuk menyimpan data tanda tangan.
3. Sistem dilengkapi dengan penanganan merubah ukuran gambar secara
otomatis.
Gambar tanda tangan yang dicetak dengan menggunakan light pen akan
masuk sebagai data pada sistem pengenalan yang telah terinstal pada
komputer. Gambar akan langsung diproses untuk menyesuaikan dengan
ukuran yang telah ditentukan. Setelah ukuran gambar sesuai dengan standar
54
sistem, dilakukan ekstraksi ciri untuk mendapatkan data yang dapat
dibandingkan dengan data yang tersimpan pada data base.
55
Daftar Pustaka
Ahmad Hidayatno, Isnanto Rizal R., Kurnia, Dian. (2008), Identifikasi Tanda
Tangan Menggunakan Jaringan Syaraf Tiruan Perambatan Balik
(Backpropagation), Jurnal Teknologi, Universitas Diponegoro, 100 – 106.
Arif Wijaya. (2005), Pembuatan Aplikasi Pengenalan Tanda Tangan dengan
Metode Stroke Histogram, Tugas Akhir, Universitas Kristen Petra.
Aris Sugiharto. (2006), Pemrograman GUI dengan MATLAB, Yogyakarta, Andi
Offset.
Drs.Jong Jek Siang, M.Sc. (2005), Jaringan Syaraf Tiruan dan Pemrogramanya
Menggunakan Matlab, Yogyakarta, Andi Offset.
Drs. Sahid, M.Sc. (2006), Panduan Praktis Matlab, Yogyakarta, Andi Offset.
Gilang Romadina Soraya. (2008), Aplikasi Pengenalan Tanda Tangan dengan
Metode Moment Invariant, Tugas Akhir, Universitas Gunadarma.
Gunaidi Abdia Away. (2006), Matrix Laboratory Matlab Programming,
Bandung, Indormatika Bandung.
56
Jus Vilda. (2009), Pengenalan Pola Tanda Tangan Menggunakan Metode
Ekstraksi Ciri DCT, DFT, dan Filter 2D Gabor Wavelet, Tugas Akhir,
Institut Teknologi Telkom.
Sri Kusuma Dewi, Sri Hartati. (2006), Neuro-Fuzzy, Yogyakarta, Andi Offset.
Wahyu Agung Prasetyo. (2004), Tips dan Trik Matlab, Yogyakarta, Andi Offset.
Wikaria Gazali, Lyli. (2003), Perancangan Program Aplikasi Pengenalan Wajah
Berbasiskan Jaringan Syaraf Tiruan dengan Menerapkan Metode Principal
Component Analysis, Risalah Lokakarya Komputasi, Universitas Bina
Nusantara, 87 - 170.
57
LAMPIRAN
L - 1
Tabel 4.10 Hasil Percobaan ke-1 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 150).
Node hidden layer ke-2 = 25
65 0 8 4 3
0 79 0 1 0
6 0 69 0 5
6 1 0 73 0
7 0 4 0 69
Akurasi = 88,75%
Node hidden layer ke-2 = 75
65 0 9 4 2
0 79 0 1 0
10 0 66 0 4
9 0 0 71 0
2 0 6 0 72
Akurasi = 88,25%
Node hidden layer ke-2 = 50
62 0 10 6 2
0 79 0 1 0
7 0 69 0 4
6 3 0 71 0
2 0 4 0 74
Akurasi = 88,75%
Node hidden layer ke-2 = 100
64 0 7 5 4
0 80 0 0 0
10 1 64 1 4
6 0 0 74 0
1 0 7 0 72
Akurasi = 88,50%
Node hidden layer ke-2 = 125
63 0 6 8 3
1 79 0 0 0
10 0 66 0 4
6 2 0 72 0
3 0 5 0 72
Akurasi = 88,00%
L - 2
Tabel 4.11 Hasil Percobaan ke-2 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 150).
Node hidden layer ke-2 = 25
66 1 7 3 3
0 77 0 3 0
8 0 69 0 3
4 2 0 74 0
2 0 5 0 73
Akurasi = 89,75%
Node hidden layer ke-2 = 75
63 2 5 9 1
0 80 0 0 0
7 0 70 0 3
7 0 0 73 0
2 0 7 0 71
Akurasi = 89,25%
Node hidden layer ke-2 = 50
67 0 4 8 1
0 78 0 2 0
7 0 69 0 4
6 3 0 71 0
2 0 8 0 70
Akurasi = 88,75%
Node hidden layer ke-2 = 100
58 0 12 6 4
0 78 0 2 0
6 1 69 0 4
6 1 0 73 0
0 0 4 0 76
Akurasi = 88,50%
Node hidden layer ke-2 = 125
62 1 8 8 1
1 78 0 1 0
6 0 68 0 6
7 2 0 71 0
5 0 3 0 72
Akurasi = 86,25%
L - 3
Tabel 4.12 Hasil Percobaan ke-3 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 150).
Node hidden layer ke-2 = 25
72 0 3 2 3
0 79 0 1 0
7 0 69 0 4
3 3 0 74 0
1 0 5 0 74
Akurasi = 92,00%
Node hidden layer ke-2 = 75
65 0 9 3 3
0 78 0 2 0
8 0 68 0 4
8 1 0 71 0
1 0 5 0 74
Akurasi = 89,00%
Node hidden layer ke-2 = 50
66 0 10 4 0
0 77 0 3 0
6 0 72 0 2
8 0 0 72 0
1 0 6 0 73
Akurasi = 90,00%
Node hidden layer ke-2 = 100
56 0 12 7 5
0 77 0 3 0
8 0 70 0 2
4 1 0 75 0
7 0 7 0 66
Akurasi = 86,00%
Node hidden layer ke-2 = 125
57 0 13 7 3
0 77 0 3 0
8 0 70 0 2
6 0 0 74 0
2 0 7 0 71
Akurasi = 87,25%
L - 4
Tabel 4.13 Hasil Percobaan ke-4 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 150).
Node hidden layer ke-2 = 25
63 0 10 5 2
0 80 0 0 0
6 0 71 0 3
7 1 0 72 0
1 0 5 0 74
Akurasi = 90,00%
Node hidden layer ke-2 = 75
63 0 10 7 0
0 78 0 2 0
6 0 70 0 4
7 0 0 73 0
2 0 6 0 72
Akurasi = 89,00%
Node hidden layer ke-2 = 50
67 0 9 3 1
0 80 0 0 0
7 0 71 0 2
7 0 0 73 0
2 0 6 0 72
Akurasi = 90,75%
Node hidden layer ke-2 = 100
68 0 7 5 0
0 80 0 0 0
9 0 67 0 4
6 1 0 73 0
0 0 5 0 75
Akurasi = 90,75%
Node hidden layer ke-2 = 125
64 1 7 8 0
0 78 0 2 0
8 0 68 0 4
5 0 1 74 0
5 0 4 0 71
Akurasi = 88,75%
L - 5
Tabel 4.14 Hasil Percobaan ke-5 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 150).
Node hidden layer ke-2 = 25
66 0 8 5 1
0 79 0 1 0
10 0 66 0 4
8 2 0 70 0
2 0 6 0 72
Akurasi = 88,25%
Node hidden layer ke-2 = 75
69 0 5 5 1
3 77 0 0 0
8 0 67 0 5
7 0 0 73 0
2 0 6 0 72
Akurasi = 89,50%
Node hidden layer ke-2 = 50
66 0 8 4 2
0 79 0 1 0
5 0 71 0 4
6 1 0 73 0
1 0 5 0 74
Akurasi = 90,75%
Node hidden layer ke-2 = 100
65 1 8 5 1
0 79 0 1 0
5 0 70 0 5
6 0 0 74 0
3 0 7 0 70
Akurasi = 89,50%
Node hidden layer ke-2 = 125
59 0 10 8 3
0 80 0 0 0
8 0 69 0 3
9 2 0 69 0
1 0 5 0 74
Akurasi = 87,75%
L - 6
Tabel 4.15 Hasil Percobaan ke-1 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 175).
Node hidden layer ke-2 = 25
67 0 9 4 0
0 79 1 0 0
6 0 68 0 6
6 1 0 73 0
2 0 6 0 72
Akurasi = 89,75%
Node hidden layer ke-2 = 75
56 1 9 11 3
0 78 0 2 0
6 1 68 0 5
6 1 0 73 0
3 0 6 0 71
Akurasi = 86,50%
Node hidden layer ke-2 = 50
70 0 5 5 0
0 80 0 0 0
10 0 67 0 3
7 1 0 72 0
1 0 6 0 73
Akurasi = 90,50%
Node hidden layer ke-2 = 100
62 0 8 8 2
0 79 0 1 0
5 0 69 0 6
5 0 0 75 0
2 0 8 0 70
Akurasi = 88,75%
Node hidden layer ke-2 = 125
63 0 7 8 2
0 79 0 1 0
7 0 68 0 5
7 2 0 71 0
1 0 5 0 74
Akurasi = 88,75%
L - 7
Tabel 4.16 Hasil Percobaan ke-2 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 175).
Node hidden layer ke-2 = 25
66 0 5 8 1
0 78 0 2 0
8 0 68 0 4
8 2 0 70 0
0 0 5 0 75
Akurasi = 89,25%
Node hidden layer ke-2 = 75
67 0 5 6 2
0 79 0 1 0
8 0 68 0 4
6 0 0 74 0
0 0 7 0 73
Akurasi = 90,25%
Node hidden layer ke-2 = 50
68 0 7 5 0
0 79 0 1 0
7 0 70 0 3
6 0 0 74 0
1 0 7 0 72
Akurasi = 90,75%
Node hidden layer ke-2 = 100
68 0 7 4 1
0 80 0 0 0
7 0 70 0 3
6 0 0 74 0
1 0 8 0 71
Akurasi = 90,75%
Node hidden layer ke-2 = 125
59 0 8 9 4
0 80 0 0 0
6 1 68 0 5
9 2 0 69 0
1 0 6 0 73
Akurasi = 87,25%
L - 8
Tabel 4.17 Hasil Percobaan ke-3 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 175).
Node hidden layer ke-2 = 25
63 0 12 4 1
0 80 0 0 0
7 0 69 0 4
8 1 0 71 0
2 0 6 0 72
Akurasi = 88,75%
Node hidden layer ke-2 = 75
64 0 7 6 3
1 79 0 0 0
5 0 68 0 7
6 1 0 73 0
0 0 8 0 72
Akurasi = 89,00%
Node hidden layer ke-2 = 50
66 0 7 6 1
0 79 0 1 0
6 0 69 0 5
8 2 0 70 0
2 0 6 0 72
Akurasi = 89,00%
Node hidden layer ke-2 = 100
68 0 6 5 1
0 80 0 0 0
5 0 69 0 6
6 1 0 73 0
0 0 7 0 73
Akurasi = 90,75%
Node hidden layer ke-2 = 125
62 0 9 6 3
0 79 0 13 0
6 0 71 0 3
7 1 1 71 0
1 0 8 0 71
Akurasi = 88,50%
L - 9
Tabel 4.18 Hasil Percobaan ke-4 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 175).
Node hidden layer ke-2 = 25
68 0 8 1 3
0 78 0 2 0
7 0 67 0 6
7 0 0 73 0
2 0 7 0 71
Akurasi = 89,25%
Node hidden layer ke-2 = 75
66 0 8 6 0
1 79 0 0 0
10 0 66 0 4
5 1 0 74 0
1 0 5 0 74
Akurasi = 89,75%
Node hidden layer ke-2 = 50
66 1 8 4 1
0 79 0 1 0
3 0 73 0 4
4 0 0 76 0
3 0 6 0 71
Akurasi = 91,25%
Node hidden layer ke-2 = 100
64 1 7 5 3
0 79 0 1 0
7 0 68 0 5
6 1 0 73 0
1 0 4 0 75
Akurasi = 89,75%
Node hidden layer ke-2 = 125
53 0 12 10 5
0 80 0 0 0
6 0 68 0 6
7 1 0 72 0
2 0 7 0 71
Akurasi = 86,00%
L - 10
Tabel 4.19 Hasil Percobaan ke-5 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 175).
Node hidden layer ke-2 = 25
67 0 5 6 2
0 79 0 1 0
5 0 73 0 2
9 1 0 70 0
5 0 5 0 70
Akurasi = 88,25%
Node hidden layer ke-2 = 75
62 0 9 7 2
1 78 0 2 0
6 0 71 0 3
4 2 0 74 0
2 0 5 0 73
Akurasi = 89,50%
Node hidden layer ke-2 = 50
64 0 9 5 2
0 79 0 1 0
8 0 69 0 3
4 2 0 74 0
1 0 6 0 74
Akurasi = 89,75%
Node hidden layer ke-2 = 100
58 0 9 9 4
1 78 0 1 0
5 0 69 0 6
9 1 0 70 0
2 0 6 0 72
Akurasi = 86,75%
Node hidden layer ke-2 = 125
64 0 8 7 1
1 78 0 1 0
8 0 67 0 5
7 2 0 71 0
2 0 6 0 72
Akurasi = 88,00%
L - 11
Tabel 4.20 Hasil Percobaan ke-1 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 200).
Node hidden layer ke-2 = 25
68 0 6 4 2
0 78 0 2 0
10 0 68 0 2
6 1 0 73 0
1 0 6 0 73
Akurasi = 90,00%
Node hidden layer ke-2 = 75
67 10 9 3 0
0 79 0 1 0
7 0 70 0 3
7 2 0 71 0
3 0 5 0 72
Akurasi = 89,75%
Node hidden layer ke-2 = 50
65 0 12 1 2
1 78 0 1 0
7 0 70 0 3
6 0 0 74 0
1 0 5 0 74
Akurasi = 90,25%
Node hidden layer ke-2 = 100
63 0 8 7 2
0 79 0 1 0
7 1 69 0 4
6 0 0 74 0
4 0 8 0 68
Akurasi = 88,25%
Node hidden layer ke-2 = 125
59 0 9 8 4
0 79 0 1 0
5 0 69 0 6
8 1 0 71 0
2 0 4 0 74
Akurasi = 88,00%
L - 12
Tabel 4.21 Hasil Percobaan ke-2 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 200).
Node hidden layer ke-2 = 25
59 0 10 8 3
0 79 0 1 0
4 0 73 0 3
6 0 0 74 0
3 0 4 0 73
Akurasi = 89,50%
Node hidden layer ke-2 = 75
64 0 8 5 3
0 79 0 1 0
8 0 69 0 3
5 1 0 74 0
2 0 7 0 71
Akurasi = 89,25%
Node hidden layer ke-2 = 50
66 0 8 5 1
0 79 0 1 0
6 0 70 0 4
5 1 0 74 0
2 0 6 0 72
Akurasi = 90,25%
Node hidden layer ke-2 = 100
63 1 8 4 4
0 80 0 0 0
5 1 71 0 4
6 0 0 74 0
1 0 8 0 71
Akurasi = 89,75%
Node hidden layer ke-2 = 125
65 0 8 5 2
0 79 0 1 0
8 0 66 0 6
9 1 0 70 0
2 0 5 0 73
Akurasi = 88,25%
L - 13
Tabel 4.22 Hasil Percobaan ke-3 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 200).
Node hidden layer ke-2 = 25
68 0 8 3 1
0 79 0 1 0
7 0 71 0 2
5 1 0 74 0
1 0 5 0 74
Akurasi = 91,50%
Node hidden layer ke-2 = 75
66 0 11 3 0
0 79 0 1 0
6 0 71 0 3
7 2 0 71 0
1 0 4 0 75
Akurasi = 90,50%
Node hidden layer ke-2 = 50
65 0 10 5 0
0 79 0 1 0
7 0 71 0 2
6 2 0 72 0
0 0 6 0 74
Akurasi = 90,25%
Node hidden layer ke-2 = 100
64 0 11 4 1
0 79 0 1 0
8 0 70 0 2
6 1 0 73 0
1 0 5 0 64
Akurasi = 90,00%
Node hidden layer ke-2 = 125
65 1 7 5 2
0 78 1 1 0
7 0 71 0 2
7 0 0 73 0
1 0 8 0 71
Akurasi = 89,50%
L - 14
Tabel 4.23 Hasil Percobaan ke-4 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 200).
Node hidden layer ke-2 = 25
66 0 6 7 1
0 80 0 0 0
6 1 70 0 3
6 2 0 72 0
0 0 7 0 73
Akurasi = 90,25%
Node hidden layer ke-2 = 75
63 0 9 6 2
0 79 0 1 0
5 0 71 0 4
8 1 0 71 0
3 0 5 0 72
Akurasi = 89,00%
Node hidden layer ke-2 = 50
66 0 6 6 2
0 80 0 0 0
4 0 71 0 5
7 1 0 72 0
1 0 4 0 75
Akurasi = 91,00%
Node hidden layer ke-2 = 100
64 0 10 6 0
0 79 0 1 0
6 0 71 0 3
6 0 0 74 0
0 0 5 0 75
Akurasi = 90,75%
Node hidden layer ke-2 = 125
61 0 10 8 1
0 79 0 1 0
10 0 67 0 4
6 1 0 73 0
1 0 7 0 72
Akurasi = 88,00%
L - 15
Tabel 4.24 Hasil Percobaan ke-5 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 200).
Node hidden layer ke-2 = 25
70 0 5 3 2
0 78 0 2 0
6 0 71 0 3
6 1 0 73 0
1 0 5 0 74
Akurasi = 91,50%
Node hidden layer ke-2 = 75
64 0 8 6 2
0 79 0 1 0
6 0 70 0 4
5 2 0 73 0
3 0 3 0 74
Akurasi = 90,00%
Node hidden layer ke-2 = 50
68 0 8 3 1
0 76 0 4 0
8 0 70 0 2
7 1 0 72 0
0 0 7 0 73
Akurasi = 89,75%
Node hidden layer ke-2 = 100
65 0 7 7 1
0 78 1 1 0
8 0 69 0 3
6 1 0 73 0
2 0 6 0 72
Akurasi = 89,25%
Node hidden layer ke-2 = 125
65 0 6 9 0
0 79 0 1 0
7 0 69 0 4
4 2 0 74 0
2 0 5 0 73
Akurasi = 90,00%
L - 16
Tabel 4.25 Hasil Percobaan ke-1 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 225).
Node hidden layer ke-2 = 25
68 0 6 3 3
2 78 0 1 0
7 0 69 0 4
6 0 0 74 0
0 0 6 0 74
Akurasi = 90,75%
Node hidden layer ke-2 = 75
71 0 6 3 0
0 79 0 1 0
6 0 71 0 3
7 1 0 72 0
2 0 5 0 73
Akurasi = 91,50%
Node hidden layer ke-2 = 50
69 0 6 4 1
1 79 0 0 0
8 0 69 0 3
5 0 0 75 0
0 0 5 0 75
Akurasi = 91,75%
Node hidden layer ke-2 = 100
69 0 7 3 1
0 79 1 0 0
6 1 71 1 3
4 1 1 74 0
0 0 9 0 71
Akurasi = 91,00%
Node hidden layer ke-2 = 125
64 0 8 5 3
0 78 0 2 0
7 0 68 0 5
6 0 0 74 0
0 0 7 0 73
Akurasi = 89,25%
L - 17
Tabel 4.26 Hasil Percobaan ke-2 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 225).
Node hidden layer ke-2 = 25
65 0 8 6 1
0 80 0 0 0
6 0 71 0 3
5 1 0 74 0
2 0 4 0 74
Akurasi = 91,00%
Node hidden layer ke-2 = 75
66 0 9 5 0
0 80 0 0 0
6 0 72 0 2
6 1 0 73 0
1 0 3 0 76
Akurasi = 91,75%
Node hidden layer ke-2 = 50
62 0 12 6 0
0 80 0 0 0
4 0 71 0 5
7 1 0 72 0
1 0 5 0 74
Akurasi = 89,75%
Node hidden layer ke-2 = 100
70 0 6 3 1
1 77 0 2 0
6 0 70 0 4
5 0 0 75 0
2 0 6 0 72
Akurasi = 91,00%
Node hidden layer ke-2 = 125
58 0 11 8 3
0 80 0 0 0
5 0 72 0 3
8 1 0 71 0
2 0 8 0 70
Akurasi = 87,75%
L - 18
Tabel 4.27 Hasil Percobaan ke-3 dengan 2 Hidden Layer
(Hidden Layer ke-1 = 225).
Node hidden layer ke-2 = 25
66 0 9 3 2
0 78 0 2 0
5 0 71 0 4
6 1 0 73 0
0 0 6 0 74
Akurasi = 90,50%
Node hidden layer ke-2 = 75
67 0 7 5 1
0 79 0 1 0
7 0 70 0 3
7 2 0 71 0
1 0 7 0 72
Akurasi = 89,75%
Node hidden layer ke-2 = 50
66 0 6 8 0
0 79 0 1 0
7 0 69 0 4
7 2 0 71 0
1 0 7 0 72
Akurasi = 89,25%
Node hidden layer ke-2 = 100
68 0 7 4 1
0 79 0 1 0
6 0 70 0 4
6 1 0 73 0
1 0 6 0 73
Akurasi = 90,75%
Node hidden