JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK APLIKASI PENGENALAN TANDA TANGAN

Jaringan saraf tiruan backpropagation merupakan bagian dari jaringan multilayered feedforward neural (MFN) yang telah dikembangkan dan cukup handal dalam memecahkan masalah aproksimasi dan klasifikasi pola. Penerapan jaringan saraf tiruan (JST) dalam pengenalan pola salah satunya adalah pengenalan pola tanda tangan. Tanda tangan setiap orang umumnya identik namun tidak sama. Artinya tanda tangan seseorang sering berubah-ubah setiap waktu. Perubahan ini menyangkut posisi, ukuran maupun faktor tek anan tanda tangan. Tanda tangan merupakan bentuk yang paling banyak digunakan untuk identifikasi seseorang. Pada umumnya, untuk mengidentifikasi tanda tangan mas ih dilakuk an secara manual yaitu dengan mencocokkan tanda tangan pada wak tu transaksi dengan tanda tangan yang sah. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalis a karakteristik tanda tangan sehingga mempermudah dalam mengidentifikasi tanda tangan seseorang.

Metodologi penelitian yang digunakan dalam pengembangan sistem adalah metode Guidelines for Rappid APPlication Engineering (GRAPPLE), yang hanya meliputi tahap perancangan kebutuhan (Requirement Gathering), analisis (Analysis), desain (Design), dan pengembangan (Development). Proses pengenalan tanda tangan ini melalui beberapa tahapan. Pertama image melalui tahap image proc essing, dimana image akan dijadik an citra keabuan/ grayscaling. Setelah itu citra diubah menjadi data biner dengan menggunakan thresholding. Setelah melalui image processing maka data biner yang didapatkan akan menjadi nilai input untuk proses pelatihan dengan menggunakan metode backpropagation. Hasil dari pelatihan akan digunakan untuk proses pengenalan tanda tangan. Citra tanda tangan yang digunakan dalam penelitian ini sebanyak 80 citra tanda tangan yang berasal dari 10 responden. Rasio antara data training dan data testing adalah 5:3. Hasil pengujian tanda tangan menunjukan bahwa aplikasi yang dibangun mampu mengenali tanda tangan dengan ketepatan 84% tanda tangan yang diujikan. Kesalahan dalam identifikasi tanda tangan terjadi k arena beberapa hal, yaitu : posisi tanda tangan, file gambar yang rusak, dan proses pembelajaran yang belum maksimal.

Backpropagation

Jaringan saraf tiruan Backpropagation pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986. Kemudian Rumelhart dan Mc Clelland mengembang kannya pada tahun 1988. Algoritma Backpropagation untuk neural network umumnya diterapkan pada perceptron berlapis banyak (multilayer perceptrons). Perceptron paling tidak mempunyai bagian input, bagian output dan beberapa lapis yang berada di antara input dan output. Lapis di tengah ini, yang juga dikenal dengan lapis tersembunyi (hidden layers), bisa satu, dua, tiga dan seterusnya. Output lapis terakhir dari output layer langsung dipakai s ebagai output dari neural network. Training pada metode Backpropagation melibatkan 3 tahapan, yaitu pola training feedfoward, penghitungan error dan penyes uaian bobot. Setelah dilakuk an training, aplikasi jaringan hanya menggunakan komputasi tahapan pertama yaitu feedfoward untuk melakukan testing. Walaupun tahap training terhitung lambat, namun jaringan dapat menghasilkan output dengan sangat cepat. Metode Backpropagation telah divariasikan dan dikembangk an untuk meningkatk an kecepatan proses training. Walaupun satu lapisan jaringan sangat terbatas dalam pembelajarannya, jaringan dengan lapis banyak dapat memperlajari lebih banyak lagi. Lebih dari satu lapisan tersembunyi mungkin bermanfaat untuk beberapa aplikasi, namun satu lapisan ters embunyi sudah cukup.

Arsitektur Backpropagation

Jaringan saraf tiruan Backpropagation terdiri dari banyak lapisan (multilayer neural network), yaitu:
1. Lapisan masukan (Input Layer).
Lapisan masukan terdiri dari neuron - neuron atau unit - unit masukan, mulai dari masukan 1 sampai unit masukan n.
2. Lapisan tersembunyi (Hidden Layer).
Lapisan tersembunyi terdiri dari unit tersembunyi mulai dari unit tersembunyi 1 sampai unit tersembunyi p.
3. Lapisan keluaran (Output Layer).
Lapisan keluaran terdiri dari unit - unit keluaran mulai dari unit k eluaran 1 sampai unit k eluaran m.
Simbol n,p,m masing-masing adalah bilangan integer sembarang menurut arsitektur jaringan saraf tiruan yang dirancang.

Tanda Tangan

Tanda tangan adalah hasil proses menulis seseorang yang bersifat khusus sebagai subs tansi simbolik. Tanda tangan merupakan bentuk yang paling banyak digunak an untuk identifikasi seseorang. Contoh-contoh tanda tangan setiap orang umumnya identik namun tidak sama. Artinya tanda tangan seseorang sering berubah-ubah setiap waktu. Perubahan ini menyangkut posisi, ukuran maupun faktor tekanan tanda tangan. Pada kenyataannya, perubahan-perubahan tersebut dipengaruhi oleh waktu, umur, kebiasaan dan k eadaan mental tertentu (Abbas,1994). 

Analisis (Analysis) 

Analisis merupakan proses untuk menganalisa hasil proses perencanaan kebutuhan (requirement gathering) yang dijelaskan dalam bentuk pemodelan sistem menggunakan diagram UML. Usecase diagram menggambarkan sekelompok usecase dan aktor yang disertai dengan hubungan diantaranya. Dalam perancangan sistem ini terdapat 2 aktor yaitu : admin dan user. Dan terdapat 7 usecase yang menerangkan k egiatan-k egiatan yang dilakukan software ini. Usecase diagram dari aplik asi ini dapat dilihat pada gambar 2 di bawah ini:

Flowchart 

Bagan alir program (flowchart) merupakan rancangan yang menggambarkan alur data atau alur logika pemograman dari aplikasi yang akan dirancang, seperti proses perhitungan. Bagan alir program ini menggambarkan langk ah-langkah kerja yang dijalankan oleh program dari mulai sampai program dihentikan. Flowchart induk dari aplikasi ini dapat dilihat pada gambar 3.