Sekarang ini, sudah cukup banyak teknologi yang menggunakan
karakteristik alami manusia sebagai bahan dasar identifikasi, misalnya tanda
tangan. Tanda tangan ini digunakan untuk mengenali karakteristik dan dijadikan
sebuah ciri khas dari setiap manusia. Pengidentifikasian dengan model seperti
ini disebut sebagai biometrik. Pada
umumnya, pengidentifikasian tanda tangan dengan cara mencocokan tanda tangan
tersebut, cara ini masih dilakukan secara manual. Untuk mengintegrasikan sebuah
sistem yang sesuai dengan teknologi sekarang ini, tanda tangan akan diubah dari
bentuk fisik menjadi sebuah citra digital yang akan diproses nantinya. Proses
pengidentifikasian ini membutuhkan sebuah jaringan saraf tiruan yang dapat
mengidentifikasi tanda tangan secara komputasi. Terdapat beberapa metode jaringan
saraf tiruan yang dapat digunakan, namun yang akan dibahas pada tulisan ini
adalah jaringan saraf tiruan dengan metode backpropagation dan jaringan saraf
tiruan dengan metode learning vector quantization (LVQ).
1. Metode Backpropagation
Pada pengidentifikasian tanda tangan dengan
metode ini, beberapa langkah yang dilakukan adalah
- Segmentasi citra
Segmentasi dilakukan
untuk memilih dan memisahkan objek dari citra secara keseluruhan. Objek tersebut
merupakan bagian dari citra yang akan diolah atau dianalisis. Salah satu teknik
segmentasi berdasarkan intensitas warna adalah metode klasterisasi rerata (mean
clustering). Dalam hal ini terdapat
dua buah cluster (kelompok), dimana nilai dari masing masing kelompok tersebut
dicari rata – ratanya, sehingga dapat terlihat jelas perbedaan antara kelompok
pertama dan kedua. Berikut ini adalah penjelasan gambarnya:
- Ekstraksi ciri
Pada tahap ini, citra
dibagi-bagi menjadi beberapa baris M dan kolom N. Setiap kotak
dilakukan pemayaran piksel untuk menentukan piksel dengan nilai intensitas
rendah yang ada didalamnya. Apabila kotak tersebut bernilai intensitas rendah
(hitam) maka kotak akan bernilai 1, sedangkan apabila bernilai intensitas
tinggi (putih) maka kotak akan bernilai 0. Data yang disimpan dalam bentuk
matriks M×N sebagai masukan data untuk diproses melalui jaringan saraf
tiruan perambatan balik. Berikut ini penjelasan gambarnya:
- Proses algoritma
Algoritma
umpan maju diuraikan dalam langkah-langkah atau alur prosedur sebagai berikut :
1. Setiap unit masukan (Xn, n
= 1, …, n) menerima sinyal-sinyal masukan xn dan
mengirimkan sinyal-sinyal ini ke unit-unit selanjutnya (unit-unit tersembunyi).
2. Setiap unit tersembunyi (Ih, h = 1, …, h)
menjumlahkan sinyal-sinyal terbobotnya. Kemudian menerapkan fungsi aktivasinya
untuk menghitung sinyal keluarannya :
Ih = f (i_inh)
lalu
mengirimkannya pada semua unit lapis lapis keluaran.
3. Setiap unit keluaran (Ok, k = 1, …, k)
menjumlahkan sinyal masukan terbobotnya. Kemudian menerapkan fungsi aktivasi
untuk menghitung sinyal keluarannya :
ok = f (o_ink)
Setelah sinyal
keluaran didapatkan maka dimulai tahapan prosedur penghitungan kesalahan dan
selanjutnya perambatan balik nilai kesalahan ke lapis tersembunyi lalu ke lapis
keluaran sebagaimana dijelaskan dalam langkah – langkah berikut :
4. Pada setiap unit keluaran (Ok, k
= 1, …, k) menerima sebuah pola keluaran target yang berhubungan
dengan pola masukan pelatihan, untuk menghitung informasi kesalahannya,
δk = (tk – ok) f’(ok)
Lalu
menghitung besar koreksi bobotnya (untuk memperbaiki wkh) :
Δ wkh = ηδkIh
Selanjutnya
menghitung besar koreksi biasnya (yang akan digunakan untuk memperbaiki θkh)
Δθkh = ηδk
dan
mengirimkan δk ke unit-unit lapis tersembunyi.
5. Pada setiap unit tersembunyi (Ih, h
= 1, …, h) jumlahkan masukan deltanya (dari unit-unit lapis keluaran). Kemudian
hasil ini akan digunakan untuk menghitung besar informasi informasi
kesalahannya,
δh = δ_inh f’(ih)
Lalu
menghitung besar koreksi bobotnya (untuk memperbaiki whn),
Δ whn = ηδhxn
Dan
menghitung koreksi biasnya (untuk memperbaiki θhn),
Δ θhn = ηδh
Prosedur
selanjutnya adalah proses perbaikan bobot dan bias dari unit input dan unit
tersembunyi, diuraikan dalam langkah-langkah berikut :
6. Masing-masing unit keluaran Ok, (k
= 1, …, k) diperbaiki bobot dan biasnya :
wkh (baru) = wkh (lama)
+ Δwkh
θkh (baru) = θkh (lama)
+ Δ θkh
7. Masing-masing unit tersembunyi (Ih, h
= 1, …, h) diperbaiki bobot dan biasnya :
whn (baru) = whn(lama)
+ Δ whn
θhn (baru) = θhn (lama)
+ Δ θhn
8. Proses berhenti pada saat koreksi kesalahan mencapai
minimum.
Berikut ini adalah diagram alur dari softwarenya :
2. Metode Learning Vector Quantization (LVQ)
Pada metode Learning Vector Quantization (LVQ) memiliki tahap yang hampir sama dengan metode back propagation, hanya saja berbeda pada proses algoritmanya saja. Learning Vector Quantization (LVQ) adalah suatu metode untuk melakukan pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika dua vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vektor input tersebut ke dalam kelas yang sama. Berikut ini adalah arsitektur dari metode LVQ :
Apabila digambarkan dengan flow chart, algoritma dari LVQ adalah sebagai berikut :
Dibawah ini adalah tampilan dari hasil aplikasi pengidentifikasian tanda tangan dengan metode LVQ :
sumber : http://eprints.undip.ac.id/168/
Tidak ada komentar:
Posting Komentar