SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION

Gratis

9
35
76
2 years ago
Preview
Full text
ABSTRAK SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION Oleh ZAITUN Sistem pengenalan citra pola tanda-tangan merupakan salah satu aplikasi dalam ilmu komputer, aplikasi ini dapat membantu proses pengolahan data pola tandatangan. Pengolahan data dilakukan dengan menggunakan image processing sebagai pembantu (assistance system) yang dapat meningkatkan kinerja dari sistem kontrol dan informasi, khususnya pada bidang perbankkan maupun kenoktarisan serta pada instansi-instansi lain. Ada beberapa tahap dalam sistem pengenalan citra pola tanda-tangan ini yaitu citra pola tanda-tangan dihasilkan melalui proses scanning (pemindaian), kemudian citra tanda-tangan digital yang dihasilkan dipotong secara manual, proses selanjutnya dilakukan threshold, deteksi batas, pembagian citra, dan representasi nilai input. Proses pelatihan dilakukan dengan menggunakan dua perlakuan yaitu pertama dengan nilai laju pemahaman berbeda dan yang kedua pelatihan dengan jumlah unit layar tersembunyi berbeda, pelatihan paling baik didapat dengan laju pemahaman 0.3 dan jumlah unit tersembunyi 10 dengan menghasilkan waktu pelatihan singkat dan error relatif kecil. Pengenalan pola tanda-tangan dilakukan dengan dua percobaan, yaitu berdasarkan 1 jumlah pola pelatihan dan 5 jumlah pola pelatihan. Dari data penelitian, kemampuan sistem dalam mengenali pola luaran semakin besar jika jumlah pola pelatihan semakin banyak, dengan jumlah 1 pola pelatihan maka sistem mampu mengenali pola luaran sebesar 50% sedangkan dengan 5 pola pelatihan sistem mampu mengenali pola luaran sebesar 70%. Kata Kunci: Pengolahan Citra, Laju Pemahaman, Unit Layar Tersembunyi, Pola Pelatihan, Tanda-Tangan. i ABSTRACT IDENTIFICATION SYSTEM AND PATTERN RECOGNITION OF SIGNATURE USING NEURAL NETWORK SYSTEM WITH BACKPROPAGATION METHOD By ZAITUN Image pattern recognition system of human signature is one in the application of computer science, which can help data processing signatures. Data processing with using image processing as assistance system to improve the performance of the control system and information, a specialy on the banking and notary sector or other institutions. There are some steps in the image pattern recognition system of human signature, first image signature resulting from the scanning process then will be cut manually the image of digital signature, the next process performed threshold, the detection of a boundary, subdivision of image and representation of the value inputs. The training process using two treatment, first with different value of learning rate and the second training process with different value unit of hidden layer, The best training obtained at value of learning rate 0.3 and value unit of hidden layer 10 with resulting the time training brief and error minor relatively. Pattern recognition of signatures is performed with two experiment, that is with the one number of training pattern and five number of training pattern. From the research data, the capability of a system to recognize external pattern is improved if the number of training pattern is increasing, with the number of training pattern one system is able to recognize the external pattern 50% while the system with five number of training patterns is able to recognize of patterns external 70%. Keywords: Image Processing, Learning rate, Unit Hidden Layer, Training Patterns, Signature. ii SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION Oleh ZAITUN Skripsi Sebagai Salah Satu Syarat untuk Mencapai Gelar SARJANA SAINS Pada Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam UNIVERSITAS LAMPUNG BANDAR LAMPUNG 2014 PERNYATAAN Dmgm ini mya trrenydaksn bshqrs dalam $l$ipsi ini tidak fsdryst karya yang pernah dilakt*an oleh omng lain, kwuali yang &rnrtis dicebut dalam daftar Apabila pernyahru ini tidak benar, meka saya bqspdia .tiken"i sa*si s6uai d€ogan hulrum yang berlaku r:e #l Bmdar lampn& ilAeustus 201 4 Z*ihn NPM.0917{}410r7 YI RIWAYAT HIDUP Penulis yang bernama lengkap Zaitun dilahirkan di Kedondong Pesawaran pada tanggal 14 September 1992, sebagai anak kedelapan dari pasangan Bapak Abdul Basyid Jahri dan Ibu Pakhriah. Pendidikan formal yang pernah ditempuh penulis, SD Negeri 1 Way Kepayang Kedondong diselesaikan pada tahun 2003, SMP Negeri 1 Kedondong diselesaikan tahun 2006, dan menyelesaikan sekolah menengah atas di SMAN 1 Kedondong pada tahun 2009. Penulis diterima di Universitas Lampung, Fakultas Matematika dan Ilmu Pengetahuan Alam, Jurusan Fisika pada tahun 2009 melalui jalur khusus Penelusuran Kemampuan Akademik dan Bakat (PKAB). Penulis memilih bidang keilmuan Fisika Instrumentasi sebagai bidang yang ditekuni, selama menempuh pendidikan. Penulis pernah menjadi asisten Praktikum Fisika Dasar I dan II, Elektronika Dasar I dan II, Pemrograman Komputer, Fisika Komputasi, Sensor dan Pengkondisian Sinyal, Sistem Pengaturan, Teknik Antarmuka, Basis Data, dan Mikrokontroller. Penulis juga pernah aktif sebagai Anggota Pengurus HIMAFI FMIPA Unila periode 2010-2011 dalam bidang SOSMAS. Penulis juga pernah memperoleh Beasiswa Peningkatan Prestasi Akademik dan Beasiswa Bantuan Mahasiswa pada tahun 2010-2013. Praktik Kerja Lapangan (PKL) Penulis dilakukan pada bulan Agustus 2012 di Bandar Udara Raden Inten II Lampung Selatan, dengan judul “Sistem Pengiriman Informasi Secara Otomatis Melalui Frekuensi Radio dengan Menggunakan Alat Automatic Terminal Information Service (ATIS)”, dan menyelesaikan penelitian skripsi di Jurusan Fisika dengan judul “Sistem Identifikasi dan Pengenalan Pola Citra Tanda-Tangan Menggunakan Sistem Jaringan Saraf Tiruan (Artificial Neural Networks) Dengan Metode Backpropagation”. vii Dengan bangga dan haru serta rasa syukur kepada ALLAH SWT, kupersembahkan skripsi ini untuk: “Ibunda ku yang terhebat dan tiada duanya sepanjang hidupku” “Almarhum Ayahanda ku tercinta” “Kakak-kakakku tersayang yang aku miliki” “Almamater tercinta” “Jurusan Fisika Universitas Lampung” viii MOTO “.... tak seorang pun mengetahui berbagai nikmat yang menanti, yang indah dipandang sebagai balasan bagi mereka, atas apa yang mereka kerjakan...” As-Sajdah : Ayat 17 “The biggest enemy’s to be a subject for yourself. Then the greatest strength is controlling your soul and your mind” “when we pray, god hears more than we say, Answers more than we ask, gives more than we imagine in his own time and in his own way” “..dan (malaikat-malaikat) yang membagi-bagi urusan, sesungguhnya apa yang dijanjikan padamu pasti benar...” Adz-zarriyat: 4-5 “Sesungguhnya ketidaktahuan merupaka keberuntungan, karena memberikan banyak kesempatan untuk belajar dan kesempatan untuk mencoba” (Zaitun Basyid) KATA PENGANTAR Alhamdulillahi rabbil’alamin. Segala puji hanya milik Allah, Dzat yang senantiasa menganugerahkan ilmu pengetahuan kepada manusia. Sehingga penulis dapat menyelesaikan skripsi yang berjudul “Sistem Identifikasi dan Pengenalan Pola Citra Tanda-Tangan Menggunakan Sistem Jaringan Saraf Tiruan (Artificial Neural Networks) dengan Metode Backpropagation” yang merupakan salah satu syarat untuk mendapat gelar Sarjana Sains dari Universitas Lampung. Penulis menyadari skripsi ini masih banyak kelemahan dan ketidaksempurnaan. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun terhadap kelanjutan dan hasil yang akan dicapai. Selain itu penulis juga mengucapkan terimakasih kepada seluruh pihak yang telah membantu penulis. Semoga skripsi ini bisa bermanfaat bagi pembaca maupun penulis. Bandar Lampung, Agustus 2014 Penulis, Zaitun x SANWACANA Dengan ketulusan dan kerendahan hati, penulis mengucapkan terima kasih kepada pihak-pihak yang telah banyak membantu dan mendukung penulis dalam menyelesaikan skripsi ini. Ucapan terima kasih penulis ucapkan kepada: Bapak Prof. Dr. Warsito, D.E.A., selaku Pembimbing I yang telah banyak memberikan pendapat serta nasehatnya kepada penulis dan kesabarannya dalam membimbing penulis, serta memberikan tema pada penelitian ini. Bapak Gurum Ahmad Pauzi S.Si.,M.T., selaku Pembimbing II yang telah banyak memberikan ilmu, bimbingan serta nasehat yang sangat bermanfaat bagi penulis. Bapak Drs. Amir Supriyanto, M.Si., selaku Penguji yang telah banyak membantu dan selalu memberikan pengarahan, saran serta nasehat yang membangun kepada penulis. Ibu Dra. Dwi Asmi, M.Si., Ph.D., selaku Dosen Pembimbing Akademik (PA) yang telah meluangkan waktu untuk memberikan bimbingan, saran, masukan dan motivasi pada penulisan skripsi ini. Ibu Dr. Yanti Yulianti, M.Si., selaku Ketua Jurusan Fisika FMIPA Unila dan Bapak Arif Surtono, S.Si., M.Si.,M.Eng., selaku Sekretaris Jurusan Fisika, beserta seluruh Dosen dan Karyawan Jurusan Fisika FMIPA Unila. Sahabat-sahabat terbaikku : Dwi, Ika, Fitri, Elda, Sari dan Riza. Terima kasih atas canda tawa, kebersamaan, kekeluargaan dan cerita yang kalian telah rangkai selama ini. “Semuanya Tidak akan terlupa kawan!!”. Teman-teman seperjuanganku Fisika 2009, terimakasih atas bantuan dan semua cerita semasa kuliah. SUKSES untuk kita semua. Keep spirit !!. Mba Ilfa, mba Nurma, Riza Septiani, bang Feb, mba Yeni, Dio, kak Imam, terimakasih atas kebersamaannya dan semua bantuan yang telah diberikan. Semoga Allah memberikan balasan yang lebih besar atas semua bantuan kalian. Aamiin Yaa Rabbal ‘Alamiin. Bandar Lampung, Agustus 2014 Penulis, Zaitun xi DAFTAR ISI Halaman ABSTRAK ...................................................................................................... i ABSTRACT .................................................................................................... ii HALAMAN JUDUL ...................................................................................... iii HALAMAN PERSETUJUAN ...................................................................... iv HALAMAN PENGESAHAN ........................................................................ v HALAMAN PERNYATAAN ........................................................................ vi RIWAYAT HIDUP ........................................................................................ vii HALAMAN PERSEMBAHAN .................................................................... viii MOTTO ......................................................................................................... ix KATA PENGANTAR .................................................................................... x SANWACANA ............................................................................................... xi DAFTAR ISI ................................................................................................. xii DAFTAR TABEL ........................................................................................ xv DAFTAR GAMBAR ..................................................................................... xvi I. PENDAHULUAN A. Latar Belakang .................................................................................. 1 B. Rumusan Masalah ............................................................................. 4 C. Tujuan Penelitian .............................................................................. 4 D. Batasan Masalah .............................................................................. 5 E. Manfaat Penelitian ........................................................................... 5 xii II. TINJAUAN PUSTAKA A. Penelitian Terdahulu ........................................................................ 6 B. Perbedaan dengan Penelitian Sebelumnya ........................................ 9 C. Teori Dasar ........................................................................................ 9 1. Citra ........................................................................................... 9 2. Jenis Citra Digital ...................................................................... 11 3. Citra Bitmap ............................................................................... 15 4. Pengolahan Citra Digital ............................................................ 16 5. Pengenalan Pola ......................................................................... 21 6. Sistem Biometrik ....................................................................... 21 7. Perbandingan Biometrik ............................................................. 23 8. Verifikasi Tanda Tangan ........................................................... 24 9. Kecerdasan Buatan .................................................................... 25 10. Jaringan Saraf Tiruan ................................................................. 25 11. Propagasi-balik (Back Propagation) ......................................... 33 12. Borland Delphi ........................................................................... 37 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian ........................................................... 42 B. Alat dan Bahan .................................................................................. 42 1. PC/Komputer ................................................................................ 42 2. Perangkat Lunak (Software) ......................................................... 42 3. Data Penelitian ............................................................................. 43 C. Langkah Kerja Penelitian ................................................................. 43 D. Rancangan Sistem ............................................................................. 45 E. Pengujian Sistem ............................................................................... 51 IV. HASIL DAN PEMBAHASAN A. Pengolahan Data ................................................................................ 54 1. Proses Pemindaian (Scanning) ...................................................... 54 2. Pemotongan Masing-masing Citra ................................................ 55 xiii 3. Hasil Pengolahan Citra .................................................................. 56 B. Hasil dan Pengujian Jaringan Saraf Tiruan ........................................ 66 1. Pengujian Proses Pelatihan ........................................................... 67 2. Pengujian Proses Pengenalan ....................................................... 81 V. KESIMPULAN DAN SARAN A. Kesimpulan ........................................................................................ 92 B. Saran .................................................................................................. 93 DAFTAR PUSTAKA LAMPIRAN xiv DAFTAR TABEL Tabel Halaman 1. Tingkat keberhasilan pada citra tanda-tangan yang digunakan sebagai sampel . .............................................................................................. 7 2. Tingkat keberhasilan pada citra tanda-tangan baru sebagai sampel ... 7 3. Hasil percobaan untuk representasi biner pada toleransi galat 0.001 lr 0.2 ......................................................................................... 8 4. Perbandingan karakteristik biometrik ............................................... 23 5. Spesifikasi teknis ................................................................................ 42 6. Pengujian terhadap proses pelatihan dengan nilai laju pemahaman berbeda ................................................................................................ 51 7. Pengujian sistem terhadap proses pelatihan dengan jumlah unit layar tersembunyi berbeda ............................................................................ 52 8. Pengujian dengan satu pola yang digunakan dalam proses pembelajaran ....................................................................................... 52 9. Pengujian dengan lima pola yang digunakan dalam proses pembelajaran ....................................................................................... 53 10. Data hasil pembelajaran dengan nilai learning rate berbeda ............ 77 11. Data pembelajaran dengan jumlah unit layar tersembunyi berbeda .. 79 12. Data pengujian pola dengan 1 jumlah pola pelatihan ........................ 88 13. Data pengujian pola dengan 5 jumlah pola pelatihan ........................ 90 xv DAFTAR GAMBAR Gambar Halaman 1. Contoh citra biner berukuran 10 x 11 pixel dan representasinya dalam data digital .............................................................................................. 11 2. Contoh citra biner ..................................................................................... 12 3. Contoh citra grayscale ............................................................................. 13 4. Format warna RGB ................................................................................... 14 5. Contoh citra RGB ..................................................................................... 14 6. Bitmap dengan nilai matriksnya ................................................................ 15 7. Contoh pengolahan citra (a) citra agak kabur (b) citra yang diperbaiki ... 16 8. Koordinat titik pojok bagian citra yang akan dicrop ................................. 17 9. Operasi cropping (a) citra asli (b) citra hasil cropping............................. 18 10. Operasi pengubahan citra RGB menjadi citra keabuan ............................. 19 11. Ilustrasi pengambilan keputusan pada proses thresholding ...................... 19 12. Ilustrasi deteksi batas (a) citra awal, (b) citra hasil deteksi batas ............. 20 13. Model neuron ............................................................................................ 27 14. Arsitektur jaringan saraf tiruan ................................................................. 29 15. Jaringan lapis tunggal .............................................................................. 30 16. Jaringan dengan banyak lapisan ............................................................... 30 17. Jaringan dengan lapisan kompetitif .......................................................... 31 18. Arsitektur jaringan saraf tiruan propagasi-balik ........................................ 35 19. Tampilan borland delphi .......................................................................... 38 xvi 20. Form designer .......................................................................................... 39 21. Object treeview pada ide delphi ................................................................ 40 22. Citra tanda-tangan ...................................................................................... 43 23. Diagram alir penelitian ............................................................................. 43 24. Blok diagram rancangan sistem ................................................................ 46 25. Blok diagram segmentasi citra .................................................................. 47 26. Diagram alir ekstraksi ciri ........................................................................ 48 27. Blok diagram pengenalan citra ................................................................. 50 28. Citra tanda-tangan digital hasil pemindaian ............................................. 55 29. (a) citra hasil pemindaian, (b) citra hasil pemisahan ................................ 56 30. Tampilan awal page control pengolahan citra ........................................... 57 31. (a) citra tanda-tangan rgb, (b) citra tanda-tangan biner ............................. 58 32. (a) citra awal, (b) citra hasil deteksi batas ................................................ 60 33. (a) citra hasil deteksi batas, (b) citra-citra hasil pemotongan ................... 62 34. (a) citra hasil deteksi batas, (b) citra hasil pembagian, (c) nilai-nilai matriks citra hasil pembagian ................................................................... 63 35. (a) citra hasil pemotongan menjadi 32 bagian, (b) representasi nilai input citra tanda-tangan ............................................................................ 65 36. Tampilan awal program pelatihan backpropagation ................................ 68 37. (a) bobot dan bias awal hasil inisialisasi, (b) bobot dan bias awal hasil perubahan pada proses pelatihan ...................................................... 73 38. Grafik hubungan antara α dan lama pelatihan ............................................ 78 39. Grafik hubungan antara unit hidden layer terhadap waktu pelatihan ......... 80 40. Tampilan awal halaman pengujian sistem jaringan saraf tiruan ................ 82 41. Tampilan halaman pengujian dan proses pengolahan data ....................... 83 42. Tampilan proses pengenalan pola tanda-tangan yang tidak terdeteksi ...... 85 xvii 43. Tampilan proses keberhasilan pengujian citra tanda-tangan .................... 86 44. Citra pola tanda-tangan yang dianggap simpel ......................................... 89 45. Citra tanda-tangan dengan nama kenal Een .............................................. 90 46. 3 buah citra tanda-tangan dengan nama kenal yang sama ......................... 90 47. Terjadinya perubahan pola tanda-tangan .................................................. 91 xviii 1 BAB I PENDAHULUAN A. Latar belakang Saat ini pemanfaatan teknologi pengolaan citra untuk mempermudah manusia dalam menyelesaikan masalah-masalah tertentu sudah banyak diterapkan, khususnya dibidang Identifikasi. Identifikasi merupakan proses penting dalam mengenali dan membedakan ciri khas yang dimiliki suatu objek (Hidayatno, dkk, 2008). Salah satu contohnya yaitu sistem pengenalan diri (self recognition) yang merupakan teknologi yang digunakan untuk mengenali identitas seseorang melalui teknik identifikasi (Sahtoni, 2012). Teknik identifikasi biometrik didasarkan pada karakteristik alami manusia, yaitu karakteristik prilaku dan karakteristik fisiologis, identifikasi biometrik memiliki keunggulan dibanding dengan metode konvensional dalam hal tidak mudah dicuri atau digunakan oleh pengguna yang tidak berwenang (Sediyono, dkk, 2009). Karakteristik fisiologis yang sering digunakan seperti; pola iris, pola retina, ciri khas wajah serta pola sidik jari. Sedangkan karakteristik prilaku meliputi; pola tanda tangan, karakter tulisan tangan dan pola ucapan (Hidayatno, dkk, 2008). Manusia dapat dengan mudah untuk mengenali wajah seseorang, maupun suara seseorang bahkan ketika berbicara lewat telepon. Kemudahan pada manusia 2 tersebut terjadi karena otak manusia menggunakan elemen-elemen yang saling terkoneksi dalam suatu jaringan yang disebut neuron-neuron untuk memproses informasi yang didapat, sedangkan jika masalah-masalah tersebut di pecahkan komputer, maka akan menimbulkan berbagai kesulitan (Riadi, 2001). Bagi komputer untuk mengenali suatu citra diperlukan data-data fisik yaitu bentuk dari citra tersebut dan data-data lain seperti penambahan tekstur dan warna, sehingga komputer akan mudah mengenalinya (Pujiyanta, 2009). Untuk mengatasi hal tersebut berbagai riset telah dilakukan untuk meningkatkan kemampuan computer, serta merancang suatu perangkat lunak yang dapat menerapkan sistem kerja menyerupai sistem kerja otak manusia yang disebut sebagai Jaringan Saraf Tiruan ( JST). Salah satu jenis JST yang paling umum dan handal adalah JST yang menggunakan metode pembelajaran propagasibalik (back propagation). Metode ini merupakan metode pendekatan nilai hasil output terhadap nilai pembanding. Banyak aplikasi yang dapat diterapkan menggunakan JST dengan metode propagasi-balik, salah satunya adalah dalam pengenalan tanda tangan. Pengenalan tanda tangan termasuk kedalam masalah pengenalan pola (pattern recognition), pada umumnya pengenalan tanda tangan bertujuan untuk mengidentifikasikan seseorang yang merupakan bagian dari security sistem. Saat ini identifikasi tanda tangan masih dilakukan secara manual, yaitu dengan cara mencocokkan dengan tanda tangan yang asli. Pengenalan tanda tangan termasuk masalah yang sulit dalam pengenalan pola, hal tersebut dikarenakan setiap tanda tangan seseorang memiliki ciri-ciri yang identik namun tidak sama. Dengan ciri-ciri yang unik yang berbeda setiap orangnya dapat kita 3 gunakan untuk mengidentifikasinya. Dalam hal tersebut kita membutuhkan sistem perangkat lunak untuk menganalisis dan mengidentifikasi tanda tangan seseorang. Telah banyak penelitian yang dilakukan untuk mengenali tanda tangan, salah satunya adalah penelitian yang dilakukan oleh Riadi (2001). Penelitian ini menggunakan metode JST propagasi-balik yang memiliki arsitektur multi layer neural network dengan satu lapisan tersembunyi. JST yang digunakan melalui tiga tahap representasi pola input, yaitu representasi biner, bipolar dan kontinu. Sedangkan data tanda tangan berupa tanda tangan kasar (raw signature image) tanpa dilakukan ekstraksi ciri dari citra tanda tangan. Penelitian lain dilakukan oleh Hidayatno, dkk (2008) dengan menggunakan metode-metode propagasibalik standar, data tanda tangan yang digunakan sebagai masukan bukan lagi tanda tangan kasar, tetapi citra tanda tangan yang telah dilakukan tahap segmentasi dan ekstraksi ciri. Namun tahap segmentasi hanya menggunakan proses klasterisasi, tanpa dilakukan pengolahan citra lebih lanjut. Penelitianpenelitian tersebut masih dapat dikembangkan bukan hanya sebagai pengidentifikasi melainkan juga sebagai pengenal citra tanda tangan, dengan penggunakan metode praproses serta penggunaan JST yang lain sebagai pembanding. Berdasarkan hasil penelitian di atas, penulis mencoba membuat sistem pengenalan pola citra tanda tangan dengan melakukan pengolahan citra yang lebih lengkap terhadap pola citra input, dan membangun sistem JST dengan 4 satu buah layar tersembunyi serta menggunakan metode pembelajaran propagasi-balik. B. Rumusan Masalah Berdasarkan latar belakang masalah yang telah dijelaskan, maka rumusan masalah pada penelitian ini antara lain: 1. mengetahui dan memahami proses segmentasi dan ekstraksi ciri pada pengolahan citra; 2. bagaimana merancang dan membuat aplikasi pengenalan pola pada citra tanda tangan menggunakan JST dengan metode propagasi-balik; 3. bagaimana aplikasi yang telah dibuat dapat mengenali pemilik dan pola tanda tangan sesuai yang di inputkan. C. Tujuan Penelitian Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut. 1. Merancang sistem yang mampu memproses dan mengekstraksi citra tanda tangan. 2. Merancang program yang digunakan untuk mengenali dan mengidentifikasi citra tanda tangan. 3. Membuat aplikasi JST dengan metode propagasi-balik yang dapat digunakan untuk mengidentifikasi serta mengenali pemilik dari citra tanda tangan dengan menggunakan software Borland Delphi 7. 5 D. Batasan Masalah Sesuai dengan rumusan masalah, batasan masalah untuk penelitian ini meliputi: 1. proses pengolahan dilakukan pada citra yang berformat bitmap; 2. citra tanda tangan yang di ekstraksi merupakan citra tanda tangan berwarna hitam dan background berwarna putih; 3. program JST yang dirancang hanya memiliki satu lapisan tersembunyi (Single Hidden Layer); 4. alat bantu software yang digunakan adalah Delphi 7. E. Manfaat Penelitian Manfaat penelitian ini adalah sebagai berikut. 1. Sebagai alat security sistem dalam sebuah instansi kenoktarisan. 2. Memberikan kemudahan dalam penggunaan sistem perbankkan apabila aplikasi ini dapat diterapkan secara langsung terhadap sistem informasi nasabah, sehingga dapat mempermudah jalannya sistem. 3. Untuk mengembangkan wawasan keilmuan dan menambah pengetahuan tentang image processing, khususnya permasalahan dalam mengekstraksi serta sementasi citra. 4. Untuk mengembangkan wawasan keilmuan dan menambah pengetahuan dibidang JST, khususnya permasalahan mengidentifikasi citra tanda tangan. dalam mengenali dan 6 BAB II TINJAUAN PUSTAKA A. Penelitian Terdahulu Penelitian tentang pengenalan tanda-tangan ini sudah pernah dilakukan sebelumnya. Salah satunya dilakukan oleh Achmad Hidayatno, dkk (2008) yaitu membuat aplikasi identifikasi tanda-tangan menggunakan JST. Penelitian tersebut menggunakan metode perambatan-balik dengan mendesain suatu sistem jaringan yang memiliki satu lapisan tersembunyi (Hidden Layer). Hasil penelitian menunjukkan tingkat keberhasilan mencapai 95% terhadap sampel citra tanda-tangan yang telah digunakan sebelumnya sebagai citra pembelajaran, tingkat keberhasilan mencapai 88% yang dihasilkan dari pengujian terhadap citra tanda-tangan di luar basisdata atau citra tanda-tangan baru. Namun penelitian memiliki beberapa kekurangan yaitu citra tanda-tangan hanya melalui dua tahap pengolahan citra yaitu segmentasi dan ekstraksi ciri, selain itu sistem hanya mampu mengenali pemilik tanda-tangan tanpa menampilkan citra tanda-tangan asli dari database. Beberapa hasil simulasi penelitan ini dapat dilihat pada tabel 1 dan 2. 7 Tabel 1. Tingkat keberhasilan pada citra tanda-tangan yang di gunakan sebagai sampel (Hidayatno, dkk, 2008) Responden Agung Bambang Bayu Pasca Ratih Ricky ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� Sari Vidi Riva Dinar Seluruh Data Tingkat Keberhasilan Perhitungan ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� x 100% = x 100% = x 100% = x 100% = x 100% = 9 x 100% = x 100% = x 100% = x 100% = 9 7 x 100% = x 100% = 9 % 100% % 100% % 90% % 100% % 70% % 100% % 100% % 100% % 90% % 100% % 95% Tabel 2. Tingkat keberhasilan pada citra tanda-tangan baru sebagai sampel (Hidayatno, dkk, 2008) Responden Agung Bp Danang Peter Sudarmono Teguh Seluruh Data Tingkat Keberhasilan Perhitungan ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� ∑ ����� ∑ ���� x 100% = x 100% = x 100% = x 100% = x 100% = x 100% = % 80% % 80% % 80% % 100% % 100% % 88% 8 Penelitian serupa juga dilakukan oleh Riadi (2001), yaitu JST untuk pengenalan tanda-tangan. Penelitian tersebut juga menggunakan model JST perambatan balik yang memiliki arsitektur multi layer neural network dengan satu lapisan tersembunyi, serta membandingkan dengan metode lain yaitu metode pembelajaran radial basis function, yang merupakan jenis JST Probabilistic Neural Network (PNN) dengan bantuan software Matlab 5.3. Namun, pada penelitian yang dilakukan oleh Riadi ini citra tanda-tangan yang digunakan berupa data tanda-tangan kasar (raw signature image) tanpa melalui proses ekstraksi ciri. Sedangkan proses pembelajaran pada sistem JST mengunakan nilai toleransi galat 0.001 dan 0.0001, laju pembelajaran (lr) 0.1, 0.2, dan 0.3, serta jumlah neuron lapisan tersembunyi antara 10 hingga 100. Hasil penelitian secara umum diukur menggunakan parameter konvergensi atau tingkat kecepatan JST mempelajari pola input, serta generalisasi atau tingkat pengenalan JST dalam mengenali sejumlah pola yang diberikan. Salah satu hasil simulasi dari penelitian yang dilakukan oleh riadi dapat dilihat pada tabel 3. Tabel 3. Hasil percobaan untuk representasi biner pada toleransi galat 0.001 lr 0.2 (Riadi, 2001) ∑ Neuron Tersembunyi Konvergensi Generalisasi Detik TH>0.3 Test Epoh Detik Epoh 10 207 360.87 98 94 1.02 30 137 583.64 97 94 2.5 50 129 821.52 96 83 3.6 70 127 1145.9 98 84 3.74 100 123 1495.1 96 85 5.11 Nilai Maksimum 9 B. Perbedaan dengan Penelitian Sebelumnya Pada penelitian ini penulis mencoba menggunakan bantuan bahasa pemrograman Borland Delphi 7. Menerapkan beberapa pengolahan citra lainnya yang lebih komplek terhadap citra input, selain yang telah digunakan pada penelitian yang dilakukan oleh Hidayatno, dkk, (2008), untuk diuji cobakan pada citra jenis tanda-tangan yang berbeda dengan membandingkan salah satu hasil penelitian sebelumnya dalam hal tingkat keakurasian antara hasil simulasi dengan data yang diinputkan. Setelah mendapatkan tingkat keberhasilan yang baik terhadap pengenalan pemilik pola tanda-tangan, proses selanjutnya yang ingin dicapai adalah menampilkan kembali citra tanda-tangan dari database yang digunakan sebagai citra pembelajaran. C. Teori Dasar 1. Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpan (Sutoyo, dkk, 2009). Kata citra atau yang dikenal secara luas dengan kata gambar dapat diartikan sebagai suatu fungsi intensitas cahaya dua dimensi, yang dinyatakan oleh f(x,y), di mana nilai atau amplitudo dari f pada koordinat spasial (x,y) menyatakan intensitas (kecerahan) citra pada titik tersebut (Gonzales dan Woods, 2002), sedangkan menurut Hakim Simanjuntak (2011) bahwa citra merupakan 10 sebuah image (gambar) pada bidang dua dimensi, dimana sebuah citra tersebut dapat ditinjau dari sudut pandang matematis dengan fungsi yang continue dari intensitas cahaya pada bidang dua dimensi. Secara teoritis citra dapat dikelompokan menjadi 2 (dua) macam, yaitu citra kontinu dan citra diskrit (citra digital). Citra kontinu dihasilkan dari system optic yang menerima sinyal analog contohnya, yaitu mata manusia dan kamera analog. Sedangkan citra digital dihasilkan melalui proses digitalisasi terhadap citra kontinu contohnya, kamera digital dan scanner. Suatu citra dapat didefinisikan sebagai fungsi f (x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik tersebut. Apabila nilai x,y dan nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit, maka dapat dikatakan bahwa citra tersebut adalah citra digital. Citra digital dapat ditulis dalam bentuk matrik sebagai berikut: f (x,y ) = f (0,0) f (0,1) ... f (0,M -1) f (1,0) . : f (1,1) . : ... f (1,M -1) . : f (N -1,0) f (N -1,1) ... f (N -1,M -1) Nilai pada suatu irisan antara baris dan kolom (pada posisi x,y) disebut dengan picture elements, image elements, pels, atau pixels. Istilah terakhir (pixel) paling sering digunakan pada citra digital. 11 2. Jenis Citra Digital Nilai suatu piksel memiliki nilai rentang tertentu, dari nilai minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari jenis warnanya. Namun, secara umum jangkauannya adalah 0 – 255. Berikut adalah jenis-jenis citra berdasarkan nilai pikselnya (Putra, 2010). a. Citra Biner Citra biner adalah citra digital yang hanya memiliki 2 kemungkinan nilai piksel yaitu hitam dan putih. Nilai 0 mewakili warna hitam dan nilai 1 mewakili warna putih. Citra biner disebut juga dengan citra black & white atau citra monokrom. Oleh karena itu, setiap piksel pada citra biner cukup direpresentasikan dengan 1 bit. Contoh citra biner dapat dilihat pada Gambar 1 dan 2. Gambar 1. Contoh citra biner berukuran 10 x 11 piksel dan representasinya dalam data digital (Putra, 2010) 12 Gambar 2. Contoh citra biner (Basuki, 2006) b. Citra Grayscale Citra grayscale merupakan citra yang hanya memiliki satu nilai kanal pada setiap pikselnya, dengan kata lain nilai Red = Green = Blue. Warna yang dimiliki adalah warna hitam, keabuan, dan putih. Jenis citra ini disebut dengan aras keabuan karena warna abu-abu diantara warna minimum (hitam) dan warna maksimum (putih). Pada umumnya citra grayscale memiliki kedalaman piksel 4 bit dan 8 bit. Citra dengan 4 bit memiliki 24 =16 kemungkinan warna, yaitu 0 (minimal) 15 (maksimal). Sementara citra dengan 8 bit memiliki 28 = 256 warna, yaitu 0 (minimal) hingga 255 (maksimal). Contoh citra grayscale dapat dilihat pada Gambar 3. 13 Gambar 3. Contoh citra grayscale (Basuki, 2006) c. Citra Warna Pada citra warna (true color) setiap pikselnya merupakan kombinasi dari 3 warna dasar yakni Red, Green, Blue, sehingga warna ini disebut juga dengan citra RGB. Banyaknya warna yang mungkin digunakan tergantung kepada kedalaman piksel citra yang bersangkutan. Setiap komponen warna memiliki kedalaman piksel sendiri dengan nilai minimum 0 dan nilai maksimum 255 (8 bit). Hal ini menyebabkan setiap piksel pada citra RGB membutuhkan media penyimpanan 3 byte. Jumlah kemungkinan kombinasi warna pada citra RGB adala 224 = lebih dari 16 juta warna. Dan intensitas suatu titik pada citra warna merupakan kombinasi dari intensitas derajat keabuan merah (fmerah, (x,y)), hijau (fhijau, (x,y)) dan biru (fbiru, (x,y)). Format warna RGB dan contoh citra RGB dapat dilihat pada Gambar 4 dan 5. 14 Gambar 4. Format warna RGB (Basuki, 2006) Pada citra warna masing-masing komponen warna RGB mempunyai nilai 0 sampai 255 (8 bit) derajat kecerahan/derajat keabuan (Basuki, 2006). Gambar 5. Contoh citra RGB 15 3. Citra Bitmap Menurut Jannah dalam Wiliyana (2012) citra bitmap adalah susunan bit-bit warna untuk tiap pixel yang membentuk pola tertentu. Pola-pola warna ini menyajikan informasi yang dapat dipahami sesuai dengan persepsi indra penglihatan manusia. Format file ini merupakan format grafis yang fleksibel untuk platform Windows sehingga dapat dibaca oleh program grafis manapun. Format ini mampu menyimpan informasi dengan kualitas tingkat 1 bit sampai 24 bit. Citra bitmap didefinisikan sebagai fungsi f (x,y) dengan x dan y adalah koordinat bidang. Besaran f untuk tiap koordinat (x,y) disebut intensitas atau derajat keabuan citra pada titik tersebut. Pada Gambar 6 ditunjukkan gambar bitmap beserta nilai matriksnya. Gambar 6. Bitmap dengan nilai matriksnya (Wiliyana, 2012) Dari definisi di atas yang diperjelas oleh Gambar 6, bitmap dimodelkan dalam bentuk matriks. Nilai pixel atau entri-entri dari matriks ini mewakili warna yang ditampilkan di mana ordo matriks merupakan dimensi panjang dan lebar dari bitmap. Nilai-nilai warna ditentukan berdasarkan intensitas cahaya yang masuk. Dalam komputer, derajat intensitas cahaya diwakili 16 oleh bilangan cacah. Nilai 0 menerangkan tidak adanya cahaya sedangkan nilai yang lain menerangkan adanya cahaya dengan intensitas tertentu. Nilai-nilai ini bisa didapatkan melalui fungsi-fungsi yang disediakan oleh bahasa pemrograman berdasarkan input berupa lokasi entri-entri matriks yang hendak dicari. 4. Pengolahan Citra Digital Pengolahan citra merupakan proses untuk menghasilkan citra sesuai dengan keinginan atau kualitasnya menjadi lebih baik. Masukkannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan. Misal citra warnanya kurang tajam, kabur (blurring) dan mengandung noise (misal bintik-bintik putih) sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang (Maqrifad, 2010). Adapun contoh dari implementasi pengolahan citra digital seperti ditunjukkan pada Gambar 7. (a) Gambar 7. (b) Citra agak kabur (a), citra yang diperbaiki (b) (Balza dan Kartika, 2005) 17 4.1. Cropping Citra Proses Cropping merupakan suatu proses pemotongan bagian tertentu dari suatu citra sehingga diperoleh citra yang berukuran lebih kecil. Proses ini bertujuan untuk memisahkan objek yang satu dengan objek yang lain dalam suatu gambar untuk mempercepat proses selanjutnya. Menurut Balza dan Kartika (2005) rumus yang digunakan untuk melakukan operasi cropping ini adalah: ′ ′ = = − untuk � − = untuk � = � � sampai xR sampai B .. ... (2.1) (xL,yT) dan (xR,yB ) masing-masing adalah koordinat titik pojok kiri atas dan pojok kanan bawah bagian citra yang hendak dicrop (Gambar 8). Gambar 8. Koordinat titik pojok bagian citra yang akan dicrop Dengan h’(high) merupakan tinggi citra dan w’ (width) merupakan lebar citra. Ukuran citra berubah menjadi : w′ = h′ = dan transformasi baliknya adalah : = ′+ = ′− � � � B − − untuk untuk � � ′= ′= ..................... sampai w′ − sampai h′ − (2.2) 18 Contoh proses cropping ditunjukan pada gambar dibawah ini. (b) (a) Citra di-crop Gambar 9. Operasi cropping (a) citra asli (b) citra hasil cropping 4.2. Proses Grayscale Proses ini bertujuan untuk merubah citra true color atau citra RGB menjadi citra abu-abu. Pada awalnya citra terdiri dari 3 layer matrik yaitu R-layer, G-layer dan B-layer. Sehingga untuk melakukan proses-proses selanjutnya tetap diperhatikan 3 layer di atas. Bila setiap proses perhitungan dilakukan menggunakan 3 layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep itu diubah dengan mengubah 3 layer di atas menjadi 1 layer matrik grayscale dan hasilnya adalah citra grayscale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan. Pemilihan pemrosesan pada tingkat abu-abu ini dipilih karena lebih sederhana karena hanya menggunakan sedikit kombinasi warna dan dengan citra abu-abu dirasakan sudah cukup untuk memproses suatu gambar. Menurut Pitas (1993) perubahan citra 24 bit RGB menjadi citra abu-abu adalah dengan menghitung rata-rata dari intensitas 0.299*red, 0.587*green, 0.114* blue dari citra 24 bit RGB seperti ditunjukkan pada Gambar 10. 19 0.299*R 0.587*G 0.114*B Ʃ Gray Gray Gray Gambar 10. Operasi pengubahan citra RGB menjadi citra keabuan 4.3. Tresholding atau Binarisasi Proses thresholding atau binarisasi pada prinsipnya adalah melakukan pengubahan nilai intensitas warna piksel menjadi 2 nilai yaitu 0 dan 255. Proses thresholding dilakukan dengan cara melihat perbedaan intensitas warna dari suatu citra. 255 (Putih) LEBIH BESAR AMBANG Citra AMBANG Dibandingka BATAS 0 (Hitam) LEBIH KECIL AMBANG Gambar 11. Ilustrasi pengambilan keputusan pada proses thresholding 20 Input untuk proses thresholding ialah citra abu-abu (grayscale image) atau citra warna (color image). Output dari proses ini ialah citra biner, yang mana pixel hitam mewakili foreground dan pixel putih mewakili background, atau sebaliknya. Nilai intensitas yang sering digunakan yaitu 0 untuk pixel hitam, 1 atau 255 untuk pixel putih (Balza dan Kartika, 2005). 4.4. Deteksi Batas Proses Deteksi batas merupakan salah suatu proses pengolahan citra yang bertujuan untuk mendapatkan obyek citra tepat pada batas obyek tersebut. Proses deteksi batas hanya bisa dilakukan terhadap citra hitam putih atau citra biner. Bagian tepi citra yang tidak dibutuhkan akan dibuang secara otomatis (Putu, 2010). (a) (b) Gambar 12. Ilustrasi deteksi batas (a) citra awal, (b) citra hasil deteksi batas 4.5. Ekstraksi Ciri Setelah objek-objek yang ada berhasil disederhanakan pada proses pengolahan citra, tahap berikutnya adalah mengekstraksi ciri-ciri tertentu dari setiap objek atau karakter dari citra. Pada tahap ini membagi citra hasil deteksi batas menjadi 32 potongan citra atau dibagi-bagi menjadi baris M dan kolom N. Setiap kotak dilakukan scanning pixel. Jika 21 melebihi jumlah yang ditentukan maka kotak tersebut diberi nilai 1, jika tidak diberi nilai 0. kemudian melakukan penyimpanan data matriks sebagai data referensi 5. Pengenalan Pola Pengenalan pola (pattern recognition) merupakan konsep yang sangat luas aplikasinya dalam banyak bidang antara lain: biomedical (EEG, ECG, Rontgen, Nuclear, Tomography, Tissue, Cells, Chromosomes, meteorolgy (remote sensing), industrial inspection (robotic vision) dan digital microscopy. Beberapa aplikasi dalam bidang komputer dan informatika diantaranya: speech recognition, speaker identification, character recognition, signature verification, image segmentation dan artifcial intelligence. Menggambarkan pengenalan pola secara garis besar sebagai serangkaian kegiatan yang mencakup kegiatan pengukuran dunia nyata dengan alat ukur yang menggambarkan fenomena yang akan diukur diikuti serangkaian kegiatan preprosesor, ekstrak feature, klasifikasi atau diskripsi pola. Kegiatan yang fital dalam pengenalan pola adalah kegiatan klasifikasi dari ruang feature yang diperoleh dari kegiatan seleksi dan ekstrak feature (Hamzah, 2001). 6. Sistem Biometrik Biometrik berasal dari bahasa Yunani yaitu, bios artinya hidup dan metron berarti ukuran. Biometrik berarti mengukur karakteristik pembeda (distinguishing traits) pada badan atau perilaku seseorang yang digunakan 22 untuk melakukan pengenalan secara otomatis, terhadap identitas orang tersebut, dengan membandingkanya dengan karakteristik yang sebelumnya telah disimpan pada suatu database. Pengertian pengenalan secara otomatis pada definisi biometrik diatas adalah dengan menggunakan teknologi (computer), pengenalan terhadap identitas seseorang dapat dilakukan secara waktu nyata (realtime), tidak membutuhkan waktu berjam-jam atau berharihari untuk proses pengenalan tersebut (Sutoyo, 2009). Sistem biometrik memberikan pengakuan individu yang didasarkan pada beberapa jenis fitur atau karakteristik yang dimiliki oleh individu. Sistem biometrik bekerja dengan terlebih dahulu menangkap fitur, seperti rekaman suara sinyal digital untuk pengenalan suara, atau mengambil gambar warna digital untuk pengenalan wajah dan iris mata. Sampel ini kemudian berubah dengan menggunakan beberapa jenis fungsi matematika menjadi sebuah template biometrik. Template biometrik akan memberikan normalisasi, efisiensi dan sangat diskriminatif merepresentasi fitur tersebut, yang kemudian membandingkan dengan template lain untuk menentukan identitas. Kebanyakan sistem biometrik menggunakan dua model operasi. Yang pertama adalah modus pendaftaran untuk menambahkan template ke dalam database, dan yang kedua adalah identifikasi, dimana sebuah template dibuat untuk perbandinagn individu dan kemudian di cari dalam database (Munir, 2004). 23 7. Perbandingan Biometrik Tabel 4 menunjukkan perbandingan karakteristik biometrik yang didasarkan pada Tanda-tangan, pola, tingkat kesalahan, aplikasi. Tabel 4. Perbandingan karakteristik biometrik (Jain, dkk, 2004) Metode Pola Tingkat Kesalahan Aplikasi Pengenalan Iris Iris 1/1.200.000 HighSecurity Facilites Pengenalan Sidik Jari Sidik Jari 1/1.000 Universal Bentuk Tangan Ukuran, panjang, dan 1/700 ketebalan telapak tangan Pengenalan Wajah Outline, bentuk dan distribusi dari mata dan 1/100 hidung Tanda Tangan Bentuk huruf, urutan, 1/100 penulisan dan tekanan Suara Karakteristik suara 1/30 LowSecurity Facilites LowSecurity Facilites LowSecurity Facilites Pelayanan Telepon Karakteristik biometrik dibagi menjadi dua, yaitu biometrik physiological dan biometrik behavorial (Gonzales & Wood, 2002) . 1. Physiological Dihubungkan dengan bentuk tubuh atau badan, misalnya: fingerprints, face recognition, hand geometry, dan iris recognition. 2. Behavioral Dihubungkan dengan tingkah laku seseorang, misalnya: keystroke, signature, voice 24 8. Verifikasi Tanda Tangan Verifikasi tanda tangan terdiri dari dua jenis, yaitu: 1. Verifikasi tanda tangan dinamis Metode verifikasi tanda tangan (signature) dengan akuisisi data secara dinamis disebut juga metode online. Dalam metode ini proses akusisi data dilakukan bersamaan dengan proses penulisan. Data yang diambil pada umumnya bermacam-macam, tidak hanya berupa koordinat posisi titik-titik penulisan, tetapi juga informasi dinamis lain seperti tekanan, kecepatan, gaya penekanan tangan pada pena dan lain sebagainya. Jenis data yang dapat diambil sangat bergantung pada kemampuan peralatan masukan yang digunakan. Peralatan masukan yang sering digunakan untuk mengakuisisi data secara dinamis ini disebut digitizer. 2. Verifikasi tanda tangan statis Metode verifikasi dengan akuisisi data secara statis disebut juga dengan metode offline. Berbalikan dengan metode dinamis, metode statis melakukan akuisisi data setelah proses penulisan selesai dilakukan atau bahkan kemungkinan lama setelah proses penulisan dilakukan. Seseorang menuliskan tanda tangannya pada kertas, yang kemudian diubah menjadi citra digital dengan menggunakan scanner. Dari citra inilah selanjutnya diproses untuk menentukan otentik atau tidaknya tanda tangan tersebut (Putra, 2010). 25 9. Kecerdasan Buatan Kecerdasan buatan (Artificial Intelligence atau AI) adalah ide-ide untuk membuat suatu perangkat lunak komputer yang memiliki kecerdasan sehingga perangkat lunak komputer tersebut dapat melakukan pekerjaan yang dilakukan oleh manusia, dengan kata lain membuat sebuah komputer dapat berpikir dan bernalar seperti manusia. Tujuan dari kecerdasan buatan ini adalah membuat komputer lebih cerdas, mengerti tentang kecerdasan dan membuat mesin lebih berguna bagi manusia. Kecerdasan buatan dapat membantu meringankan beban kerja manusia misalnya dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang lebih mudah dipahami. Cara kerja kecerdasan buatan adalah menerima input, untuk kemudian diproses dan kemudian mengeluarkan suatu output yang berupa suatu keputusan. Kecerdasan buatan memungkinkan komputer untuk berpikir dengan cara menyederhanakan program. Kecerdasan buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat digunakan sebagai acuan di masa-masa mendatang. 10. Jaringan Saraf Tiruan Menurut Nugroho (2005) bahwa JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologis di

Dokumen baru

Download (76 Halaman)
Gratis

Dokumen yang terkait

IMPLEMENTASI JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK KLASIFIKASI KUALITAS TEMBAKAU MENGGUNAKAN DIGITAL IMAGE PROCESSING BERBASIS ANDROID
2
9
83
SISTEM IDENTIFIKASI DAN PENGENALAN POLA CITRA TANDA-TANGAN MENGGUNAKAN SISTEM JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORKS) DENGAN METODE BACKPROPAGATION
9
35
76
REALISASI PENGENALAN PLAT NOMOR KENDARAAN DENGAN METODE HISTOGRAM CITRA DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
1
11
84
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi
0
0
15
PEMBANGUNAN SISTEM PENDETEKSI PENYALAHGUNAAN NARKOBA MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
0
0
8
PENERAPAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA AKSARA HANACARAKA
1
3
10
RESTORASI CITRA BLUR DENGAN ALGORITMA JARINGAN SARAF TIRUAN HOPFIELD
0
0
10
PENGENALAN POLA PLAT NOMOR KENDARAAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
0
0
10
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
0
0
9
PENGENALAN POLA PERILAKU SEORANG MANUSIA DALAM PERMAINAN SUTEN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN PROPAGASI BALIK
0
0
8
SISTEM PENGENALAN CITRA SIDIK JARI METODE JARINGAN SYARAF TIRUAN UNTUK MEMBUKA PINTU SECARA OTOMATIS
0
0
5
PENGENALAN POLA PIN BARCODE MENGGUNAKAN METODE BACKPROPAGATION DAN METODE PERCEPTRON SKRIPSI ARDI HASIHOLAN
1
0
13
MENDETEKSI PENYAKIT GIGI MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION DAN METODE HOPFIELD DRAFT SKRIPSI RAJA RIZKY RAMADHAN HSB 091401082
0
1
12
IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA DAN PENERJEMAH AKSARA KARO DENGAN METODE
0
0
12
PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION TESIS
0
2
18
Show more