IDENTIFIKASI TANDA TANGAN DENGAN KOHONEN SOM BERBASIS PRINCIPAL COMPONENT ANALYSIS PDF

Preview

Summary

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017 IDENTIFIKASI TANDA TANGAN DENGAN KOHONEN SOM BERBASIS PRINCIPAL COMPONENT ANALYSIS Mawaddah Harahap, Amir Mahmud Husein, Abdi Dharma Program Studi Teknik Informatika, Fakultas Teknologi dan Ilmu Komputer, Universitas Prima I...

Description

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

IDENTIFIKASI TANDA TANGAN DENGAN KOHONEN SOM BERBASIS PRINCIPAL COMPONENT ANALYSIS Mawaddah Harahap, Amir Mahmud Husein, Abdi Dharma Program Studi Teknik Informatika, Fakultas Teknologi dan Ilmu Komputer, Universitas Prima Indonesia, Jl. Sekip Sei Sikambing Medan, 20113 1 [email protected], 2 [email protected]

Abstrak Identifikasi pola tanda tangan adalah salah satu teknik yang digunakan sebagai bukti otentikasi yang sah terhadap kepemilikian berdasarkan tanda tangan, untuk identifikasi pola, metode Principal Component Analysis (PCA) merupakan salah satu metode klasifikasi yang terbukti akurat, namun memiliki kelemahan tidak optimal untuk membedakan satu kelas yang lain. Penerapan kernel pada PCA (KPCA) diusulkan sebagai non-linier perluasan dari PCA untuk pengenalan pola yang dapat secara efektif mengekstrak fitur non-linier dengan menghitung komponen utama di ruang non-linier. Penelitian ini bertujuan untuk menganalisa hasil perbandingan akurasi dan waktu identifikasi tanda tangan dengan menggunakan dua pendekatan ekstraksi, pendekatan pertama menggunakan metode PCA, sedangkan pendekatan kedua menerapkan metode KPCA, kedua pendekatan ini akan digunakan sebagai parameter masukan metode Kohonen SOM untuk identifikasi. Berdasarkan hasil pengujian, kombinasi KPCA+Kohonen lebih akurat untuk identifikasi dengan 94,76% dibandingkan PCA+Kohonen nilai akurasi 84,90%, namun untuk waktu identifikasi metode PCA+Kohonen lebih cepat. Kata kunci : PCA, KPCA, Kohonen SOM, tanda tangan

1.

yang dapat secara efektif mengekstrak fitur nonlinier dengan menghitung komponen utama di ruang non-linier [8]. Kohonen SOM merupakan salah satu metode unsupervised network yang mana suatu proses selforganizing dimulai dengan pemilihan bobot node secara acak pada kohonen layer, SOM terbukti akurat dalam pengenalan pola [7], [10], [11] namun kohonen SOM mempunyai kelemahan perlunya data pelatihan yang besar dan waktu komputasi yang tinggi [3]. Untuk optimasi waktu komputasi metode Kohonen dalam identifikasi tanda tangan, maka kami usulkan metode PCA dan KPCA sebagai ekstrasi fitur tanda tangan. Kerangka analisa dalam penelitian didasarkan identifikasi tanda tangan secara online dengan metode Kohonen, sedangkan untuk eksraksi fitur tanda tangan kami menggunakan dua pendekatan, pendekatan pertama menerapkan metode PCA untuk ekstraksi fitur tanda tangan, kemudian hasil ektraksi PCA akan dijadikan sebagai masukan pelatihan dan pengujian Kohonen. Pendekatan kedua kami kembali menerapkan Kohonen SOM dengan metode KPCA sebagai ekstraksi fitur tanda tangan. Kedua pendekatan ini akan kami analisa sebagai pembanding untuk mengetahui pengaruh kernel terhadap akurasi dan waktu identifikasi tanda tangan dengan Kohonen SOM berbasis PCA. Paper ini disajikan sebagai berikut: bagian 2 penelitian terkait,

Pendahuluan

Identifikasi pola tanda tangan adalah salah satu teknik yang digunakan sebagai bukti otentikasi yang sah terhadap kepemilikian berdasarkan tanda tangan [1], pengenalan pola tanda tangan merupakan bidang penelitian yang cukup popular, karena dapat digunakan untuk berbagai aspek, mulai dari keamanan dokumen, hukum, passport dan lainnya [2]. Secara umum ada dua pendekatan yang digunakan untuk identifikasi tangan tangan yaitu offline dan online [1], metode Neural Network (NN) [2], Kohonen SOM [3], back-propagation [4] diusulkan oleh banyak peneliti, namun keakuratan identifikasi berdasarkan hasil ekstraksi fitur pola tanda tangan [5], sehingga perlu dikombinasikan dengan algoritma ekstraksi. Metode Principal Component Analysis (PCA) merupakan salah satu metode klasifikasi yang terbukti akurat dalam berbagai aplikasi, seperti pengenalan wajah, tulisan tangan, tandan tangan. Metode PCA karena dapat mengurangi attribute dalam mengola data, sehingga mampu mengekstrak struktur global dari sekumpulan data yang berdimensi tinggi [6], namun fitur yang diekstak secara global, sehingga tidak optimal untuk membedakan satu kelas yang lain. Penerapan kernel pada PCA (KPCA) diusulkan sebagai non-linier perluasan dari PCA untuk pengenalan pola [7], [6], 333

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

Dataset yang akan di identifikasi adalah karakter pola tanda tangan, dimana akusisi data citra tanda tangan untuk pelatihan (training) dan pengujian (testing) dengan rasio 75:25. Untuk data pelatihan digunakan sebanyak 500 tanda tangan yang berasal 100 responden, dimana setiap responden diambil 5 tanda tangan. Sementara untuk kebutuhan pengujian, citra tanda tangan yang akan digunakan sebanyak 300 tanda tangan yang juga berasal dari 100 responden tersebut dengan asumsi setiap responden diambil 3 tanda tangan. Dari data tanda tangan tersebut dilakukan proses preprocessing yaitu tanda tangan yang diambil diolah terlebih dahulu untuk disamakan ukurannya dan diubah ke dalam grayscale. Pada tahap ini dimulai dari pengambilan gambar tanda tangan yang langsung diinput para responden secara online pada aplikasi yang dirancang dengan dilengkapi fasilitas pen untuk memudahkan membuat tanda tangan. Kemudian hasil tanda tangan para responden akan di simpan pada database yang dibatasi dengan kotak ukuran 16x16 pixel, maka dilanjutkan dengan proses Pre-processing. Proses pre-processing terdiri dari 2 (dua) tahap utama, yaitu copping dan scalling. Tahap preprocessing ini diperlukan karena setiap citra tanda tangan tidak ada yang sama persis baik dalam letak dan ukuran sehingga perlu dilakukan penyeragaman data citra tanda tangan dari perbedaan letak dan ukuran sehingga hasil dari pre-processing dapat digunakan sebagai input pada tahap ekstraksi ciri (feature extraction). Pada proses Feature Extraction menggunakan dua pendekatan, pendekatan pertama menggunakan metode PCA dan KPCA. Metode PCA pada dasarnya memutar sekumpulan point disekitar rata-rata agar dapat menyesuaikan dengan komponen utama, metode ini mengerakkan varians sebanyak mungkin dengan menggunakan transformasi linier kedalam beberapa dimensi. Penerapan kernel pada metode PCA untuk memecahkan masalah non-linier. Teknik self-organizing map (SOM) dikenalkan pertama kali oleh Teuvo Kohonen pada tahun 1982, merupakan proses unsupervised learning (pembelajaran terarah) learning yang mempelajari distribusi himpunan pola-pola tanpa informasi kelas (Kohonen, 2001). Teknik SOM telah terbukti berguna dalam banyak aplikasi. SOM digunakan untuk clustering data tanpa mengetahui kelas keanggotaan dari data yang diinput. SOM dapat digunakan untuk mendeteksi fitur yang melekat untuk masalah ini disebut dengan SOFM (SelfOrganizing Feature Map). Arsitektur SOM terdiri dari 1 lapisan input dan 1 lapisan output. Setiap unit pada lapisan input dihubungkan dengan semua unit di lapisan output dengan suatu bobot keterhubungan wij.

bagian 3 metode yang diusulkan. Pembahasan di jelaskan bagian 4 dan bagian 5 kesimpulan. 2.

Penelitian terkait

Dari beberapa penelitian terdapat dua pendekatan untuk identifikasi dan verifikasi tanda tangan, yaitu dengan pendekatan fungsi dan fitur, sedangkan untuk proses pencocokan digunakan secara online maupun offline [5], penelitian Mohammed dan Elaf Jabbar [12], menerapkan metode Elman Neural Network dengan dataset 500 tanda tangan dari 100 orang, dari setiap orang memiliki 5 tanda tangan yang berbeda variasi, ukuran dan lainnya. hasil identifikasi dihitung dengan MSE dan MEA. Khaled Daqrouq, et al [13], mengkombinasikan metode Discrete Wavelet Transform (DWT) dengan Probabilistic Neural Network (PPN) untuk identifikasi dan verifikasi tanda tangan secara offline. Metode DWT untuk transformasi tanda tangan yang digunakan sebagai paremeter input PPN, untuk identifikasi menggunakan dataset DWENN dan WPENN. Hasil identifikasi dan verifikasi tanda tangan menggunakan pendekatan framing entry rata wavelet dengan membandingkan lima sub-fungsi tranformasi wavelet diskrit, dimana metode yang diusulkan lebih akurat dibandingkan dengan transformasi wavelet diskrit, dan menyarankan untuk dilakukan verifikasi vektor fitur. 3.

Metode yang diusulkan

Penelitian bertujuan untuk membandingkan pengaruh kernel pada metode PCA sebagai esktraksi fitur yang digunakan sebagai parameter masukan Kohonen SOM dalam identifikasi tanda tangan secara online pada gambar 1 merupakan ilustrasi kerangka penelitian. Data Training

Tanda Tangan

Preprocessing

Feature Extaction (PCA)

Feature Extraction (KPCA)

Y

Training

Training

N

Testing

Pengujian SOM

Kohonen+PCA

Kohonen+KPCA

Hasil Identifikasi Kohonen+PCA

Hasil Identifikasi Kohonen+KPCA

Database traning

Gambar 1 kerangka penelitian 334

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

Gambar 2 Arsitektur Kohone SOM Algoritma Pembelajaran Langkah 0 : - Inisialisasi bobot wij.  Set parameter topological neighborhood  Set parameter laju pembelajaran . Langkah 1 : Jika syarat berhenti tidak dipenuhi (Salah), Kerjakan langkah 2 – 8 Langkah 2 : Untuk setiap input vektor x , kerjakan langkah 3 – 5 Langkah 3 : Untuk setiap indeks j, hitung nilai :

D j    wij  xi 

2

Gambar 3 pemasukan data sampel tanda tangan Pada gambar 3 adalah tampilan aplikasi yang digunakan oleh pengguna untuk memasukkan data tanda tangan, setiap pengguna memasukkan 5 (lima) contoh tanda tangan. Dari contoh tanda tangan akan disimpan pada database kemudian akan dilakukan pelatihan. Proses pengambilan sampel tanda tangan adalah sebanyak 500 buah sampel yang diperoleh dari 100 orang yang berbeda dimana dari tiap orang diambil 3 buah tanda tangan yang berbeda. Proses ekstraksi pola tanda tangan menggunakan dua pendekatan, pendekatan pertama kami menerapkan metode PCA sedangkan pendekatan kedua menggunakan KPCA, kedua metode ekstraksi ini akan dijadikan sebagai parameter masukan Kohonen SOM dengan menentukan nilai threshold θ=0,5. Learning rate yang digunakan adalah α=0,2. Bobot awal yang dipilih w1=0,1 dan w2=0,1. Maksimum Epoh=100, nilai error diperoleh dari nilai t-y. Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan pola-pola tanda tangan yang ada sehingga diharapkan jaringan dapat mengenali polapola karakter baru yang diberikan. Langkah terakhir adalah bobot disimpan. Hasil pembobotan ditunjukkan pada tabel 1.

(1)

i

Langkah 4 : Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum. Langkah 5 : Hitung semua nilai wij (baru) dengan nilai j dari langkah 4 wij (baru )  wij lama    xi  wij lama  (2)





Langkah 6 : Ubah (update) nilai laju pembelajaran. Langkah 7 : Kurangi jarak tetangga (R). Langkah 8 : Periksa syarat berhenti Algoritma Pengenalan Langkah 0 : Set nilai bobot wij.(ambil dari hasil pembelajaran) Langkah 1 : Untuk setiap indeks j, hitung nilai :

D j    wij  xi 

2

(3)

i

Langkah 2: Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum.   4. Pembahasan

Tabel 1 pembobotan Kohonen SOM No  1  2  3  4  5  6  7  8  9  10 

Pengujian dilakukan dengan mengambil beberapa sampel tanda tangan yang ingin di identifikasi terlebih dahulu. Proses memasukkan tanda tangan menggunakan pen yang dirancangan dalam aplikasi kemudian untuk setiap tanda tangan akan dilakukan proses ekstraksi ciri. tampilan pemasukan tanda tangan untuk pelatihan dan pengujian dapat dilihat pada gambar 3

Inisial Bobot  x1  1.86  0.66  1.87  0.71  1.87  0.67  1.88  0.72  1.88  0.68 

x2  0.98  2.28  0.68  2.74  0.99  2.29  0.69  2.75  0.1  2.3 

D(t)  0  1  0  1  0  1  0  1  0  1 

Nilai Bobot Baru  x1  1.86  1.98  1.87  1.45  1.87  1.47  1.88  0.88  1.88  2.47 

x2  0.70  2.28  1.49  2.74  1.61  2.29  1.44  2.75  0.84  2.30 

ŋ(t) 0.1  0.6  0.1  0.6  0.1  0.6  0.1  0.6  0.1  0.6 

Pada tabel 1 merupakan tahapan pembobotan yang akan digunakan pada Kohonen SOM, nilai n(t) merupakan learning rate untuk pengujian 335

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

identifikasi tanda tanga dengan nilai 0,6. Hasil pelatihan dengan menggunakan dua pendekatan dapat dilihat pada tabel 2.

Waktu (detik) Kohonen + PCA Waktu (detik) Kohonen + KPCA

Tabel 2 Hasil pelatihan Kohonen SOM

1.5

Waktu (detik)

No

Citra di latih

Epoh

PCA + Kohonen

KPCA + Kohonen

1 2 3 4 5 6 7 8 9 10

5 5 5 5 5 5 5 5 5 5

100 100 100 100 100 100 100 100 100 100

0.3870 0.1934 0.6791 0.1187 0.1864 0.3354 0.1793 0.1231 0.5668 0.5368

0.4341 0.2826 0.9476 0.1749 0.2648 0.4548 0.2612 0.1528 0.7607 0.5800

1 0.5 0 0

5.

Kesimpulan

Berdasarkan hasil pengujian identifikasi tanda tangan secara online, kombinasi metode PCA+Kohonen lebih cepat dengan rata-rata 0,5 detik untuk pengujian dibandingkan KPCA+Kohonen 0,6 detik, namun untuk hasil akurasi kombinasi KPCA+Kohonen lebih akurat dengan 94,76% ratarata hasil uji dibandingkan PCA+Kohonen 84,90%. Penerapan fungsi kernel pada PCA sangat akurat digunakan pada metode Kohonen SOM, namun masih perlu dilakukan pendekatan ekstraksi yang lain seperti DWT, LDA dan lainnya, DaftarPustaka: [1] Randika, K S., 2014, Online and Offline Signature Verification: A Combined Approach, International Conference on Information and Communication Technologies, doi: 10.1016/j.procs.2015.02.089. [2]

Mukherjee, A., Priya, K., Pandit, M., & Bhattacharya, D., 2017, Use of Auto Associative Network for signature recognition, International Journal of Current Engineering and Technology, E-ISSN:2277–4106.

[3]

Harahap, M., Tulus, Budiarthi, E., 2014, Analisa Perbandingan Pengenalan Tulisan Tangan dengan Kohonen SOM dan MDF, Tesis Megister Teknik Informatika Universitas Sumatera Utara.

Akurasi` KPCA + Kohonen 150 100 50 0 10

15

Data hasil pengujian ditampilkan sebanyak 10 percobaan dari total data, masing-masing tanda tangan dilakukan dengan iterasi sebanyak 10 kali, dengan nilai akurasi tertinggi adalah penerapan kombinasi KPCA+Kohonen dibandingkan kombinasi PCA+Kohonen, namun secara umum kombinasi metode PCA sebagai ekstraksi fitur dapat digunakan sebagai parameter masukan pada metode Kohonen untuk identifikasi tanda tangan secara online.

Akurasi` PCA + Kohonen

5

10

Gambar 5 Grafik perbandingan waktu PCA+Kohonen dan KPCA+Kohonen

Pada tabel 2 terdapat perbedaan hasil waktu pelatihan, kombinasi Kohonen+PCA lebih cepat dibandingkan dengan metode Kohonen+KPCA, hasil pelatihan ini akan digunakan untuk pengujian tanda tangan dengan nilai learning rate 0,2 dengan epoch=100 dan iterasi 10. Hasilnya dapat dilihat pada tabel 3. Tabel 3. hasil pengujian Akurasi` Jumlah  Nama Iterasi PCA +  KPCA +  Citra Kohonen Kohonen Siti              3            10 89,98 93,87 Rahman              3            10 84,97 92,78 Umar              3            10 79,94 97,67 Dina              3            10 88,89 95,34 Agus              3            10 82,98 90,89 Salman              3            10 79,87 91,83 Nining              3            10 89,67 97,09 Yudi              3            10 89,54 97,65 Dewi              3            10 79,69 96,97 Haris              3            10 83,45 93,55

0

5

15

Gambar 4 Grafik perbandingan akurasi PCA+Kohonen dan KPCA+Kohonen 336

Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 2017

[4]

Kedia, S., Monga, Er., G, 2017, Static Signature Matching Using LDA and Artificial Neural Networks, International Journal of Advance Research, Ideas and Innovation in Technology, 245-248, Volume3, Issue3, ISSN: 2454-132X.

[5]

Patil, V. R., Borse, Y. I, Roshani, Patil, R., Patil, P, 2017, Online Signature Verification using DTW Algorithm: A Review, International Journal of Science Technology Management and Research, Volume 2, Issue 7, ISSN (online): 2456-0006.

[6]

Wang, J., & Yagi, Y. 2013. Shape priors extraction and application for geodesic distance transforms in images and videos. Pattern Recognition Letters, 34(12), 1386– 1393. doi:10.1016/j.patrec.2013.04.008.

[7]

Kim, K. I., Jung K., & Kim, H. J., 2002, Face Recognition Using Kernel Principal Component Analysis, IEEE Signal Processing letters, Vol 9, No. 2.

[8]

Lei W, 2009, Research on global statistic and local geometry based dimensionality reduction algorithm. University of Science and Technology of China, Beijing, China, 2009.

[9]

Mohammed, H. R., Al-Taee, E. J. A. R., 2015, Signature Identification and Recognition using Elman Neural Network, European Journal of Scientific Research, ISSN 1450-216X / 1450202X Vol. 131 No 2

[10]

Majumder, A., Behera, L., & Subramanian, V. K., 2014. Local Binary Pattern based Facial Expression Recognition using Self-Organizing Map. International Joint Conference on Neural Networks (IJCNN). 2375- 2382.

[11]

Chelali, F. Z., Djeradi, A., & Cherabit, N., 2015, Investigation of DCT/PCA combined with Kohonen classifier for human identification. 978-1-4673-6673-1.

[12]

Mohammed, H. R., Al-Taee, E. J. A. R., 2015, Signature Identification and Recognition using Elman Neural Network, European Journal of Scientific Research, ISSN 1450-216X / 1450202X Vol. 131 No 2

[13]

Daqrouq, K., Sweidan, H., Balamesh, A. & Ajour, M. N., 2017, Off-Line Handwritten Signature Recognition by Wavelet Entropy and Neural Network, Entropy 2017, 19, 252; doi:10.3390/e19060252. 337...