J-ICON.
Vol.
4 No.
Maret 2016, pp.
IDENTIFIKASI TELAPAK TANGAN MENGGUNAKAN METODE EKSTRAKSI
CIRI PRINCIPAL COMPONENT ANALYSIS (PCA) DAN IDENTIFIKASI CIRI
RESILIENT PROPAGATION
Mellanie Lette 1.
Adriana Fanggidae.
ST.
Cs 2.
Nelci D.
Rumlaklak.
1,2,3
Jurusan Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana
INTISARI
Pengenalan telapak tangan dalam penelitian ini dilakukan melalui beberapa tahap yakni akuisisi citra, preprocessing, deteksi tepi, ekstraksi ciri dan identifikasi telapak tangan.
Penelitian ini menggunakan Principal Componnent Analysis sebagai metode ekstraksi ciri dan Resilient Propagation sebagai metode identifikasi.
Penelitian ini menggunakan 40 data latih dan 20 data uji yang diperoleh dari database PolyU.
Hasil penelitian menunjukkan bahwa performasi akurasi sistem menggunakan Resilient propagation dengan jumlah toleransi eror sebesar 1,E-0,6 dan jumlah neuron hidden sebesar 55 dan 45 dengan neuron output sebesar 10 memberikan performasi terbaik yaitu 65% dapat dikenali jika dibandingkan dengan penggunaan toleransi eror neuron output dan neuron hidden yang lainnya.
Kata kunci: Telapak tangan.
Resilient Propagation.
PCA, toleransi eror, neuron hidden, neuron
ABSTRACT
The palmprint recognation in this research was being held through several stages, which are image acquisition, preprocessing using histogram equalization,edge detection using sobel operation, feature extraction using Principal Componnent Analysis and face identification using Resilient Propagation.
This research use Principal Componnent Analysis as its feature extraction method and Resilient Propagation as its recognition method.
This research use 40 training data and 20 testing data wich are gained from PolyU.
The final result of the research shows that accuration performance of system using Principal Componnent Analysis and Resilient Propagation by using error tolerance as 1,E-06 and neuron hidden output as 10 are giving best performation that is 65% can be recognized as compared with using the othe error tolerance , neuron output and neuron Key word: Pamprint, resilient propagation, principal component analysis, eror tolerance, neuron hidden, neuron output.
PENDAHULUAN
Biometrika berarti mengukur karakteristik pembeda pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkannya dengan karakteristik yang telah disimpan sebelumnya pada suatu database.
Telapak tangan merupakan biometrika yang masih relatif baru.
Telapak tangan menjadi sangat menarik untuk dikembangkan sebagai biometrika karena memiliki ciri yang lebih banyak dibanding sidik jari dan geometri tangan.
Permukaan area telapak tangan yang lebih luas dibandingkan sidik jari diharapkan dapat menghasilkan ciri yang memiliki kemampuan membedakan yang lebih handal .
ISSN 2337-7631
ISSN 2337-7631
II.
MATERI DAN METODE
Data Penelitian Data yang digunakan berasal database The Hong Kong Polytechnic University (PolyU) dengan ukuran 150x150 piksel dan format BMP.
Data yang digunakan dalam penelitian ini sejumalah 60 data dengan 40 citra latih dan 20 citra uji.
Citra yang digunakan dalam data uji dan data latih adalah citra grayscale Citra Digital Citra digital dua dimensi dapat didefinisikan sebagai kumpulan kordinat x dan y, dimana x dan y adalah koordinat spasial yang memiliki intensitas citra pada setiap koordinat Elemen-elemen matriks inilah yang disebut juga dengan istilah piksel yang berasal dari kata picture elemen, citra digital dapat digambarkan sebagai suatu matriks, di mana indeks baris dan indeks kolom dari matriks menyatakan posisi suatu titik di dalam citra dan harga dari elemen matriks menyatakan warna citra pada titik tersebut .
Dimensi ukuran citra digital dinyatakan sebagai tinggi(M) x lebar(N).
Citra digital yang berukuran M x N dinyatakan dengan matriks yang berukuran M baris dan N kolom Preprocessing Tahap preprocessing merupakan tahap penting dalam pengolahan citra.
Preprocessing bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-parameter citra telapak tangan.
Beberapa teknik preprocessing yang dibahas pada penelitian ini yakni ekualisasi histogram dan Operator Sobel Ekualisasi Histogram Ekualisasi histogram merupakan salah satu bagian penting dari beberapa aplikasi pengolahan citra.
Tujuan dari teknik ini adalah menghasilkan histogram yang seragam.
Teknik ini dapat dilakukan pada keseluruhan citra atau pada beberapa bagian citra saja.
Histogram hasil proses ekualisasi tidak akan seragam atau sama untuk seluruh intensitas .
Operator Sobel Dalam penelitian ini, penulis menggunakan operator Sobel untuk mendeteksi tepi.
Operator Sobel menggunakan dua buah kernel yang berukuran 3x3 piksel untuk perhitungan gradien sehingga perkiraan gradien berada tepat di tengah jendela.
Operator Sobel melakukan deteksi tepi dengan memperhatikan tepi vertikal dan horizontal .
Ekstraksi Ciri Ekstraksi ciri merupakan tahap pemisahan ciri dari citra telapak tangan yang dilakukan setelah citra melalui tahap preprocessing.
Algoritma ekstraksi ciri yang digunakan pada penelitian ini adalah algoritma principal component analysis.
Principal Component Analysis merupakan suatu perhitungan standar modern yang digunakan untuk analisis data pada macam-macam field atau multi dimensi sekumpulan data .
khususnya pada bidang komputer grafik, karena kemudahannya dengan tidak membutuhkan parameter khusus dalam ekstraksi informasi yang berhubungan terhadap sekumpulan data yang meragukan.
Dengan J-ICON.
Vol.
4 No.
Maret 2016 :5261 J-ICON
ISSN 2337-7631
usaha minimal PCA menyediakan alur bagaimana mengurangi kumpulan data yang kompleks ke dalam dimensi lebih kecil dengan mempertahankan variasi data yang ada .
Berikut langkah Aelangkahnya :
Misal, terdapat kumpulan sejumlah m citra pelatihan X =[X1,X2,A,X.
, dimana setiap m berukuran n =.
piksel, kemudian gabungkan setiap m dalam n elemen vektor dengan semua baris selanjutnya buat citra matriks X sebagai matriks ukuran m.
berisi semua citra yang digabung, maka citra m tersebut dapat dibentuk menjadi sebuah vektor kolom berukuran .
sebagai berikut :
E x11 x A E 21 E xm1 x2 n EE Hitung rata-rata dengan menjumlahkan setiap baris pada citra matriks X dan bagi dengan m lalu kurangi citra matriks X dengan rata-rata citra gabungan tersebut.
Matriks baru ukuran m.
dinamakan sebagai A.
Hitung Mencari semua nilai eigen dan vektor eigen dari matriks L dengan transformasi Jacobi.
Algoritma Jacobi .
Inisialisasi matrik Cn*n .
Inisialisasi Matrik VEigenn*n = Matrik Identitas .
Inisialisasi max_iterasi.
Inilialisasi inIter = jumlah elemen segitiga atas C.
Inilialisasi ambang .
Selama jumlah absolut nilai non-diagonal utama > ambang dan iterasi < i .
for i =1.
inIter .
= koordinat absolute non-diagonal utama dengan nilai terbesar.
jika adalah tak berhingga maka .
Jika berhingga .
c = 1/ .
s = t*c .
inisialisasi matrik Pn*n , matrik identitas.
= -s.
= s.
= c.
Identifikasi Telapak Tangan Menggunakan Metode Ekstraksi Ciri Principal Component Analysis(Pc.
Dan Identifikasi Ciri Resilient Propagation (Mellanie Lett.
ISSN 2337-7631 P.
= c.
VEigen = VEigen * P.
Temp = PT.
C = Temp.
Nilai Eigen adalah diagonal akhir matrik C dan Vektor Eigen yang bersesuaian dengan nilai eigen adalah vektor pada kolom VEigen.
Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut .
1 Normalisasi Keberadaan normalisasi sangat dibutuhkan dalam berlangsungnya pembelajaran JST.
Hal ini sangat berkaitan dengan fungsi aktifasi yang digunakan.
Masukan dinormalisasi dengan membawa data ke bentuk normal dalam rentang nilai antara 0 sampai 1 apabila fungsi aktifasi yang digunakan adalah sigmoid biner, dan dalam rentang nilai -1 sampai 1 apabila sigmoid bipolar .
2 Resilient Propagation (RPROP) RPROP merupakan hasil pengembangan algoritma backpropagation.
RPROP berusaha untuk mengeliminasi besarnya efek dari gradient dengan cara hanya menggunakan tanda dari hasil penjumlahan gradient setiap pola yang digunakan dan mengabaikan nilai gradient-nya.
Tanda dari gradient akan menentukan arah perbaikan bobot-bobot.
Besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang diatur oleh parameter yang disebut faktor naik ( ) dan faktor turun ( ).
Adapun rumus dari aturan pembelajaran oleh RPROP dapat ditulis dalam rumus berikut .
= turunan parsial pada iterasi sebelumnya = faktor turun, bernilai 0 < .
iasanya 0,.
= faktor naik, bernilai 1 < .
iasanya 1,.
= delta, untuk nilai awal bernilai 0,1 ( = delta pada iterasi sebelumnya = delta max, biasanya bernilai 50 = delta min, biasanya bernilai 1e-6 Setelah dilakukan aturan pembelajaran maka proses selanjutnya adalah proses pembaharuan bobot, adapun rumus dari aturan pembaharuan bobot ini dapat ditulis dalam rumus berikut .
J-ICON.
Vol.
4 No.
Maret 2016 :5261 J-ICON
ISSN 2337-7631
Terdapat sebuah kondisi pengecualian jika tanda dari gradient berubah tandanya, yakni .
Dalam menghindari perulangan perubahan bobot maka nilai gradient ( ketika kondisi ) diatur = 0.
6 Tahapan Pengenalan Telapak Tangan Tahapan pengenalan telapak tangan terdiri dari tahap Preprocessing, ekstraksi menggunakan algoritma Principal Componnent Analysys dan klasifikasi menggunakan algoritma resilient propagation.
Proses tersebut dapat dilihat secara garis besar pada gambar Tahap identifikasi telapak tangan terdiri dari tahap pelatihan dan tahap klasifikasi/identifikasi.
Tahap pelatihan dimulai dengan mengakuisisi citra telapak tangan dari berkas komputer, kemudian citra tersebut masuk kedalam tahap preprocessing, kemudian diekstraksi cirinya menggunakan principal componnent analysis, ciri dari metode tersebut kemudian disimpan kedalam database.
Setelah semua citra telah diekstraksi cirinya kemudian ciri dari metode PCA tersebut dipelajari menggunakan RPROP, hasil pembelajaran dari metode PCA tersebut berupa bobot-bobot pada setiap jaringannya.
Bobot-bobot ini kemudian disimpan dalam database dan digunakan selanjutnya pada tahap klasifikasi .
Tahap klasifikasi dimulai dengan mengakuisisi citra telapak tangan dari berkas komputer, dilanjutkan dengan tahap preprocessing, kemudian diekstraksi cirinya menggunakan Principal Componnent Analysis selanjutnya ciri tersebut diklasifikasi menggunakan metode feed forward.
Metode feed forward menggunakan bobot-bobot jaringan RPROP dari hasil metode PCA yang telah tersimpan dalam database, sehingga diperoleh hasil klasifikasi dari identifikasi telapak tangan.
Flowchart tahap pelatihan dan pengujian dapat dilihat pada gambar 1.
Identifikasi Telapak Tangan Menggunakan Metode Ekstraksi Ciri Principal Component Analysis(Pc.
Dan Identifikasi Ciri Resilient Propagation (Mellanie Lett.
ISSN 2337-7631 Mulai Mulai Mulai Mulai Akuisisi Citra Telapak Tangan Akuisisi Citra Telapak Tangan Preprocessing Preprocessing Ekstraksi ciri dengan Principal Component Analysis Ekstraksi ciri dengan Principal Component Analysis Klasiikasi Pembelajaran Hasil Klasifikasi Selesai Selesai .
Gambar 1.
Flowchart sistem pengenalan telapak tangan dengan Principal Component Analysis dan Resilient Propagation .
Flowchart pelatihan .
Flowchart Pengujian i.
HASIL DAN PEMBAHASAN
Hasil Pengujian Hal pertama yang dilakukan dalam menguji kinerja sistem adalah melatih sistem, dalam melatih sistem digunakan 1 data set dengan jumlah citra latih sebanyak 60 data.
Citra telapak tangan manusia dengan kondisi pencahayaan yang berbeda-beda terdiri atas 5 orang pertama dan 10 orang dengan 4 citra diambil dari masing-masing orang sebagai data latih dan 2 orang sebagai data uji.
Pada penelitian ini setelah melakukan try and error pada jumlah neuron hidden, toleransi eror dan jumlah neoron output yang bertujuan untuk mendapatkan tingkat akurasi yang tinggi.
Hasil pengujian dimana citra uji sama dengan citra latih akan ditunjukkan seperti pada tabel 1 Tabel 1.
Hasil pengujian dimana citra uji sama dengan citra latih
Hasil
Paramater latih
Neuron
Banyaknya Toleransi
Eror
Iterasi
1,E-06
1,E-07
1,E-06
1,E-07
J-ICON.
Vol.
4 No.
Maret 2016 :5261 Waktu Belajar Detik.
MSE
8,8304383366429E-07
9,83070061701555E-0
5,82591405606336E-0
9,86648880308104E-0
Waktu Simpan Detik.
Akurasi
(%)
J-ICON
ISSN 2337-7631
1,E-06
1,E-07
1,E-06
1,E-07
1,E-06
1,E-07
8,81527748986657E-0
9,26332562270795E-0
8,84764847731219E-0
8,8108335222949E-08
8,87313220225734E-0
9,23121636528182E-0
Dari gambar diatas dapat dilihat bahwa pertumbuhan akurasi pada proses pelatihan sangatlah bagus yaitu menghasilkan akurasi sebesar 100% dengan pergantian nilai toleransi eror dan neuron hidden di setiap data latih.
Pengujian juga dilakukan terhadap citra-citra baru .
ang tidak dilibatkan dalam pelatiha.
dimana pengujian dilakukan terhadap 20 citra uji.
Contoh hasil pengujian dimana citra uji tidak sama dengan citra latih ditunjukkan pada tabel .
Tabel 2.
Hasil pengujian dimana citra uji tidak sama dengan citra latih
Hasil
Paramater latih
Neuron
Banyaknya Toleransi
Eror
Iterasi
1,E-06
1,E-07
1,E-06
1,E-07
1,E-06
1,E-07
1,E-06
1,E-07
1,E-06
1,E-07
Waktu Belajar Detik.
MSE
8,8304383366429E-07
9,83070061701555E-0
5,82591405606336E-0
9,86648880308104E-0
8,81527748986657E-0
9,26332562270795E-0
8,84764847731219E-0
8,8108335222949E-08
8,87313220225734E-0
9,23121636528182E-0
Waktu Simpan Detik.
Akurasi
(%)
Tabel 2 memberikan hasil pengujian dimana citra yang diujikan tidak sama dengan citra latih.
Pada pengujian ini sistem memiliki performansi yang kurang baik menggunakan neuron hidden yang berbeda-beda dan jumlah neuron output yang berbeda-beda pula dengan masing-masing akurasi berturut-turut yakni 20%,60%,40%,60%,65%,40%,50%,50%,65% dan 50% .
gambar 2 akan menunjukan grafik hasil pengujian dimana citra yang diujikan tidak sama dengan citra latih.
Identifikasi Telapak Tangan Menggunakan Metode Ekstraksi Ciri Principal Component Analysis(Pc.
Dan Identifikasi Ciri Resilient Propagation (Mellanie Lett.
ISSN 2337-7631 Akurasi Akurasi (%) Akurasi (%) Neuron Hidden Gambar 2.
grafik pertumbuhan akurasi terhadap Neuron hidden data uji.
Dari grafik diatas dapat disimpulkan bahwa pertumbuhan akurasi terhadap neuron hidden pada proses pengujian sangat bervariasi.
Dapat dilihat bahwa semakin tinggi nilai neuron hidden maka akan diperoleh nilai akurasi yang tinggi yaitu 65 % dengan jumlah neuron hidden sebesar 55.
Akurasi (%) Akurasi Akurasi (%) Neuron output Gambar 3.
grafik pertumbuhan akurasi terhadap neuron output data uji Dari gambar 3 diatas dapat disimpulkan bahwa pertumbuhan akurasi terhadap neuron output pada proses pengujian sangat bervariasi.
Dapat dilihat bahwa semakin tinggi nilai neuron output maka akan diperoleh nilai akurasi yang tinggi yaitu 65 % dengan jumlah neuron output sebesar 10.
J-ICON.
Vol.
4 No.
Maret 2016 :5261 J-ICON
ISSN 2337-7631
Pembahasan Dari hasil pengujian terhadap citra latih .
dimana citra uji sama dengan citra latih, terlihat sistem melakukan klasifikasi dengan sangat baik dengan masing-masing akurasi = 100 %.
Hal ini dapat disebabkan oleh beberapa faktor yaitu :
Citra yang telah dilatih memiliki kondisi pencahayaan yang baik karena telah mengalami proses perbaikan kualitas citra.
Kemampuan metode pengklasifikasi ressilient backpropagation yang sangat membantu sistem dalam mengoptimalisasi jaringan serta mempercepat konvergensi dengan penambahan momentum pada saat melakukan pengenalan telapak tangan.
Dari hasil pengujian terhadap citra latih .
dimana citra uji tidak sama dengan citra latih, terlihat sistem melakukan klasifikasi dengan kurang baik dengan masingmasing akurasi secara berturut-turut sebesar 20%,60%,40%,60%,65%,40%,50%,50%,65% dan 50% Sehingga dapat dilihat bahwa penggunaan neuron hidden sebesar 55 dan 45 dengan jumlah neuron output sebesar 10 orang serta penggunaan toleransi eror sebesar 1,E-06 memberikan performasi rata-rata yang lebih baik dibandingkan dengan menggunakan neuron hidden, jumlah neuron output sebesar 5 dan nilai toleransi eror yang lainnya.
Dari hasil pengujian dapat disimpulkan bahwa pertumbuhan neuron output sebanding dengan pertumbuhan toleransi eror yaitu bahwa apabila ada penambahan neuron output maka nilai dari toleransi eror pun juga harus dinaikan agar dapat memperoleh penambahan tingkat akurasi.
Dan nilai dari neuron hidden tidak begitu mempengaruhi nilai akurasi karena dapat dilihat dari tabel 2 bahwa penambahan jumlah neuron hidden tidak begitu berpengaruh dibandingkan dengan jumlah neuron output dan toleransi eror Walaupun hasil klasifikasi dapat dikatakan baik, namun didapati juga bahwa terdapat beberapa buah citra telapak tangan yang diklasifikasi sistem sebagai telapak tangan yang tidak dikenali.
Penyebab citra-citra tersebut salah diklasifikasi yaitu:
Jumlah citra latih sedikit.
Fitur-fitur yang dipilih memang tidak cukup unik untuk bisa dipakai sebagai pembeda antara telapak tangan satu dengan yang lain.
Nilai laju pembelajaran, target error, jumlah sel pada lapisan tersembunyi dan inisialisasi bobot awal yang diberikan kurang tepat.
IV.
KESIMPULAN DAN SARAN
Kesimpulan Berdasarkan hasil pengujian terhadap sistem yang dibangun dapat disimpulkan hal-hal sebagai berikut:
Performansi masing-masing sistem untuk pengujian dimana citra uji sama dengan citra latih memberikan hasil akurasi masing-masing sebesar 100%.
penggunaan neuron hidden sebesar 45 dan 55 dengan jumlah neuron output sebanyak 10 orang dan toleransi eror sebesar 1,E-06 memberikan performasi yang lebih baik dibandingkan dengan menggunakan jumlah neuron hidden, neuron output dan toleransi eror yang lainnya.
Jumlah toleransi eror, neuron hidden dan jumlah neuron output atau jumlah orang juga mempengaruhi tingkat akurasi pada data uji Identifikasi Telapak Tangan Menggunakan Metode Ekstraksi Ciri Principal Component Analysis(Pc.
Dan Identifikasi Ciri Resilient Propagation (Mellanie Lett.
ISSN 2337-7631 Kualitas ekstraksi ciri memiliki pengaruh yang besar terhadap keberhasilan sistem dalam mengidentifikasi citra telapak tangan Saran Sehubungan dengan temuan-temuan selama pengujian sistem, berikut diberikan saran-saran untuk pengembangan sistem sebagai berikut:
Mengembangkan sistem pendeteksi citra telapak tangan dengan beberapa metode ekstraksi ciri yang digabungkan sekaligus agar mendapatkan performasi yang lebih Menggunakan ciri-ciri lain yang lebih unik yang dapat membedakan citra telapak
tangan satu dengan citra tangan yang lain DAFTAR PUSTAKA