ARTIKEL PENCARIAN NILAI K -OPTIMAL PADA ALGORITMA K...

ARTIKEL

PENCARIAN NILAI K-OPTIMAL PADA ALGORITMA

K-NEAREST NEIGHBOR (KNN) DALAM MENGIDENTIFIKASI

CITRA TANDA TANGAN

Oleh:

ACHMAD ZAINUL KARIM

NPM. 13.1.03.02.0281

Dibimbing oleh :

DANIEL SWANJAYA, M.Kom.

RESTY WULANNINGRUM, M.Kom.

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS NUSANTARA PGRI KEDIRI

2017

Simki-Techsain Vol. 01 No. 11 Tahun 2017 ISSN : XXXX-XXXX

Artikel Skripsi

Universitas Nusantara PGRI Kediri

Achmad Zainul Karim | 13.1.03.02.0281 Teknik – Teknik Informatika

simki.unpkediri.ac.id


Artikel Skripsi



simki.unpkediri.ac.id || 1 ||

PENCARIAN NILAI K-OPTIMAL PADA ALGORITMA

K-NEAREST NEIGHBOR (KNN) DALAM MENGIDENTIFIKASI

CITRA TANDA TANGAN

Achmad Zainul Karim

NPM. 13.1.03.02.0281

Teknik – Teknik Informatika

[email protected]

Daniel Swanjaya, Resty Wulanningrum


ABSTRAK

Tanda tangan merupakan identitas diri dari seseorang. Berbagai hal dalam dunia formal selalu

menggunakan tanda tangan sebagai tanda keabsahan. Tanda tangan memiliki pola-pola tersendiri yang

apabila ditiru oleh orang lain menimbulkan perbedaan dengan tanda tangan aslinya. Kemajuan

teknologi informasi yang sangat pesat mendesak seluruh aspek administrasi menggunakan identifikasi

tanda tangan secara terkomputasi.

Penelitian ini dilakukan yakni untuk mengetahui nilai K-Optimal dan persentase akurasi pada

algoritma K-NN untuk mengidentifikasi citra tanda tangan. Algoritma K-Nearest Neighbor (KNN)

bekerja dengan cara membandingkan data uji dan data latih. KNN mencari pola data template yang

paling mendekati dengan data uji. Dekat atau jauhnya tetangga dihitung berdasarkan jarak Euclidean.

Dengan kata lain, kedua data dibandingkan berdasarkan atribut-atributnya.

Dalam sistem identifikasi tanda tangan, menggungunakan algoritma KNN sebagai metodenya.

Hal ini karena hasil metode tersebut memang sesuai untuk digunakan dalam proses identifikasi. Pada

sistem ini, dilakukan sejumlah 200 data latih dan 50 data uji dari sejumlah 10 orang.

Hasil dari penelitian ini yakni persentase dari 9 (sembilan) nilai K mulai dari K1 hingga K9.

Hasilnya nilai K-Optimal ada pada K7 dengan persentase keberhasilan sebesar 76%, dan nilai K

terendah ada pada K4 yakni 70% dari total 50 kali percobaan.

KATA KUNCI : Tanda Tangan, K-Optimal, KNN

I. LATAR BELAKANG

Tanda tangan merupakan

identitas diri dari seseorang. Berbagai

hal dalam dunia formal selalu

menggunakan tanda tangan sebagai

tanda keabsahan. Contohnya absensi

kehadiran para anggota Dewan di

Gedung Senayan, pencairan dana dari

Bank, surat perjanjian kontrak kerja,

dan masih banyak lagi yang lainnya.

Sebagai identitas diri, tentunya tanda

tangan tidak diperkenankan untuk ditiru

oleh orang lain selain pemiliknya,

meskipun pola tanda tangan tersebut

sangat mudah untuk ditiru.

Kemajuan teknologi informasi

yang sangat pesat mendesak seluruh

aspek administrasi menggunakan

identifikasi tanda tangan terkomputasi.

Berbagai metode sudah banyak tercipta

demi mendapatkan pemecahan suatu

masalah. Salah satunya adalah K-

Nearest Neighbor (KNN). Metode ini

adalah metode pencarian jarak terdekat


Artikel Skripsi




dengan jumlah nilai terdekat yang

diambil dilambangkan dengan variabel

K yang dinamis sehingga dapat

meningkatkan optimalisasi hasil dari

pencarian suatu masalah.

Nilai K yang paling sesuai

dinamakan nilai K-Optimal. Nilai K-

Optimal algoritma KNN pada penelitian

ini adalah untuk mengidentifikasi citra

tanda tangan. Membandingkan beberapa

nilai K untuk mendapatkan persentase

akurasi maksimal. Dengan tujuan untuk

mengetahui nilai K-Optimal dan

persentase akurasi pada algoritma KNN

untuk mengidentifikasi citra tanda

tangan.

II. METODE

A. Algoritma K-Nearest Neighbor

K-Nearest Neighbor (KNN)

bekerja dengan cara membandingkan

data uji dan data training/template.

KNN memiliki beberapa kelebihan

yaitu tangguh terhadap data template

yang noisy dan efektif apabila jumlah

data template besar. (Sofian, 2012).

Nilai K yang terbaik untuk algoritma

ini tergantung pada data. Pada

umumnya, nilai K yang tinggi akan

mengurangi efek noise pada

klasifikasi, tetapi membuat batasan

antara setiap klasifikasi menjadi

lebih kabur.

B. Flowchart Sistem

Gambar 1. menjelaskan

bagaimana aplikasi ini berjalan untuk

mengetahui nilai K-Optimal dan

persentase akurasi untuk

mengidentifikasi citra tanda tangan.

Gambar 1. Flowchart Sistem

Pada Gambar 1, dijelaskan

bahwa sistem menyediakan 2 (dua)

inputan yakni data latih dan data uji.

Data latih merupakan pemberian

pelatihan kepada sistem, sehingga

mengenali identitas yang

dimasukkan. Sedangkan data uji

memberikan pengujian kepada

sistem untuk mengidentifikasi

identitas data yang dimasukkan.

Proses Input Citra merupakan proses

pemasukan data ke sistem.


Artikel Skripsi




Proses Akuisisi Citra

merupakan proses pengubahan data

menjadi data yang siap untuk diolah

oleh sistem. Proses Grayscale yakni

mengubah citra menjadi abu-abu.

Proses Biner yakni proses

pengubahan citra menjadi citra hitam

putih. Proses Crop yakni

pemotongan citra sesuai parameter

yang ditentukan. Kemudian citra

dilakukan Resize yakni mengubah

ukuran citra. Langkah berikutnya

yakni Segmentasi, merupakan proses

pemecahan pola pada citra. Langkah

terakhir yakni Labelling yakni

pemberian identitas pada data latih,

dan Identifikasi untuk menentukan

identitas citra pada data uji.

C. Uji Coba Sistem

Penelitian ini menggunakan

hasil tanda tangan sebagai data latih

sebayak 200 data dari 10 orang dan

data uji sebanyak 50 data dari 10

orang, yang diambil secara random

sehingga total setiap orang

melakukan tanda tangan sebanyak

25 kali. Setelah seluruh data

didapatkan, maka dimulailah

perhitungan 9 (sembilan) nilai K,

yakni K1 hingga K9. Kesembilan

nilai tersebut diambil berdasarkan

persentase keberhasilannya.

Pada penelitian ini hasil

keluarannya adalah seluruh data

berdasarkan 9 nilai K. Kemudian

nilai yang paling tinggi rasio

kebenarannya yakni sesuai nilai K

pada saat dilakukan data uji.

D. Simulasi Perhitungan

Citra yang akan dihitung

menggunakan algoritma KNN

adalah citra berupa hasil

preprocessing yakni citra biner.

Disediakan 2 (dua) matrik ordo 3x3

untuk data latih dan satu matrik ordo

3x3 untuk data uji. Matrik data latih

memiliki label x dan y, sedangkan

matrik uji memiliki label a.

Kemudian sistem akan menghitung

jarak antara matrik a dengan matrik

x, dan jarak antara matrik a dengan

matrik y.

Menghitung jarak a dengan x

Menghitung jarak a dengan y

𝑥 = 1 1 01 1 11 0 1

𝑦 = 0 0 01 0 10 1 1

𝑎 = 0 0 10 0 00 1 0


Artikel Skripsi




Jarak a dengan x adalah 3, dan

jarak a dengan y adalah 2. Sehingga

matrik a tergolong ke dalam kelompok

matrik y.

III. HASIL DAN KESIMPULAN

Setelah dilakukan data latih dan

data uji, penelitian ini menghasilkan

nilai K-Optimal yang didapat dari 50

kali percobaan dari 10 orang adalah K7

dengan 76% keberhasilan. Sehingga

dapat diambil kesimpulan bahwa sistem

ini menentukan dapat mengidentifikasi

tanda tangan berdasarkan pola

segmentainya.

IV. DAFTAR PUSTAKA

Abidin, Aa. 2013. Implementasi

Algoritma K-Nearest Neighbors

untuk Menentukan Kemungkinan

Tingkat Ketercapaian Kompetensi

Pembelajaran Keterampilan

Komputer dan Pengelolaan

Informasi. Seminar Nasional

Informatika 2013 (semnasIF 2013),

1 (04), 74-83.

Andre, J. 2016. Sistem Security

Webcam dengan Menggunakan

Microsoft Visual Basic (6.0).

Jurnal Teknologi dan Sistem

Informasi UNIVRAB, 1 (02), 46-58.

Banjarsari, M.A. 2015. Penerapan K-

Optimal Pada Algoritma KNN

untuk Prediksi Kelulusan Tepat

Waktu Mahasiswa Program Studi

Ilmu Komputer Fmipa Unlam

Berdasarkan IP Sampai Dengan

Semester 4. Kumpulan jurnaL Ilmu

Komputer (KLIK), 2 (02), 50-64.

Destyningtias, B. 2010. Segmentasi

Citra Dengan Metode

Pengambangan. Jurnal Elektrika. 2

(1), 39 – 49.

Hayatunnufus, A. 2014. Pendeteksi dan

Verifikasi Tanda Tangan

Menggunakan Metode Image

Domain Spasial. (Online) tersedia

http://repo.unand.ac.id/722,

diunduh 21 Oktober 2016.

Kusumanto, R. 2011. Pengolahan Citra

Digital Untuk Mendeteksi Obyek

Menggunakan Pengolahan Warna

Model Normalisasi RGB. Semantik

1.(1)

Pamungkas, Danar. 2015. Komparasi

Pengenalan Citra Tanda Tangan

dengan Metode 2D-PCA dan 2D-

LDA. Citec Jurnal, 2 (4): 341-354.

Sumarlin. 2015. Implementasi

Algoritma K-Nearest Neighbor

Sebagai Pendukung Keputusan

Klasifikasi Penerima Beasiswa PPA

dan BBM. JURNAL SISTEM

INFORMASI BISNIS 5.1 : 52-62.

Utami, Ema. 2014. Penggunaan

Principal Component Analysis dan

Euclidean Distance untuk

identidikasi Citra Tanda Tangan.

Iptek-Kom, 16 (1), 1-16

Wulanningrum, Resty. 2014.

Implementasi Principal Component

Analysis untuk Identifikasi Citra

Tanda Tangan. Seminar Nasional

Teknologi Informasi dan

Multimedia, 1 (5): 31-36.


ARTIKEL PENCARIAN NILAI K -OPTIMAL PADA ALGORITMA K...

Documents

Transcript of ARTIKEL PENCARIAN NILAI K -OPTIMAL PADA ALGORITMA K...