Jurnal Pengenalan Pola Tanda Tangan
-
Upload
muhja-mufidah -
Category
Documents
-
view
37 -
download
3
description
Transcript of Jurnal Pengenalan Pola Tanda Tangan
-
Prosiding Semirata FMIPA Universitas Lampung, 2013
Semirata 2013 FMIPA Unila |461
Pengenalan Pola Tanda Tangan dengan Metode Momennt
Invariant dan Euclidean Distance
Roni Salambue
Program Studi Manajemen Informatika Jurusan Matematika, FMIPAUniversitas Riau
E-mail: [email protected]
Abstrak. Dalam makalah ini dilakukan penelitian tentang pengenalan pola tanda tangan
berbasis citra digital. Citra tanda tangan merupakan hasil digitasi yang direpresentasikan
dalam bentuk matrik. Dalam melakukan pengenalan pola, matrik yang mempunyai
dimensi besar berpengaruh pada waktu komputasi dan akurasi pengenalan. Berdasarkan
hal tersebut maka digunakan metode Moment Invariant untuk mereduksi dimensi matrik.
Prinsip kerja moment invariant adalah mengelompokkan matrik ke dalam vektor yang
dihasilkan oleh fungsi posisi dan arah piksel citra yang invariant terhadap rotasi, translasi
dan skala dan didefenisikan dalam momen geometri citra digital. Vektor hasil moment
invariant menjadi data input dalam proses pengenalan citra digital. Metode pengenalan
menggunakan Euclidean Distance yang mengukur selisih antara vektor. Ukuran
kemiripan citra digital berdasarkan pada selisih minimum yang terjadi antara citra
pengujian dengan citra yang tersimpan dalam basis data.
Kata kunci: moment invariant, euclidean distance, matrik, citra digital, tanda tangan.
PENDAHULUAN
Tanda tangan adalah sebuah bentuk
khusus dari tulisan tangan yang
mengandung karakter khusus dan bentuk-
bentuk tambahan yang sering digunakan
sebagai bukti verifikasi identitas
seseorang. Pada umumnya, dalam proses
identifikasi tanda tangan masih dilakukan
secara alamiah yaitu dengan mencocokkan
tanda tangan, namun bagaimana
melakukan pengenalan tanda tangan
menggunakan komputer masih menjadi
tantangan sampai saat ini, karena bentuk
tanda tangan yang unik pada setiap orang
[2].
Pada makalah ini dilakukan pengenalan
tanda tangan oleh komputer dari citra
digital tanda tangan. Cira digital ini
merupakan hasil pemindaian dari mesin
scanner terhadap tanda tangan yang ditulis
pada lembaran kertas.Citra digital adalah
kumpulan nilai diskrit yang
dipresentasikan dalam bentuk matriks m x
n, dimana m dan n menunjukkan
banyaknya elemen baris dan kolom pada
matriks tersebut [1][6]. Dalam melakukan
pengenalan, matrik yang mempunyai
dimensi besar berpengaruh pada waktu
komputasi dan akurasi pengenalan.
Sebagai contoh untuk matrik yang
berukuran 100x100 piksel akan
menghasilkan vektor pengamatan dengan
dimensi 100x100=10000. Jika algoritma
pengenalan harus memproses vektor yang
berdimensi 10000 ini, maka akan
mempengaruhi waktu komputasi [5].
Oleh karena itu, perlu dilakukan
transformasi ruang vektor dari dimensi
10000 menjadi ruang lain yang
berdimensi lebih rendah, namun informasi
yang ada sama baiknya dengan informasi
dari ruang asli.
Salah satu metode untuk
mentransformasi ruang vektor adalah
moment invariant yang diperkenalkan
oleh Hu tahun 1962 [3][9]. Momen
invarian yang merupakan fungsi nonlinear
yang invariant terhadap rotasi, translasi
dan skala dan didefenisikan dalam momen
geometri citra. Mekanismenya dilakukan
dengan menghitung momen citra dan
momen pusat citra dengan persamaan
sebagai berikut [9] :
-
Roni Salambue: Pengenalan Pola Tanda Tangan dengan Metode Momennt Invariant dan Euclidean Distance
462| Semirata 2013 FMIPA Unila
(1)
dengan
= momen citra p, q = orde momen
f = nilai intensitas warna citra
x, y = koordinat piksel
Menurut Hu dalam [9] bahwa momen
citra yang invarian terhadap translasi citra
adalah dengan orde 00, 01, 02, 03, 10, 11, 12, 20, 21, 30. Selanjutnya ditentukan koordinat pusat citra
berdasarkan momen citra yang dihitung
dengan menggunakan persamaan berikut:
(2)
Selanjutnya untuk memperoleh momen
yang invarian terhadap rotasi maka
momen pusat diperoleh dengan
persamaan:
(3)
dengan
c = momen pusat
yx, = pusat citra
Supaya momen pusat invarian terhadap
skala momen dinormalisasi dengan
persamaan berikut:
00
pq
pq
c
c (4)
dengan :
= momen pusat normalisasi 2qp1 /)( untuk p+q >= 2,3
sesuai dengan orde momen citra.
Berdasarkan normalisasi momen pusat
dapat dihitung tujuh vektor momen
invarian dengan persamaan berikut:
1 20 02 (5) 2 2
2 20 02 11( ) 4 (6) 2 2
3 30 12 21 03( 3 ) (3 ) (7) 2 2
4 30 12 21 03( ) ( ) (8) 2 2
5 30 12 30 12 30 12 21 03
2 2
21 03 21 03 30 12 21 03
( 3 )( )[( ) 3( ) ]
(3 )( )[3( ) ( ) ]
(9) 2 2
6 20 02 30 12 21 03
11 30 12 21 03
( )[( ) ( ) ]
4 ( )( )
(10)
2 2
7 21 03 30 12 30 12 21 03
2 2
12 30 21 03 30 12 21 03
(3 )( )[( ) 3( ) ]
(3 )( )[3( ) ( ) ]
(11)
dengan = momen invarian Untuk mengukur kemiripan antar tanda
tangan digunakan metode pengukuran
jarak antara dua citra. Pengukuran
dilakukan pada setiap titik (piksel) citra.
Citra yang mirip akan mempunyai jarak
yang bernilai 0 (nol) [4]. Konsep jarak
yang digunakan pada penelitian ini adalah
jarak euclidean (euclidean distance).
Untuk menghitung jarak antara dua titik x
dan y dapat didefinisikan sebagai
berikut[7][8]:
(12)
METODE PENELITIAN
Bahan yang digunakan dalam
penelitian ini adalah 5 citra tanda tangan
dari 3 orang sebagai bahan eksperimen.
Tahapan yang dilakukan adalah: (1)
Melakukan penyeragaman ukuran (size)
citra digital, (2) menghitung vektor
moment invariant untuk setiap citra, (3)
Menyimpan 3 citra masing-masing orang
dalam database dan 2 citra masing-masing
orang sebagai data pengujian, (4)
menghitung selisih antara vektor momen
citra uji dengan vektor momen citra yang
terdapat dalam database.
HASIL DAN PEMBAHASAN
Citra yang digunakan berjumlah 15
dimana 1 tanda tangan diwakili oleh 5
citra. Tiga citra pertama masing-masing
tanda tangan disimpan dalam database dan
dua citra berikut untuk data pengujian.
Setiap data citra digital yang digunakan
mempunyai ukuran yang berbeda-beda.
Untuk itu dilakukan penyeragaman ukuran
dimana dalam hal ini semua citra yang
digunakan diseragamkan ukurannya yaitu
100x100 piksel.
-
Prosiding Semirata FMIPA Universitas Lampung, 2013
Semirata 2013 FMIPA Unila |463
Selanjutnya citra ditransfrosmasi ke
ruang vektor dengan dimensi 10000,
sehingga dimensi matrik input [10000 x
1]. Matrik input ini dihitung yang
menghasilkan momen citran dalam
beberapa orde momen. Orde momen 00,
01 dan 10 dijadikan input untuk
menghitung koordinat pusat citra. Untuk
memperoleh momen yang invarian
terhadap rotasi maka momen pusat
dihitung berdasarkan koordinat pusat
citra. Setelah itu momen pusat
dinormalisasi sesuai dengan orde momen
yang perhitungannya >= 2. Berdasarkan
normalisasi momen pusat ini dapat
dihitung tujuh vektor momen invariant.
Hasil dari tujuh vektor ini akan merubah
dimensi matrik input menjadi [7 x 1].
Semua urutan pekerjaan ini diulang untuk
semua citra yang dijadikan sebagai data
dalam makalah ini.
Untuk mengukur kemiripan dari
masing-masing citra maka dihitung selisih
antara piksel dari matrik yang akan diuji.
Seperti disebutkan diatas bahwa tiga citra
awal dijadikan data pelatihan dan duat
data selanjutnya dijadikan data uji. Hasil
pengujian dapat dilihat pada tabel 1
berikut:
Tabel 1. Hasil Pengujian
No Citra
Uji
Hasil Pengenalan
Keterangan Jarak
Citra
Terdekat
1 F4 4.1346 x
10-5 F3 Sesuai
2 F5 1.5981 x
10-5 F3 Sesuai
3 R4 8.7792x 10-
6 R2 Sesuai
4 R5 1.2924x 10-
5 R2 Sesuai
5 U4 2.5505x 10-
6 U2 Sesuai
6 U5 1.2530x 105 U1 Sesuai
Tabel 2. Citra Tanda Tangan
F1,2,3,4,5 R1,2,3,4,5 U1,2,3,4,5
Dari tabel diatas terlihat bahwa citra
mengenali semua data uji. Hasil ini
berbeda dengan peneliian sebelumnya [8]
dimana data yang digunakan sama namun
terdapat kesalahan pengenalan pada citra
U4 yang diinformasikan mempunyai
kemiripan dengan citra F3.Tabel berikut
memperlihatkan citra tanda tangan yang
digunakan pada penelitian ini.
KESIMPULAN
Berdasarkan hasil penelitian dapat
diambil beberapa kesimpulan sebagai
berikut,
1. Metode moment invarian dapat digunakan untuk memperoleh matrik
berdimensi rendah sehingga
mempercepat waktu komputasi.
2. Metode ini tidak terpengaruh terhadap rotasi, translasi dan skala citra.
3. Semua citra uji dapat dikenali. Beberapa saran yang dapat diberikan
untuk penelitian selanjutnya sebagai
berikut,
1. Perlu dilakukan pengujian pada jumlah citra yang lebih banyak untuk
mengukur tingkat pengenalan pada data
yang banyak.
2. Model dalam makalah ini dapat dibuat dalam bentuk aplikasi komputer.
UCAPAN TERIMA KASIH
Ucapan terima kasih kepada mahasiswa
Program Studi Manajemen Informatika
yang sudah memberi tanda tangan untuk
kegiatan penelitian ini.
DAFTAR PUSTAKA
Gonzalez, Rafael C and Woods, Richard
E. (2010). Digital Image Processing.
Prentice Hall. New Jersey.
Hidayatno, Achmad., Isnanto, R. Rizal.,
Buana, Dian Kurnia Widya. (2008).
Identifikasi Tanda-Tangan
Menggunakan Jaringan Saraf Tiruan
Perambatan-Balik (Backpropagation).
Jurnal Teknologi, Volume. 1 Nomor 2 ,
Desember 2008, 100 - 106
-
Roni Salambue: Pengenalan Pola Tanda Tangan dengan Metode Momennt Invariant dan Euclidean Distance
464| Semirata 2013 FMIPA Unila
Jariah, Ainun., Irawan, Mohammad Isa.,
Mukhlash, Imam. Pengenalan Pola
Tanda Tangan Menggunakan Metode
Moment Invariant Dan Jaringan Syaraf
Radial Basis Function (RBF).
Prosiding Seminar Nasional
Penelitian, Pendidikan dan Penerapan
MIPA, Fakultas MIPA, Universitas
Yogyakarta, 14 Mei 2011.
Jatra, Muhammad., Isnanto, R. Rizal dan
Santoso, Imam. (2011). Identifikasi Iris
Mata Menggunakan Metode Analisis
Komponen Utama dan Perhitungan
Jarak Euclidean. Tesis, Jurusan Teknik
Elektro Fakultas Teknik, Universitas
Diponegoro, Semarang.
Munir, Rinaldi. (2004). Pengolahan Citra
Digital dengan Pendekatan Algoritmik.
Informatika. Bandung
McAndrew, Alasdair. (2004). Introduction
to Digital Image Processing with
MATLAB. Thomson Course
Technology. Australia.
Rodiyansyah, Sandi Fajar. (2010).
Ekstraksi Histogram Citra Digital
Untuk Mengukur Similarity dengan
Menggunakan Metode Euclidian
Distance. Magister Ilmu Komputer,
Universitas Gadjah Mada, Yogyakarta.
Salambue, Roni. (2012). Pengenalan Pola
Tanda Tangan dengan Metode
Principal Component Analysis dan
Euclidean Distance. Seminar dan Rapat
Tahunan BKS-PTN. Medan-Indonesia,
Mei 2012.
Sebe N, Lew MS. (2000). Robust
Computer Vision : Theory and
Applications. Leiden: Leiden Institute
of Advance Computer Science.