Identifikasi Tanda Tangan Menggunakan Manhattan Distance dan Sum Square Error dengan Ekstraksi Ciri Dimensi Fraktal Aismika Aigustin1, Sri Setyaningsih1 dan Aries Maesya1 1. Program Studi Ilmu Komputer FMIPA UNPAK – BOGOR, Jl. Pakuan, Bogor 16143, Indonesia Email :
[email protected] Program Studi Ilmu Komputer FMIPA – Universitas Pakuan Abstrak Tanda tangan merupakan salah satu bentuk pengenal identitas dari seseorang. Perbedaan tanda tangan dapat dilihat secara manual dari kerumitan pola yang digunakan oleh si pemiliknya. Tanda tangan biasanya digunakan untuk melakukan pengesahan terhadap dokumen formal sebagai bukti verifikasi identitas seseorang, hal tersebut dapat bermasalah atau gagal jika terbukti adanya pemalsuan tanda tangan pada suatu transaksi. Beberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak benarbenar sama. Tanda tangan seseorang dapat berubah setiap waktu, perubahan tersebut biasanya dari segi posisi dan ukuran tanda tangan. Pada umumnya, untuk mengidentifikasi tanda tangan dilakukan manual dengan membandingkan secara langsung data tanda tangan. Ekstraksi ciri merupakan salah satu teknik untuk mendapatkan pola atau penciri suatu citra. Karakteristik dari fraktal adalah dimensinya. Ukuran dimensi pada umumnya merupakan bilangan bulat, akan tetapi dimensi fraktal dapat bernilai pecahan. Dimensi fraktal dapat digunakan sebagai ciri suatu citra dengan metode perhitungan kotak.Identifikasi kecocokan pola tanda tangan dapat menggunakan metode Manhattan Disctance dan Sum Square Error untuk mengukur perbedaan antara data yang diperoleh dengan model perkiraan yang telah dilakukan sebelumnya. Kata Kunci : Identifikasi Tanda Tangan, Ekstraksi Ciri, Dimensi Fraktal, Manhattan Distance, Sum Square Error Pendahuluan Tanda tangan merupakan salah satu bentuk pengenal identitas dari seseorang, setiap orang memiliki pola tanda tangan yang berbeda-beda satu sama lainnya. Perbedaan tanda tangan dapat dilihat secara manual dari kerumitan pola yang digunakan oleh si pemiliknya. Tanda tangan biasanya digunakan untuk melakukan pengesahan terhadap dokumen formal sebagai bukti verifikasi identitas seseorang, hal tersebut dapat bermasalah atau gagal jika terbukti adanya pemalsuan tanda tangan pada suatu transaksi. Jika adanya pemalsuan akan merugikan beberapa pihak, maka perlu adanya verifikasi tanda tangan.
Beberapa sampel tanda tangan setiap orang pada umumnya identik namun tidak benar-benar sama. Tanda tangan seseorang sering berubah setiap waktu, perubahan tersebut biasanya dari segi posisi dan ukuran tanda tangan. Pada umumnya, untuk mengidentifikasi tanda tangan dilakukan manual dengan membandingkan secara langsung data tanda tangan. Fraktal memiliki karakteristik kesamaan dengan dirinya sendiri, artinya fraktal memiliki sifat-sifat yang sama untuk berbagai skala atau ukuran yang digunakan. Setiap bagian fraktal yang memiliki skala berbeda dan memiliki sifat yang sama dengan keseluruhan fraktal. Karakteristik tersebut
menyebabkan fraktal cocok digunakan untuk teknik kompresi. Karakteristik lain dari fraktal adalah dimensinya. Ukuran dimensi pada umumnya merupakan bilangan bulat, akan tetapi dimensi fraktal dapat bernilai pecahan. Dimensi fraktal dapat digunakan sebagai ciri suatu citra dengan metode perhitungan kotak. Jika melakukan cukup banyak verifikasi akan menyebabkan kelelahan bagi pengamat yang melakukannya, sehingga ketepatan hasil yang diharapkan kurang memuaskan. Oleh karena itu, identifikasi kecocokan pola tanda tangan dapat menggunakan metode Manhattan Disctance dan Sum Square Error untuk mengukur perbedaan antara data yang diperoleh dengan model perkiraan yang telah dilakukan sebelumnya. Tujuan dari penelitian ini adalah menerapkan Manhattan Distance dan Sum Square Error sebagai metode identifikasi serta dimensi fraktal sebagai ekstraksi ciri. Manfaat dari penelitian ini adalah menghasilkan penciri citra tanda tangan dan sebagai sistem identifikasi tanda tangan secara otomatis dengan berbasis citra. Metodologi Penelitian START
PENGUJIAN Akuisisi Citra Tanda Tangan Citra Tanda Tangan
Preprocessing Preprocessing Perancangan Sistem Ekstraksi Citra Uji Ekstraksi Fitur Dimensi Fraktal
Klasifikasi Manhattan Distance Dan Sum Square Error
Identifikasi
Hasil Identifikasi
Evaluasi Hasil Identifikasi Cira Tanda Tangan
END
Gambar 1.TahapanPenelitian
Metode penelitian terdiri dari akuisisi citra, praproses, ektraksi fitur menggunakan Dimensi Fraktal, proses identifikasi menggunakan Sum Square Error dan Manhattan Distance. Tahapan penelitian disajikan dalma flowchart pada gambar 1. Entity Relationship Diagram ERD (Entity Relationship Diagram) digunakan sebagai skema perancangan dalam basis data untuk mengelompokkan atribut pada entitas yang berelasi dengan entitas lainnya. Perancangan ERD dapat dilihat pada gambar 2.
Gambar 2.Entity Relationship Diagram Akuisisi Citra Tanda Tangan Jenis pola tanda tangan yang digunakan dalam penelitian ini adalah 25 jenis tanda tangan dari responden. 20 citra data latih dirotasi 1800 dan dijadikan data latih, sehingga jumlah data latih masingmasing kelas adalah 40 data (20 citra transform dan 20 citra tanpa transform). 4 citra data uji dirotasi 1800 dan dijadikan data uji, sehingga jumlah data uji masingmasing kelas adalah 8. Total data adalah 1000 data latih dan 200 data uji, sehingga total keseluruhannya adalah 1200 data tanda tangan. Citra tanda tangan di akuisisi dengan cara di scan menggunakan mesin scanner, setelah itu dilakukan croping dengan dimensi piksel yang sama. Hasil dari tahapan ini berupa citra digital. Preprocessing Citra Tanda Tangan Preprocessing terhadap citra pola tanda tangan dilakukan pada tahapan ini, citra diseragamkan ukurannya menjadi 16x16 piksel dan melakukan perubahan
bentuk citra ke dalam format grayscale 8 bit (28 = 256 derajat keabuan). Keabuan nilai 0 (nol) menyatakan intensitas hitam dan 1 untuk menyatakan instensitas putih (Kusumanto et al, 2011). Perancangan Sistem Tahapan perancangan sistem diawali dari perancangan basis data dengan model Entity Relationship Diagram, sedangkan untuk perancangan sistem secara umum menggunakan flowchart sistem untuk mendeskripsikan proses kerja sistem identifikasi tanda tangan. Blok diagram sistem dapat dilihat pada gambar 3.
Gambar 3. Blok Diagram Pengembangan Sistem Implementasi Sistem Sistem identifikasi tanda tangan dekembangkan pada tahapan implementasi sistem. Adapun tahapan implementasi sistem diantaranya adalah pembuatan database dan pembuatan sistem identifikasi tanda tangan dengan fitur ekstraksi ciri citra. Esktraksi Ciri Dimensi Fraktal Fraktal dicirikan oleh dimensinya yang berbentuk pecahan. Salah satu metode yang digunakan untuk menghitung dimensi fraktal adalah metode penghitungan kotak (box counting) yang dapat dinyatakan dengan persamaan 1 secara umum (Putra, 2010):
=
( )
( / )
Keterangan : N = Banyaknya kotak berukuran r yang berisi informasi piksel dari objek D = Dimensi fraktal objek r = Rasio Adapun langkah-langkah metode box counting adalah sebagai berikut (Putra, 2012):
1. Citra dibagi ke dalam kotak-kotak dengan ukuran r. Nilai r berubah dari 1 sampai 2k, dengan k = 0, 1,2, 4, 8, hingga 16. 2k tidak boleh lebih besar dari ukuran citra. Bila citra berukuran 2m x 2m, maka nilaikakanberhenti sampai mseperti ditunjukan pada gambar 4.
Gambar 4. Pembagian Citra Menggunakan Box Counting 2. Menghitung banyaknya kotak N(r) yang melingkupi suatu objek dan berisi bagian-bagian objek pada citra. Nilai N(r) sangat tergantung pada r: 3. Menghitung nilai Log(1/r) dan Log(N). 4. Menghitung kemiringan (slope) dari garis lurus dengan persamaan 2 (Bruno et al, 2008). Nilai slope ini merupakan dimensi fraktal dari citra pola tanda tangan.
=
( )∑
( )∑
∑ .∑
(∑ )
Keterangan : α = Banyaknya data yang digunakan X = Nilai log(1/ ) Y = Nilai log( )
Identifikasi Manhattan Distance Manhattan Distance adalah formula untuk menghitung jarak antara dua titik. Perhitungan Manhattan Distance untuk mencari jarak minimal dari kedua buah titik a (x1, y1) dan b (x2, y2) yang dapat dilakukan dengan menghitng nilai |x2 – x1| + |y2 – y1|. Perumusan Manhattan Distance secara umumnya dijabarkan dalam persamaan 3. =
(, )=
|
1− +
dimana : n = dimensi data
−
|
1 + … −
|..| = nilai absolut i = data uji j = data latih Identifikasi Sum Square Error Sum Square Error (SSE) adalah salah satu metode statistik yang dipergunakan untuk mengukur selisih total dari nilai data latih terhadap nilai yang data uji. Istilah SSE disebut juga sebagai Summed Square of Residuals (Hayatunnufus et al, 2013). =
(
−
)
Keterangan : x = nilai aktual atau nilai data latih y = nilai tercapai atau nilai data uji Nilai x dalam penelitian ini merupakan total jumlah intensitas setiap region yang disimpan sebagai data latih, sedangkan nilai y merupakan total jumlah intensitas sebagai data uji. Nilai SSE yang mendekati 0 berarti model tersebut mempunyai komponen kesalahan acak terkecil. Hasil dan Pembahasan Halaman Ekstraksi Ciri Halaman ekstraksi ciri berfungsi untuk mendapatkan penciri citra dengan proses ekstraksi menggunakan metode dimensi fraktal. Tampilan form upload ekstraksi ciri dapat dilihat pada gambar 5.
Gambar 5. Tampilan Form Upload Ekstraksi Ciri Halaman Proses Ekstraksi Ciri
Halaman proses ekstraksi ciri merupakan halaman hasil proses ekstraksi secara keseluruhan data sampel 40 citra tanda tangan dari masing-masing responden. Tampilan option ekstraksi ciri dapat dilihat pada gambar 6.
Gambar 6. Tampilan Option Proses Ekstraksi Ciri Halaman Hasil Ekstraksi Ciri Halaman ekstraksi ciri menampilkan keseluruhan data nilai dimensi fraktal secara global (FD) dan local region (FD00, FD01, FD10, dan FD11) dari masing-masing responden, adapun nilai yang ditampilkan merupakan nilai yang telah dirata-ratakan sesuai dengan jumlah data sample masing-masing responden. Tampilan hasil ekstraksi ciri setelah dirata-ratakan dapat dilihat pada gambar 7.
Gambar 7. Tampilan Hasil Ekstraksi Ciri Setelah Dirata-ratakan Halaman Identifikasi Tanda Tangan Halaman identifikasi tanda tangan berfungsi untuk mengidentifikasi citra tanda tangan yang akan diupload sebagai data uji. Citra yang diupload akan melalui proses preprocessing dan ekstraksi ciri. Pada halaman ini ditampilkan citra dengan kemiripan tertinggi ditinjau dari nilai dimensi fraktal yang telah dirataratakan, dan ditampilkan perbandingan nilai kecocokan MD dan SSE dengan keseluruhan tanda tangan. Tampilan form upload identifikasi dapat dilihat pada gambar 8.
Gambar 8. Tampilan Form Upload Identifikasi Tanda Tangan Perhitungan ManualEkstraksi Ciri Dimensi Fraktal Hasil ekstraksi dari citra pola tanda tangan dengan dimensi fraktal menghasilkan lima parameter dimensi fraktal yaitu satu parameter yang diperoleh dari citra keseluruhan dan empat parameter yang diperoleh dari citra setiap local region. Pembagian citra global dan localregion dapat dilihat pada gambar 9.
Gambar 9.(a)Pembagian Citra Global (b)Pembagian Citra Local Region Langkah perhitungan menggunakan metode dimensi fraktal global untuk citra pola tanda tangan: 1. Membagi citra tanda tangan ke dalam kotak-kotak dengan ukuran r (rasio) dengan N (banyaknya kotak berukuran r yang berisi informasi piksel dari objek).
r=16, r=4, r=2, r=8, r=1, N=4 N=10 N=30 N=94 N=1 Gambar 10. Citra Tanda Tangan Globaldengan Ukuran r Langkah-langkah pembagian citra tanda tangan pada Local Region 00, 01, 10, dan 11 sama seperti pembagian pada citra global. 2. Mengidentifikasi Nilai r dan N. Tabel 1. Identifikasi Nilai r dan N pada Citra Global Parameter Rasio Cita (P) 1 2 4 8 16 N (Global) 1 4 10 30 94 N (00) 1 2 4 14 47 N (01) 1 3 9 29 85 N (10) 1 3 9 30 95 N (11) 1 2 6 17 52
Rasio terkecil bernilai 1 pada setiap citra global dikarenakan belumnya ada pembagian box counting, rasio terbesar bernilai 95 yang dihasilkan dari citra Local Region 10 dikarenakan banyaknya nilai N (kotak yang terisi pola). Nilai dimensi fraktal pada citra global akurasinya lebih rendah dibandingkan dengan nilai yang dihasilkan dari keempat Local Region, dikarenakan pada citra global rasionya hanya 1. 3. Menghitung nilai Log(1/r) dan Log(N). Tabel 2. Perhitungan Nilai X dan Y pada Local Region 10 Log(1/r) P 0 0.30 0.60 0.90 1.20 G 0 0.60 1 1.47 1.97 00 0 0.30 0.60 1.14 1.67 01 0 0.47 0.95 1.46 1.92 10 0 0.47 0.95 1.47 1.97 11 0 0.30 0.77 1.23 1.71 4. Mengitung nilai kemiringan garis sebagai dimensi fraktal. Tabel 3. Perhitungan Nilai X dan Y pada Citra Global n X Y XY X2 Y2 0 0 1 0 0 0 2 0.30 0.60 0.18 0.09 0.36 1 3 0.60 0.60 0.36 1 4 0.90 1.47 1.33 0.81 2.18 5 1.20 1.97 2.37 1.44 3.89 3.01 5.05 4.49 2.71 7.43 Menghitung nilai dimensi fraktal dengan perumusan ( )∑ − ∑ .∑ = ( )∑ − (∑ ) =
(5) 4.49309 − 3.01026 × 5.05229 (5) 2.71851 – 3.01026 =
−53.578 = . −31.716
Perhitungan nilai dimensi fraktal pada α00, α01, α10 dan α11 sama seperti perhitungan untuk mencari nilai dimensi fraktal pada citra global.
5. Menetapkan nilai Dimensi Fraktal pada citra tanda tangan. Ekstraksi fitur citra pola tanda tangan dengan dimensi fraktal menghasilkan lima nilai dimensi fraktal. Nilai yang pertama dihasilkan dari ekstraksi citra secara keseluruhan (global), sedangkan keempat nilai yang lainnya dihasilkan dari ekstraksi local region (00, 01, 10, 11). Nilai dimensi fraktal berbentuk pecahan dan berkisar antara 1hingga mendekati2. FD .
FD 00
FD 01
FD 10
FD 11
. . . . Gambar 11. Fraktal pada Pola Tanda TanganGlobal dan Local Region
Perhitungan Identifikasi Citra Identifikasi citra menggunakan metode Manhattan Distance dan Sum Square Error untuk mengukur kemiripan antara data uji dan data training. Perhitungan menggunakan Manhattan Distance dan Sum Square Error membutuhkan nilai training dan nilai uji. Nilai uji didapatkan dari proses upload citra tanda tangan yang diidentifikasi, sedangkan nilai training didapatkan dari tabel hasil_ekstraksi_fd. Data citra latih yang disajikan pada tabel 4 hanya mengambil sampel dari kelas ttd-14 hingga ttd-16, maka dilakukan perhitungan iterasi sebagai sampel dari iterasi ke-14 hingga 16. Tabel citra latih dapat dilihat pada tabel 4 dan untuk data citra uji dapat dilihat pada tabel 5. Tabel 4. Data Citra Latih
Tabel 5. Data Citra Uji FD FD00 FD01 FD10 FD11 1.689 1.214 1.526 1.620 1.321 1. Identifikasi menggunakan Manhattan Distance
(, )=
1− −
1 +. . + |
Iterasi 14 = |1.390–1.689|+|1.113– 1.214|+|1.035–1.526|+|1.267– 1.620|+|1.344–1.321| = 0.299 + 0.101 + 0,491 + 0.353 + 0.023 = 1.267 Iterasi 15 = |1.448–1.689|+|0.928– 1.214|+|1.399–1.526|+|1.408– 1.620|+|1.172–1.321| = 0,241 + 0.286 + 0.127 + 0.212 + 0.149 = 1.015 Iterasi 16 = |1.301–1.689|+|0.046– 1.214|+|1.209–1.526|+|1.123– 1.620|+|1.078–1.321| = 0.388 + 1.168 + 0.317 + 0.497 + 0.243 = 2.613 2. Identifikasi menggunakan Sum Square Error (
−
)
Iterasi 14 = (1.390–1.689)2+(1.113– 1.214)2+(1.035–1.526)2+(1.267– 1.620)2+(1.344–1.321)2 = 0.089 + 0.010 + 0.241 + 0.124 + 0.000 = 1.265 Iterasi 15 = (1.448–1.689)2+(0.928–1.214)2+ (1.399–1.526)2+(1.408– 1.620)2+(1.172–1.321)2 = 0.058 + 0.081 + 0.016 + 0.044 + 0.022 = 0.221 Iterasi 16 = (1.301–1.689)2+(0.046– 1.214)2+(1.209–1.526)2+(1.123– 1.620)2+(1.078–1.321)2 = 0.150 + 1.364 + 0.100 + 0.247 + 0.059 = 1.920
2. Kesimpulan Hasil Identifikasi Kesimpulan hasil perhitungan dari ketiga iterasi menggunakan metode Manhattan Distance (MD) dan Sum Square Error (SSE), hasil perhitungan iterasi ke-15 yang nilai error nyaterkecil, maka citra tanda tangan sebagai citra uji diklasifikasikan menjadi kelas ttd-15. Pada hasil identifikasi dapat saja terjadi kesamaan maupun perbedaan yang dihasilkan oleh MD san SSE, meskipun kedua metode merupakan algoritma perhitungan jarak namun keduanya memiliki perumusan yang berbeda. Pada tampilan halaman identifikasi tanda tangan setelah citra uji di upload maka akan tampil citra dengan kemiripan tertinggi menggunakan MD dan SSE, hasil identifikasi tergantung dengan nilai yang terdekat antara nilai dimensi fraktal dari citra uji dengan citra latih. Tampilan hasil identifikasi citra dengan kemiripan tertinggi dapat dilihat pada gambar 11.
Gambar 12. Tampilan Identifikasi Citra dengan Kemiripan Tertinggi Halaman identifikasi citra menyajikan sejumlah informasi, seperti halnya nilai dimensi fraktal dari citra yang di upload, nilai identifikasi yang dihasilkan dari perhitungan Manhattan Distance dan Sum Square Error, banyaknya citra yang muncul dengan kemiripan yang sama, dan prosentasi kemiripan citra uji dan citra latih. Tampilan identifikasi citra beserta penjelasannya dapat dilihat pada gambar 12.
Gambar 13. Tampilan Identifikasi Citra Hasil Ekstraksi Citra Dimensi Fraktal Pada halaman ekstraksi ciri akan ditampilkan nilai dimensi fraktal secara global, local region 00, 01, 10, dan 11 dengan rasio 1 sampai 16. Jika pada hasil ekstraksi ciri ada nilai FD yang bernilai NAN (Not A Number) maka proses upload citra harus diulang dengan citra yang baru. Nilai dimensi fraktal untuk satu citra tanda tangan dapat dilihat pada gambar 13.
Gambar 14. Nilai Dimensi Fraktal untuk Satu Citra Tanda Tangan Hasil Vektor Ciri Dimensi Fraktal Vektor ciri dimensi fraktal ditampilkan untuk mengetahui rentang nilai antara citra global dan local region dalam bentuk pola grafik. Pola vektor ciri dimensi fraktal untuk satu citra tanda tangan dapat dilihat pada gambar 14.
Gambar 15. Pola Vektor Dimensi Fraktal untuk Satu Citra Tanda Tangan Hasil Rata-Rata Ekstraksi Ciri Setiap kelas terdiri dari 40 data hasil perhitungan dimensi fraktal, dari data tersebut kemudian dirata-ratakan jumlah dimensi fraktal global maupun local region nya, sehingga pada halaman rata-rata ekstraksi ciri merupakan nilai rata-rata yang diperoleh dari masingmasing kelas responden. Evaluasi Hasil Identifikasi ManhattanDistance Hasil identifikasi dengan Manhattan Distance dievaluasi hasil data yang valid, jumlah citra data uji adalah 200 citra (8 citra dikali 25 responden). Setelah dilakukan pengujian identifikasi terhadap sistem menggunakan metode Manhattan
Distance validasi :
diperoleh
nilai
presentase
100% =
86 100% 100
= 86 % dari citra uji.
Berdasarkan perhitungan validasi, maka didapat kesimpulan bahwa sistem identifikasi menggunakan Manhattan Distance memiliki prosentase 86% dari tingkat keberhasilan untuk mengidentifikasi tanda tangan dari pengujian data latih. Tabel 6. Hasil Identifikasi Citra Uji Manhattan Distance
Berdasarkan perhitungan validasi, maka didapat kesimpulan bahwa sistem identifikasi menggunakan Sum Square Error memiliki prosentase 89% dari tingkat keberhasilan untuk mengidentifikasi tanda tangan dari pengujian data latih. Hasil identifikasi Sum Square Error 3% lebih tinggi akurasinya dibandingkan dengan hasil identifikasi menggunakan Manhattan Distance. Pada tabel 17 data yang valid berada di area diagonal sedangkan nilai yang berada diluar area diagonal merupakan data yang non-valid. Hasil pengujian identifikasi dapat dilihat pada tabel 7. Tabel 7. Hasil Identifikasi Citra Uji Sum Square Error
Tabel 6 merupakan tabel hasil pengujian identifikasi menggunakan Manhattan Distance untuk citra sisi horizontal. Hasil identifikasi citra yang telah dirotasi 180 derajat memiliki akurasi yang sama yaitu 86% dari citra uji. Evaluasi Hasil Identifikasi Keseluruhan SumSquaresError Hasil identifikasi dengan Sum Squares Error menggunakan perumusan yang sama seperti halnya Manhattan Distance, jumlah citra data uji adalah 200 citra (8 citra dikali 25 responden). Setelah dilakukan pengujian identifikasi terhadap sistem menggunakan metode Sum Square Error diperoleh nilai presentase validasi : ℎ ℎ
=
100%
89 100% 100
= 89 % dari citra uji.
Nilai yang terdapat pada area diagonal tabel merupakan nilai valid hasil pengujian identifikasi, sedangkan nilai yang berada di luar area diagonal tabel merupakan nilai non-valid. Hasil Identifikasi Satu Kelas Dari hasil pengujian identifikasi menggunakan Manhattan Distance dan Sum Square Error dapat diketahui jumlah data valid yang terkecil dan terbesar dari dari semua kelas. Berdasarkan pengelompokan data yang valid identifikasi Manhattan Distance yang validasinya 100% (dari semua citra uji yang valid) data yang muncul mencapai 60% dari data uji. Sedangkan pengelompokan data yang valid sebesar 75% (hanya 3 citra uji yang valid) data yang muncul mencapai 28% dari citra uji. Pengelompokan data yang valid 50% (hanya 2 citra uji yang valid) dan 25%
(hanya 1 citra uji yang valid) hanya mencapai 8% dan 4% dari citra uji. Sedangkan berdasar pengelompokan data yang valid menggunakan identifikasi Sum Square Error yang validasinya 100% (dari semua citra uji valid) data yang muncul mencapai 68%. Sedangkan pengelompokan data yang valid sebesar 75% (hanya 3 citra uji yang valid) data yang muncul mencapai 20% dari citra uji. Pengelompokan data yang valid 50% (hanya 2 citra uji yang valid) dan 25% (hanya 1 citra uji yang valid) hanya mencapai 12% dan 0% dari citra uji. Hasil Identifikasi dengan Validasi Terkecil Hasil identifikasi dengan jumlah validasi terkecil yaitu pada kelas ttd-25, hasil prosentase data valid menggunakan identifikasi Manhattan Distance hanya mencapai 25% dari citra uji, sedangkan data valid menggunakan Sum Square Error mencapai 50% dari citra uji. Jumlah nilai validasi yang kecil dapat disebabkan oleh faktor tidak konsistennya pola tanda tangan responden ataupun proses akuisisi citra yang dikerjakan secara manual dan belum adanya proses normalisasi. Hasil identifikasi dengan nilai validasi terkecil dapat dilihat pada gambar 16.
Gambar 16. Hasil Identifikasi Satu Kelas dengan Validasi Terkecil Pada baris (Σ) menunjukkan banyaknya hasil validasi dari identifikasi, kolom (T25) merupakan kolom validasi untuk data yang valid bahwa seharusnya hasil identifikasi berada pada kolom tersebut. Citra yang valid menggunakan identifikasi Manhattan Distance hanya 1
citra, sedangkan menggunakan identifikasi Sum Square Error menghasilkan 2 citra valid. Pengujian yang sama dilakukan terhadap citra yang telah dirotasi 180 derajat, hasil validasinya sama dengan citra yang belum dirotasi. Hasil Identifikasi Satu Kelas dengan Validasi Terbesar Hasil identifikasi dengan jumlah validasi terbesar salah satunya yaitu pada kelas ttd-2. Hasil identifikasi yang maksimal dikarenakan pola tanda tangan responden dapat dikatakan cukup stabil dan konsisten, selain itu proses cropping gambar yang konsisten juga dapat menentukan validnya terhadap data uji. Hasil identifikasi dengan nilai validasi terbesar dapat dilihat pada gambar 17.
Gambar 17. Hasil Identifikasi Satu Kelas dengan Validasi Terbesar Kolom (T2) merupakan kolom validasi untuk data yang valid bahwa seharusnya hasil identifikasi berada pada kolom tersebut. Hasil uji terhadap citra yang dirotasi sama dengan hasil identifikasi terhadap citra yang belum dirotasi. Maka dapat disimpulkan kelas ttd-2 tingkat validasi nya sebesar 100% terhadap data uji. Kesimpulan Penerapan metode yang digunakan untuk ekstraksi ciri citra pada sistem identifikasi tanda tangan adalah dimensi fraktal, dan menggunakan dua algortima perhitungan jarak yaitu Manhattan Distance dan Sum Square Error untuk identifikasi. Jumlah keseluruhan data adalah 1200 data citra tanda tangan, 100 data
merupakan data latih citra dengan 2 posisi dan 200 data uji. Hasil evaluasi sistem menggunakan ekstraksi dimensi fraktal dengan identifikasi Manhattan Distance menghasilkan tingkat validasi memperoleh prosentase 86% dari citra uji, sedangkan tingkat validasi yang dihasilkan dari identifikasi Sum Square Error memperoleh prosentase sebesar 89% dari citra uji. Hasil uji coba keakuratan sistem menggunakan metode uji validitas, untuk identifikasi Manhattan Distance mencapai 92.70% dari citra latih, sedangkan untuk identifikasi Sum Squar eError hanya mencapai 91.99% dari citra latih. Berdasarkan perbandingan prosentase hasil identifikasi kedua metode dapat ditarik kesimpulan bahwa hasil evaluasi dengan metode dimensi fraktal menggunakan Sum Square Error hasilnya lebih tinggi dibandingkan dengan yang dihasilkan Manhattan Distance. Sedangkan akurasi sistem atau uji validasi berbanding terbalik dengan hasil evaluasi sistem. Saran Berdasarkan hasil pengujian dan analisa data, sistem identifikasi tanda tangan menggunakan dimensi fraktal yang telah dilakukan dapat diperoleh beberapa saran untuk penelitian selanjutnya, yaitu perlu dilakukan proses pengolahan data yang lebih kompleks untuk akuisisi citra. Disarankan juga agar dalam merepresentasi objek citra tanda tangan hendaknya dicoba menggunakan metode lainnya sehingga dapat menjadi bahan perbandingan hasil akurasi, dan dapat diketahui metode manakah yang lebih baik dalam merepresentasikan suatu objek berbentuk citrasehingga kesalahan pengenalan akibat perbedaan posisi dapat diminimalisir. DaftarPustaka Hayatunnufus, dkk (2013). Pendeteksi dan Verifikasi Tanda Tangan
Menggunakan Metode Image Domain Spasial. Padang. Hidayatno, dkk (2008). Identifikasi Tanda Tangan Menggunakan Jaringan Saraf Tiruan Perambatan Balik (Backpropagation). Semarang. Kamus Besar Bahasa Indonesia Edisi 4. 2013. Jakarta: Gramedia Pustaka Utama. Lubis, dkk (2010). Pengenalan Tanda Tangan Dengan Menggunakan Neural Network dan Pemrosesan Awal Thinning Zhang Suen. Jakarta. Mulyana, Iyan. 2012. Identifikasi Tumbuhan Obat Berbasis Fraktal Menggunakan Klasifikasi Fuzzy CMeans. Bogor. Murti, Prof. 2011. Validitas dan Reabilitas Pengukuran. Universitas Sebelas Maret. Prahasta, Eddy. 2008. RemoteSensing. Bandung: Informatika. Putra, Darma. 2010. PengolahanCitraDigital. Yogyakarta: Penerbit Andi. Santi (2008). Identifikasi Biometri Sidik Jari dengan Metode Fraktal. Semarang. Susanti (2012). Penggabungan Dimensi Fraktal dan Kode Fraktal untuk Identifikasi Tumbuhan Obat Indonesia Menggunakan Probabilistic Neural Network. Bogor.
