dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5.
akurasi =
.
Penelitian ini diimplementasikan pada perangkat keras dengan spesifikasi sebagai berikut. Notebook dengan processor Intel Core™ 2 Duo 1,80 GHz. Memory 0,99 GB. Harddisk 230 GB. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung histogramnya. Hal tersebut mengakibatkan setiap citra akan memiliki jumlah histogram yang sama dengan jumlah partisinya. Data Latih dan Data Uji Tahap selanjutnya adalah pembagian data menjadi dua bagian, yaitu data latih dan data uji. Karena penelitian ini menggunakan citra latih tunggal, maka data yang digunakan sebagai data latih hanya berjumlah satu buah untuk masing-masing kelas dan sisanya digunakan sebagai data uji. Algoritme VFI5 Tahap ini terdiri atas dua subtahap, yaitu pelatihan dan klasifikasi. Pada pelatihan yang menjadi input adalah jumlah piksel pada tiap derajat keabuan yang diperoleh pada tahap sebelumnya, yaitu histogram tiap partisi citra. Nilai-nilai tersebut akan dibagi menjadi beberapa interval. Berdasarkan penelitian dari Purwaningrum (2009), maka interval yang digunakan adalah 256, 128, 64, 32, 16, dan 8. Tahap klasifikasi dimulai dengan menghitung jumlah piksel yang memiliki derajat keabuan yang sama pada data uji untuk masing-masing kelasnya pada tiap partisi citra. Langkah selanjutnya adalah mengalikan nilai frekuensi atau intensitas tersebut dengan vote yang diperoleh pada tahap pelatihan. Setelah itu hasil perkalian tersebut dijumlahkan untuk tiap partisi citra. Jumlah vote tiap partisi citra dari citra yang sama kemudian dijumlahkan. Kelas yang memiliki nilai total vote tertinggi menjadi kelas prediksi bagi data uji tersebut. Penghitungan Akurasi Hasil yang diamati pada penelitian ini adalah tingkat akurasi algoritme VFI5 dalam mengklasifikasikan data pengujian. Tingkat akurasi diperoleh dengan rumus:
Adapun perangkat lunak yang digunakan adalah sebagai berikut. Sistem Operasi Microsoft Windows XP Professional Service Pack 3. Microsoft Visual C#. Matlab 7.0.1. Microsoft Office Excel 2007. HASIL DAN PEMBAHASAN Dalam penelitian ini terdapat 10 kelas citra tanda tangan dimana tiap-tiap kelas memiliki 10 data yang terdiri atas 1 data latih dan 9 data uji. Selanjutnya data dibagi menjadi beberapa partisi. Pembagian citra dilakukan dengan membagi panjang dan lebar citra dengan suatu bilangan m dan n yang masing-masing habis membagi panjang dan lebar citra. Ukuran dimensi partisi citra dan banyak partisi yang diperoleh dari hasil pembagian tersebut beserta jumlah partisi vertikal (m) dan jumlah partisi horizontal (n) tercantum pada Tabel 4. Tabel 4
Ukuran dimensi partisi citra dan banyak partisi citra
Percobaan ke-
m
n
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
1 1 1 1 1 2 2 2 2 2 4 4 4 4 4
Dimensi Partisi Citra 60 x 40 30 x 40 20 x 40 15 x 40 12 x 40 60 x 20 30 x 20 20 x 20 15 x 20 12 x 20 60 x 10 30 x 10 20 x 10 15 x 10 12 x 10
Banyak Partisi 1 2 3 4 5 2 4 6 8 10 4 8 12 16 20
Percobaan 1 Hasil dari percobaan ini tersaji pada Tabel 5. Pada tabel terlihat bahwa percobaan dengan jumlah interval 256 memiliki akurasi terburuk, yaitu 37,78%. Hasil terbaik diperoleh dengan
7
jumlah interval sebanyak 32 dan 64 buah, yaitu dengan akurasi 46,67%. Kelas yang paling baik pada percobaan ini adalah kelas e dan h yang
memiliki akurasi 100% pada semua interval. Kelas b dan c memiliki akurasi yang paling rendah pada semua interval, yaitu 0%.
Tabel 5 Akurasi pada partisi 1 x 1 Kelas a b c d e f g h i j Akurasi Percobaan
8 0 0 0 88,89 100 88,89 11,11 100 0 0 38,89
16 0 0 0 77,78 100 88,89 22,22 100 0 22,22 41,11
Percobaan 2 Percobaan selanjutnya adalah membagi citra ke dalam 2 bagian dengan masing-masing bagian memiliki ukuran dimensi 30 x 40 piksel. Hasil dari percobaan ini dapat dilihat pada Tabel 6. Pada percobaan ini terjadi penurunan akurasi ketika interval berjumlah 32 dan 64. Kenaikan akurasi terjadi ketika interval berjumlah 8 dan 256. Pada percobaan ini kelas c
Akurasi 32 64 33,33 33,33 0 0 0 0 66,67 33,33 100 100 88,89 77,78 55,56 66,67 100 100 0 0 22,22 55,56 46,67 46,67
128 33,33 0 0 0 100 55,56 22,22 100 0 88,89 40
256 33,33 0 0 11,11 100 44,44 0 100 11,11 77,78 37,78
menjadi kelas dengan akurasi terendah dengan tidak ada satupun citra yang berhasil diklasifikasikan dengan benar. Pada kelas d terjadi peningkatan akurasi menjadi 100% untuk semua jumlah interval. Dengan begitu kelas d, e, dan h menjadi kelas dengan hasil yang paling baik pada percobaan kali ini. Akurasi tertinggi pada percobaan dengan jumlah interval 256, yaitu 43,33%.
Tabel 6 Akurasi pada partisi 2 x 1 Kelas a b c d e f g h i j Akurasi Percobaan
Akurasi 8 0 22,22 0 100 100 77,78 0 100 11,11 0 41,11
16
32
0 22,22 0 100 100 66,67 0 100 0 22,22 41,11
0 0 0 100 100 66,67 11,11 100 0 33,33 41,11
Percobaan 3 Pada percobaan ini, nilai m dan n yang digunakan adalah 3 dan 1. Adapun hasil dari percobaan ini tersaji pada Tabel 7. Akurasi percobaan 3 pada tiap jumlah interval
64 11,11 0 0 100 100 66,67 0 100 11,11 33,33 42,22
128 11,11 0 0 100 100 55,56 0 100 0 33,33 40
256 11,11 22,22 0 100 100 44,44 0 100 0 55,56 43,33
mengalami peningkatan. Adapun percobaan yang memiliki akurasi paling tinggi adalah percobaan dengan 64 interval, yaitu 58,89%. Kelas yang paling baik pada percobaan ini masih sama dengan percobaan sebelumnya, yaitu kelas d, e, dan h.
Tabel 7 Akurasi pada partisi 3 x 1 Kelas a b c d
8
16
0 55,56 77,78 100
0 44,44 77,78 100
Akurasi 32 64 11,11 44,44 55,56 44,44 88,89 88,89 100 100
128 55,56 55,56 55,56 100
256 44,44 55,56 77,78 100
8
Kelas e f g h i j Akurasi Percobaan
8 100 88,89 0 100 0 11,11 53,33
16 100 66,67 0 100 0 44,44 53,33
Percobaan 4 Hasil dari percobaan 4 dapat dilihat pada Tabel 8. Dari tabel tersebut terlihat bahwa kelas g merupakan kelas dengan hasil terburuk. Pada kelas g tidak ada satupun citra yang diklasifikasikan dengan benar. Kelas d, e, dan h
Akurasi 32 64 100 100 55,56 33,33 0 0 100 100 11,11 11,11 55,55 66,67 57,78 58,89
128 100 22,22 1 100 0 66,67 56,67
256 100 11,11 0 100 0 44,44 53,33
masih menjadi kelas dengan hasil terbaik sebagaimana percobaan sebelumnya. Akurasi tertinggi diperoleh pada percobaan dengan jumlah interval sebanyak 8 buah, sedangkan akurasi terendah diperoleh ketika interval berjumlah 256.
Tabel 8 Akurasi pada partisi 4 x 1 Kelas a b c d e f g h i j Akurasi Percobaan
8 66,67 55,56 77,78 100 100 44,44 0 100 0 88,89 63,33
16 66,67 44,44 55,56 100 100 44,44 0 100 11,11 88,89 61,11
Percobaan 5 Pada percobaan 5 terdapat empat kelas yang selalu diklasifikasikan dengan benar pada semua jumlah interval, yaitu kelas b, d, e, dan h. kelas g pada percobaan ini merupakan kelas dengan akurasi paling buruk dengan akurasi Tabel 9 Akurasi pada partisi 5 x 1 Kelas a b c d e f g h i j Akurasi Percobaan
8 88,89 100 66,67 100 100 33,33 0 100 22,22 77,78 68,89
16 77,78 100 33,33 100 100 33,33 11,11 100 11,11 77,78 64,44
Percobaan 6 Pada Tabel 10 terlihat bahwa kelas c hanya satu kali saja diklasifikasikan dengan benar, yaitu saat interval yang digunakan berjumlah
Akurasi 32 64 66,67 77,78 44,44 33,33 33,33 44,44 100 100 100 100 11,11 0 0 0 100 100 11,11 11,11 88,89 88,89 55,56 55,56
128 88,89 44,44 33,33 100 100 11,11 0 100 11,11 88,89 57,78
256 55,56 33,33 33,33 100 100 11,11 0 100 11,11 88,89 53,33
terendah ketika interval berjumlah 8, yaitu 0%. Hasil terbaik pada percobaan 5 diperoleh pada percobaan dengan 8 interval dan 32 interval. Kedua percobaan tersebut memiliki akurasi sebesar 68,89%. Untuk hasil yang lebih rinci dapat dilihat pada Tabel 9.
Akurasi 32 64 88,89 88,89 100 100 44,44 33,33 100 100 100 100 44,44 33,33 11,11 11,11 100 100 22,22 11,11 77,78 77,78 68,89 65,56
128 88,89 100 44,45 100 100 33,33 11,11 100 11,11 77,78 66,67
256 100 100 44,45 100 100 22,22 11,11 100 11,11 77,78 67,78
32. Kelas e dan h menjadi kelas yang selalu diklasifikasikan dengan pada semua jumlah interval. Akurasi tertinggi pada percobaan 6 adalah 66,67% yang diperoleh pada percobaan dengan 32 interval.
9
Tabel 10 Akurasi pada partisi 1 x 2 Kelas a b c d e f g h i j Akurasi Percobaan
8 22,22 88,89 0 55,55 100 88,89 77,78 100 88,89 0 62,22
16 55,56 88,89 0 55,55 100 77,78 77,78 100 77,78 11,11 64,44
Percobaan 7 Tabel 11 menunjukkan hasil yang diperoleh pada percobaan 7. Kelas d, e, dan h memiliki akurasi tertinggi pada tiap jumlah interval, yaitu
Akurasi 32 64 44,44 44,44 66,67 44,44 11,11 0 55,55 44,44 100 100 100 77,78 88,89 88,89 100 100 77,78 55,56 22,22 44,44 66,67 60
128 55,55 33,33 0 11,11 100 44,44 88,89 100 55,56 55,56 54,44
256 55,55 44,44 0 22,22 100 22,22 66,67 100 44,44 66,67 52,22
100%. Kelas c memiliki akurasi paling buruk, yaitu 11,11% pada percobaan dengan 128 interval dan 0% pada kelima percobaan yang lain. Akurasi tertinggi dari seluruh kelas diperoleh pada percobaan dengan 32 interval.
Tabel 11 Akurasi pada partisi 2 x 2 Kelas a b c d e f g h i j Akurasi Percobaan
8 0 66,67 0 100 100 100 11,11 100 88,89 0 56,67
16 22,22 77,78 0 100 100 100 33,33 100 88,89 11,11 63,33
Percobaan 8 Pada percobaan 8, hanya kelas d dan e yang selalu memiliki akurasi 100% pada tiap percobaan. Akurasi tertinggi pada percobaan 8 adalah 75,56% yang diperoleh pada percobaan
Akurasi 32 44,44 55,56 0 100 100 100 33,33 100 88,89 44,44 66,67
64 33,33 55,56 0 100 100 100 22,22 100 55,56 44,44 61,11
128 55,56 55,56 11,11 100 100 88,89 11,11 100 44,44 33,33 60
256 44,44 66,67 0 100 100 88,89 11,11 100 44,44 33,33 58,89
dengan 32 dan 64 interval. Namun pada percobaan dengan 32 interval tidak ada kelas yang memiliki akurasi 0%. Hal yang berbeda dialami pada saat percobaan dengan 64 interval yang memiliki akurasi 0% pada kelas g. Untuk lebih jelasnya dapat dilihat pada Tabel 12.
Tabel 12 Akurasi pada partisi 3 x 2 Kelas a b c d e f g h i j Akurasi Percobaan
8 66,67 88,89 66,67 100 100 100 0 100 77,78 11,11 71,11
16 66,67 88,89 66,67 100 100 100 0 100 77,78 22,22 72,22
Akurasi 32 64 77,78 66,67 88,89 77,78 66,67 77,78 100 100 100 100 100 100 11,11 0 100 100 77,78 66,67 33,33 66,67 75,56 75,56
128 77,78 55,56 66,67 100 100 77,78 22,22 88,89 66,67 55,56 71,11
256 44,44 66,67 44,44 100 100 66,67 22,22 100 66,67 44,44 65,56
10
Percobaan 9 Percobaan dengan 32 interval pada percobaan 9 menghasilkan akurasi dengan nilai tertinggi, yaitu 80%. Perolehan akurasi ini ditunjukkan pada Tabel 13. Kelas g merupakan
kelas dengan akurasi paling kecil, yaitu 11,11% pada percobaan dengan 256 interval dan 0% pada percobaan sisanya. Kelas d dan h merupakan kelas dengan hasil akurasi paling baik, yaitu 100% pada semua percobaan dengan jumlah interval yang berbeda.
Tabel 13 Akurasi pada partisi 4 x 2 Kelas a b c d e f g h i j Akurasi Percobaan
8 77,78 88,89 44,44 100 100 100 0 100 77,78 88,89 77,78
16 77,78 88,89 33,33 100 100 100 0 100 100 77,78 77,78
Percobaan 10 Sebagaimana terlihat pada Tabel 14 kelas b, d, e, dan h selalu memiliki akurasi 100%. Kelas
Akurasi 32 64 88,89 100 88,89 77,78 44,44 55,56 100 100 88,89 88,89 100 88,89 0 0 100 100 100 77,78 88,89 77,78 80 76,67
128 88,89 77,78 66,67 100 88,89 77,78 0 100 66,67 77,78 74,44
256 55,56 77,78 77,78 100 88,89 55,56 11,11 100 77,78 55,56 70
c menjadi kelas dengan akurasi terendah, yaitu 22,22% pada percobaan dengan 128 interval. Akurasi paling baik diperoleh pada percobaan dengan 32 interval, yaitu 85,56%.
Tabel 14 Akurasi pada partisi 5 x 2 Kelas a b c d e f g h i j Akurasi Percobaan
8 88,89 100 55,56 100 100 100 22,22 100 88,89 77,78 83,33
16 88,89 100 55,56 100 100 100 22,22 100 88,89 77,78 83,33
Percobaan 11 Seperti yang ditunjukkan oleh Tabel 15, akurasi dari seluruh kelas pada percobaan 11 mengalami penurunan. Namun jika dibandingkan dengan hasil percobaan 4 yang memiliki jumlah partisi citra yang sama, yaitu 4 partisi, percobaan 11 memiliki hasil yang lebih baik. Begitu pula jika dibandingkan dengan
Akurasi 32 64 88,89 100 100 100 55,56 44,44 100 100 100 100 100 88,89 44,44 44,44 100 100 88,89 88,89 77,78 66,67 85,56 83,33
128 100 100 22,22 100 100 88,89 33,33 100 88,89 66,67 80
256 77,78 100 33,33 100 100 88,89 22,22 100 77,78 66,67 76,67
percobaan 7 yang juga memiliki jumlah partisi citra yang tetapi berbeda ukuran. Kelas e dan h menjadi kelas yang selalu memiliki akurasi 100%. Kelas c merupakan kelas dengan akurasi paling rendah, yaitu 11,11% pada percobaan dengan 16 dan 32 interval serta 0% pada percobaan yang lain. Percobaan dengan 32 interval menghasilkan akurasi paling tinggi, yaitu 76,67%.
Tabel 15 Akurasi pada partisi 5 x 4 Kelas a b c d
8 44,44 100 0 100
16 66,67 100 11,11 100
Akurasi 32 64 66,67 77,78 100 100 11,11 0 100 100
128 77,78 88,89 0 88,89
256 66,67 66,67 0 77,78
11
Kelas e f g h i j Akurasi Percobaan
8 100 77,78 88,89 100 88,89 0 70
16 100 44,44 88,89 100 77,78 33,33 72,22
Percobaan 12 Pada Tabel 16 terlihat bahwa kelas c masih menjadi kelas dengan akurasi terendah. Kelas d, e, dan h menjadi kelas yang selalu memiliki
Akurasi 32 64 100 100 66,67 44,44 100 88,89 100 100 77,78 66,67 44,44 55,55 76,67 73,33
128 100 11,11 77,78 100 44,44 44,44 63,33
256 100 33,33 66,67 100 44,44 44,44 60
akurasi 100%. Akurasi paling tinggi yang dihasilkan pada percobaan 12 adalah 78,89% dengan menggunakan interval sebanyak 32 buah.
Tabel 16 Akurasi pada partisi 2 x 4 Kelas a b c d e f g h i j Akurasi Percobaan
8 66,67 100 0 100 100 100 55,56 100 100 0 72,22
16 77,78 100 0 100 100 100 55,56 100 100 22,22 75,56
Percobaan 13 Pada percobaan 13 kelas j menjadi kelas dengan akurasi terendah, yaitu 44,44% dengan 64 interval, 33,33% dengan 128 interval, dan sisanya 22,22%. Kelas d, e, dan i menjadi kelas
Akurasi 32 64 77,78 77,78 100 100 22,22 11,11 100 100 100 100 100 88,89 66,67 66,67 100 100 100 88,89 22,22 22,22 78,89 75,56
128 77,78 88,89 11,11 100 100 77,78 66,67 100 100 11,11 73,33
256 66,67 55,55 0 100 100 66,67 66,67 100 100 33,33 68,89
yang selalu diklasifikasikan dengan benar. Akurasi paling tinggi pada percobaan ini adalah 84,44% dengan jumlah interval sebanyak 64 buah. Untuk lebih jelasnya dapat dilihat pada Tabel 17.
Tabel 17 Akurasi pada partisi 3 x 4 Kelas a b c d e f g h i j Akurasi Percobaan
8 44,44 100 66,67 100 100 100 55,56 77,78 100 22,22 76,67
16 77,77 100 66,67 100 100 100 66,67 88,89 100 22,22 82,22
Percobaan 14 Seperti terlihat pada Tabel 18 percobaan dengan 32 dan 64 interval menghasilkan akurasi dengan nilai tertinggi, yaitu 95,56%. Kelas d dan e adalah kelas yang memiliki akurasi
Akurasi 32 64 77,77 77,77 88,89 88,89 66,67 66,67 100 100 100 100 88,89 88,89 66,67 77,78 100 100 100 100 22,22 44,44 81,11 84,44
128 66,67 100 66,67 100 100 88,89 55,56 100 100 33,33 81,11
256 55,56 88,89 55,56 100 100 77,78 33,33 100 100 22,22 73,33
tertinggi pada semua percobaan dengan nilai interval yang berbeda, yaitu 100%. Hasil percobaan 13 pada tiap kelas secara rinci dapat dilihat pada Tabel 18.
12
Tabel 18 Akurasi pada partisi 4 x 4 Kelas
8
a b c d e f g h i j Akurasi Percobaan
100 100 88,89 100 100 100 66,67 100 100 77,78 93,33
16 100 100 88,89 100 100 100 66,67 100 100 77,78 93,33
Percobaan 15 Hasil akurasi yang diperoleh pada percobaan 15 di tiap kelas dapat dilihat pada Tabel 19. Lima dari empat kelas, yaitu kelas a, b, d, e,
Akurasi 32 64 100 100 88,89 100 88,89 77,78 100 100 100 100 100 100 77,78 77,78 100 100 100 100 100 100 95,56 95,56
128 100 88,89 66,67 100 100 88,89 100 100 88,89 88,89 92,22
256 88,89 66,67 77,78 100 100 66,67 88,89 100 88,89 66,67 84,44
dan h, selalu memiliki akurasi 100% atau semua citra selalu diklasifikasikan dengan benar. Akurasi paling tinggi pada percobaan 15 adalah 93,33% yang diperoleh pada percobaan dengan interval sebanyak 8, 16, dan 64.
Tabel 19 Akurasi pada partisi 5 x 4 Kelas a b c d e f g h i j Akurasi Percobaan Pengaruh Interval
Pembagian
8 100 100 77,78 100 100 100 77,78 100 100 77,78 93,33 Citra
pada
16 100 100 88,89 100 100 100 77,78 100 88,89 77,78 93,33 Tiap
Nilai akurasi tertinggi pada saat interval berjumlah 8 dan 16 adalah 93,33%. Nilai akurasi tersebut diperoleh pada dimensi partisi 15 x 10 piksel dan 12 x 10 dengan banyak partisi masing-masing adalah 16 dan 20. Nilai akurasi terendah kedua interval tersebut adalah 38,89% untuk 8 interval dan 41,11% untuk 16 interval. Jumlah partisi yang menghasilkan akurasi terendah pada percobaan dengan 8 interval adalah 60 x 40 piksel atau saat citra tidak mengalami pembagian. Sedangkan untuk percobaan dengan 16 interval adalah partisi dengan ukuran 60 x 40 piksel dan 30 x 40 piksel. Adapun nilai akurasi dari seluruh kelas pada percobaan dengan 32 dan 64 interval adalah 95,56%. nilai tersebut juga diperoleh ketika percobaan dilakukan dengan partisi berukuran 15 x 10 piksel. Nilai tersebut merupakan nilai
Akurasi 32 100 100 88,89 100 100 100 66,67 100 88,89 77,78 92,22
64 100 100 88,89 100 100 100 77,78 100 88,89 77,78 93,33
128 100 100 66,67 100 100 100 77,78 100 88,89 77,78 91,11
256 100 100 55,56 100 100 66,67 55,56 100 88,89 66,67 83,33
akurasi paling tinggi pada penelitian ini. Sedangkan akurasi terendah terjadi ketika partisi citra berukuran 30 x 40 piksel. Adapun besarnya akurasi yang diperoleh adalah 41,11% untuk percobaan dengan 32 interval dan 42,22% untuk percobaan dengan 64 interval. Secara rata-rata percobaan dengan 32 dan 64 interval juga merupakan percobaan yang menghasilkan akurasi tertinggi pada penelitian ini (Gambar 6).
Gambar 6 Rata-rata akurasi pada tiap interval.
13
Percobaan dengan 128 dan 256 interval menghasilkan akurasi tertinggi juga ketika percobaan dilakukan dengan partisi berukuran 15 x 10 piksel. Nilai akurasi pada percobaan 128 dan 256 interval berturut-turut adalah 92,22% dan 84,44%. Akurasi terendah pada percobaan dengan 128 interval adalah 40%. Nilai tersebut didapatkan pada partisi berukuran 30 x 40 piksel dan ketika citra tidak mengalami pembagian. Sedangkan pada percobaan dengan 256 interval, akurasi terendah yang diperoleh adalah 37,78% dengan ukuran partisi 60 x 40 piksel. Akurasi tersebut juga merupakan akurasi terendah yang didapatkan pada penelitian ini. Nilai-nilai akurasi tersebut dapat dilihat pada Tabel 20.
Dari tabel di bawah dapat dilihat bahwa penambahan jumlah partisi cenderung akan meningkatkan nilai akurasi. Namun besar kenaikan nilai akurasi juga dipengaruhi oleh ukuran dari tiap partisi citra. Hal ini terlihat dari tabel di atas bahwa akurasi yang didapatkan ketika partisi berukuran 30 x 40 piksel berbeda dengan saat partisi berukuran 60 x 20 piksel. Padahal banyak partisi yang pada kedua percobaan tersebut adalah sama, yaitu 2 buah partisi. Begitupun juga ketika partisi citra berukuran 15 x 40 piksel, 30 x 20 piksel, dan 60 x 10 piksel. Dengan banyak partisi yang sama, ternyata akurasi yang dihasilkan juga berbeda.
Tabel 20 Nilai akurasi pada tiap partisi Percobaan Dimensi kePartisi 1 60 x 40 2 30 x 40 3 20 x 40 4 15 x 40 5 12 x 40 6 60 x 20 7 30 x 20 8 20 x 20 9 15 x 20 10 12 x 20 11 60 x 10 12 30 x 10 13 20 x 10 14 15 x 10 15 12 x 10 Rata-Rata Akurasi
Banyak Partisi 1 2 3 4 5 2 4 6 8 10 4 8 12 16 20
Selain itu, dari Gambar 7 (a) terlihat bahwa penambahan jumlah partisi vertikal (m) dengan jumlah partisi horizontal (n) yang tetap hanya mampu menaikkan akurasi lebih kurang sebesar 2-17%. Bahkan pada beberapa kasus terjadi penurunan akurasi walaupun tidak signifikan. Sedangkan Gambar 7 (b) menunjukkan bahwa penambahan jumlah partisi horizontal (n) dengan jumlah partisi vertikal (m) yang tetap mampu menghasilkan peningkatan akurasi yang lebih tinggi sebesar 5-26%. Hal ini menunjukkan bahwa pembagian secara horizontal lebih mampu meningkatkan akurasi dibandingkan pembagian secara vertikal. Penelitian Setia (2007) dengan menggunakan Hidden Markov Model menghasilkan rata-rata akurasi tertinggi sebesar 75% pada pelatihan 8 state. Sedangkan pada penelitian Musyaffa (2009), akurasi tertinggi yang dihasilkan adalah 97,5% dengan menggunakan hasil dekomposisi wavelet level 1
8 38,89 41,11 53,33 63,33 68,89 62,22 56,67 71,11 77,78 83,33 70 72,22 76,67 93,33 93,33 68.15
Akurasi pada Tiap Interval (%) 16 32 64 128 41,11 46,67 46,67 40 41,11 41,11 42,22 40 53,33 57,78 58,89 56,67 61,11 55,56 55,56 57,78 64,44 68,89 65,56 66,67 64,44 66,67 60 54,44 63,33 66,67 61,11 60 72,22 75,56 75,56 71,11 77,78 80 76,67 74,44 83,33 85,56 83,33 80 72,22 76,67 73,33 63,33 75,56 78,89 75,56 73,33 82,22 81,11 84,44 81,11 93,33 95,56 95,56 92,22 93,33 92,22 93,33 91,11 69.26 71.26 69.85 66.81
256 37,78 43,33 53,33 53,33 67,78 52,22 58,89 65,56 70 76,67 60 68,89 73,33 84,44 83,33 63.26
sebagai masukan pada algoritme VFI5. Pada penelitian ini, akurasi tertinggi yang dihasilkan adalah 95,56%. Hasil tersebut diperoleh setelah citra dibagi menjadi 16 bagian yang tiap bagian memiliki ukuran yang sama, yaitu 15 x 10 piksel. Nilai histogram dari tiap bagian tersebut lah yang kemudian menjadi masukan pada algoritme VFI5.
(a)
14
(b) Gambar 7 Perbandingan pengaruh perubahan nilai m dan n terhadap peningkatan akurasi pada interval 32. Uji Statistik Terdapat tiga faktor yang mempengaruhi nilai akurasi yang dihasilkan pada penelitian ini, yaitu interval, jumlah partisi vertikal (m), dan jumlah partisi horizontal (n). Untuk mengetahui faktor apa saja yang memberikan hasil akurasi yang berbeda nyata, maka akan dilakukan analisis ragam. Data yang digunakan terbatas hanya data akurasi yang baik sebagaimana terlihat pada Tabel 21. Tabel 21 Data yang digunakan pada analisis ragam Jumlah Jumlah Partisi Partisi Akurasi Interval Vertikal Horizontal (%) (m) (n) 8 4 2 77.78 16 4 2 77.78 32 4 2 80 64 4 2 76.67 128 4 2 74.44 8 4 4 93.33 16 4 4 93.33 32 4 4 95.56 64 4 4 95.56 128 4 4 92.22 8 5 2 83.33 16 5 2 83.33 32 5 2 85.56 64 5 2 83.33 128 5 2 80 8 5 4 93.33 16 5 4 93.33 32 5 4 92.22 64 5 4 93.33 128 5 4 91.11 Uji statistik ini menggunakan tools yang telah tersedia pada Matlab 7.0.1. Perintah atau command yang digunakan dapat dilihat pada Lampiran 3. Adapun proses pengujian yang dilakukan adalah sebagai berikut.
1 (a) H’0: α1 = α2 = α3 = α4 = α5 = 0 (pengaruh interval nol), (b) H”0: β1 = β2 = 0 (pengaruh perubahan jumlah partisi vertikal nol), (c) H’”0: γ1 = γ2 = 0 (pengaruh perubahan jumlah partisi horizontal nol). 2 (a) H’1: sekurang-kurangnya satu αi tidak sama dengan nol, (b) H”1: sekurang-kurangnya satu βj tidak sama dengan nol, (c) H’”1: sekurang-kurangnya satu γk tidak sama dengan nol. Dengan menggunakan nilai α = 0,01, maka dapat diambil keputusan untuk menerima H’0 (p-value = 0,2894), H”0 (p-value = 0,0603), dan menolak H’”0 (p-value = 0) (Lampiran 4). Dari keputusan yang diambil tersebut, dapat disimpulkan bahwa secara statistik penggunaan interval 8, 16, 32, 64, dan 128 tidak menghasilkan nilai akurasi yang berbeda nyata. Selain itu, dari hasil analisis ragam ini juga diketahui bahwa secara statistik perubahan jumlah partisi vertikal (m) dari 4 menjadi 5 juga tidak menghasilkan nilai akurasi yang berbeda nyata. Sebaliknya, penggunaaan 4 partisi horizontal (n) menghasilkan akurasi yang berbeda nyata dibandingkan penggunaan 2 partisi horizontal (n). Hasil ini juga mendukung kesimpulan sebelumnya bahwa pembagian secara horizontal lebih mampu meningkatkan akurasi dibandingkan pembagian secara vertikal. KESIMPULAN DAN SARAN Kesimpulan Beberapa kesimpulan yang berhasil dihimpun dalam penelitian ini adalah sebagai berikut. 1 Diperlukan pembagian citra menjadi beberapa partisi untuk menghindari rendahnya akurasi yang dihasilkan. 2 Akurasi pengenalan tanda tangan dengan citra pelatihan tunggal menggunakan algoritme VFI5 berbasis histogram baik. 3 Penambahan jumlah partisi cenderung akan meningkatkan akurasi. 4 Jumlah interval yang baik dalam penelitian ini adalah 128, 64, 32, 16 dan 8. 5 Jumlah partisi vertikal (m) dan jumlah partisi horizontal (n) yang menghasilkan akurasi paling tinggi adalah 4 dengan ukuran partisi 15 x 10 piksel.
15
