Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 3, Maret 2018, hlm. 1083-1091

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Penentuan Keaslian Tanda Tangan Menggunakan Shape Feature Extraction Techniques Dengan Metode Klasifikasi K Nearest Neighbor dan Mean Average Precision Willy Karunia Sandy1, Agus Wahyu Widodo 2, Yuita Arum Sari3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Laju perkembangan teknologi memperkenalkan penentuan keaslian tanda tangan secara otomatis yang merupakan tugas penting dalam berbagai kegiatan yan g memerlukan bukti yang sah. Proses penentuan keaslian tanda tangan dimulai dari preprocessing, yang terdiri dari transformasi keabuan, median filter, transformasi biner, cropping, dan deteksi tepi sobel. Setelah dilakukan proses preprocessing dilanjutkan dengan proses penentuan ekstraksi ciri bentuk dengan metode Shape Feature Extraction Techniques yang terdiri dari area, perimeter, centroid, rectangularity, eccentricity, roundness. Kemudian dilakukan klasifikasi berdasarkan data latih yang diperoleh dari perhitungan Shape Feature Extraction Techniques. Setelah dilakukan klasifikasi dengan K Nearest Neighbor kemudian dilakukan proses perhitungan Mean Average Precision untuk menetukan keaslian tanda tangan dan perhitungan persentase dari Mean Average Precision. Pada hasil pengujian akurasi sistem diperoleh akurasi 61% dengan pengambilan data random sebesar 25 data. Kemudian diperoleh akurasi sebesar 61% pada pegambila 15 data dan 58% pada pengambilan 5 data. Akurasi tertinggi diperoleh pada pengambilan data terbesar yaitu dengan akurasi sebesar 61%. Kata kunci: keaslian tanda tangan, Shape Feature Extraction Technique, K Nearest Neighbor, Mean Average Precision.

Abstract The pace of technological development introduces the automatic identification of signature authenticity which is an important task in many activities requiring legitimate evidence. The process of authenticating signatures begins with preprocessing, which consists of gray transformation, median filter, binary transformation, cropping, and edge detection. After the process of preprocessing followed by the process of determining the extraction of form characteristics with the method of Shape Feature Extraction Techniques consisting of area, perimeter, centroid, rectangularity, eccentricity, roundness. Then classified based on training data obtained from calculations Shape Feature Extraction Techniques. After classification with K Nearest Neighbor then done calculation process Mean Average Precision to determine the authenticity of signature and percentage calculation of Mean Average Precision. In the system accuracy test results obtained 61% accuracy with the retrieval of random data for 25 data. Then obtained an accuracy of 61% accuracy with the retrieval of random data for 15 data and 58% on the retrieval of 5 data. Highest accuracy was obtained on the largest data collection with an accuracy of 61%. Keywords: signature authenticity, Shape Feature Extraction Technique, K Nearest Neighbor, Mean Average Precision.

yang bersifat khusus sebagai substansi simbolik (Indrajit, Prabir, dan Swarup, 2013). Tanda tangan selama ini masih digunakan sebagai bukti dan informasi yang sah, dalam bentuk tulisan maupun elektronik dan digital. Bentuk tanda tangan setiap orang umumnya tidak sama. Artinya, tanda tangan seseorang sering berubahubah setiap waktu. Perubahan ini menyangkut

1. PENDAHULUAN Tanda tangan pada saat ini merupakan salah satu hal terpenting dalam sebuah informasi untuk bukti dan keterangan dalam media cetak maupun digital. Tanda tangan merupakan hasil dari proses menulis seseorang Fakultas Ilmu Komputer Universitas Brawijaya

1083

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

posisi, ukuran maupun faktor tekanan tanda tangan. Pada kenyataannya perubahan tersebut dipengaruhi oleh waktu, umur, kebiasaan dan keadaan mental tertentu (Abbas, 1994). Dalam kehidupan sehari-hari, tanda tangan digunakan sebagai identifikasi dari pemilik tanda tangan. Keberadaan tanda tangan dalam sebuah dokumen menyatakan bahwa pihak yang memberi tanda tangan mengetahui, atau menyetujui seluruh isi dari suatu dokumen. Pembubuhan tanda tangan sering dijumpai pada kegiatan administrasi perbankan maupun melakukan kerja sama antar perusahaan. Namun, pada kenyataannya masih ditemui kegiatan memalsukan tanda tangan yang dilakukan oleh orang yang bukan merupakan pemilik tanda tangan tersebut. Kegiatan pemalsuan tanda tangan dapat dijumpai dalam beberapa kegiatan seperti pemalsuan tanda tangan kehadiran proses belajar mengajar, undangan resmi tertentu, pemalsuan surat keterangan dokter, pemalsuan surat pernyataan orang tua, dan lain sebagainya yang memerlukan tanda tangan (Endra, 2013). Pada zaman teknologi ini, penentuan keaslian tanda tangan melalui karakteristik tanda tangan dengan pemiliknya dapat dilakukan dengan menggunakan komputer digital untuk di olah menjadi data dan informasi. Dalam kegiatan akademik membutuhkan teknologi terpadu untuk menentukan keaslian tanda tangan mahasiswa untuk informasi kehadiran. Manajemen penentuan keaslian tanda tangan semakin didukung dengan adanya teknologi informasi. Perkembangan teknologi informasi dari waktu ke waktu pun terus membuat fitur-fitur yang mampu mengolah citra untuk memperoleh suatu informasi. Pada sistem pengolahan citra juga dapat digunakan untuk melakukan verifikasi kepemilikan tanda tangan. Sistem pengolahan citra tanda tangan ini juga dikembangkan ke berbagai fitur tambahan. Contohnya, sistem penentuan keaslian tanda tangan otomatis. Sistem deteksi keaslian tanda tangan secara otomatis ini bertujuan untuk memperoleh informasi digital keaslian tanda tangan secara otomatis. Penentuan keaslian tanda tangan adalah salah satu bagian dari kecerdasan berbasis citra digital. Pengenalan tanda tangan dapat dilakukan dengan menerapkan metode ekstraksi ciri bentuk. Pada penelitian sebelumnya yang berkaitan dengan pengenalan tanda tangan yang dilakukan oleh (Zakiyyah, Widodo, dan Utaminingrum, 2017) yang berjudul Fakultas Ilmu Komputer, Universitas Brawijaya

1084

“Pengenalan Citra Tanda Tangan Off-Line Dengan Pemanfaatan Ciri Centroid Distance Function”. Proses pengenalan citra tanda tangan diawali dengan melakukan preprocessing, yaitu binerisasi, filtering, cropping, resizing, dan thinning. Selanjutnya dilakukan penelusuran piksel untuk menyimpan semua posisi piksel yang mengandung foreground dan dicari piksel tengah dari citra. Semua piksel yang tersimpan akan dihitung centroid distance function-nya dan kemudian akan dikelompokkan sesuai dengan banyak segmen yang membagi citra sehingga setiap kelompok memiliki jumlah data yang sama dengan menggunakan klasifikasi K Nearest Neighbor (KNN). Setiap kelompok akan dihitung nilai rata-rata centroid distance function. Kinerja algoritme ini diperoleh akurasi tertinggi untuk data 20 kelas mencapai 88.5% yang diperoleh dari jumlah fitur sebanyak 20 fitur dan k=1 dengan data latih sebanyak 10 dan 14 data tiap kelas. Akurasi tertinggi untuk data 50 kelas mencapai 67.4% dengan menggunakan banyak fitur sebanyak 15 fitur dan k=3 dengan data latih sebanyak 10 dan 14 data tiap kelas. Penelitian selanjutnya yaitu tentang pengenalan ekstraksi ciri bentuk dari penelitian (Waldchen, dan Mader, 2016) yang berjudul “Plant Species Identifiation Using Computer Vision Techniques: A Systematic Literature Review” proses Pengenalan spesies tanaman ini diawali dengan melakukan proses preprocessing, ekstraksi fitur, kemudian dilakukan klasifikasi. Salah satu penentuan ekstraksi ciri yang digunakan yaitu Shape Feature Extraction Techniques (SFET) yang diperoleh dari citra daun yang memiliki kesamaan bentuk dan ciri dengan tanda tangan yaitu pada hasil bentuk kurva citranya. SFET digunakan untuk memperoleh ekstraksi ciri bentuk dari daun. Untuk meningkatkan akurasi dalam penentuan keaslian tanda tangan, dilakukan penggabungan kedua metode kedua penenlitian sebelumnya untuk memperoleh ekstraksi ciri bentuk dari citra tanda tangan. Untuk menentukan keaslian dari tanda tangan selanjutnya menggunakan metode Mean Verage Precision (MAP) dalam buku yang berjudul ”Introduction to Information Retrieval, Evaluation in Information Retrieval” oleh (Manning, 2009). MAP digunakan untuk menemukan kembali informasi-informasi yang relevan terhadap kebutuhan pengguna dari suatu kumpulan informasi secara otomatis. Penetuan tanda tangan dilakukan dengan


1085

metode temu kembali yang diperoleh dari hasil ekstraksi ciri fitur SFET untuk tanda tangan kemudian dilakakukan penentuan rata-rata dari precion data ektraksi ciri bentuk tanda tangan. Berdasarkan uraian di atas, peneliti mengusulkan penenlitian yang berjudul ”Penentuan keaslian Tanda Tangan Menggunakan Shape Feature Extraction Tecniques Dengan Metode Klasifikasi K Nearest Neighbor Dan Mean Average Precision”. Penenlitian ini menggunakan metode klasifikasi K Nearest Neighbor Karena metode ini lebih mudah diterapkan dibanding metode klasifikasi lainnya. Tujuan dari penentuan keaslian tanda tangan menggunakan SFET untuk memperoleh fitur -fitur dari ekstraksi ciri bentuk tanda tangan yang kemudian akan dilakukan klasifikasi dan MAP. Selain itu untuk melakukan evaluasi terhadap penentuan keaslian tanda tangan menggunakan SFET, klasifikasi K Nearest Neighbor dan MAP, sehingga diketahui kekurangan sistem dan dapat dilakukan perbaikan serta peningkatan kinerja untuk penelitian kedepannya.

Mulai Input Citra Uji Preprocessing Deteksi Objek Tanda Tangan Perhitungan SFET Klasifikasi Tanda Tangan Uji dengan KNN

Perhitungan MAP

Perhitungan Persentase Keaslian

2. METODE USULAN Tahapan penenetuan keaslian tanda tangan diawali dengan memproses data latih dengan proses preprocessing. Kemudian data latih di lakukan pencarian nilai dari ekstraksi ciri citra. Ekstraksi ciri ini menggunakan ekstraksi ciri bentuk yaitu Shape Feature Extraction Technique (SFET). Kemudian setelah dilakukan penentuan nilai SFET, dilakukan klasifikasi untuk mengetahui kepemilikan tanda tangan uji. Dari proses klasifikasi nantinya akan dilanjutkan untuk mengetahui keaslian tanda tangan dengan menerapkan metode Mean Average Precision (MAP). Diagram alir sistem secara umum digambarkan pada Gambar 1.

Output Citra Uji

Selesai Gambar 1. Diagram Alir Sistem

2.1. Preprocessing Pada tahap preprocessing pertama citra diolah mengubah dari citra warna Red Green Blue (RGB) menjadi citra keabuan. Dengan proses tersebut bertujuan untuk mempermudah dalam proses berikutnya. Pada proses ini citra atau data uji akan diubah dalam bentuk citra biner yang di mana hanya terdapat warna hitam dan putih saja (Indrajit, Pabir, dan Swarup, 2013). Dalam preprocessing citra tersebut melalui tahapan pengubahan RGB ke citra keabuan, boundary citra, cropping objek, dan mengubah ke citra bentuk biner. 2.2. Citra RGB ke Citra keabuan Citra berwarna merupakan gambar yang secara default kamera akan menghasilkan gambar yang mempunyai ruang warna RGB

Fakultas Ilmu Komputer, Universitas Brawijaya


yang artinya Red, Green, dan Blue. Setiap komponen warna pada RGB mengandung 8 bit yang nilainya berkisar antara 0-255. Kemungkinan pilihan warna yang dapat disajikan adalah 255(Red) x 255(Green) x 255(Blue) = 16.581.375 warna (Rafael, 2002). Sedangkan citra keabuan merupakan transformasi dari citra berwarna menjadi citra yang hanya dinyatakan dengan intensitas yang dimulai dari 0-255 saja. Contoh perhitungan untuk mengubah citra RGB menjadi citra keabuan dapat di lihat pada Persamaan (1). 𝑘𝑒𝑎𝑏𝑢𝑎𝑛 = 0.2989 ∗ 𝑅 + 0.5870 ∗ 𝐺 + 0.1141 ∗ 𝐵

(1)

1086

sehingga objek tersebut menjadi ukuran yang minimum sehingga mencapai 1 piksel saja. Proses thinning diperlukan untuk mempermudah proses penelusuran piksel yang mengandung warna hitam (foreground) yang akan disimpan. Prose thinning dilakukan setelah memperoleh hasil citra biner. Pengurangan ketebalan ini dilakukan dengan scanning dengan kernel delapan ketetanggaan. Dan melewati 2 tahap proses thinning. Gambar 4.7 merupakan langkah-langkah proses thinning.

2.3. Median Filter

2.6. Cropping

Median filtering merupakan salah satu teknik peningkatan kualitas citra. Metode ini termasuk dalam kategori yang cara kerjanya hampir sama dengan mean filtering (Abdul, dan Adhi, 2013). Pada median filtering, nilai piksel output ditentukan median dari lingkungan matrik yang ditentukan dengan perhitungan median filter. Prosesnya yaitu dengan melakukan urutan terhadap nilai intensitas piksel dari lingkungan matrik yang ditentukan, kemudian dicari nilai tengahnya. Pengurutan akan menghasilkan nilai dari yang terkecil hingga yang terbesar. Sehingga untuk menentukan nilai dari mediannya dapat menggunakan Persamaan 3.

Cropping merupakan proses memotong bagian objek dari sebuah citra agar lebih menyederhanakan ukuran dan lebih terfokus pada objek yang akan diproses. Selain untuk menyederhanakan ukuran, cropping juga memiliki tujuan untuk mengetahui bagian pada citra yang akan di proses pada tahap berikutnya.

(𝑛+1)

M=

2

2.7. Deteksi Tepi Sobel (2)

Keterangan: M= median atau nilai tengah n= jumlah piksel dalam suatu matrik dan harus bernilai ganjil 2.4. Transformasi Citra Biner Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih (Rafael, 2002). Dibutuhkan 1 bit di memori untuk menyimpan kedua warna. Gradasi warnanya, bit 0 untuk warna hitam, bit 1 untuk warna putih. Perhitungan transformasi biner dituliskan dalam persamaan (3). 𝑓𝑚𝑎𝑘𝑠+𝑓𝑚𝑖𝑛 2

T=

(3)

2.5. Thinning

Thinning adalah proses pengurangan ketebalan sebuah objek pada citra digital Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 2. Objek cropping

Metode sobel merupakan pengembangan dari metode robert dengan menggunakan filter HPF (high pass filter) yang diberi satu angka nol penyangga. Kelebihan dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan perhitungan pendeteksian tepi (Rafael, 2002). Dalam deteksi tepi menggunakan metode sobel, diperlukan perhitungan yang dilakukan dengan mencari nilai gradien x dan y yang di jelaskan pada Persamaan 4 dan Persamaan 5. Gx=(𝑧7 + 2𝑧8 + 𝑧9 ) − (𝑧1 + 2𝑧2 + 𝑧3 )

(4)

Gy=(𝑧3 + 2𝑧6 + 𝑧9 ) − (𝑧1 + 2𝑧4 + 𝑧7 )

(5)

Keterangan: Gx = merupakan perhitungan deteksi tepi menggunakan kernel horizontal. Gy = merupakan perhitungan deteksi tepi menggunakan kernel vertikal.


1087

Setelah diketahui masing-masing nilai Gx dan Gy selanjutnya menghitung nilai Gradien nilai Gx dan Gy. Perhitungan gradien dapat ditunjukkan pada Persamaan 6. Gradien=√(𝐺𝑥 2 + 𝐺𝑦 2 )

(6)

2.8. ShapeFeature Extraction Tecniques (SFET) SFET merupakan proses penentuan ciri dari suatu citra. Ciri ini dinyatakan dengan ciri bentuk/shape. Pada dasarnya, ekstraksi ciri bentuk dibuat untuk mengukur tingkat kesamaan dari suatu objek ke objek tertentu (Mingqiang, Kidio, dan Joseph 2008). Ekstraksi ciri bentuk memiliki berbagai macam metodenya di antaranya yaitu mencari Area, Perimeter, Centroid, Eccentricity, Roundness, Rectangularity.

Gambar 4. Objek dengan perimeter

Pada Gambar 4. terdapat objek dengan beberapa piksel berwarna merah. Piksel tersebut merupakan bagian dari perimeter objek sehingga dapat diketahui berdasarkan Gambar 3 jumlah perimeter yaitu 15. 2.11 Centroid Centroid merupakan representasi dari titik koordinat pusat dari objek (Jana, 2016). Titik pusat ini dinyatakan dalam sebuah angka yang dapat di hitung dengan Gambar 5.

2.9. Area Area/Luas merupakan seberapa ukuran atau jumlah piksel pada objek. Piksel yang dihitung jumlahnya, merupakan jumlah piksel yang telah di ubah ke dalam bentuk citra biner yang hanya terdapat intensitas warna 0 dan 1 maka, yang digunakan sebagai objek yaitu jumlah piksel dengan intensitas 1 (Waldchen, dan Mader, 2016). Ilustrasi dari perhitungan luas yaitu pada Gambar 3.

Gambar 5. Citra yang diketahui centroid dengan warna piksel warna merah.

Pencarian centroid dilakukan dengan pencarian rata-rata dari tiap-tiap koordinat piksel dengan warna hitam yang telah di urutkan dari nilai terkecil ke yaitu dengan Persamaan 7.

A=18 Gambar 3. Perhitungan luas citra

2.10.

Perimeter

Perimeter merupakan panjang tepi atau disebut keliling dari objek yang dideteksi. Penghitungan keliling ini dilakukan dengan menghitung seberapa banyak piksel pada objek yang berada pada bagian tepi. Contoh dari perhitungan perimeter dapat dilihat pada Gambar 4.


𝑚𝑒𝑎𝑛 =

𝑥𝑦1 + 𝑥𝑦2 +𝑥𝑦3 +⋯+𝑥𝑦𝑛 𝑛

(7)

Mean merupakan nilai dari koordinat x dan y. setiap x mewakili tiap-tiap koordinat dari baris pada matrik citra, dan y merupakan tiaptiap koordinat yang mewakili kolom dari matrik citra. 2.12.

Eccentricity

Eccentricity E adalah nilai perbandingan antara jarak foci ellips minor b dengan foci ellips mayor a dari suatu wilayah/bentuk pada objek yang dapat dilihat pada Persamaan 8. Nilai eccentricity berada dalam rentang skala 0 sampai 1. Suatu wilayah yang berbentuk memanjang (mendekati garis lurus), nilai eccentricity akan mendekati 1, sedangkan wilayah yang berbentuk lingkaran, nilai


eccentricity akan mendekati 0. Di mana diketahui a merupakan foci ellips mayor dan b merupakan foci ellips minor. 𝐸 = √1 −

𝑏2 𝑎2

(8)

1088

langkah-langkah yaitu (Santoso, 2007), mulai memasukkan: Data latih, label data latih, k, data uji. Untuk semua data testing, hitung jaraknya ke setiap data uji dengan menggunakan rumus euclidian distance seperti pada Persamaan 11. 2

√(𝑎 − 𝑏)2

2.13.

Rectangularity

Rectangularity merupakan seberapa ukuran persegi panjang terhadap objek dalam sebuah citra, sebagai contoh yaitu persegi panjang yang diperoleh dari minimum bounding rectangle. Perhitungan Rectangularity dapat di lihat pada Persamaan 9. 𝑅𝑒𝑐𝑡𝑎𝑛𝑔𝑢𝑙𝑎𝑟𝑖𝑡𝑦 =

𝐴

(9)

𝐿𝑊

A merupakan luas dari objek, sedangkan L merupakan panjang dari objek (mayor axis) dan W merupakan lebar dari objek (minor axis). 2.14.

Roundness

Pengukuran roundness dilakukan dengan cara mengubah citra warna menjadi citra biner dengan tujuan membedakan obyek dengan latar belakangnya. Citra kemudian dianalisis faktor bentuknya yang dinamakan roundness. Area obyek dihitung dengan cara menghitung jumlah piksel obyek yang berwarna putih sesuai Persamaan 10 dan dijelaskan sesuai Gambar 6. 𝑅𝑜𝑢𝑛𝑑𝑛𝑒𝑠𝑠 =

4𝜋𝐴 𝑃2

(10)

(11)

Yaitu a merupakan nilai data uji, sedangkan b merupakan nilai dari data latih. Selanjutnya menentukan k data uji yang jaraknya paling dekat dengan data. Tentukan label yang frekuensinya paling banyak. Selanjutnya memasukkan data latih ke kelas dengan frekuensi paling banyak. Yang mana pada nilai frekuensi yang paling banyak, maka itulah nilai klasifikasi yang baru dari data uji. 2.16.

Mean Average Precision

Mean Average Precision (MAP) merupakan sebuah metode temu kembali yang dalam kasus ini untuk mengoptimalkan dari hasil perhitungan klasifikasi SFET. MAP digunakan untuk penentuan keaslian tanda tangan karena MAP merupakan metode temu kembali. Dimana hasil dari sistem akan masih di olah kembali dengan MAP. Selain perhitungan temu kambali, sistem yang memiliki keluaran hasil yang lebih dari satu hasil sangan memungkinkan dilakukan perhitungan dengan metode MAP Karena metode ini juga menghitungan beberapa hasil yang benar dan yang salah. Selanjutnya dari perhitungan precision antara hasil dan benar akan dilakukan perhitungan presentase keaslian. Dari perhitungan SFET akan di ambil 25 sampel tertinggi dari jarak yang terdekat antara citra uji dan citra latih pada masing-masing ekstraksi ciri (Manning, 2009). Perhitungan MAP ditunjukkan pada Persamaan 12. 1

1

𝑀

|𝑄| 𝐽 MAP=(𝑄) ∑𝑗=𝐼 𝑀 ∑𝐾=1 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛(𝑅𝑗𝑘) 𝐽

(12)

3. HASIL DAN PEMBAHASAN Gambar 6. Ilustrasi penghitungan roundness pada citra tanda tangan

2.15.

K Nearest Neighbor (KNN)

Metode K-Nearest Neighbor merupakan metode klasifikasi yang mengelompokan data baru berdasarkan jarak data baru itu ke beberapa data/tetangga (neighbor) terdekat. Teknik K-Nearest Neighbor dengan melakukan Fakultas Ilmu Komputer, Universitas Brawijaya

3.1. Pengujian sistem penentuan keaslian tanda tangan Pada sub-bab ini menjelaskan mengenai pengujian sistem yang telah diimplementasikan yang di mana pengujian dilakukan dengan menentukan akurasi dari sistem yang telah di buat dengan Persamaan 13. (𝑇𝑃+𝑇𝑁)

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁

(13)


Keterangan: TP = True Positive (Hasil pakar dan hasil penentuan keaslian tanda tangan sistem menunjukkan citra uji asli).. TN = True Negative (Hasil pakar dan hasil penentuan keaslian tanda tangan sistem menunjukkan citra uji tidak asli). FP = False Positive (Hasil pakar menunjukkan citra uji asli sedangkan hasil penentuan keaslian tanda tangan sedangkan sistem menunjukkan citra uji tidak asli). FN = False Negative (Hasil pakar menunjukkan citra uji tidak asli sedangkan sistem menunjukkan citra uji asli).

Pada hasil pengujian akurasi didapatkan data hasil pengujian keaslian tanda tangan dengan menguji antara tanda tangan asli dan tanda tangan yang tidak asli. Data yang digunakan diperoleh dari data 10 tanda tangan asli dari 5 orang dan data 10 tanda tangan tidak asli untuk 5 orang. Diperoleh hasil pengujian terhadap TP, TN, FP, FN yang dijelaskan pada Tabel 1. Tabel 1. Rancangan Analisis Komputasi User A A A A A A A A A A A A A A A A A A A A B B B B B B B B B B B B B B B B B B B B C C

Citra uji A1.jpg A2.jpg A3.jpg A4.jpg A5.jpg A6.jpg A7.jpg A8.jpg A9.jpg A10.jpg DA1.jpg DA2.jpg DA3.jpg DA4.jpg DA5.jpg DA6.jpg DA7.jpg DA8.jpg DA9.jpg DA10.jpg B1.jpg B2.jpg B3.jpg B4.jpg B5.jpg B6.jpg B7.jpg B8.jpg B9.jpg B10.jpg DB1.jpg DB2.jpg DB3.jpg DB4.jpg DB5.jpg DB6.jpg DB7.jpg DB8.jpg DB9.jpg DB10.jpg C1.jpg C2.jpg

Hasil pakar Asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Asli Asli

Hasil sistem Tidak asli asli asli asli Tidak asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli asli asli asli asli Asli Tidak asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli asli Tidak asli Tidak asli Asli Asli

T P

T N

F P √

F N

√ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √

C C C C C C C C C C C C C C C C C C D D D D D D D D D D D D D D D D D D D D E E E E E E E E E E E E E E E E E E E E

1089 C3.jpg C4.jpg C5.jpg C6.jpg C7.jpg C8.jpg C9.jpg C10.jpg DC1.jpg DC2.jpg DC3.jpg DC4.jpg DC5.jpg DC6.jpg DC7.jpg DC8.jpg DC9.jpg DC10.jpg D1.jpg D2.jpg D3.jpg D4.jpg D5.jpg D6.jpg D7.jpg D8.jpg D9.jpg D10.jpg DD1.jpg DD2.jpg DD3.jpg DD4.jpg DD5.jpg DD6.jpg DD7.jpg DD8.jpg DD9.jpg DD10.jpg E1.jpg E2.jpg E3.jpg E4.jpg E5.jpg E6.jpg E7.jpg E8.jpg E9.jpg E10.jpg DE1.jpg DE2.jpg DE3.jpg DE4.jpg DE5.jpg DE6.jpg DE7.jpg DE8.jpg DE9.jpg DE10.jpg

Asli Asli Tidak asli Asli Asli Asli Tidak asli Asli -

√ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √

Maka diperoleh total TP = 17, TN = 44, FP =33, FN = 6, yang selanjutnya dimasukkan ke dalam perhitungan akurasi sehingga diperoleh hasil yaitu: Akurasi =

√

Asli Asli Asli Asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli Tidak asli

17+44 17+44+33+6

Akurasi = 0.61

√ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √ √


Berdasarkan hasil pengujian pengaruh pengambilan data random pada MAP menghasilkan akurasi sistem yaitu pada pengambilan data sebanyak 25 data random diperoleh akurasi sistem sebesar 61% yang di mana nilai True Positif diperoleh 17 data. Kemudian pengujian pengaruh pengambilan data random pada MAP pada pengambilan sebanyak 15 data random diperoleh akurasi sistem sebesar 61% yang di mana nilai True Positif diperoleh 14 data. Selanjutnya pengujian terhadap pengambilan data random pada MAP


terhadap akurasi sistem pada pengambilan data sebanyak 5 data random diperoleh akurasi sistem sebesar 58% yang di mananilai True Positif dipeoleh 10 data. Sehingga diketahui semakin sedikit pengambilan data ransom akan semakin kecil pula akurasi sistem yang dihasilkan dan nilai True Positif yang semakin berkurang. Dari pengujian tersebut maka di peroleh hasil maksimal yaitu dengan pengambilan data random sebesar 25 data dan di peroleh akurasi sistem sebesar 61%. 4. KESIMPULAN Berdasarkan penelitian yang telah dilakukan berdasarkan perancangan dan implementasi sistem, dapat ditarik kesimpulan sebagai berikut: 1. Implementasi sistem penentuan keaslian tanda tangan dengan menggunakan metode SFET dan MAP, dimulai dengan penentuan data sampel tanda tangan asli dari setiap user yang akan diuji keaslian tanda tangannya. Tahap awal proses pengolahan tanda tangan dengan proses preprocessing tanda tangan uji, selanjutnya penentuan objek tanda tangan yang berada pada gambar uji, yang nantinya di klasifikasikan dengan menggunakan KNN dan diketahui kepemilikannya, setelah proses klasifikasi, dilanjutkan dengan proses MAP yaitu menghitung rata-rata dari tiap-tiap precision dari citra uji. Setelah diketahui nilai dari MAP, sistem menghitung persentase dari MAP yang telah diberi batas persentase asli atau tidak asli. 2. Proses kalsifikasi untuk penentuan keaslian tanda tangan yang pertama yaitu proses klasifikasi kepemilikan, yaitu dengan mencari data sampel tanda tangan asli user sebanyak 10 orang, kemudian menghitung nilai SFET dari citra sampel sebagai data trainning. Kemudian dilakukan proses klasifikasi dengan menggunakan KNN dari citra uji, kemudian diketahui hasil dari klasifikasi merupakan keluaran yang berupa pemilik tanda tangan. 3. Dari hasil pengujian diperoleh tingkat kualitas sistem penentuan tanda tangan menggunakan metode SFET dan MAP yang diukur dengan menggunakan perhitungan akurasi yang diperoleh akurasi sebesar 62 persen untuk 10 asli dan tanda tangan tidak asli dari 5 orang. Fakultas Ilmu Komputer, Universitas Brawijaya

1090

5. DAFTAR PUSTAKA Abbas, R., 1994. “A Prototype System for offline Signature Verificationusing Multilayered Feedforword Neural Networks”. Tesis Departemen RMIT.of Computer Science. Abdul, K., Adhi, S., 2013. ”Teori dan Aplikasi Pengolahan Citra” Penerbit Andi, Yogyakarta. Chowdury., Tufayel, A., Darren, M., Scott, and Pavlos, S., Kanaroglou., (2013). “Urban Form and Commuting Efficiency: A Comparative Analysis Across Time and Space. London”Sage Publication. Cheriet, M., Kharma, N., Liu, C., Suen, C., 2007. "Character Recognition Systems: A Guide for Students and Practitioners" 48-50 University at Buffalo, The State University of New York. Endra, M, S., 2013. “Pensinergian Mahasiswa, Dosen, dan Lembaga dalam Pencegahan Kecurangan Akademik Mahasiswa Akuntansi” Akuntansi Universitas Negeri Yogyakarta, Yogyakarta. Indrajit, B., Prabir, G. Swarup, B., 2013. “Offline Signature Verification Using Pixel Matching Technique” International Conference on Computational Intelligence: Modeling Techniques and Applications (CIMTA). Manning, C., 2009. “Introduction To Information Retrieval, Evaluation In Information Retrieval” 151-175 Cambridge University. Mingqiang, Y., Kidiyo, K., Joseph, R., 2008. “A Survey of Shape Feature Extraction Techniques”. Shandong University, 250100, Jinan, France, China. Mahda, N., Zeinab, M., Javad., 2016. “Analysis of mean square error surface and its corresponding contour plots of spontaneous speech signals in Alzheimer's disease with adaptive wiener filter”. Department of Biomedical Engineering, Hakim Sabzevari University, Sabzevar, Iran. Pakaja, F., Naba, A., Purwanto., 2012. “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor”, Jurnal EECCIS, Vol.6, No.1, Juni 2012. Purma, V., Kumbharana, C, K., 2015.


“Structural and Statistical Feature Extraction Methods for Character and Digit Recognition”, Department of Computer Science, Saurashtra University, Rajkot. Qian, Y., Hui, W., Chengzhuan, Y., 2012. “Local Part Chamfer Matching for Shape-based Object detection”, Laboratory of Cognitive Model and Algorithm, School of Computer Science, Pudan University, No.825 Zhangheng Road, Shanghai 201203, PR China. Rahman, A., 2007. “Model Algoritma KNearest Neighbor (K-Nn) Untuk Prediksi Kelulusan Mahasiswa”, Universitas Padanaran Semarang. Rafael C. Gonzalez. 2002. Digital Image Processing 2nd Edition. Prentice Hall. Upper Saddle River, New Jersey 07458. Riza, F., 2009. “Pengenalan Pola Tanda Tangan Dengan Menggunakan Metode Principal Component Analysis (Pca)” Universitas Dian Nuswantoro, Jl. Nakula 5-11, Semarang. Santoso, B., 2007. “Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis” (1 ed.).Graha Ilmu, Yogyakarta. Sunarya, I, M, G., 2013. “Sistem Biometrika Identifikasi Tanda Tangan Menggunakan Metode Jaringan Syaraf Tiruan Model Perceptron” ProgramIlmu Komputer, Universitas Gadjah Mada, Yogyakarta. Vamvakas, G., Gatos, B., and Perantonis, S, J., 2009. “A Novel Feature Extraction and Classification Methodology for the Recognition of Historical Documents”, Computational Intelligence Laboratory, Institute of Informatics and Telecommunications, National Centre for Scientific Research “Demokritos”, 2009. Waldchen, J., Mader, P., 2016 Thesis projects: Plant Species Identifiation Using Computer Vision Techniques: A Systematic Literature Review. 1nd ed. London: Springer-Verlag London Limited. Yuita, A, S., 2014. “Seleksi Fitur Menggunakan Ekstraksi Fitur Bentuk, Warna, dan Tekstur dalam Sistem Temu Kembali


1091

Citra Daun” Jurusan Teknik Informatika, Fakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember, Surabaya. Zakiyyah, R, H., Widodo, A, W., Utaminingrum, F., 2017 “Pengenalan Citra Tanda Tangan Off-Line Dengan Pemanfaatan Ciri Centroid Distance Function”, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang. Widodo, A, W., Harjoko, A., 2015 “Sistem Verifikasi Tanda Tangan Off-Line Berdasar Ciri Histogram Of Oriented Gradient (HOG) Dan Histogram Of Curvature (HoC)”. Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X

Recommend Documents