Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 9, Juni 2017, hlm. 859-867
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan Rahma Juwita Sany1, Agus Wahyu Widodo2, Candra Dewi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Tanda tangan sebagai atribut personal merupakan salah satu wujud alat verifikasi identitas seseorang yang secara luas telah diterima oleh masyarakat. Proses pengenalan tanda tangan dimulai dari preprocessing, yang terdiri dari proses filtering, binerisasi, thinning, cropping dan resize. Setelah melakukan preprocessing dilanjutkan proses ekstraksi ciri menggunakan Geometric Invariant Moment untuk mendapatkan nilai fitur yang akan digunakan untuk proses klasifikasi menggunakan K-Nearest Neighbour. Variasi ciri Geometric Invariant Moment yang mempunyai nilai FAR dan FRR terkecil tiap sumber data berbeda. Untuk data dari Indonesia nilai FAR paling kecil didapatkan saat menggunakan moment 7 dengan nilai FAR=7% dan nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=61.5%. Untuk data dari Spanyol nilai FAR paling kecil didapatkan saat menggabungkan moment 3,4,5, dan 7, saat menggabungkan moment 1,3,4,5 dan 7 dan saat menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7% dan nilai FRR paling kecil didapatkan dengan menggabungkan moment 2,3,4,5,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=72%. Untuk data dari Persia nilai FAR paling kecil didapatkan saat yaitu menggabungkan moment 3 dan 5 dan saat menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5% dan Persia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%. Ciri Geometric Invariant Moment yang diterapkan global pada suatu citra tidak memberikan akurasi yang tinggi. Mungkin karena ketika menerapkan ciri global, ciri lokal tidak terkenali dengan baik. Hal tersebut berlaku pada citra tanda tangan asli, sedangkan pada citra tanda tangan palsu penerapan ciri Geometric Invariant Moment secara global memberikan akurasi yang tinggi. Kata Kunci: pengenalan tanda tangan, Geometric Invariant Moment, K-Nearest Neighbour
Abstract Signature as a personal attribute is one of the personβs identity verification equipment that is accepted widely by the society. The process of signature recognition starts from starts from preprocessing, which consist of filtering, thresholding, thinning, cropping and resizing. After preprocessing continued by feature extraction process using Geometric Invariant Moment to get the value of a feature that will be used for the classification process using K-Nearest Neighbour. The variations Geometric Invariant Moment feature that has the smallest of FAR value and FRR value on each data source are different. For data from Indonesia the smallest FAR obtained while using moment 7 with value is 7% and the smallest FRR obtained while combining moment 1,2,3,6 and 7 and using all of the moment with each value is 61.5%. For data from Spain the smallest FAR obtained while combining moment 3,4,5 and 7, moment 1,3,4,5 and 7 and combining 1,3,4,5,6 and 7 with each value is 7% and the smallest FRR obtained while combining moment 2,3,4,5,6 and 7 and using all of the moment with each value is 72%. For data from Persia the smallest FAR obtained while combining moment 3 and 5 and combining moment 3,5 and 6 with each value is 9.5% and the the smallest FRR obtained while combining moment 1,2,3,4,6 and 7 with value is 37%. The testing results of FAR and FRR is inversely proportional. The system can recoginize the fake signatures well that proven by getting FAR value is relatively small on all of data sources. But the system canβt recognize the original signatures well that proven by getting the high FRR value on all data sources. Features of Geometric Invariant Moment that applied globally on an image don't provide high accuracy. Perhaps, it happened because when Fakultas Ilmu Komputer Universitas Brawijaya
859
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
860
apply global feature, the local features canβt recognize properly. It occurs on the original signature image, while the application of the features of Geometric Invariant globally on the fake signature image provide high accuracy. Keywords: signature recognition, Geometric Invariant Moment, K-Nearest Neighbour
1. PENDAHULUAN Setiap orang memiliki bentuk atau pola tanda tangan yang berbeda-beda sehingga tanda tangan merupakan salah satu ciri dari setiap orang. Tanda tangan sebagai atribut personal merupakan salah satu wujud alat verifikasi identitas seseorang yang secara luas telah diterima oleh masyarakat. Hingga kini, tanda tangan terus digunakan sebagai alat pengotorisasi berbagai keperluan legalitas untuk hampir semua dokumen seperti paspor perjalanan, sertifikat akademik, cek bank, dan lain sebagainya. Oleh karena sangat pentingnya fungsi tanda tangan, tanda tangan telah dinyatakan berperan penting dalam fungsi memberikan ciri atau mengindividualisir suatu akta secara hukum (Widodo & Harjoko, 2015). Karena pada saat ini banyak terjadinya pemalsuan tanda tangan sehingga sangat penting untuk melakukan identifikasi tanda tangan. Pada umumnya, untuk pengenalan tanda tangan kebanyakan dilakukan oleh seorang ahli identifikasi tanda tangan dengan membandingkan secara langsung dengan menggunakan mata manusia sendiri yang mana mempunyai kelemahan jika banyak tanda tangan yang perlu diidentifikasi, sehingga terkadang hasil yang diinginkan seringkali kurang tepat. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalisa karakteristik pola tanda tangan sehingga mempermudah dalam identifikasi tanda tangan seseorang. Pengenalan pola tanda tangan bisa dilakukan dengan menerapkan metode ekstraksi fitur citra. Pada sebuah penelitian lain yaitu sebuah penelitian untuk mengklasifikasikan citra daun dengan menggunakan ekstraksi ciri Geometric Invariant Moment dan metode KNearest Neighbor mampu melakukan klasifikasi didapatkan nilai akurasi sebesar 86,67% yang mana hasil ini menunujukan bahwa penggunaan ekstraksi ciri Geometric Invariant Moment dan metode K-Nearest Neighbor mampu melakukan klasifikasi daun dengan baik (Liantoni, 2015). Geometric Invariant Moment sendiri merupakan ekstraksi ciri yang menghasilkan tujuh moment yang mana moment-moment tersebut tidak Fakultas Ilmu Komputer, Universitas Brawijaya
terpengaruh oleh perubahan scaling, translasi, rotasi dan orientasi (Samad, et al., 2015). Metode klasifikasi juga dibutuhkan dalam klasifikasi citra tanda tangan. Pada sebuah penelitian tentang pengenalan obyek dengan menggunakan 3 metode klasifikasi yaitu KNearest Neighbor, Backpropagation Neural Nework, dan Fuzzy K-Nearest Neighbor memberikan hasil bahwa klasifikasi dengan menggunakan K-Nearest Neighbor mendapatkan nilai akurasi yang paling tinggi dibandingkan dengan metode klasifikasi yang lain yang digunakan dalam penelitian (R.Muralidharan, 2014). Pada sebuah penelitian lain tentang pengenalan gambar wajah dengan menggunakan transformasi wavelet sebagai ekstraksi fitur dan metode K-Nearest Neighbor sebagai metode klasifikasi untuk menentukan identitas gambar wajah dan menghasilkan nilai akurasi yang tinggi yaitu 95% (Sikki, 2009). KNearest Neighbour memiliki beberapa kelebihan yaitu ketangguhan terhadap training data yang memiliki banyak noise dan efektif apabila training data-nya besar (Sikki, 2009). Berdasarkan latar belakang tersebut, penelitian ini menggunakan ekstraksi ciri Geometric Invariant Moment. Sedangkan untuk pengklasifikasian tanda tangan menggunakan metode K-Nearest Neighbour. Dengan penelitian ini diharapkan hasil yang didapatkan menjadi solusi yang lebih baik dan menghasilkan tingkat keakuratan yang lebih tinggi dalam pengenalan tanda tangan dan dapat mencegah atau menghindari pemalsuan tanda tangan. 2. GEOMETRIC INVARIANT MOMENT Proses ini dilakukan untuk menghasilkan nilai-nilai fitur berupa vektor dari citra biner. Fitur yang digunakan yaitu tujuh moment invariant yang akan menghasilkan tujuh nilai pada vektor fitur. Proses pengenalan sebuah obyek di dalam sebuah citra setelah proses segmentasi, sering terbentur pada permasalahan posisi obyek, rotasi sumbu obyek, dan perubahan skala dari obyek. Posisi obyek yang bergeser atau berputar maupun ukurannya yang lebih kecil atau lebih besar daripada dapat
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menyebabkan kesalahan dalam pengenalan atau identifikasi obyek. Metode ini dapat digunakan sebagai pendeskripsi bentuk berdasarkan teori dari moment. Geometric Invariant Moments pertamakali diperkenalkan oleh Hu. Teknik ini dipilih untuk melakukan ekstraksi ciri citra sejak ciri-ciri yang diperoleh adalah Rotation Scale Translation (RST)-invariant (Liantoni, 2015). Momen dua dimensi dengan orde (p + q) dari suatu citra digital dengan ukuran M x N didefinisikan pada persamaan (2.10). πβ1 π π πππ = βπβ1 π₯=0 βπ¦=0 π₯ π¦ π(π₯, π¦)
(2.1)
Dimana p = 0,1,2,β¦ dan q = 0,1,2,β¦ adalah integer. Selanjutnya momen pusat (central moments) orde (p + q) didefinisikan pada persamaan (2.11). πβ1 π πππ = βπβ1 Μ
)π π(π₯, π¦) π₯=0 βπ¦=0 (π₯ β π₯Μ
) (π¦ β π¦
(2.2)
Untuk p dan q adalah 0,1,2,β¦, dimana π₯Μ
=
π10 π00
πππ π¦Μ
=
π01
(2.3)
π00
Kemudian normalisasi central moments, yang dinotasikan dengan πππ , didefinisikan pada persamaan (2.13). πππ =
πππ
supervised dimana hasil dari data uji yang baru diklasifikan berdasarkan mayoritas dari kategori pada KNN. Tujuan dari algoritma ini adalah mengklasifikasikan obyek baru berdasarkan atribut dan training sample. Klasifikasi menggunakan jumlah terbanyak diantara klasifikasi dari k obyek. Algoritma KNN menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari data uji yang baru (Sikki, 2009) . Algoritma metode KNN sangatlah sederhana, bekerja berdasarkan jarak terpendek dari data uji ke training sample untuk menentukan KNN-nya. Training sample diproyeksikan ke ruang berdimensi banyak, dimana masing-masing dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi training sample. Sebuah titik pada ruang ini ditandai kelac c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat dari titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan Euclidean Distance yang direpresentasikan pada persamaan (2.1) (Sikki, 2009).
(2.4)
πΎ
π00
π«(π, π) = ββπ
π=π(ππ β ππ )π
Dimana πΎ=
π+π 2
+1
Untuk p+q = 2, 3, 4, β¦ . Sehingga ketujuh nilai Invariant Moments dapat diturunkan dari momen kedua dan ketiga. β
1 = π20 + π02 β
2 = (π20 + π02
861
)2
β
3 = (π30 + 3π12
+
)2
2 4π11
+ (3π21 + π03
)2
β
5 = (π30 + 3π12 )(π30 + 3π12 )[(π30 + π12 3(π21 + π03 )2 ] + (3π21 + π03 ) (π21 + 3(π30 + π12 )2 π03 ) [ ] β(π21 + π03 )2
4. METODE PENELITIAN 4.1 Perancangan Sistem
(2.6)
Sistem yang dikembangkan merupakan sistem yang mengimplementasikan metode Geometric Invariant Moment untuk pengenalan pola tanda tangan. Data yang akan diolah sistem berupa citra tanda tangan. Tahapan perancangan sistem meliputi preprocessing citra, ekstraksi ciri citra dan klasifikasi K-Nearest Neighbour.
(2.8) )2
Dimana matriks D(a,b) adalah jarak skalar dari kedua vektor a dan b dari matriks dengan ukuran d dimensi.
(2.5)
(2.7)
β
4 = (π30 + π12 )2 + (π21 + π03 )2
(2.12)
β (2.9)
β
6 = (π20 + π02 )[(π30 + π12 )2 β 3(π21 + π03 )2 ] + 4π11 (π30 + π12 )(π21 + π03 ) (2.10) β
7 = (3π21 + π03 )(π30 + π12 )[(π30 + π12 )2 β 3(π21 + π03 )2 ] + (3π12 + π30 ) (π21 + 3(π30 + π12 )2 π03 ) [ ] (2.11) β(π21 + π03 )2
3. K-NEAREST NEIGHBOUR K-Nearest Neighbor (KNN) adalah suatu metode yang menggunakan algoritma Fakultas Ilmu Komputer, Universitas Brawijaya
4.1.1
Preprocessing
Pada proses preprocessing dilakukan pengolahan data gambar sebelum dilakukan proses ekstraksi ciri. Preprocessing yang dilakukan meliputi proses denoising/filtering, binerisasi, thinning, dan resize citra.Tahap pertama adalah melakukan filtering pada citra untuk memperbaiki kualitas citra dengan mengurangi noise pada citra. Proses filtering menggunakan metode median filter dimana algoritma median filter telah dijelakaskan pada
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sub bab 2.3.1 Kemudian melakukan proses thresholding yaitu proses mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan background dari citra secara jelas. Metode yang digunakan dalam melakukan proses thresholding adalah metode Otsu. Tahap preprocessing citra selanjutnya adalah normalisasi citra, mulai dari melakukan proses thinning yang digunakan untuk proes penipisan pada citra. Dalam proses thinning, garis-garis pembentuk citra tanda tangan akan ditipiskan hingga mencapai 1 piksel saja. Algoritma thinning yang digunakan adalah algoritma Zhang Suen. Normalisasi citra selanjutnya adalah melakukan cropping citra dan me-resize citra dengan ukuran 150 x 150 piksel. Diagram alir preprocessing citra ditunjukkan pada Gambar 3.1. Citra hasil dari proses binerisasi ditunjukkan pada Gambar 3.2 dan citra hasil dari proses thinning ditunjukkan pada Gambar 3.3.
Gambar 3.1 Diagram Alir Preprocessing Citra
4.1.2
Ekstraksi Ciri
Proses ekstraksi ciri citra membutuhkan citra tanda tangan yang telah dilakukan preprocessing terlebih dahulu sebagai inputan. Ekstraksi ciri ini akan digunakan untuk mendapatkan ciri/moment dengan menggunakan ektraksi fitur Geometric Invariant Moment. Ciri yang didapatkan berjumlah tujuh moment. Algoritma ektraksi ciri menggunakan Geometric Invarian Moment ditunjukkan pada Gambar 3.2.
Fakultas Ilmu Komputer, Universitas Brawijaya
862
Gambar 3.2 Diagram Alir Proses Ekstraksi Ciri Geometric Invariant Moment
Tahapan ekstraksi ciri citra menggunakan Geometric Invariant Moment dapat dijelaskan sebagai berikut: 1. Hitung Moment (π00 , π10 , π01 ) Hitung moment yang mentransformasikan fungsi citra pada sistem diskrit. 2. Hitung nilai Moment pusat Setelah tahap pertama dilakukan hitung moment pusat obyek citra. Tahap ini menghasilkan tujuh nilai moment pusat citra. 3. Normalisasi nilai Moment pusat Setelah moment pusat ditemukan langkah selanjutnya adalan melakukan normalisasi pada moment pusat citra. 4. Hitung ketujuh nilai Geometric Invariant Moment Setelah moment pusat citra dinormalisasi, ketujuh nilai Geometric Invariant Moment dapat dihitung. 4.1.3
Klasifikasi
Pada tahapan ini dilakukan klasifikasi dengan menggunakan algoritma K-Nearest Neighbor dimana nantinya akan dilakukan proses klasifikasi dengan menempatkan data uji pada salah satu kelas. Dalam menentukan data uji pada salah satu kelas, pertama-tama digunakan persamaan (2.1) untuk menentukan jarak antar data latih dan data uji hingga kemudian diurutkan mulai dari nilai yang jaraknya terkecil hingga terbesar selanjutnya ditentukan jumlah K (tetangga terdekat) untuk
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
mendapatkan jumlah mayoritas kelas yang ada pada sejumlah nilai K tersebut. Proses K-Nearest neighbor tersebut ditunjukkan oleh Gambar 3.3.
863
pengenalan tanda tangan menggunakan ciri Geometric Invariant Moment. FAR dihitung menggunakan persamaan 3.1 dan FRR dihitung menggunakan persamaan 3.2. FAR=
ππππππ ππ¨ ππππππ ππππ
π ππππππ πππππ ππππ π
ππππ
FRR =
ππππππ ππΉ ππππππ ππππ
π ππππππ ππππ ππππ π
ππππ
ππππ
ππππ
(3.1) (3.2)
5. HASIL DAN PEMBAHASAN 5.1 Pengujian Fitting Pengujian fitting digunakan untuk melihat apakah algoritma yang digunakan pada implementasi sistem sudah benar atau tidak. Tabel 4. 1 Hasil Pengujian Fitting
Gambar 3.3 Diagram Alir Proses Klasifikasi KNearest Neighbor
4.2 Pengukuran Kinerja Dari sudut pandang klasifikasi , tujuan sistem verifikasi tanda tangan adalah untuk membedakan antara dua kelas yaitu asli dan palsu. Ada beberapa skenario yang berbeda (Zhang, 2010): 1. Correct acceptance (CA) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang benar dan respon dari sistem adalah positif. 2. False rejection (FR) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang benar dan respon dari sistem adalah negatif. 3. False acceptance (FA) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang salah dan respon dari sistem adalah positif. 4. Correct rejection (CR) Sistem dikenai pertanyaan apakah tanda tangan yang diinputkan merupakan milik signer (pemilik tanda tangan) yang salah dan respon dari sistem adalah negatif. Dari empat skenario tersebut dalam penelitian ini menggunakan False Acceptance Rate (FAR) dan False Rejection Rate (FRR) untuk mengukur kinerja kualitas hasil program Fakultas Ilmu Komputer, Universitas Brawijaya
Pada Tabel 3.1 dapat dilihat bahwa nilai FRR yang didapatkan saat k=1 dan k=2 adalah 0% untuk setiap jenis data latih. Hasil tersebut sama untuk semua sumber data yang digunakan. Sedangkan saat k=3 nilai FRR mulai berubah. Dengan hasil tersebut dapat membuktikan bahwa algoritma yang digunakan untuk implementasi sistem sudah benar. Hal ini dibuktikan dengan hasil FRR 0% saat k=1 dan k=2. Dengan hasil ini membuktikan bahwa sistem dapat digunakan untuk melakukan pengujian-pengujian selanjutnya. 5.2 Pengujian Jumlah Data Latih Pengujian ini merupakan pengujian yang dilakukan untuk mengetahui pengaruh jumlah data latih yang berbeda-beda terhadap nilai FAR dan FRR. Tujuan pengujian ini untuk mencari jumlah data latih yang terbaik yang memiliki nlai FAR dan FRR paling baik untuk digunakan pada pengujian selanjutnya.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
864
seperti ini selaras dengan yang disampaikan oleh (Widodo & Harjoko, 2015). 5.3 Pengujian Nilai k Pengujian ini merupakan pengujian yang dilakukan untuk mengetahui pengaruh nilai k yang berbeda-beda dalam penerapan metode klasifikasi K-Nearest Neighbour terhadap nilai FAR dan FRR. Gambar 4.1 Grafik Hasil Pengujian FAR terhadap Jumlah Data Latih
Pada Gambar 4.1 dapat dilihat bahwa semakin banyak jumlah data latih yang ditraining semakin tinggi pula nilai FAR-nya. Nilai FAR paling kecil didapatkan saat jumlah data latih dengan 5 citra setiap kelas. Data dari Indonesia mendapatkan nilai FAR=16% untuk nilai FAR terkecil, data dari Spanyol mendapatkan nilai FAR=7.5% untuk nilai FAR terkecil dan data dari Persia mendapatkan nilai FAR=27% untuk nilai FAR terkecil. Kondisi hasil pengujian FAR yang mendapatkan nilai FAR terkecil saat menggunakan data latih dengan 5 citra setiap kelas ini selaras dengan yang disampaikan oleh (Widodo & Harjoko, 2015).
Gambar 4.3 Grafik Hasil Pengujian FAR terhadap Nilai k
Dari Gambar 4.3 telah didapatkan hasil pengujian FAR terhadap nilai k paling kecil adalah saat k bernilai 20 pada semua sumber data dengan nilai FAR=11.4% pada data Indonesia, nilai FAR=7% pada data dari Spanyol dan nilai FAR=16% pada data dari Persia. Pada data dari Spanyol juga mendapatkan nilai FAR=7% pada saat k=9.
Gambar 4.2 Grafik Hasil Pengujian FRR terhadap Jumlah Data Latih
Pada Gambar 4.2 dapat dilihat bahwa semakin banyak jumlah data latih yang ditraining semakin kecil nilai FRR-nya. Hasil pengujian FRR berbanding terbalik dengan pengujian FAR. Nilai FRR paling kecil didapatkan saat jumlah data latih dengan 14 citra setiap kelas. Data dari Indonesia mendapatkan nilai FRR=61.5% untuk nilai FRR terkecil dan data dari Spanyol mendapatkan nilai FRR=77.5% untuk nilai FRR terkecil. Sedangkan untuk data dari Persia mendapatkan nilai FRR terkecil saat menggunakan data latih dengan 10 citra tanda tangan setiap kelas dengan nilai FRR=77.5%. Kondisi hasil pengujian FRR Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 4.4 Grafik Hasil Pengujian FRR terhadap Nilai k
Dari Gambar 4.4 telah didapatkan hasil pengujian FRR terhadap nilai k paling kecil adalah saat k=1 dengan nilai FRR=62% pada data dari Indonesia dan nilai FRR=38% pada data dari Persia. Untuk data dari Spanyol, nilai FRR terkecil didapatkan saat k=9 dan k=11 dengan nilai FRR=72%.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
5.4 Pengujian Variasi Ciri Citra Proses pengujian jumlah ciri citra dilakukan untuk mengetahui pengaruh variasi ciri citra dalam penerapan ekstraksi ciri Geometric Invariant Moment terhadap nilai FAR dan FRR. Tujuan pengujian ini untuk mencari variasi ciri citra yang terbaik yang memiliki nilai FAR dan FRR paling baik untuk mengetahui pengaruh dari variasi ciri pada pengujian FAR dan FRR.
Gambar 4.5 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Indonesia
865
ciri/moment yaitu moment 7 dengan nilai FAR=7%. Pada Gambar 6.7 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Spanyol. Nilai FAR paling kecil didapatkan saat menggunakan 4 ciri/moment yaitu dengan menggabungkan moment 3,4,5, dan 7, saat menggunakan 5 moment yaitu dengan menggabungkan moment 1,3,4,5 dan 7 dan saat menggunakan 6 moment dengan menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7%. Pada Gambar 6.8 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Persia. Nilai FAR paling kecil didapatkan saat menggunakan 2 ciri/moment yaitu menggabungkan moment 3 dan 5 serta saat menggunakan 3 moment yaitu menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5%. Pada data dari Spanyol dan Persia saat hanya menggunakan 1 moment terdapat kecenderungan yang sama, yaitu mendapatkan nilai FAR terkecil saat menggunakan moment 5 saja dengan FAR=6.5% pada data dari Spanyol dan FAR=10% pada data dari Persia. Saat menggunakan 1 moment saja pada data dari Indonesia, mendapatkan nilai FAR paling kecil saat menggunakan moment 7.
Gambar 4.6 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Spanyol
Gambar 4.8 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Indonesia
Gambar 4.7 Grafik Hasil Pengujian FAR terhadap Variasi Ciri Citra dari Data Persia
Pada Gambar 4.7 menunjukkan perubahan nilai FAR terhadap variasi ciri citra dengan menggunakan data dari Indonesia. Nilai FAR paling kecil didapatkan saat menggunakan 1 Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 4.9 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Spanyol
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 4.10 Grafik Hasil Pengujian FRR terhadap Variasi Ciri Citra dari Data Persia
Pada Gambar 6.9 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Indonesia. Nilai FRR paling kecil didapatkan saat menggunakan 5 ciri/moment yaitu dengan menggabungkan moment 1,2,3,6 dan 7 serta dengan menggunakan semua moment 1-7 dengan masing-masing mempunyai nilai FRR=61.5%. Pada Gambar 6.10 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Spanyol. Nilai FRR paling kecil didapatkan saat menggunakan 6 ciri/moment yaitu dengan menggabungkan moment 2,3,4,5,6 dan 7 dan semua moment 1-7 dengan masing-masing mempunyai nilai FRR=72%. Pada Gambar 6.11 menunjukkan perubahan nilai FRR terhadap variasi ciri citra dengan menggunakan data dari Persia. Nilai FRR paling kecil didapatkan saat menggunakan 6 ciri/moment yaitu menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%. Pada data Indonesia dan Spanyol terdapat kecenderungan yang sama yaitu sama-sama mendapatkan nilai FRR terkecil saat menggunakan semua moment dengan FRR=61.5% untuk data dari Indonesia dan FRR=72% untuk data dari Spanyol. Sedangkan untuk data dari Persia mendapatkan saat menggunakan semua moment mendapatkan FRR=38%, berbeda 1% dari nilai FRR terkecil pada data dari Spanyol yaitu 37%. 6. KESIMPULAN DAN SARAN 6.1 Kesimpulan Berdasarkan hasil pengujian dan analisis hasil penelitian ini terhadap pengenalan citra tanda tangan menggunakan ekstraksi ciri Geometric Invariant Moment dapat diambil kesimpulan sebagai berikut. 1. Berdasarkan pengujian fitting bahwa algoritma yang digunakan untuk Fakultas Ilmu Komputer, Universitas Brawijaya
866
implementasi sistem sudah benar. Hal ini dibuktikan dengan hasil FRR=0% saat k=1 dan k=2. 2. Pada pengujian jumlah data latih nilai FAR terkecil didapatkan saat menggunakan jumlah data latih paling kecil yaitu data latih dengan 5 citra setiap kelas. Semakin banyak jumlah data semakin besar pula nilai FARnya. sedangkan nilai FRR terkecil pada pengujian jumlah data latih didapatkan saat menggunakan data latih dengan 14 citra setiap kelas untuk data dari Indonesia dan Spanyol, dan 10 citra setiap kelas untuk data dari Persia. Semakin banyak jumlah data maka semakin kecil nilai FRR yang didapatkan. 3. Pada pengujian nilai k, semakin banyak k yang digunakan nilai FAR yang didapatkan cenderung semakin kecil dan nilai FRR cenderung semakin besar. Nilai FAR terkecil didapatkan saat k=20 untuk semua sumber data. Sedangkan nilai FRR terkecil didapatkan saat k=3 pada dari Indoensia, k=1 pada data dari Persia dan k=9, k=11 pada data dari Spanyol. 4. Variasi ciri Geometric Invariant Moment yang mempunyai nilai FAR dan FRR terkecil tiap sumber data berbeda. Untuk data dari Indonesia nilai FAR paling kecil didapatkan saat menggunakan moment 7 dengan nilai FAR=7%. Untuk data dari Spanyol nilai FAR paling kecil didapatkan saat menggabungkan moment 3,4,5, dan 7, saat menggabungkan moment 1,3,4,5 dan 7 dan saat menggabungkan moment 1,3,4,5,6 dan 7 dengan masing-masing mendapatkan nilai FAR=7%. Untuk data dari Persia nilai FAR paling kecil didapatkan saat yaitu menggabungkan moment 3 dan 5 dan saat menggabungkan moment 3,5 dan 6 dengan masing-masing mempunyai nilai FAR=9.5%. Untuk data dari Indonesia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=61.5%. Untuk data dari Spanyol nilai FRR paling kecil didapatkan dengan menggabungkan moment 2,3,4,5,6 dan 7 dan saat menggunakan semua moment dengan masing-masing mempunyai nilai FRR=72%. Untuk data dari Persia nilai FRR paling kecil didapatkan saat menggabungkan moment 1,2,3,4,6 dan 7 dengan nilai FRR=37%.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
5. Hasil pengujian FAR dan FRR berbanding terbalik. Sistem dapat mengenali tanda tangan palsu dengan optimal dibuktikan dengan diperolehnya nilai FAR yang relatif kecil pada semua sumber data. Tetapi sistem tidak dapat mengenali tanda tangan asli dengan optimal dibuktikan dengan diperolehnya nilai FRR yang tinggi pada semua sumber data. 6. Ciri Geometric Invariant Moment yang diterapkan global pada suatu citra tidak memberikan akurasi yang tinggi. Mungkin karena ketika menerapkan ciri global, ciri lokal tidak terkenali dengan baik. Hal tersebut berlaku pada citra tanda tangan asli, sedangkan pada citra tanda tangan palsu penerapan ciri Geometric Invariant Moment secara global memberikan akurasi yang tinggi. 6.2 Saran Berdasarkan penelitian yang telah dilakukan, maka saran untuk penelitian selanjutnya adalah sebagai berikut. 1. Pada penelitian ini penerapan ciri global Geometric Invariant Moment menghasilkan nilai FRR yang tinggi. Untuk mendapatkan nilai FRR yang lebih rendah, masih mungkin untuk melakukan pengoptimalan ciri lokal Geometric Invariant Moment atau dengan mengkombinasikan dengan ciri lain . 2. Masih diperlukan pengembangan untuk menerapkan seleksi fitur untuk pemilihan variasi ciri citra, seperti melakukan optimasi pada ciri Geometric Invariant Moment untuk memperkecil nilai FAR dan FRR. DAFTAR PUSTAKA Liantoni, F., 2015. Klasifikasi Daun Dengan Perbaikan Fitur Citra Menggunakan Metode K-Nearest Neighbor. ULTIMATICS, Volume 7. R.Muralidharan, D., 2014. Object Recognition Using K-Nearest Neighbor Supported By Eigen Value Generated From the Features of an Image. International Journal of Innovative Research in Computer and Communication Engineering, 2(8). Samad, S., Haq, A. & A.Khan, S., 2015. Orientation Invariant Object Recognitions Using Geometric Moments Invariants and Color Histograms. International Journal
Fakultas Ilmu Komputer, Universitas Brawijaya
867 of Computer and Electrical Engineering, Volume 7.
Sikki, M. I., 2009. Pengenalan Wajah Menggunakan K-Nearest Neighbour Dengan Praproses Transformasi Wavelet. Paradigma, Volume X. Widodo, A. W. & Harjoko, A., 2015. Sistem Verifikasi Tanda Tangan Off-Line Berdasar Ciri Histogram of Oriented Gradient (HOG) dan Histogram of Curvature (HoC). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), pp. 1-10. Zhang, B., 2010. Off-line signature verification and identification by pyramid histogram of oriented gradients. International Journal of Intelligent Computing and Cybernet, 3(4), pp. 611-630.
