Analisa Hasil PEMBAHASAN DAN IMPLEMENTASI

80

BAB V KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil penelitian dan pengujian yang dilakukan, maka kesimpulan yang didapatkan adalah : 1. Aplikasi pengenalan pola tanda tangan pada SBC Beaglebone Black ini dapat membedakan tanda tangan asli dengan yang palsu dengan menggunakan metode ekstraksi fitur Speeded-Up Robust Features SURF dan metode Fast Library for Approximate Nearest Neighbors FLANN. Metode SURF mengekstraksi fitur dari citra tanda tangan dengan tahapan membuat scale space citra, lokalisasi fitur, dan deskripsi fitur. Tahapan itu menjadikan SURF sebagai metode ekstraksi fitur yang invariant terhadap penskalaan, transisi, dan rotasi. Sifat fitur yang invariant terhadap skala dan transisi dinilai cocok digunakan untuk mengidentifikasi tanda tangan yang memiliki konsistensi yang rendah. Namun sifat fitur yang invariant terhadap rotasi dianggap dapat membuat kesalahan dalam pencocokan fitur. 2. Dari hasil pengujian aplikasi pengenalan pola tanda tanda tangan pada SBC Beaglebone Black ini dihasilkan False Acceptane Rate FAR sebesar 21 dan False Rejection Rate FRR sebesar 34. 3. Single Board Computer Beaglebone Black mampu menjalankan aplikasi pengolahan citra digital seperti aplikasi pengenalan pola tanda tangan ini 81 dengan baik. Dapat diartikan SBC Beaglebone Black memiliki spesifikasi yang baik untuk melakukan pengolahan citra digital.

5.2. Saran

Adapun beberapa saran dari penulis agar penelitian ini dapat dilanjutkan dan memberikan hasil yang lebih baik, yaitu : 1. Membangun aplikasi pengenalan tanda tangan pada SBC Beaglebone Black dengan proses input berupa tanda tangan dinamis online signature validation. 2. Memperbaiki proses pelatihan training citra tanda tangan dan proses pencocokan fitur dengan menggunakan metode yang lebih spesifik digunakan untuk citra tanda tangan. Penulis menyarankan untuk menggunakan metode jaringan syaraf tiruan untuk proses pelatihan citra tanda tangan. 3. Melakukan pengujian dengan data uji yang lebih banyak dan membedakan data pemalsuan tanda tangan dengan pemalsuan tanda tangan terlatih skilled forgeries dengan pemalsuan acak random forgeries. 82 DAFTAR PUSTAKA A. Burckle, R. 2014, Januari 11. Embest Technology. Diambil kembali dari Embest - Embedded System Specialist: http:www.embest- tech.comresourcedownloadSBC8600B.pdf Basuki, A., Palandi, J., Fatchurrohman. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Yogyakarta: Graha Ilmu. Bay, H., Ess, A., Tuytelaars, T., Gool, L. V. 2008. Speeded-Up Robust Featuter SURF. Computer Vison and Computer Understanding, 246-359. Bayometric. 2014, 10. Diambil kembali dari FAR and FRR: http:www.bayometric.comblogfalse-acceptance-rate-far-false- recognition-rate-frrsthash.LzqJxMS2.dpuf Beagleboard.org. 2014, Agustus 22. Beaglebone Black. Diambil kembali dari Beagleboard.org: http:beagleboard.orgblack Bhavana, D., J.L. Kalyan. 2013. Signature Security System in Banking Aplication. International Jurnal of Science and Research IJSR, India. Brown, M., Lowe, D. 2002. Invariant Features from Interest Point Groups. CASEMaker. 2000. CASEMaker. Diambil kembali dari What is Rapid Aplication Development RAD?: ttp:www.casemaker.comdownloadproductstotemrad_wp.pdf