75
Tabel 4.7.2 - Tabel hasil pengujian
76 Dari tabel di atas didapatkan kesalahan sistem dalam menerima tanda tangan
asli FAR sebesar 21 dan kesalahan sistem dalam menolak tanda tangan palsu FRR sebesar 34. Data detail tentang hasil pengujian dapat dilihat di halaman
lampiran.
Berikut contoh tanda tangan asli yang ditolak oleh sistem :
21 34
5 10
15 20
25 30
35 40
FAR FRR
Error Rate
Error Rate Gambar 4.7.1- Grafik tingkat error aplikasi
Tabel 4.7.3 - Tanda tangan asli tertolak
77 Berikut contoh tanda tangan palsu yang diterima oleh sistem :
Tabel 4.7.4 - Tanda tangan asli diterima
78
4.8. Analisa Hasil
Dari rangkaian penelitian di atas, hasil yang didapatkan adalah aplikasi pengenalan pola tanda tangan ini secara fungsional dapat berjalan dengan baik
tanpa ada kendala pada SBC Beaglebone Black. Namun secara keakuratan, aplikasi ini masih menunjukkan kekurangan. Dari pengujian keakuratan aplikasi ini
menghasil tingkat kesalahan baik FAR ataupun FRR masih tinggi. Nilai FAR yang didapatkan dari pengujian sebesar 21 dan Nilai FRR sebesar 36, nilai kesalahan
tersebut sangat mungkin bertambah jika melakukan pengujian dalam jumlah data uji yang banyak.
Jika dibandingkan dengan penelitian sejenis lainnya, Javier Ruiz dan kawan- kawan yang melakukan penelitian yang sama dengan metode SIFT menunjukkan
nilai FAR sebesar 14,2 dan FRR sebesar 16,4 del Solar, Devia, Loncomilla, Concha, 2008. Secara teori metode SURF merupakan hasil pengembangan dari
metode SIFT. Metode SURF lebih menekankan kecepatan dalam pencarian fitur citra digital tanpa mengesampingkan ketepatan pencarian Bay, Ess, Tuytelaars,
Gool, 2008. Hasil yang ditemukan saat pengujian menyatakan bahwa banyak kesalahan
aplikasi dalam proses pencocokan fitur. Kesalahan pencocokan fitur tersebut terjadi apabila terdapat fitur dalam citra referensi dinilai sama dengan fitur pada
citra uji namun memiliki lokasi fitur yang berbeda gambar 4.8.1. Kesalahan itu
79 berdampak semakin besarnya nilai distance yang menjadi pembeda antar dua citra
tanda tangan.
Kesalahan lain yang ditemukan penulis pada aplikasi ini terletak pada tidak optimalnya proses pelatihan citra tanda tangan asli. Proses pelatihan citra tanda
tangan pada aplikasi ini hanya melakukan pembobotan hasil distance dari pembandingan citra tanda tangan asli dengan citra tanda tangan asli lainnya. Hal
tersebut menghasilkan proses pelatihan yang tidak optimal. Penulis menyarankan untuk penelitian selanjutnya menggunakan metode jaringan syaraf tiruan sehingga
proses pelatihan menghasilkan nilai yang lebih optimal. Secara umum, kurangnya nilai keakuratan ini disebabkan karena dalam hal pengkodean penulis yang masih
belum baik sehingga metode pencarian dan pencocokan fitur tidak berjalan sebagaimana mestinya.
Gambar 4.8.1 - Kesalahan dalam menentukan keypoint yang terdeteksi
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
