Penggunaan Ciri Geometric Invariant Moment pada Pengenalan Tanda Tangan

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: 1rahmasany@gmail.com, 2a_wahyu_w@ub.ac.id, 3dewi_candra@ub.ac.id
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 person’s 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 can’t 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 can’t 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

861

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).
𝑁−1 𝑝 𝑞
𝑚𝑝𝑞 = ∑𝑀−1
𝑥=0 ∑𝑦=0 𝑥 𝑦 𝑓(𝑥, 𝑦)

(2.1)

Dimana p = 0,1,2,… dan q = 0,1,2,…
adalah integer. Selanjutnya momen pusat
(central moments) orde (p + q) didefinisikan

pada persamaan (2.11).
𝑁−1
𝑝
̅)𝑞 𝑓(𝑥, 𝑦)
𝜇𝑝𝑞 = ∑𝑀−1
𝑥=0 ∑𝑦=0 (𝑥 − 𝑥̅ ) (𝑦 − 𝑦

(2.2)

Untuk p dan q adalah 0,1,2,…, dimana

𝑥̅ =

𝑚10
𝑚00

𝑑𝑎𝑛 𝑦̅ =

𝑚01

(2.3)

𝑚00

Kemudian normalisasi central moments,
yang dinotasikan dengan 𝜂𝑝𝑞 , didefinisikan pada
persamaan (2.13).
𝜂𝑝𝑞 =

𝜇𝑝𝑞

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)

𝛾

𝜇00

𝑫(𝒂, 𝒃) = √∑𝒅𝒌=𝟏(𝒂𝒌 − 𝒃𝒌 )𝟐

Dimana

𝛾=

𝑝+𝑞
2

+1

Untuk p+q = 2, 3, 4, … .
Sehingga ketujuh nilai Invariant Moments
dapat diturunkan dari momen kedua dan ketiga.
∅1 = 𝜂20 + 𝜂02

∅2 = (𝜂20 + 𝜂02

)2

∅3 = (𝜂30 + 3𝜂12

+

)2

2
4𝜂11

+ (3𝜂21 + 𝜂03

∅4 = (𝜂30 + 𝜂12 )2 + (𝜂21 + 𝜂03 )2

)2

∅5 = (𝜂30 + 3𝜂12 )(𝜂30 + 3𝜂12 )[(𝜂30 + 𝜂12
3(𝜂21 + 𝜂03 )2 ] + (3𝜂21 + 𝜂03 ) (𝜂21 +
3(𝜂30 + 𝜂12 )2
𝜂03 ) [
]
−(𝜂21 + 𝜂03 )2

Dimana matriks D(a,b) adalah jarak skalar
dari kedua vektor a dan b dari matriks dengan
ukuran d dimensi.
4. METODE PENELITIAN

(2.5)

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.

(2.7)
(2.8)
)2

(2.12)

−

(2.9)

∅6 = (𝜂20 + 𝜂02 )[(𝜂30 + 𝜂12 )2 − 3(𝜂21 + 𝜂03 )2 ] +
(2.10)
4𝜂11 (𝜂30 + 𝜂12 )(𝜂21 + 𝜂03 )

∅7 = (3𝜂21 + 𝜂03 )(𝜂30 + 𝜂12 )[(𝜂30 + 𝜂12 )2 −
3(𝜂21 + 𝜂03 )2 ] + (3𝜂12 + 𝜂30 ) (𝜂21 +
3(𝜂30 + 𝜂12 )2
𝜂03 ) [
]
(2.11)
−(𝜂21 + 𝜂03 )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

862

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

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 (𝑚00 , 𝑚10 , 𝑚01 )
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

863

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.

pengenalan tanda tangan menggunakan ciri
Geometric Invariant Moment. FAR dihitung
menggunakan persamaan 3.1 dan FRR dihitung
menggunakan persamaan 3.2.
FAR=

𝒋𝒖𝒎𝒍𝒂𝒉 𝑭𝑨

𝒋𝒖𝒎𝒍𝒂𝒉 𝒕𝒂𝒏𝒅𝒂 𝒕𝒂𝒏𝒈𝒂𝒏 𝒑𝒂𝒍𝒔𝒖 𝒚𝒂𝒏𝒈 𝒅𝒊𝒖𝒋𝒊

FRR =

𝒋𝒖𝒎𝒍𝒂𝒉 𝑭𝑹

𝒋𝒖𝒎𝒍𝒂𝒉 𝒕𝒂𝒏𝒅𝒂 𝒕𝒂𝒏𝒈𝒂𝒏 𝒂𝒔𝒍𝒊 𝒚𝒂𝒏𝒈 𝒅𝒊𝒖𝒋𝒊

𝒙𝟏𝟎𝟎

𝒙𝟏𝟎𝟎

(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.