1

1. JUDUL
Pengenalan Tanda Tangan dengan Metode Modified Direction Feature
(MDF) dan Learning Vector Quantization (LVQ)
2. ABSTRAK
Tanda tangan adalah sebuah bentuk khusus dari tulisan tangan yang mengandung
karakter khusus dan bentuk bentuk tambahan yang sering digunakan sebagai bukti
verifikasi identitas seseorang. Seiring dengan perkembangan teknologi, saat ini sistem
pengenalan tanda tangan dapat dilakukan oleh sistem komputer.
Penelitian ini membangun sistem pengenalan tanda tangan dengan menggunakan
jaringan saraf tiruan metode Learning Vector Quantization ( LVQ ). Sebelum masuk
ke dalam jaringan, citra tanda tangan mengalami proses ekstraksi ciri untuk
mendapatkan ciri penting dari citra dengan metode Modified Direction Feature
(MDF). Metode Modified Direction Feature ( MDF) adalah metode untuk
memperoleh fitur dari semua arah untuk fitur yang lebih spesifik. Vector ciri hasil dari
MDF kemudian akan menjadi data input untuk proses klasifikasi menggunakan
metode Learning Vector Quantization ( LVQ ) .
Dari uji coba yang dilakukan pada sistem, hasil yang diharapkan pada pengenalan
citra tanda tangan didapatkan tingkat akurasi yang tinggi ( lebih dari 65 % ).
Kata Kunci : Modified Direction Feature ( MDF ) , Learning Vector Quantization (
LVQ ), Vektor Fitur.
3. LATAR BELAKANG
Pengenalan pola masih menjadi kajian yang menarik bagi para peneliti,
termasuk penelitian tentang pengenalan pola tanda tangan. Pemilihan topik
penelitian ini berdasarkan pengamatan pada beberapa proses yang membutuhkan
tanda tangan untuk dijadikan sebagai bukti autentifikasi dari seseorang. Pada
proses tersebut, pengecekan tanda tangan dilakukan secara manual, dimana
proses pengecekan ini hanya melihat kemiripan tanda tangan sekarang dengan tanda
tangan sebelumnya.
Tjokorda Agung BW, I Gede Rudy Hermanto, Retno Novi D dengan paper
yang berjudul Pengenalan Huruf Bali Menggunakan Metode Modified Direction
Feature (MDF) Dan Learning Vector Quantization (LVQ), melakukan penelitian
tentang pengenalan huruf Bali. Pada penelitian ini ditemukan bahwa konfigurasi
parameter MDF yang menghasilkan akurasi terbaik adalah: ukuran normalisasi
2

100x50 piksel, jumlah transisi 4, dan tidak dilakukan pembagian gambar
menjadi beberapa bagian. Hal ini dapat dilihat dari hasil persentase pengujian
yang memiliki tingkat akurasi di atas 70% pada data uji dengan penulis yang
berbeda dan di atas 80% dengan penulis yang tulisannya pernah menjadi data
pelatihan (training) [1].
Pada penelitian berjudul Pengenalan Pola Huruf Jepang (Kana)
Menggunakan Direction Feature Extraction dan Learning Vector Quantization oleh
Tjokorda Agung Budi Wirayuda, Maria Ludovika Dewi Kusuma Wardhani,
menggabungkan metode Direction Feature Extraction dan Learning Vector
Quantization untuk pengenalan pola tulisan tangan. Penelitian ini menghasilkan
tingkat akurasi yang cukup baik. Untuk kasus dengan data yang terbatas dimana
data pelatihan (training) hanya dua data tulisan tangan dihasilkan akurasi
mencapai 66%, sedangkan untuk data pelatihan (training) 10 data tulisan tangan
diperoleh akurasi yang mencapai 75% [2].
Pada penelitian berjudul Pengenalan Tanda Tangan Dengan Metode
Modified Direction Feature ( MDF ) dan Euclidean Distance oleh Fitri Damayanti,
Wahyudi Setiawan menggunakan metode MDF untuk ekstraksi fitur dan metode
LVQ untuk klasifikasi. Dalam penelitian ini tingkat akurasi dalam tiga skenario
berbeda. Pada skenario pertama tingkat akurasi sebesar 51% dihasilkan dari uji coba
menggunakn total data pelatihan sebanyak 50 citra tanda tangan dan data uji coba
sebanyak 75 citra tanda tangan. Uji coba pada skenario 2 merupakan uji coba dengan
menggunakan total data pelatihan sebanyak 75 citra tanda tangan dan data uji coba
sebanyak 50 citra tanda tangan. Pada skenario ini memiliki tingkat akurasi sebesar
58%. Uji coba pada skenario 3 merupakan uji coba dengan menggunakan total data
pelatihan sebanyak 100 citra tanda tangan dan data uji coba sebanyak 25 citra tanda
tangan. Pada skenario ini memiliki tingkat akurasi sebesar 72%[3].
Modified Direction Feature (MDF) merupakan salah satu metode ekstraksi
fiture yang sesuai digunakan untuk mengekstrak fitur pada penelitian ini.
Ekstraksi fitur pada metode Modified Direction Feature (MDF) merupakan teknik
hasil pengembangan dari metode Direction Feature (DF). Teknik ini
menggabungkan antara teknik Direction Feature (DF) dan Transition Feature (TF).
Modified Direction Feature (MDF) akan menghasilkan vektor ciri dengan
pedoman arah horizontal dan vertikal, kemudian melakukan penggabungan untuk
menghasilkan vektor ciri yang spesifik, selanjutnya dilakukan perhitungan
3

klasifikasi dengan menggunakan metode learning vector quantization untuk
mengenali tanda tangan[3].
Learning Vector Quantization (LVQ) adalah sebuah metode klasifikasi
dimana setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk
pengelompokkan dimana jumlah kelompok sudah ditentukan arsitekturnya
(target/kelas sudah ditentukan). LVQ salah satu jaringan syaraf tiruan yang
merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen
Self-Organizing Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati
distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian. LVQ
melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan kompetitif
akan secara otomatis belajar untuk mengklasifikasikan vector-vector input. Kelas-
kelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya tergantung pada
jarak antara vector-vector input. Jika vector input mendekati sama maka lapisan
kompetitif akan mengklasifikasikan kedua vector input tersebut kedalam kelas yang
sama. [4].
Hasil yang diharapkan dari penelitian ini adalah tingkat akurasi yang
dihasilkan oleh sistem lebih tinggi dari penelitian penelitian sebelumnya.
4. RUMUSAN MASALAH
Permasalahan yang akan dibahas dalam penelitian ini adalah :
a. Bagaimana menerapkan metode Modified Direction Feature untuk ekstraksi
ciri dari citra tanda tangan.
b. Bagaimana melakukan klasifikasi dengan metode Learning Vector
Quantization pada citra tanda tangan.
5. TUJUAN
Tujuan dalam penelitian ini adalah :
a. Menerapkan metode Modified Direction Feature untuk ekstraksi ciri dari citra
tanda tangan.
b. Melakukan klasifikasi dengan metode Learning Vector Quantization pada citra
tanda tangan.
6. MANFAAT
Hasil penelitian ini dapat digunakan untuk melakukan pencocokan beberapa citra
tanda tangan, mengetahui keabsahan dari tanda tangan.
7. BATASAN MASALAH
a. Jumlah Citra tanda tangan sebanyak 125 , 5 tanda tangan dari 25 responden.
4

b. Data input citra tanda tangan yang digunakan berupa cirta format Bitmap
(BMP)
c. Tugas akhir ini dibangun menggunakan tools Matlab

5

8. TINJAUAN PUSTAKA
8.1. Penelitian Sebelumnya
Penelitian yang menjadi acuan dalam tugas akhir ini adalah pengenalan huruf
bali yang dilakukan oleh Tjokorda Agung BW, I Gede Rudy Hermanto dan
Retno Novi D tahun 2009. Dalam penelitian yang berjudul Pengenalan Huruf
Bali Menggunakan Metode Modified Direction Feature (MDF) dan Learning
Vector Quantization (LVQ) . Berdasarkan percobaan yang telah dilakukan,
metode Modified Direction Feature dapat digunakan dalam mengekstraksikan
pola yang terdapat pada huruf Bali. Hal ini dapat dilihat dari hasil persentase
pengujian yang memiliki tingkat akurasi di atas 70% pada data uji dengan
penulis yang berbeda dan di atas 80% dengan penulis yang tulisannya pernah
menjadi data training. Tingkat akurasi pada sistem pengenalan huruf Bali
menggunakan MDF dan LVQ dipengaruhi oleh ukuran normalisasi, jumlah
transisi, dan pembagian wilayah. Dimana dalam penelitian ini ditemukan
bahwa konfigurasi parameter MDF yang menghasilkan akurasi terbaik adalah:
ukuran normalisasi 100x50 pixel, jumlah transisi 4, dan tidak dilakukan
pembagian gambar menjadi beberapa bagian. Pada penelitian ini ditemukan
bahwa konfigurasi parameter MDF yang menghasilkan akurasi terbaik
adalah: ukuran normalisasi 100x50 piksel, jumlah transisi 4, dan tidak
dilakukan pembagian gambar menjadi beberapa bagian. Hal ini dapat
dilihat dari hasil persentase pengujian yang memiliki tingkat akurasi di
atas 70% pada data uji dengan penulis yang berbeda dan di atas 80% dengan
penulis yang tulisannya pernah menjadi data pelatihan (training) [1].
Pada penelitian berjudul Pengenalan Pola Huruf Jepang (Kana)
Menggunakan Direction Feature Extraction dan Learning Vector
Quantization oleh Tjokorda Agung Budi Wirayuda, Maria Ludovika
Dewi Kusuma Wardhani, menggabungkan metode Direction Feature
Extraction dan Learning Vector Quantization untuk pengenalan pola tulisan
tangan. Penelitian ini menghasilkan tingkat akurasi yang cukup baik.
Untuk kasus dengan data yang terbatas dimana data pelatihan (training)
hanya dua data tulisan tangan dihasilkan akurasi mencapai 66%,
sedangkan untuk data pelatihan (training) 10 data tulisan tangan diperoleh
akurasi yang mencapai 75% [2].
6

Pada penelitian berjudul Pengenalan Tanda Tangan Dengan Metode
Modified Direction Feature ( MDF ) dan Euclidean Distance oleh Fitri
Damayanti, Wahyudi Setiawan menggunakan metode MDF untuk ekstraksi
fitur dan metode LVQ untuk klasifikasi. Dalam penelitian ini tingkat akurasi
dalam tiga skenario berbeda. Pada skenario pertama tingkat akurasi sebesar
51% dihasilkan dari uji coba menggunakn total data pelatihan sebanyak 50
citra tanda tangan dan data uji coba sebanyak 75 citra tanda tangan. Uji coba
pada skenario 2 merupakan uji coba dengan menggunakan total data
pelatihan sebanyak 75 citra tanda tangan dan data uji coba sebanyak 50 citra
tanda tangan. Pada skenario ini memiliki tingkat akurasi sebesar 58%. Uji coba
pada skenario 3 merupakan uji coba dengan menggunakan total data
pelatihan sebanyak 100 citra tanda tangan dan data uji coba sebanyak 25
citra tanda tangan. Pada skenario ini memiliki tingkat akurasi sebesar 72%.
Pada penelitian ini pada sistem pengenalan tanda tangan yag mempengaruhi
proses pengenalan citra dalam tingkat akurasi adalah jumlah data pelatihan.
Semakin bnayak jumlah data pelatihan, semakin tinggi tingkat akurasi
pengenalan citra uji coba [3].
8.2. Direction Featue
Direction Feature (DF) adalah pencarian nilai feature berdasarkan label arah
dari sebuah pixel. Pada metode ini setiap pixel foreground pada gambar
memiliki arah tersendiri dimana arah yang digunakan terdiri dari 4 arah dan
masing masing arah diberikan nilai atau label yang berbeda. Arah yang
digunakan pada pelabelan arah dapat dilihat pada Tabel 1 [3] :
Tabel 1. Nilai Label dan Arah pada DF
Arah Nilai Bentuk
Vertikal 2
Diagonal Kanan 3
Horisontal 4
Diagonal Kiri 5
Untuk melakukan pelabelan arah pada masing masing pixel dapat
dilakukan dengan cara sebagai berikut:
7

1. Lakukan pengecekan secara raster dari kiri ke kanan.
2. Apabila menemukan sebuah pixel foreground maka lakukan
pengecekan dengan melihat tetangga dari pixel tersebut.
3. O adalah pixel yang akan dicek, kemudian pengecekan dilakukan
dari x1 x8. Apabila pada posisi tetangga dari x1 sampai x8
ditemukan pixel foreground, maka ubahlah nilai O menjadi nilai
arah berdasarkan aturan dibawah ini:
Jika pada posisi x1 atau x5 maka nilai arah adalah 5
Jika pada posisi x2 atau x6 maka nilai arah adalah 2
Jika pada posisi x3 atau x7 maka nilai arah adalah 3
Jika pada posisi x4 atau x8 maka nilai arah adalah 4
Tabel 2. Matrik Ketetanggaan Dalam Penentuan Nilai Label

X1

X2

X3

X8

O

X4

X7

X6

X5
8.3. Transition Feature
Ide dari Transition Feature (TF) adalah menghitung posisi transisi dan jumlah
transisi pada bidang vertikal dan horizontal dari gambar [1]. Transisi adalah
posisi dimana terjadinya perubahan piksel dari background menjadi
foreground tetapi tidak sebaliknya. Nilai pada TF didapat dari pembagian
antara posisi transisi dengan panjang ataupun lebar dari suatu gambar.
Nilai TF ini akan diambil dari 4 arah yaitu kiri ke kanan, kanan ke kiri,
atas ke bawah, dan bawah ke atas [3].
Menentukan Nilai Transisi
Dalam menentukan nilai transisi hal pertama yang dilakukan yaitu
melakukan pemindaian pada masing-masing piksel dari masing-masing arah.
Nilai transisi (TF) adalah nilai dari pembagian antara posisi dari transisi
dengan panjang atau lebar dari gambar. Apabila pemindaian dilakukan dari
kiri ke kanan atau dari kanan ke kiri maka nilai transisi diambil dari
pembagian posisi transisi dengan lebar gambar. Apabila proses
8

pemindaian dari atas ke bawah atau dari bawah ke atas maka nilai transisi
diambil dari pembagian posisi transisi dengan panjang gambar [3].
Menentukan Nilai Arah
DF ini diambil dari pembagian label arah pada posisi ditemukan transisi
dengan nilai pembagi. Pada penelitian ini nilai pembagi yang digunakan
adalah 10 seperti yang tercantum dalam referensi [6]. Apabila jumlah
transisi yang ditemukan kurang dari jumlah transisi yang digunakan maka
DF sisanya diberikan nilai 0. Setelah semua nilai DF dan TF dari 4 arah
dicari akan dilanjutkan dengan melakukan normalisasi vektor ciri yang
didapat pada setiap arah pencarian yang semula dengan dimensi
jumlah_transisi x panjang_image atau jumlah_transisi x lebar_image.
Normalisasi dilakukan dengan merata-ratakan nilai vektor ciri [3].
8.4. Modified Direction Feature
Untuk mencari nilai feature vektor yang akan diproses, kita harus mencari
nilai transisi (TF), nilai arah (DF), dan menentukan banyaknya transisi yang
dipakai. MDF, TF, dan DF diambil dari 4 segmen arah yaitu kiri ke kanan,
kanan ke kiri, atas ke bawah, dan bawah ke atas. Gambar 1 menunjukkan
proses ekstraksi fitur dengan metode Modified Direction Feature [3].
Berikut perincian proses metode MDF :
a. Input citra hasil preprocessing
b. Ganti nilai piksel foreground (objek) dengan nilai arah
c. Hitung nilai TF dan DF
d. Normalisasi nilai TF dan DF sesuai masing-masing arah
e. Gabungkan nilai TF dan DF menjadi satu vektor










Start
Pemberian Nilai Arah
Hitung Nilai TF dan DF
Normalisasi Nilai TF dan DF
End
Penggabungan Nilai TF dan
DF
9



Gambar 1. Flowchart MDF
8.5.Jaringan Saraf Tiruan
Jaringan saraf tiruan ( Artificial neural network) atau disingkat JST, adalah
sistem komputasi di mana arsitektur dan operasi diilhami dari pengetahuan
tentang sel saraf biologis didalam otak dan juga merupakan salah satu
representasi buatan dari otak manusia yang selalu mencoba mensimulasi
proses pembelajaran pada otak manusia tersebut. JST dapat digambarkan
sebagai model matematis dan komputasi untuk fungsi aproksimasi non
linier, klasifikasi data cluster dan regresi non para metrik. Sebuah simulasi
dari model saraf biologi didasarkan pada asumsi sebagai berikut [5]:
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron.
2. Isyarat mengalir di antara sel saraf atau neuron melalui suatu sambungan
penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot
ini akan digunakan untuk menggandakan isyarat yang dikirim melaluinya.
4. Setiap sel saraf akan menerapkan fungsi aktifasi terhadap isyarat hasil
penjunlahan berbobot yang masuk kepadanya untuk menentukan isyarat
keluarannya.
8.6. Learning Vector Quantization (LVQ)
Learning Vector Quantization (LVQ) adalah sebuah metode klasifikasi
dimana setiap unit output mempresentasikan sebuah kelas. LVQ digunakan
untuk pengelompokkan dimana jumlah kelompok sudah ditentukan
arsitekturnya (target/kelas sudah ditentukan). LVQ salah satu jaringan syaraf
tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari
algoritma Kohonen Self-Organizing Map (SOM) [4].
LVQ merupakan salah satu jenis metode Jaringan Syaraf Tiruan Supervised
Learning pada lapisan kompetitif. LVQ adalah suatu metode untuk melakukan
pembelajaran pada lapisan kompetitif (competitive layer net) yang terawasi
(supervised learning). Dalam LVQ, data dianggap sebagai vektor vektor input.
Data dapat dinotasikan sebagai X
i
R
d
untuk i=1...n, dimana n adalah
banyaknya data. Kemudian data-data tersebut dilatih sesuai dengan pola-pola
yang sesuai. Untuk lebih mudahnya pola-pola setiap data dinotasikan sebagai
10

y
i
{1,2,3,,m} untuk i=1,2...n dimana n adalah banyaknya data dan m
adalah banyaknya pola yang dilatih. Pada tahap identifikasi pola, LVQ
mengelompokkannya ke dalam pola yang mempunyai jarak Euclidian paling
dekat. Gambar 4 menunjukkan arsitektur LVQ yang digunakan dalam
penelitian ini.banyaknya data dan m adalah banyaknya pola yang dilatih. Pada
tahap identifikasi pola, LVQ mengelompokkannya ke dalam pola yang
mempunyai jarak Euclidian paling dekat [2]. Gambar 2 menunjukkan
arsitektur LVQ

yang digunakan dalam penelitian ini [7].









Gambar 2. Arsitekture Jaringan Saraf TiruanLVQ
Dengan :
X
1
sampai dengan X
n
= Nilai Input
|| x w
1
|| sampai dengan || x w
n
|| = jarak bobot
H
1
sampai dengan H
n
= Lapisan Output
D
1
sampai dengan D
n
= Nilai Output
Adapun algoritma metode LVQ adalah sebagai berikut [1] :
1. Tetapkan bobot (w), maksimum epoh (MaxEpoh), error minimum yang
diharapkan (Eps), dan Learning rate ().
2. Masukkan :
Input: x(m,n);
Target : T(1,n)
3. Tetapkan kondisi awal:
epoh = 0;
err = 1
4. Kerjakan jika (epoh < MaxEpoh) atau ( > eps)
||
1
||
||

||

||
2
||

H1
Hn
H2
X
1

X
2

X
3

X
n

D1
D2
D3
11

a. Epoh = epoh+1;
b. Kerjakan untuk i=1 sampai n
i. Tentukan J hingga ||x w
j
|| minimum (sebut sebagai C
j
)
ii. Perbaiki w
j
dengan ketentuan:
Jika T = C
j
maka:
w
j
(baru) = w
j
(lama) + [x w
j
(lama)]
Jika T C
j
maka:
wj(baru) = w
j
(lama) - [x w
j
(lama)]
c. Kurangi nilai
Keterangan notasi:
x vektor pelatihan (x1,,xi, , xn)
T kategori yang benar untuk vector pelatihan
wj vektor bobot unit output j (w1j, ,wij,, wnj).
Cj kategori yang diwakili oleh unit output j
||x wj|| jarak Euclidean antara vektor input dan vector bobot untuk
unit output j.
8.7. Resize

8.8. Binerisasi Citra
Binerisasi citra merupakan proses merubah citra ke dalam bentuk biner (0 dan
1). Dengan merubah ke bentuk biner, citra hanya akan mempunyai 2 warna
yakni hitam dan putih. Dengan proses ini, citra RGB juga akan menjadi 1
matriks penyusun saja. Citra biner adalah citra yang setiap pikselnya hanya
memiliki 2 kemungkinan derajat keabuan yakni 0 dan 1. Proses pembineran
dilakukan dengan membulatkan keatas atau kebawah untuk setiap nilai
keabuan dari piksel yang berada diatas atau bawah harga ambang. Metode
untuk menentukan besarnya harga ambang disebut thresholding[8].
8.9. Thining
Algoritma berikut adalah algoritma untuk thinning dengan
metode Zhang Suen [8]:
1) Tandai contour point p untuk dihapus jika semua kondisi
ini dipenuhi:
(a) 2
12

N(p1) 6;
(b) S(p1) = 1;
(c) p2 . p4 . p6 = 0;
(d) p4 . p6 . p8 = 0;
dimana contour point adalah setiap pixel dengan nilai 1
dan memiliki setidaknya satu 8-neighbour yang memiliki
nilai 0, N(p1) adalah jumlah tetangga dari p1 yang tidak
0; yaitu, N(p1) = p2 + p3 + ... + p8 + p9 dan S(p1) adalah
jumlah dari transisi 0-1 pada urutan p2, p3, ..., p8, p9.
2) Dan pada langkah kedua, kondisi (a) dan (b) sama
dengan langkah pertama, sedangkan kondisi (c) dan (d)
diubah menjadi:
(c) p2 . p4 . p8 = 0;
(d) p2 . p6 . p8 = 0;
Langkah pertama dilakukan terhadap semua border pixel
di citra. Jika salah satu dari keempat kondisi di atas tidak
dipenuhi atau dilanggar maka nilai piksel yang bersangkutan
tidak diubah. Sebaliknya jika semua kondisi tersebut dipenuhi
maka piksel tersebut ditandai untuk penghapusan.
Piksel yang telah ditandai tidak akan dihapus sebelum
semua border points selesai diproses. Hal ini berguna untuk mencegah
perubahan struktur data. Setelah langkah 1 selesai
dilakukan untuk semua border points maka dilakukan
penghapusan untuk titik yang telah ditandai (diubah menjadi
0). Setelah itu dilakukan langkah 2 pada data hasil dari
langkah 1 dengan cara yang sama dengan langkah 1 sehingga,
dalam satu kali iterasi urutan algoritmanya terdiri dari:
1) Menjalankan langkah 1 untuk menandai border points
yang akan dihapus,
2) Hapus titik-titik yang ditandai dengan menggantinya
menjadi angka 0,
3) Menjalankan langkah 2 pada sisa border points yang
pada langkah 1 belum dihapus lalu yang sesuai dengan
semua kondisi yang seharusnya dipenuhi pada langkah 2
13

kemudian ditandai untuk dihapus,
4) Hapus titik-titik yang ditandai dengan menggantinya
menjadi angka 0.
Prosedur ini dilakukan secara iteratif sampai tidak ada
lagi titik yang dapat dihapus, pada saat algoritma ini selesai
maka akan dihasilkan skeleton dari citra awal
9. METODOLOGI PENELITIAN
Secara umum, penelitian dilakukan dengan beberapa tahapan, yaitu :
a. Studi Pustaka
Pada tahap ini dilakukan pengumpulan informasi yang diperlukan untuk
penelitian tugas akhir. Informasi yang diperlukan diperoleh dengan
mempelajari literatur literatur mengenai pengenalan tanda tangan, Modified
Direction Feature, dan Learnng Vector Quantization.
b. Pengumpulan Data
Mengumpulkan data berupa Citra tanda tangan dari 25 koresponden dengan 5
tanda tangan tiap masing masing koresponden.
c. Analisa dan Perancangan
Pada tahap ini dilakukan analisa dan rancangan sistem yang akan dibangun
dengan mengacu pada hasil pemahaman dan studi pustaka.
d. Implementasi Sistem
Mengimplementasikan rancangan sistem kedalam bentuk program.
e. Uji Coba Sistem
Sistem diuji coba dengan beberapa skenario pada data training dan data testing
untuk mendapatkan hasil akurasi yang baik.
f. Analisa dan Evaluasi
Melakukan analisa untuk mengetahui tingkat akurasi dalam tiap tiap
skenario yang dilakukan dan kemampuan sistem dalam melakukan pengenalan
citra tanda tangan.
g. Dokumentai
Pada tahap terakhir ini dilakukan penyusunan buku sebagai laporan dan
dokumentasi dari pelaksanaan secara keseluruhan, mulai dari tahap awal
hingga tahap akhir pembuatan tugas akhir.
10. RANCANGAN SISTEM
10.1. Arsitektur Sistem
14

Perangkat lunak yang akan dirancang adalah aplikasi pengenalan tanda tangan
menggunakan metode Modified Direction Feature ( MDF ) dan Learning Vector
Quantizaton ( LVQ ). Dalam sistem ini sebelumnya data citra tanda tangan di bagi
menjadi data training ( data pelatihan ) dan data testing ( data uji ). Secara umum,
diagram dari sistem dapat dilihat pada gambar 3 [3] :



















Gambar 3. Desain Sistem Secara Umum
Keterangan :
Data citra tanda tangan dibagi menjadi data training dan data testing.
1. a.b. Input data citra tanda tangan sebagai training dan testing.
2. a.b. Preprocessing citra tanda tangan dengan cara Resize, Binerisasi
dan Thining (Training dan Testing).
3. a.b. Ekstraksi fitur data training dan testing dengan MDF
4. a.b. Menghitung bobot data training dan testing hasil MDF
Start
1a. Input citra
Tanda tangan
training
2a.Preprocessing
3a.Ektraksi fitur data
training dgn MDF
4a.Bobot data
training hasil
MDF
Start
1b. Input citra
Tanda tangan
testing
2b.Preprocessing
3b.Ektraksi fitur data
testing dgn MDF
4b.Bobot data
testing hasil
MDF
5.Klasifikasi
dengan LVQ
6.Tanda tangan
dikenali benar
/ salah
End
15

5. Pengklasifikasian dengan metode LVQ antara data training dan testing.
6. Setelah diklasifikasikan tanda tangan dikenali dengan benar atau salah.


11. JADWAL KEGIATAN
No Kegiatan Bulan
1 2 3 4 5
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi Literatur
2 Pengumpulan Data
3 Analisa Kebutuhan Sistem
4 Perancangan Sistem
5 Implementasi Sistem
6 Uji coba sistem
7 Evaluasi
8 Penyusunan Laporan

12. DAFTAR PUSTAKA
[1]. Agung, T., Hermanto, I., G., R., Novi, R. 2009. Pengenalan Huruf Bali
Menggunakan Metode Modified Direction Feature (MDF) Dan Learning Vector
Quantization (LVQ). Konferensi Nasional Sistem dan Informatika. Fakultas
Teknik Informatika Institut Teknologi Telkom.
[2]. Wirayuda, Tjokorda Agung Budi, dkk. 2008. Pengenalan Huruf Jepang (Kana)
Menggunakan Direction Feature Extraction dan Learning Vector Machine.
Bandung : Institut Teknologi Telkom.
[3]. Damayanti, Fitri.,Setiawan, W. 2013. Pengenalan Tanda Tangan Dengan Metode
Modified Direction ( MDF ) dan Euclidean Distance. Prosiding Conference Smart
Green Technology in Electrical and Information Systems, Bali.
[4]. Konsep; Learning Vector Quantization ( LVQ ) . 2011. URL :
http://ikhs.wordpress.com/2011/07/03/konsep-learning-vector-quantization-lvq/,
diakses pada tanggal 19 Oktober 2014.
16

[5]. Arifin, Tumanan O. 2011.Pengenalan Pola Sidik Jari Menggunakan Jaringan Saraf
Tiruan Dengan Metode Pembelajaran Backpropagation. Jurnal Aplikasi Fisika.
[6]. Bagus, B. 2007. Image database Menggunakan Sistem Content Base Image
Retrieval Dengan Ekstraksi Fitur Terstruktur. (TA) Teknologi Informasi:
Institut Teknologi Sepuluh Nopember. Surabaya.
[7]. TYAS ISTIQOMAH, Tugas 2: Model Model Neural Network. 2012. URL :
http://tyas-i--fst08.web.unair.ac.id/artikel_detail-44037-ilmu%20kuliah-
Tugas%202%20:%20Model%20%20Model%20Neural%20Network.html . diakses
pada tanggal 19 Oktober 2014.
[8]. My BloG, PENGANTAR PENGOLAHAN CITRA. 2012. URL :
vinaaryantii.blogspot.com.es/2012/09/pengantar-pengolahan-citra.html?m=1 .
diakses pada tanggal 19 Oktober 2014.