Investigasi Hubungan antara Jumlah Dimensi Parameter Extraksi Terhadap Keakurasian Pengenalan Tanda Tangan Secara Offline

Transkripsi

1 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN Investgas Hubungan antara Jumlah Dmens Parameter Extraks erhadap Keakurasan Pengenalan anda angan Secara Offlne FajranNur Adnan, PratnyaSatraSaelndr, BntMamluatulKaromah FakultasIlmuKomputer, Unverstas Dan Nuswantoro,Semarang E-mal : fajran@research.dnus.ac.d; pratnya_tra@yahoo.com; mamlatul93@gmal.com ABSRAK andatangan merupakan jens bometrc tngkah laku yang unk, susah dtru, serta dapat dgunakan untuk membedakan antar ndvdu. andatangan sudah lama dgunakan dan dterma sebaga denttas prbad yang sah.pengenalan tandatangan secara off-lne yatu proses pengenalan tandatangan dalam berbentuk dgtal. Pemlhan varable yang pentng sangat dperlukan dalam proses klasfkas dan pengenalan pola.klasfkas sult dlakukan pada varable yang banyak, terlebh jka sebagan besar varable tersebut tdak relevan, sepert pada pengenalan tandatangan secara off-lne, dmana background merupakan komponen yang domnan. Maka d perlukanlah teknk feature extracton untuk mendapatkan komponen utama pada gambar untuk mempermudah proses klasfkas dalam pengenalan tandatangan. Beberapa teknk feature extracton sepert PCA dan LDA telah berhasl dgunakan untuk mengekstrak ftur wajah dalam pengenalan wajah. Beberapa artkel pun membahas tentang kombnas PCA dan LDA yang mampu menghaslkan keakurasan yang lebh bak. Dalam laporan kal n, penelt akan menggunakan PCA-LDA untuk mengekstrak ftur tandatangan offlne dan mengnvestgas hubungan antara jumlah dmens parameter ekstraks terhadap keakurasan dalam pengenalan tandatangan. Hasl dar percobaan menunjukkan bahwa jumlah komponen pentng yang dgunakan, yang terkat dengan rasovaran serta jumlah nformas yang tdak relevan pada gambar yang terkandung pada parameter ekstraks berpengaruh pada keakurasan pengenalan tanda tangan Kata kunc : Feature Extracton, LDA, Parameter Ekstraks, Pengenalan anda angan secara Offlne 1. PENDAHULUAN Identfkas personal sangat pentng dalam sstem keamanan. Beberapa sstem otentkas bometrk sepert pengenalan wajah, pengenalan sdk jar, dan pengenalan suara telah dkembangkan untuk mengembangkan sstem keamanan yang konvensonal. anda tangan menggunakan tulsan tangan adalah salah satu bometrk yang palng populer. Dengan menerapkan sstem pengenalan tanda tangan, berart memberkan kemampuan kepada komputer untuk mampu mengenal dan mengklasfkaskan sebuah tanda tangan kedalam sebuah kelas yang memlk pola yang mrp dengan tanda tang tersebut. Pengenalan tanda tangan secara offlne mengdentfkas pemlk tanda tangan, melalu pengenalan tanda tangan dalam bentuk dgtal. Mengenal tanda tangan off-lne tdak mudah karena sebuah tanda tangan tdak akan sama perss jka dtuls dwaktu yang berbeda. Selan pola yang selalu berbeda, kesultan lan dalam sebuah pengenalan pola adalah dalam proses pencaran komponen utama. Sebuah gambar yang dtangkap oleh kamera atau scanner bers nformas yang relevan maupun yang tdak relevan. Dalam kasus pengenalan tanda tangan, nformas yang relevan merupakan pola tanda tangan tu sendr. Sedangkan nformas yang relevan contohnya adalah background kertas yang melatar belakang pola tersebut. Sebuah dataset yang ddomnas oleh nformas yang relevan sangat sult untuk dkenal. Apabla nformas yang relevan tersebut berpola sama antar data satu dengan data yang lan, maka semua data akan tampak mrp walaupun data tu berbeda. Apabla nformas yang relevan berpola berbeda beda, maka sebuah data akan tampak berbeda dengan yang lan meskpun data tersebut adalah sama.maka dar tulah sebuah teknk feature extractondperlukan untuk mendapatkan komponen utama dar sebuah data,sehngga dapat mengurang varabel atau nformas yang relevan. Ektraks ftur merupakan bagan dar teknk dmensonal reductonyang dgunakan untuk mengurang dmens sebuah data dan mengambl komponen utama dar data tersebut melalu proses transformas. Dalam stud sebelumnya, beberapa teknk feature extractonsepert Prncpal Component Analyss (PCA) dan Lnear Dscrmnant Analyss (LDA) telah berhasl dterapkan pada pengenalan wajah [1], [2] dan pengenalan karakter tulsan tangan [3]. Beberapa peneltan juga menggunakan PCA d pengenalan tanda tangan off-lne [4]. Peneltan tentang feature extractondpengenalan tanda tangan off-lne selalu berkembang untuk mendapatkan akursar yang terbak. Dengan menggunakan PCA-LDA, penelt mencoba untuk mengekstrak komponen pentng dan mengurang nformas yang tdak relevan dalam gambar dar tanda tangan tulsan tangan, dmana jumlah komponennya yang tdak relevan sepert komponen latar belakang lebh dar jumlah komponen tangan. Adapun jumlah dmens dar komponen utama yang akan dhaslkan nantnya adalah tergantung pada jumlah dmens dar parameter ekstraks yang dgunakan untuk mentransformas data tersebut ujuan mengekstrak fturkedalam sebuah komponen baru yang lebh kecl dmensnya tentunya berpengaruh pada proses pengenalan pola yang lebh mudah dan penghematan waktu serta memor INFRM 370

2 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN yang dgunakan. Namun, seberapa banyakkah dmens dar parameter ekstraks yang akan dgunakan agar tetap menghaslkan akuras yang tetap tngg, mash menjad pertanyaan Dalam peneltan kal n, penelt memlk gagasan untuk mengnvestgas hubungan antara jumlah dmens parameter ekstraks yang dgunakan untuk mentransormas data menjad komponen yang baru terhadap keakuratan dalam pengenalan tanda tangan secara offlne. 2. PENGENALAN ANDA ANGAN Proses otentkas dengan menggunakan bometrk dapat dbedakan menjad dua jens melput dentfkas dan verfkas[5]. Proses dentfkas dlakukan dengan membandngkan 1 data ke banyak data. Proses dentfkas dgunakan untuk mencar denttas pemlk data yang belum dketahu. Berbeda dengan proses dentfkas, proses verfkas dlakukan dengan membandngkan 1 data dengan 1 data yang danggap benar, dan dgunakan untuk memastkan apakah data tersebut benar merupakan data dar pemlknya atau tdak. Bsa dkatakan, proses vervkas dgunakan untukm menentukan apakah data yang duj merupakan data asl yang dmlk oleh orang yang mengaku sebaga pemlknya, ataukah palsu. Maka, sstem pengenalan tanda tangan dapat dkategorkan ke dalam modus dentfkas sstem dentfkas bometrk yang dgunakan untuk mengdentfkas pemlk tanda tangan. Proses utama adalah membandngkan tanda tangan yang tdak dkenal ke dalam beberapa bentuk dgtal dar tanda tangan yang sudah ada d database dan memberkan nformas tertentu tentang pemlk tanda tangan tersebut. Berdasarkan data yang dgunakan, pengenalan tanda tangan dapat dlakukan secara onlne maupun offlne[6]. pengenalan tandatangan dkatakan onlne apabla tanda tangan dtuls dengan menggunakan stylus dan komputer tablet. Pengenalan tanda tangan secara onlne basanya lebh dttk beratkan pada penangkapan tekanan dalam menuls tanda tangan atau kecepatan menuls tanda tangan[7]. Pengenalan tanda tangan off-lne dlakukan pada tanda tangan yang telah dubah kedalam bentuk dgtal dengan menggunakan kamera ataupun scanner. rte a sgnature n electronc tablet usng stylus rte a sgnature on a paper Capturng (a) (b) Gambar2.1(a) Pengenalan anda angan On-Lne (b) Pengenalan anda angan Off-lne 3. FEAURE EXRACION Feature extractonmerupakan proses mengekstrakdata asl melalu pemetaan fungsonal,guna memperoleh nformas pentng[8]. Analss ftur merupakan komponen yang sangat pentng dalam sstem pengenalan pola. Dalam pengenalan gambar, teknk n membuat proses klasfkas menjad efektf dan efsen, dan menngkatkan keakuratan dan mempermudah proses dentfkas [9]. Anals ftur memankan peran pentng dalam pengenalan tanda tangan. Feature extractonadalah teknk dmensonal reducton yang dgunakan untuk mengekstrak subset dengan dmens yang lebh kecl dar dataset aslnya. Feature extractonakan mentransformas dataset asl dengan dmens yang tngg kedalam subset dengan dmens yang lebh kecl dengan menggunakan pemetaan fungsonal, tanpa mengabakan nformas yang pentng[10]. Adapun alasan perlunya menjaga dmens data sekecl mungkn untuk representas pola adalah karena dengan menggunakan dmens lebh kecl, akan mengurang usaha dalam pengukuran, dan menngkatkan keakurasan dalam klasfkas. Dengan menyederhanakan pola ftur, maka proses pengenalan tanda tangan akan dapat dlakukan lebh cepat namun dengan menggunakan memor yang lebh rendah. Prncple Component Analyss (PCA) dan Lnear Dscrmnant Analyss (LDA) merupakan teknk feature extracton yang serng dgunakan dalam pengenalan pola, termasuk pebgenalan wajah dan pengenalan tulsan tangan. Kombnas kedua teknk pun telah dlakukan guna menngkatkan keakurasan dalam klasfkas dan pengenalan pola. Adapun penjelasan lebh dalam mengena kedua teknk tersebut akan dpaparkan sebaga berkut. INFRM 371

3 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN Prncpal Component Analyss (PCA) Prncpal Component Analyss (PCA) adalah teknk dmensonal reducton yang dapat dgunakan untuk memecahkan masalah kompres dan pengenalan. PCA juga dkenal sebaga Hotellng atau ruang egen Proyeks atau Karhunen dan Leove (KL). PCA merubah ruang data asl atau gambar ke dalam satu set ruang bagan dar Komponen Dasar (PC) sehngga dmens ortogonal pertama sub ruang n menangkap sedktnya jumlah varans d antara gambar, berdasarkan karakterstk, statstk, dan target. Komponen output dar transformas n adalah ortogonal atau tdak berkoleras, dan mean square errordapat menjad terkecl saat menjelaskan vektor asl dengan komponent output. PCA adalah teknk transformas populer yang haslnya tdak langsung berkatan dengan sampel komponen ftur tunggal yang asl. PCA memlk potens untuk melakukan ekstraks ftur. Pca telah berhasl dterapkan pada pengenalan wajah, denosng gambar, kompres data, data mnng, dan mesn belajar. PCA dgunakan untuk mengubah sampel ke dalam ruang baru untuk menunjukan sampel. Metode PCA cenderung untuk menemukan proyeks matrks opt, yang memaksmalkan determnan dar total scatter matrxsampel yang dproyekskan sebaga : opt max S S arg (1) Dmana µ merupakan rata-rata nla vektor dar semua sampel dalam tranng set. x merupakan representas vektor sampel ke- dan c adalah jumlah sampel pelathan.feature extractondengan menggunakan PCA dlakukan melalu beberapa tahap dantaranya adalah sebaga berkut: Menghtung total scatter matrx dar data vektor c S ( x )( x ) (2) 1 Menghtungegenvalue dan egenvektordar total scatter matrx yang telah dperoleh, dengan menggunakan : eg S ) (3) ( Mengurutkan egenvalue dan egenvector sesua dengan urutan egenvalue dar urutan terbesar ke yang terkecl Menentukan jumlah dmens yang dgunakan, dan mengambl egenvalue tertngg sejumlah dengan yang telah dtentukan sebelumnya. Mengekstak ftur dengan cara memproyekskan data asl terhadap egenvalue Lnear Dscrmnant Analyss (LDA). P X LDA merupakan pendekatan statstk klask yang dgunakan untuk pembelajaran secara supervsed dan dklasfkas [11]. Dalam statstk Analss dskrmnan, pemsahan krtera drumuskan oleh wthn-class, between-class, dan total scatter matrx.s merupakan wthn-class scatter matrx, penyebaran sampel dar vektor masng-masng yang dharapkan, dan S B adalah between-class scatter matrxyang menunjukkan tersebarnya vektor yang dharapkan. Keterpsahan kelas dformulaskan dengan mengubah matrk ke nomor. LDA termasuk dalam klasfkas yang dgunakan untuk menngkatkan nformas dskrmnatf kelas ruang bawah dmens dengan transformas lnear. LDA juga termasuk pada algortma pembelajaran supervsed, yang setap objek dalam set data dlengkap dengan label telah dtetapkan sebelumnya. Ide utama dar metode LDA adalah untuk menemukan arah proyeks optmal (transformas), dengan memaksmalkan raso dar between-class terhadapwthn-class scatter matrx, dar sampel yang dproyekskan [12], [13]. ransformas optmal dalam LDA dapat dengan mudah dhtung dengan menerapkan egendecomposton pada scatter matrx. (4) INFRM 372

4 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN Algortma LDA tdak jauh berbeda dar algortma PCA. Kedua algortma tersebut sama-sama menghtung egenvaluedan egenvector dar scatter matrx. Namun perbedaannya adalah LDA menghtung egenvalue berdasarkan wthn-class scatter matrx dan between-class scatter matrx. Sedangkan PCA mendapatkan egenvalue dan egenvector dar total scatter matrx yang telah dperoleh. Adapun langkah-langkah dasar dalam LDA adalah sebaga berkut : Menghtung wthn-class scatter matrx dar data vektor c S ( x k )( x k ) 1 (5) Menghtung between-class scatter matrx dar data vektor c S B n ( )( ) 1 (6) S B adalah between-class scatter matrx, S adalah wthn-class scatter matrx, sedangkan S = S B + S merupakan totalscatter matrx, notas c adalah jumlah total sampel dalam set seluruh gambar, x adalah sampel dar ftur vektor, dan adalah vekor dar gambar kelas yang x mlk. berart ftur vektor dar kelas, dan n adalah no,mor dar sampel dalam gambar kelas. Menghtungegenvalue dan egenvektordar kedua scatter matrx yang telah dperoleh, dengan menggunakan : 1 eg( S S B ) (7) Mengurutkan egenvalue dan egenvector sesua dengan urutan egenvalue dar urutan terbesar ke yang terkecl Menentukan jumlah dmens yang dgunakan, dan mengambl egenvalue tertngg sejumlah dengan yang telah dtentukan sebelumnya. Mengekstak ftur dengan cara memproyekskan data asl terhadap egenvalue. P X (8) 4. EKSPERIMEN Peneltan n dmula dengan pengumpulan data, preprocessng, pengekstrakan ftur dan pemlhan parameter ekstraks, dan yang terakhr adalah proses pengujan keakurasan pengenalan tanda tangan dengan menggunakan beberapa parameter ekstraks yang telah dperoleh sebelumnya Pengumpulan Data Ekspermen dlakukan dengan menggunakan gambar dgtal dar tanda tangan. Gambar dgtal tersebut dapat dperoleh dengan men-scan tanda tangan, dan mengubahnya ke dalam bentuk dgtal. Plhan lan adalah menggunakan dataset yang sudah dsedakan dar peneltan lan. Dalam peneltan n, penelt menggunakan data yang dsedakan dalam [14]. dataset mengandung dar 1320 gambar. Off-lne tanda tangan dperoleh dar 55 penuls yang penuls masng-masng menandatangan 24 kal. Gambar dsedakan dalam format "PNG", dengan berbaga ukuran dan jens warna. Jumlah peserta : 55 otal tanda tangan peserta : 24 Jumlah gambar : 1320 Format gambar : PNG Ukuran gambar : berbaga arna jens : berbaga (RGB dan grayscale) Dataset yang telah dperolah dpsahkan menjad dua bagan melputtranng dataset dan testng dataset. 60% (14) gambar dar setap penuls dkumpulkan ke tranng dataset. Gambar ssanya (10) akan dkumpulkan ke dalam testng dataset. Jad, gambar total dalam dataset tes terdr dar 550 gambar. Proses klasfkas yang akan dterapkan adalah dengan metode pembelajaran supervsed,sehngga perlu dlakukan pelabelan pada data sesua dengan penulsnya Prepocessng Dataset yang dperoleh tdak dapat langsung dekstrak menggunakan teknk feature extracton. Dataset tersebut perlu melalu tahap preprocessng agar data tersebut dapat dproses d tahap feature extracton. Jens teknk preprocessng yang dgunakan adalah mengubah ukuran, warna normalsas dan membentuk kembal gambar. INFRM 373

5 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN ) Mengubah ukuran gambar:ujuan utama dar mengubah ukuran gambar adalah untuk menyamakan ukuran gambar yang akan dproses dalam ekstraks ftur. ujuan lan dar pengubahan ukuran gambar adalah untuk memnmalkan komputas dan konsums memor. Pada tahap n, ukuran gambar yang bervaras, semuanya akan dubah ke ukuran 18x30 2) Normalsas warna:adapun tujuan normalsas warna adalah untuk membuat gambar dengan nla-nla skalar tunggal untuk setap pxel atau mengambl nla warna tunggal dar gambar. Untuk mendapatkan nla tunggal dar warna berbeda, gambar perlu dubah dar RGB ke grayscale. Matlab menyedakan fungs untuk mengkonvers RGB ke grayscale dengan koefsenα = , β = , = ) Reshape gambar: mengubah gambar 2D (mxn) kedalam bentuk vektor 1D dengan ukuran (mxn) dmana satu vektor mewakl 1 gambar. Pada ekspermen kal n, gambar dengan ukuran 18x30 akan dubah kedalam vektor dengan ukuran 540. Setelah dlakukan reshape gambar, maka dar data yang ada d tranng dataset akan dperoleh matrx (540x770), dan dar testng dataset akan dperoleh matrx dengan ukuran 540x Feature extracton Setelah ssemua gambar berukuran yang sama, drepresentaskan dalam vektor 1D, data sap untuk mengekstrak dengan menggunakan dmensonal reducton. PCA dan LDA adalah teknk umum dalam dmensonal reducton. Dalam peneltan n, penelt menggunakan kombnas antara PCA dan LDA (PCA-LDA) untuk mendapatkan parameter ekstraks dan mengekstrak ftur dar tanda tangan. ahapan dar feature extracton degan menggunakan PCA-LDA adalah dawal dengan mengekstrak ftur mengunakan PCA. Hasl dar tahapan n adalah parameter ekstraks berupa sejumlah egenvalue dar total scatter matrx yang basa dsebut dengan egenspace, beserta projeks gambar yang selanjutnya akan dgunakan sebaga nputan dalam ekstraks ftur menggunakan LDA. Dar tahapan kedua n, akan ddapatkan parameter ekstraks berupa sejumlah egenvalue dar wthn-class dan between-class scatter matrx yang dsebut dengan fsherspace, beserta projeks gambar yang merupakan hasl akhr dar feature extracton. Dua parameter ekstraks (egenspace dan fshrespace) nlah yang akan dgunakan untuk mengekstrak gambar yang ada pada testg dataset. Dalam ekspermen n, penelt akan menggunakan 60 dmens pada ektraks ftur menggunakan PCA, dan mengambl beberapa ukuran dmens dar parameter ekstraks d LDA yang akan dgunakan untuk mengekstraks ftur. Adapun ukuran dmens dar parameter ekstraks yang akan dgunakan adalah sebaga berkut: 10 dmens 20 dmens 30 dmens 40 dmens 50 dmens 60 dmens 4.4. Pengujan Pengenalan anda angan eknk klasfkas yang akan dgunakan untuk proses pengenalan tanda tangan adalah eucldean dstance. Proses klasfkas dawal dengan menghtung jarak antara projeks gambar yang duj terhadap masng-masng projeks gambar yang ada d tran dataset. Setelah semua jarak dperoleh, maka vektor yang memlk jarak terdekatlah yang danggap memlk pola yang sala, atau tergolong dalam kelas yang sama. Adapun eucldean dstance dhtung dengan menggunakan rumus sebaga berkut: dmana (9) (10) (11) (12) INFRM 374

6 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN Hasl dan Pembahasan Percobaan dlakukan dengan menggunakan gambar ukuran 18x30. PCA-LDA dgunakan untuk mengekstraks ftur dengan mengubah data asl dengan dmens 540ke dalam komponen baru dengan dmens antara 10 sampa dengan 60. Untuk menyeldk korelas antara jumlah dmens parameter ekstraks terhadap tngkat keakuratan pda pengenalan tanda tanagn secara offlne, percobaan n dlakukan menggunakan jumlah dmens yang berbeda dar parameter ekstraks, melput 10, 20, 30, 40, 50, dan 60 dmens. Hasl percobaan dtunjukan pada abel 5.1 abel 5.1 Rata-Rata Pengenalan dar LDA (PCA+LDA) Berdasarkan Jumlah Dmens Parameter Eekstraks Dmenspada Parameter Ekstraks Akuras 10 77,09% 20 82,73% 30 82,91% 40 83,09% 50 82,36% 60 81,64% 84.00% 82.00% 80.00% 78.00% 76.00% 74.00% Keakuratan Keakuratan Gambar5.1tngkatakuras yang dperolehdarfeature extractonmenggunakan PC-LDA denganvarasukuran parameter ekstraks Berdasarkan abel 5.1 datas terlhat akuras dar LDA cenderung berkurang ketka ukuran gambar lebh tngg.itu mungkn karena adanya gangguan ketka gambar berukuran besar. Pabla jumlah dmens parameter ekstraks yang dgunakan mash cukup besar, memungknkan komponen tersebut mash mengandung beberapa nformas yang relevan sepertkomponen-komponen background gambar tersebut. Semakn tngg dmens yang dgunakan, maka semakn banyak komponen relevan yang terkandung dalam komponen baru tersebut, sehngga akan berpengaruh pada keakurasan pengenalan pola. ngkat keakurasan pun akan semakn menurun apabla dmens yang dgunakan semakn kecl. Hal n dkarenakan oleh ketersedaan nformas pentng dalam komponen baru tersebut. Dengan mengurang dmens terlalu banyak, maka ada kemungknan nformas pentng yang terbuang pun semakn banyak. Hal n berakbat pada komponen tandatangan yang dperoleh tak lag utuh, dan beberapa subset dar tandatangan tersebut terlhat sama meskpun sebetulnya berbeda. Jumlah dmens dar parameter ekstraks juga memlk hubungan dengan raso varan data. Dalam table 5.3 dtunjukkan tngkat rasovaran data d setap level dmens. Katan antara raso tersebut dengan tngkat keakurasan bsa dlhat saat jumlah dmens dar parameter ekstraks adalah 10. Kecl nya rasovaran pada 10 egenvalue tertngg hanya mngandung komponen sejumlah % dar data aslnya.itu berart ada sektar 20.65% nformas yang terbuang, termasuk nformas pentng. Maka hal n berpengaruh pada tngkat keakurasan yang rendah.pada jumlah dmens 20, 30 dan 40 tngkat keakurasan tdak terlalu rendah, bahkan menngkat, karena ketersedaan nformas pada komponen yang baru lebh banyak. Sedangkan mula dar dmens ke 50 dan 60 meskpun rasovaran semakn tngg, namun semakn banyak komponenn yang dgunakan, memungknkan semakn bertambah pula nformas relevan yang terkandung d dalamnya. Maka dar tulah pada dmens 50 dan 60 keakurasannya menurun kembal.penggunaan angka rato datas 90% mash tergolong aman karena mash menghaslkan nla akuras yang cukup tngg, yatu datas 80% INFRM 375

7 Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN KESIMPULAN abel 0.3 Raso Varandar Egenvalue Dmenspada Parameter Ekstraks Raso Varan % % % % % % Pada peneltan kal n, penelt mencoba untuk mengnvestgas hubungan antara dmens parameter ekstraks terhadap tngkat keakurasan pada pengenalan tandatangan secara offlne. Pada percobaan yang telah dlakukan, bahwa jumlah dmens yang dgunakan berpengaruh terhadap tngkat keakurasan pada pengenalan tandatangan secara offlne. Perubahan tersebut dapat dpengaruh oleh angka rasovaran yang semakn kecl pada dmens yang rendah akan mengurang tngkat keakurasan. Sedangkan penggunaan dmens yang terlalu tngg juga memungknkan terjadnya penurunan karena kadar nformas relvan yang mungkn terkandung ddalamnya mash cukup banyak.adapun pemlhan jumlah dmens yang mash aman untuk mengekstrak ftur adalah dmens dengan total rasovaran datas 90% karena tdak banyak nformas pentng yang akan terbuang, serta mash menghaslkan nla akuras yang tngg dalam pengenalan tandatangan secara offlne. DAFAR PUSAKA [1] P. Y. V. Lata, C. Kran, B. ungathurth, H. R. M. Rao, A. Govardhan, and L. P. Reddy, Facal Recognton usng Egenfaces by PCA, Internatonal Journal, vol. 1, no. 1, pp , [2] J. Lu, K. N. Platanots, and a N. Venetsanopoulos, Face recognton usng LDA-based algorthms., IEEE transactons on neural networks / a publcaton of the IEEE Neural Networks Councl, vol. 14, no. 1, pp , Jan [3].-fu Gao and C.-ln Lu, Hgh accuracy handwrtten Chnese character recognton usng LDA-based compound dstances, Pattern Recognton, vol. 41, pp , [4] M. M. Monwar and M. Gavrlova, FES: A System for Combnng Face, Ear and Sgnature Bometrcs Usng Rank Level Fuson, Ffth Internatonal Conference on Informaton echnology: New Generatons (tng 2008), pp , Apr [5] A. Zwesele, A. Munde, C. Busch, and H. Daum, BoIS study - Comparatve Study of Bometrc Identfcaton Systems, n Proceedngs IEEE 34th Annual 2000 Internatonal Carnahan Conference on Securty echnology (Cat. No.00CH37083), [6] S. Emerch, E. Lupu, and C. Rusu, On-lne Sgnature Recognton Approach Based on avelets and Support Vector Machnes. [7] H. B. Kekre and V. a Bharad, Off-Lne Sgnature Recognton Systems, Internatonal Journal of Computer Applcatons, vol. 1, no. 27, pp , Feb [8] A. symbal, S. Puuronen, M. Pechenzky, M. Baumgarten, and D. Patterson, Egenvector-based Feature Extracton for Classfcaton, Artfcal Intellgence. pp. 1-5, [9] V. Nguyen, Mchael Blumensten, and G. Leedham, Global Features for the Off-Lne Sgnature Verfcaton Problem, n Internatonal Conference on Document Analyss and Recognton, [10] X. Zhang, R. L, and L. Jao, Feature Extracton Combnng PCA and Immune Clonal Selecton for Hyperspectral Remote Sensng Image Classfcaton, n 2009 Internatonal Conference on Artfcal Intellgence and Computatonal Intellgence, 2009, no. 2. [11] K. Fukunaga, Introducton to Statstcal Pattern Recognton, Second. Boston: Harcourt Brace Jovanovch, [12] S. Chowdhury, A Hybrd Approach to Facal Feature Extracton and Dmenson Reducton, Scence, pp , [13] R. Jafr and H. R. Arabna, A Survey of Face Recognton echnques, Journal of Informaton Processng Systems, vol. 5, no. 2, pp , Jun [14] Forensc/Questoned Document Examnaton, [Onlne]. Avalable: INFRM 376