ABSTRAKSI: Proses identifikasi pola tanda tangan bermanfaat dalam penentuan identitas seseorang. Pemalsuan citra tanda tangan dapat terjadi dengan mudah, sehingga dibutuhkan sistem identifikasi yang mampu membedakan tanda tangan asli atau palsu. Logika fuzzy dapat digunakan sebagai metode untuk sistem identifikasi pola. Namun logika fuzzy sejauh ini hanya dikembangkan untuk identifikasi pola huruf dan angka saja.
Sistem identifikasi pola tanda tangan yang diimplementasikan ini menggunakan logika fuzzy berbasis algoritma genetika. Untuk dapat mengidentifikasi pola tanda tangan, sebelumnya diperlukan pre-processing dan feature extracting menggunakan metode box. Selanjutnya dilakukan proses pelatihan/ fuzzifikasi, optimasi rule evaluation menggunakan algoritma genetika, dan proses pengujian/ defuzzifikasi yaitu klasifikasi menggunakan LOM (largest of maximum) dengan model fuzzy Takegi Sugeno orde nol.
Dari parameter pelatihan dengan AkurasiGA 95 %, diperoleh tingkat pengenalan terhadap citra uji asli sebesar 73,33 % dan tingkat penolakan untuk citra uji palsu sebesar 60 %.Kata Kunci : logika fuzzy, algoritma genetika, preprocessing, feature extracting, metode box, fuzzifikasi, defuzzifikasi, LOM, model fuzzy Takegi Sugeno orde nol.ABSTRACT: Signature pattern identification process is useful in person identity determination. Forgery of signature image is happened easily, so that is required by identification system to capable differentiate between genuine signature and forged signature. Fuzzy logic can be used as method for pattern identification system. Nevertheless, fuzzy logic so far is only developed for character and numeral pattern identification
Signature pattern identification system that is implemented using fuzzy logic based on genentic algorithm. To be able to identify signature pattern, is needed pre-processing and feature extracting using box method before. Further is learning process/ fuzzification, optimate rule evaluation using genetic algorithm and testing process/ defuzzification is using LOM (largest of maximum) Takegi Sugeno zero orde fuzzy model for classifying.
From the learning parameter with AkurasiGA 95 %, is obtained identification level toward a testing genuine signature is 73,33 % and declination level toward a testing forged signature is 60 %.Keyword: fuzzy logic, genetic algorithm, preprocessing, feature extracting, box method, fuzzification, defuzzification, LOM, Takegi Sugeno zero orde fuzzy model