DAFTAR PUSTAKA
3. Metode Penelitian
Proses awal dari algoritma genetika adalah skema pengkodean dan inisialisasi populasi untuk mendapatkan solusi awal. Skema pengkodean dilakukan dengan metode Discrete Decimal Encoding (Suyanto, 2005) dimana kromosom direpresentasikan dalam bentuk bilangan bulat setiap gen-nya.
Setiap gen merepresentasikan nada dan setiap kromosom merepresentasikan melodi. Ukuran setiap kromosom berbeda-beda disesuaikan dengan jumlah ketukan yang dibutuhkan. Karena yang digunakan adalah 4/4 ketukan maka pada setiap kromosom maksimal durasi adalah 4 ketukan (Nickol, 2007). Di dalam penelitian ini ukuran kromosom dibagi menjadi 3 macam yaitu 8 gen pada Gambar 3.1, 16 gen pada Gambar 3.2, dan 32 gen pada Gambar 3.3.
Gambar 3.1 Representasi kromosom 8 gen
Gambar 3.2 Representasi kromosom 16 gen
Gambar 3.3 Representasi kromosom 32 gen
Proses inisialisasi dilakukan dalam setiap gen kromosom yang diambil dari rumus skala secara acak. Namun sebelumnya rumus skala harus ditambahkan dulu dengan nilai root yang diinputkan. Proses ini dinamakan transpose nada dimana setiap nada di dalam melodi dinaikkan semua dengan jumlah kenaikan yang sama. Hal ini dikarenakan nada dasar yang berubah sehingga setiap nada dalam lagu atau melodi semua juga harus berubah. Contoh penerapannya :
Misalkan rumus skala adalah [ 0, 2, 4, 6, 8, 10 ] Misalkan rumus akord adalah [ 0, 4, 7 ]
Misalkan rumus root adalah 2 (nada dasar D) Maka rumus skala dan akord akan menjadi,
Skala : [ 0+2, 2+2, 4+2, 6+2, 8+2, 10+2 ] = [ 2, 4, 6, 8, 10, 12 ] Akord : [ 0+2, 4+2, 7+2 ] = [ 2, 6, 9 ]
Setelah proses inisialisasi selesai dilakukan, maka semua kromosom di dalam generasi dievaluasi menggunakan fungsi fitness. Fungsi fitness dapat dilihat di dalam Rumus 3.1.
f(x) = f1(x) + f2(x) + f3(x) + f4(x) + f5(x) + f6(x) (3.1)
f1(x) = fungsi chord note f2(x) = fungsi relation note f3(x) = fungsi direction note f4(x) = fungsi beginning note f5(x) = fungsi end note f6(x) = fungsi drastic note
Fungsi chord note digunakan untuk menilai berapa jumlah nada yang ada para kromosom yang sama dengan rumus akord. Fungsi relation note digunakan untuk menilai pola perbedaan antar nada yang bersebelahan sebanyak tiga nada. Fungsi direction note digunakan untuk menilai berapa jumlah nada yang mempunyai pola naik, turun dan sejajar untuk setiap tiga nada. Fungsi beginning note digunakan untuk mengecek nada pertama pada kromosom apakah sama dengan nada pertama rumus akord. Fungsi end note hampir sama dengan fungsi beginning notenamun digunakan untuk mengecek nada terkahir kromosom. Fungsi yang terkahir adalah fungsi drastic note yang berguna untuk mengurangi nilai fitnesssebanyak 2,0 (ukuran kromosom 8 gen), 1,0 (ukuran kromosom 16 gen) dan 0,5 (ukuran kromosom 32 gen) apabila ditemukan jarak antar nada lebih dari 4. Untuk fungsi chord note, fungsi relation note, fungsi direction note, fungsi beginning note dan fungsi end note digunakan untuk menambahkan nilai fitness sebesar 1,0 (ukuran kromosom 8 gen), 0,5 (ukuran kromosom 16 gen) dan 0,25 (ukuran kromosom 32 gen).
Fungsi fitness berlaku untuk semua kromosom yang ada generasi. Hasil dari fungsi fitness adalah nilai fitness yang akan dimiliki oleh setiap kromosom. Nilai fitness berguna untuk proses selanjutnya yaitu proses seleksi (tournament selection). Kromosom yang mempunyai nilai fitness yang lebih tinggi akan menang dan terpilih sebagai kromosom induk.
Gambar 3.4 Flowchart proses tournament selection
Selanjutnya dari generasi yang ada dipilih beberapa kromosom untuk dijadikan kromosom induk. Proses seleksi yang dipakai adalah tournament selection (Suyanto, 2005) seperti pada Gambar 3.4. Kromosom yang dipilih sebanyak parameter input tournament size dikalikan dua. Kemudian dari semua kromosom yang terpilih kromosom dipasang-pasangkan dua kromosom setiap pasang. Dalam setiap pasang dipilih lagi satu kromosom yang mempunyai nilai fitness yang lebih tinggi. Karena proses crossover hanya bisa dilakukan antar dua kromosom induk, maka apabila hasil hanya bisa dilakukan antar dua kromosom induk, maka apabila hasil tournament selection kromosom yang terpilih berjumlah ganjil, kromosom yang terakhir dihapus satu. Pada Gambar 3.5 terdapat kromosom yang terpilih sebanyak 8 buah kromosom. Selanjutnya kromsom-kromosom
tersebut dipasang-pasangkan menjadi 2 kromosom setiap pasang seperti pada Gambar 3.6. Dari setiap pasangan dipilih satu kromosom yang mempunyai nilai fitnesslebih tinggi untuk dijadikan kromosom induk seperti pada Gambar 3.7.
Kromosom C45 C23 C90 C56 C22 C9 C42 C88 Nilai Fitness 14.5 22.3 10.2 21.3 19.4 3.1 22.5 23.5 Gambar 3.5 Kromosom yang terpilih untuk tournament selection
Kromosom C45 C23 C90 C56 C22 C9 C42 C88 Nilai Fitness 14.5 22.3 10.2 21.3 19.4 3.1 22.5 23.5
Gambar 3.6 Hasil seleksi kromsom Kromosom C23 C56 C22 C88 Nilai Fitness 22.3 21.3 19.4 23.5
Gambar 3.7 Kromosom yang terpilih sebagai induk
Pada Gambar 3.8 proses crossover atau pindah silang dilakukan dengan menggunakan metode one-point-crossover (Manongga, 2005). Pindah silang dilakukan apabila bilangan acak yang dibangkitkan lebih kecil dari parameter crossover rate(probabilitas crossover). Adapun titik pindah silang juga didapatkan secara acak. Untuk menentukan pindah silang kiri atau kanan dilakukan dengan cara membangkitkan bilangan acak antara 0 sampai 1. Apabila bilangan yang dibangkitkan lebih kecil dari 0,5 maka lakukan pindah silang di sebelah kiri. Atau apabila bilangan yang dibangkitkan lebih besar atau sama dengan 0,5 maka lakukan pindah silang di sebelah kanan. Gambar 3.9 memperlihatkan kromosom sebelum di-crossover sedangkan Gambar 3.10 adalah kromosom baru hasil crossover.
0 3 1 2 6 4 5 2 5 1 6 2 4 2 0 1
Gambar 3.9 Kromosom sebelum di-crossover 0 3 1 2 6 2 0 1
5 1 6 2 4 4 5 2
Gambar 3.10 Kromosom setelah di-crossover
Pada Gambar 3.9 terlihat dua deret kromosom yang akan disilangkan. Kromosom pertama mempunyai gen [0, 3, 1, 2, 6, 4, 5,2] dan kromosom kedua mempunyai gen [5, 1, 6, 2, 4, 2, 0, 1]. Sebagai contoh bilangan acak yang dibangkitkan untuk titik crossover adalah 6. Kemudian kita tentukan apakah akan dilakukan penyilangan di kiri atau kanan titik crossover dengan membangkitkan bilangan acak antar 0 sampai 1. Misalkan nilai yang dihasilkan adalah 0,85 berarti lakukan pindah silang disisi kanan. Karena point crossover adalah 6 maka gen ke-6, gen ke-7 dan gen ke-8 kita silangkan. Hasil crossover dapat dilihat pada Gambar 3.10 yaitu gen kromosom pertama menjadi [0, 3, 1, 2, 6, 2, 0, 1] dan gen kromosom kedua menjadi [5, 1, 6, 2, 4, 4, 5,2].
Gambar 3.11 Flowchart proses mutasi
Pada Gambar 3.11 proses mutasi dilakukan untuk semua gen dalam populasi. Adapun jangkauan parameter mutation rate adalah 0-1000. Mutasi dilakukan apabila bilangan acak yang dibangkitkan lebih kecil dari nilai mutation rate (probabilitas mutasi) (Suyanto, 2005). Mutasi dilakukan dengan cara mengganti gen dengan salah satu dari tiga anggota rumus akord. Gambar 3.12 adalah contoh kromosom sebelum mutasi, kemudian dibangkitkan bilangan acak pada setiap gen seperti pada Gambar 3.13. Misalkan nilai mutation rate adalah sebesar 10 maka gen yang mempunyai bilangan acak di bawah 10 akan di mutasi menjadi seperti pada Gambar 3.14.
0 2 5 2 5 2 5 9
Gambar 3.12 Kromosom sebelum mutasi Bilangan Acak 100 44 48 5 1 802 17 2
Gen Kromosom 0 2 5 2 5 2 5 9
0 2 5 4 7 2 5 0 Gambar 3.14 Contoh setelah mutasi
Proses algoritma genetika akan berhenti berdasarkan kondisi terminasi. Yang menjadi acuan kondisi terminasi adalah nilai parameter termination generation. Nilai parameter termination generation akan menentukan jumlah generasi. Jika proses sudah mencapai pada generasi sesuai dengan nilai termination generaion maka proses akan berhenti dan diambil sepuluh kromosom yang terbaik untuk di-decodingdan ditampilkan. Proses decoding dilakukan dengan cara sebagai berikut : - Konversi setiap gen dalam kromosom yang berupa bilangan bulat menjadi String nada. Caranya adalah dengan menjadikan nilai gen sebagai indeks array RANGE_NOTES[] yang ada pada Kode Program 3.1. Pada Gambar 3.15 dapat dilihat kromosom sebelum dan sesudah proses decoding.
public static String RANGE_NOTES[] = {
"C5","C#5","D5","D#5","E5","F5","F#5","G5","G#5","A5","A#5","B5", "C5","C#5","D5","D#5","E5","F5","F#5","G5","G#5","A5","A#5","B5" };
Kode Program 3.1 Array konversi ke String nada
Sebelum Decoding 0 2 5 10 7 2 5 0
Sesudah Decoding C5 D5 F5 A#5 G5 D5 F5 C5 Gambar 3.15 Contoh kromosom sebelum dan sesudah decoding
- Selanjutnya sesuai dengan ukuran kromosom tambahkan durasi dibelakang String nada. Ketentuan pemberian durasi disesuaikan dengan panjang kromosom. Untuk panjang kromosom 8 gen tambahkan String i (eighth), untuk panjang kromosom 16 gen tambahkan String s (sixteenth) dan untuk panjang kromosom 32 gen tambahkan String t (thirty-second). Contoh ada pada Gambar 3.16.
C5i D5i F5i A#5i G5i D5i F5i C5i Gambar 3.16 Contoh hasil pemberian durasi
- Untuk pilihan melodi non-arpeggio gabungkan nada dengan durasi dan tinggi yang sama menjadi 1 (satu) nada saja sehingga melodi mempunyai durasi yang bervariasi seperti Gambar 3.17.
Sebelum C5i D5i D5i A#5i G5i D5i F5i C5i Sesudah C5i D5q A#5i G5i D5i F5i C5i Gambar 3.17 Nada sebelum dan sesudah konversi durasi
- Gambar hasil akhir decoding ke dalam graphics panel dalam bentuk notasi dan tablature gitar seperti pada Gambar 3.18.
(a) (b) Gambar 3.18 Notasi arpeggio (a) dan non-arpeggio (b) 4. Hasil dan Pembahasan
Antarmuka sistem dibagi menjadi 4 bagian utama yang dapat dilihat pada Gambar 4.1, yaitu panel notasi standard dan tablature gitar, tabel 10 nilai fitness terbaik yang dapat digunakan untuk memilih melodi, form input parameter-parameter algoritma genetika dan form input skala, root dan akord pada setiap birama musik.
Gambar 4.1 Antarmuka aplikasi generator melodi
Selanjutnya hasil melodi yang di-generate diuji dengan cara menghitung persentase jumlah rumus akord terhadap kromosom terbaik yang didapatkan. Serta dilakukan dengan cara membandingkan antara hasil karya manusia dengan hasil generatemelodi.
Tabel 4.1 Pengujian population size sebesar 10, 100 dan 1000 Persentase Akord Terhadap Melodi (%) Data
Ke-Population Size10 Population Size100 Population Size1000
1 50,0 50,0 62,5
2 37,5 62,5 75,0
Persentase Akord Terhadap Melodi (%) Data
Ke-Population Size10 Population Size100 Population Size1000
4 62,5 62,5 75,0 5 62,5 87,5 62,5 6 50,0 37,5 75,0 7 62,5 62,5 62,5 8 62,5 62,5 50,0 9 62,5 50,5 75,0 10 50,0 50,5 87,5 11 50,0 37,5 62,5 12 25,0 50,5 62,5 13 25,0 12,5 50,0 14 37,5 87,5 75,0 15 62,5 62,5 75,0 16 62,5 50,0 50,0 17 75,0 100,0 62,5 18 25,0 87,5 75,0 19 50,0 87,5 50,0 20 25,0 50,0 62,5 21 37,5 50,0 75,0 22 50,0 37,5 50,0 23 25,0 37,5 75,0 24 37,5 62,5 62,5 25 37,5 50,0 75,0 26 37,5 37,5 87,5 27 62,5 50,0 75,0 28 37,5 62,5 62,5 29 62,5 75,0 62,5 30 75,0 50,0 62,5 Total 1.475,0 1.725,0 2.012,5 Rata-rata 49,166 57,5 67,083
Dari pengujian Tabel 4.1 didapatkan rata-rata persentase akord di dalam melodi hasil generate sebesar 49,166% untuk nilai population size sebesar 10, rata-rata persentase 57,5% untuk nilai population size sebesar 100 dan rata-rata persentase 67,083% untuk nilai population size sebesar 1000.
Pengujian dilakukan dengan cara yang sama pada parameter yang lain dan didapatkan hasil untuk parameter population size rata-rata persentase akord hasil generateadalah sebesar 49,166% (population size = 10), 57,5% (population size = 100) dan 67,083% (population size = 1000). Dari hasil yang diperoleh dapat kita tarik kesimpulan, semakin tinggi parameter population size maka semakin tinggi pula persentase jumlah akord dalam melodi hasil generate.
Untuk parameter chromosome size rata-rata persentase akord hasil generate adalah sebesar 83,33% (chromosome size = 8), 86,042% (chromosome size = 16) dan 87,604% ( chromosome size = 32). Dari hasil yang diperoleh dapat kita tarik kesimpulan, semakin tinggi parameter chromosome size maka semakin tinggi pula persentase jumlah akord dalam melodi hasil generate.
(termination generation = 100) dan 100,0% (termination generation = 1000). Dari hasil yang diperoleh dapat kita tarik kesimpulan, semakin tinggi parameter termination generation maka semakin tinggi pula persentase jumlah akord dalam melodi hasil generate.
Untuk parameter tournament size rata-rata persentase akord hasil generate adalah sebesar 13,9% (tournament size = 5), 59,583% (tournament size = 25) dan 59,375% (tournament size = 50). Dari hasil yang diperoleh dapat kita tarik kesimpulan, tournament size tidak mempengaruhi persentase akord secara berbanding lurus. Hasilnya akan selalu berubah tidak menentu.
Untuk parameter crossover rate rata-rata persentase akord hasil generate adalah sebesar 60,417% (crossover rate = 10), 60,417% (crossover rate = 50) dan 57,292% (crossover rate = 100). Dari hasil yang diperoleh dapat kita tarik kesimpulan, semakin tinggi parameter crossover rate maka semakin rendah persentase jumlah akord dalam melodi hasil generate.
Untuk mutation rate rata-rata persentase akord hasil generate adalah sebesar 60,417% (mutation rate = 10), 85,0% (mutation rate = 100) dan 100,0% (mutation rate = 1000). Dari hasil yang diperoleh dapat kita tarik kesimpulan, semakin tinggi parameter mutation rate maka semakin tinggi pula persentase jumlah akord dalam melodi hasil generate.
Untuk perbandingan dengan hasil karya manusia perbandingan dilakukan pada salah satu birama hasil karya manusia, dibandingkan dengan hasil generate sistem diambil 10 kromosom yang mempunyai nilai fitness tertinggi. Selanjutnya akan dibandingkan nada yang sama pada posisi yang sama sehingga didapatkan persentase kesamaannya. Hasil karya manusia diambil dari lagu Through The Fire And Flames (Dragon Force:2007) pada birama ke-244 seperti pada Gambar 4.2. Skala yang dipakai dalam lagu Through The Fire And Flames adalah MINOR, dengan nada dasar C dan Akord Minor.
D# D C D - C G# G G# - C D D# F - G F G G#
Gambar 4.2 Through The Fire And Flames karya Dragon Force, birama 244 Selanjutnya dibandingkan dengan 10 melodi dengan nilai fitness tertinggi dalam sekali generate yang ada pada Gambar 4.3 sampai Gambar 4.12.
Gambar 4.3 Melodi dengan nilai fitness sebesar 2,25
Gambar 4.5 Melodi dengan nilai fitness sebesar 4,25
Gambar 4.6 Melodi dengan nilai fitness sebesar 6,0
Gambar 4.7 Melodi dengan nilai fitness sebesar 6,25
Gambar 4.8 Melodi dengan nilai fitness sebesar 6,75
Gambar 4.9 Melodi dengan nilai fitness sebesar 7,0
Gambar 4.10 Melodi dengan nilai fitness sebesar 8,75
Gambar 4.11 Melodi dengan nilai fitness sebesar 9,0
Gambar 4.12 Melodi dengan nilai fitness sebesar 9,0
Perbandingan dilakukan dengan cara mengecek nada melodi setiap posisi yang sama. Dihitung nada yang sama pada posisi tersebut kemudian diambil persentase kemiripan, sehingga dapat dibandingkan yang lebih mendekati hasil karya manusia dengan hasil generate sistem seperti pada Tabel 4.2.
Tabel 4.2 Tabel perbandingan hasil generate melodi Nilai Fitness Nada Asli 2,25 4,0 4,25 6,0 6,25 6,75 7,0 8,75 9,0 9,0 D# G D# D# C D# G# G# C C C D C G# D# C D# D# D# C D# C C C C A# G# C D# G# F A# D#
Nilai Fitness Nada Asli 2,25 4,0 4,25 6,0 6,25 6,75 7,0 8,75 9,0 9,0 D D# C E A# F D# C D# G C C D# A# A# G# C D# D# D# G C G# G# D D# C D# C D# C D# C G F C C D# C G# D# D D# C G# F C F D# C G# C C D# C C E D# D# C G G G D# C G# D G# D# C C D# C C G C C D# D# A# C D D# A# D# C D# D# F D# G D# C C F C C D# D# G D A# D# C G D# C G C C F C C D# A# D# D# D# C A# C G C C C D# G# C C D# D# D# G# A# D# F G# C D# C D# D G# Nada Sama 1 2 1 2 5 2 1 1 1 2 Persentase 6,25 12,5 6,25 12,5 31,25 12,5 6,25 6,25 6,25 12,5 Dari hasil Tabel 4.2 dapat kita ketahui persentase kemiripan antara hasil karya manusia dengan hasil generate melodi. Untuk melodi yang paling mendekati hasil karya manusia dalam perbandingan ini adalah melodi dengan nilai fitness sebesar 6,25 yang mempunyai persentase kemiripan sebesar 31,25%. Jika dibandingkan dengan kromosom dengan nilai fitness tertinggi sebesar 9,0 hanya mempunyai persentase kemiripan sebesar 12,5% dan 6,25%.
5. Kesimpulan
Representasi kromosom yang dapat digunakan adalah representasi kromosom berdasarkan skema descrete decimal encoding. Setiap gen menggunakan bilangan bulat dimana setiap bilangan merupakan representasi dari setiap nada. Pada kenyataannya penggunaan bilangan bulat akan mempermudah proses transpose nada dan perhitungan jarak antar nada. Seperti pada Tabel 5.1 semua nada dikonversi menjadi bilangan bulat dari 0 sampai 23.
Tabel 5.1 Tabel Encoding Gen Kromosom C C# D D# E F F# G G# A A# B
0 1 2 3 4 5 6 7 8 9 10 11
12 13 14 15 16 17 18 19 20 21 22 23
Dari hasil pengujian pengaruh parameter-parameter algoritma genetika terhadap melodi yang dihasilkan, semakin tinggi parameter population size (1000), maka semakin tinggi pula persentase rumus akord yang ada pada melodi hasil generate sistem (67,083%). Semakin tinggi parameter chromosome size (32 gen), maka semakin tinggi pula persentase rumus akord yang ada pada melodi hasil generate sistem (87,604%). Semakin tinggi parameter termination generation (1000), maka semakin tinggi pula persentase rumus akord yang ada pada melodi hasil generate sistem (100%).
Perubahan parameter tournament size tidak berbanding lurus ataupun terbalik terhadap persentase rumus akord. Hasil pengujian menunjukkan nilai presentase yang berubah-ubah tidak menentu terhadap nilai input tournament size yang berbeda-beda. Semakin tinggi nilai crossover rate (100) maka semakin rendah persentase rumus akord yang ada pada hasil generate. Kesimpulannya adalah nilai crossover rateberbanding terbalik terhadap persentase jumlah akord melodi yang dihasilkan (57,292%). Semakin tinggi parameter mutation rate (1000), maka semakin tinggi pula persentase rumus akord yang ada pada melodi hasil generate sistem (100%). Berdasarkan perbandingan terhadap hasil karya manusia, hasil generate melodi dengan nilai fitness tertinggi (nilai fitness = 9,0) belum tentu mempunyai persentase kemiripan yang tertinggi pula (12,5%). Terkadang hasil generate dengan nilai fitness yang lebih rendah (nilai fitness = 6,25) mempunyai persentase kemiripan yang lebih besar (31,25%).
Daftar Pustaka
[Arh06] Arhami, Muhammad, & Desiani, Anita, 2006, Konsep Kecerdasan Buatan, Yogyakarta: ANDI OFFSET.
[Ari05] Arisasangka, Inung, 2005, Kamus Skala Melodi, Yogyakarta: Bhuana Ilmu Populer.
[Ari06] Arisasangka, Inung, 2006, 92 Skala dan Mode Melodi, Yogyakarta: Bhuana Ilmu Populer.
[Hen08] Hendro, 2008, Teknik Penggunaan Jembatan Akord pada Gitar, Jakarta: Kawan Pustaka.
[Man05] Manongga, Danny, 2005, Pengantar Algoritma Genetik, Salatiga: Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
[Nic07] Nickol, Peter, 2007, Panduan Praktis Membaca Notasi Musik, Jakarta: Gramedia Pustaka Utama.
[Pan07] Pandjaitan, Lanny, 2007, Dasar-dasar Komputasi Cerdas, Yogyakarta: ANDI OFFSET.
Radiant Victor Imbar1) dan Wendi Chandra2) Jurusan Sistem Informasi, Fakultas Teknologi Informasi
Universitas Kristen Maranatha, Bandung Jl. Prof. Drg. Suria Sumantri No. 65 Bandung 40164 Email :[email protected]1),[email protected]2)
Abstract
Today, technology is growth very fast. Many advantage witches can get from the technology, which one is using Encrypted Application, that makes the company can store the data on database with more safely better than application which not using the Encrypted Application. The Encrypted Application can apply within company which have image file, especially .jpg, because file .jpg have a little space that more efficient and effective in space memory. By using the Encrypted Application such as Huffman method in this application, hopefully that can make the company work more efficient and effective in the safety problem.
Keywords: Encrypted Application, Image file, Efficient and effective 1. Pendahuluan
Dalam era globalisasi sekarang ini, maka kebutuhan akan teknologi informasi sudah tak terbendung lagi, mengingat kemajuan teknologi informasi itu sendiri sudah semakin meningkat seiring dengan perkembangan jaman. Seperti yang terjadi pada dunia perbankan di Indonesia pada masa sekarang ini penggunaan teknologi komputer dapat membuat tingkat keakuratannya lebih dapat dipercaya, sehingga kesalahan-kesalahan yang dibuat oleh manusia dapat diminimalisasi.
PT. BPR Daya Lumbung Asia yang bergerak dalam bidang bank perkreditan rakyat ini telah memutuskan untuk menggunakan sistem komputerisasi untuk mempermudah pekerjaannya. Di samping itu, dengan adanya sistem komputerisasi di bank ini dapat membantu pula di dalam meningkatkan tingkat keamanan, seperti aplikasi metode enkripsi file tanda tangan yang dapat mencegah penyalahgunaan data nasabah di bank tersebut dari pihak-pihak yang tak bertanggung jawab, khususnya tanda tangan nasabah yang berfungsi sebagai identifikasi ketika nasabah tersebut akan melakukan segala transaksi pada bank ini, agar tidak disalahgunakan oleh pihak yang tak bertanggung jawab.
Aplikasi dengan metode enkripsi ini menggunakan metode pohon Huffman yang tidak hanya berfungsi untuk mengenkripsi file tanda tangan nasabah saja, tetapi juga dapat mengkompresi file tersebut, sehingga file yang dihasilkan dari aplikasi ini menjadi lebih efisien di dalam pemakaian memori dan juga aman ketika disimpan di dalam database maupun untuk ditampilkan
2. Landasan Teori