1
BAB I PENDAHULUAN
Pada bab ini akan dibahas tentang latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian, dan kontribusi penelitian. Masalah-masalah yang dihadapi berkaitan dengan melakukan identifikasi terhadap tanda tangan asli dan tanda tangan palsu yang diujikan. Data yang digunakan adalah data yang didapatkan dari pengambilan data secara manual pada bulan Mei 2014 bertempat di Universitas Kristen Duta Wacana (UKDW), Yogyakarta. Tujuan akhir penelitian ini adalah agar dapat berkontribusi serta memberikan manfaat dalam meningkatkan akurasi dalam pengenalan keaslian tanda tangan.
1.1 Latar Belakang
Proses identifikasi diperlukan untuk membedakan seseorang dengan orang lain. Proses identifikasi dilakukan dengan mengetahui dan mengenali karakteristik tertentu dari seseorang tersebut. Pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya dikenal sebagai biometrik [1]. Biometrik merepresentasikan suatu metode autentifikasi yang menyatakan ”something you are” atau Schneier menyebut “you are your key” [2] . Terdapat banyak tipe biometrik antara lain sidik jari, pengenalan suara, retina dan tanda tangan. Pada penelitian ini model biometrik yang digunakan adalah tanda tangan.
Setiap orang memiliki tanda tangan yang unik dan berbeda satu sama lain.
Tanda tangan menjadi sebuah cara untuk memvalidasi seseorang, contohnya antara lain jika seseorang tersebut akan melakukan pengambilan uang di bank atau digunakan untuk validasi kehadiran pada saat rapat, ujian dan sebagainya. Tanda tangan juga digunakan untuk pengecekan dokumen yang penting seperti buku tabungan, ijasah, surat kuasa dan dokumen lainnya. Melihat sejumlah besar tanda tangan diverifikasi visual setiap harinya secara manual maka memunculkan adanya potensi pembuatan sebuah sistem yang dapat melakukan verifikasi tanda tangan untuk memastikan keaslian tanda tangan dan mencegah adanya tindak
2
pemalsuan tanda tangan. Teknologi identifikasi untuk pengenalan pola tanda tangan termasuk di dalam biometrik yang menggunakan karakteristik perilaku alami manusia [3]. Perkembangan teknologi saat ini memungkinkan adanya dua tipe tanda tangan, yaitu tanda tangan online dan offline. Untuk penelitian ini nantinya akan lebih banyak membahas mengenai pengenalan tanda tangan offline.
Pengenalan tanda tangan offline memiliki dua permasalahan utama, yaitu pengenalan tanda tangan dengan data sampel yang terbatas dan kemampuan sistem untuk mengenali tanda tangan seseorang dari beberapa model pemalsuan tanda tangan (random, unskilled, skilled) [4]. Dalam kehidupan nyata, sangat sulit untuk mendapatkan data sampel untuk menguji kebenaran tanda tangan seseorang misalnya saja untuk pengujian terhadap ada tidaknya tindak kecurangan joki pada saat pembelian tiket kereta atau pada saat ujian masuk universitas karena data sampel yang ada hanya terbatas misalnya saja untuk ujian data sampel yang ada hanya tanda tangan yang ada pada kartu ujian mahasiswa. Selain itu tindak pemalsuan tanda tangan ada beberapa macam, ada model pemalsuan random biasanya pemalsu membuat sendiri tanda tangan yang akan dipalsu tanpa mengetahui tanda tangan asli seperti apa. Lalu terdapat model pemalsuan belum terlatih (unskilled forgery), pemalsu dengan model ini mencoba menirukan tanda tangan asli tanpa melatih tanda tangan tersebut terlebih dahulu. Kemudian ada model pemalsuan terlatih (skilled forgery), pemalsu mempelajari terlebih dahulu tanda tangan asli dan memalsukan tanda tangan asli dengan hampir sempurna.
Pengenalan tanda tangan terdapat berbagai macam metode yang dapat digunakan, antara lain Pattern Matching, Backpropagation Network, Hidden Markov Model (HMM), Support Vector Machine (SVM) dan masih banyak lagi [5]. Hal terpenting sebelum memasukkan data ke dalam berbagai macam metode di atas adalah terlebih dahulu data harus melalui tahap praproses dan ekstraksi fitur. Beberapa model praproses antara lain metode Otsu, median filter dan lainnya [6]. Kemudian beberapa contoh ekstraksi fitur antara lain dapat dilakukan dengan Zernike Moment [7], Dynamic Time Warping (DTW) [6], Polar Fourier Transform (PFT) [8] atau metode-metode yang lain. Dengan melakukan
3
kombinasi terhadap beberapa metode ekstraksi fitur yang ada nantinya akan dapat memberikan hasil yang cukup baik dalam pengenalan tanda tangan asli dan palsu.
SVM adalah sebuah teknik yang dapat dibilang baru dalam bidang recognition. Pada dasarnya SVM adalah sebuah klasifikasi yang memisahkan secara linear dua buah kelas yang ada dengan mencari terlebih dahulu hiperplane maximum margin antara dua buah kelas yang ada [9]. Sedangkan Multilayer Perceptron adalah sebuah contoh dari Artificial Neural Network (ANN) yang biasanya digunakan untuk memberikan solusi terhadap permasalahan yang berbeda, misalnya untuk pengenalan pola dan interpolasi [10].
Diharapkan dengan adanya penelitian ini maka dapat dilakukan percobaan beberapa kombinasi metode untuk menyelesaikan beberapa masalah yang banyak terjadi dalam pendeteksian tanda tangan palsu menggunakan komputer, yaitu permasalahan data citra yang memiliki terlalu banyak derau dan citra tanda tangan palsu memiliki bentuk yang hampir mirip dengan tanda tangan asli.
1.2 Perumusan masalah
Banyaknya kebutuhan untuk validasi tanda tangan untuk setiap harinya memungkinkan adanya kesalahan dalam pengenalan keaslian tanda tangan.
Walaupun sudah banyak dilakukan penelitian mengenai pengenalan tanda tangan akan tetapi masih terdapat banyak kesalahan akibat pemalsuan tanda tangan. Oleh karena itu diperlukan sebuah pengujian dengan membandingkan metode-metode yang sudah ada untuk mencari metode yang terbaik dan melakukan kombinasi beberapa metode tersebut untuk meningkatkan akurasi dari sistem pengenalan keaslian tanda tangan saat terjadi pemalsuan dengan model skilled forgery.
1.3 Batasan Penelitian
1. Citra yang digunakan dalam percobaan adalah citra tanda tangan yang discan dengan resolusi 300 dpi.
2. Citra hasil scan disimpan dalam bentuk JPEG dengan ukuran 600x428 piksel.
4 1.3 Keaslian Penelitian
Penelitian tentang pengenalan tanda tangan telah banyak dilakukan oleh para peneliti. Pada bagian ini diberikan kajian mengenai beberapa penelitian yang telah dilakukan sebelumnya untuk pengenalan tanda tangan. Kajian dilakukan untuk memberikan informasi mengenai perbedaan dan kebaruan antara penelitian- penelitian sebelumnya dengan penelitian yang dilakukan pada saat ini.
Chen dan Srihari melakukan penelitian dengan menggunakan ekstraksi fitur Dynamic Time Warping (DTW) untuk melihat kesamaan antara tanda tangan satu dengan lainnya [6]. Metode DTW digunakan dengan melihat kesamaan antara kontur tanda tangan yang satu dengan lainnya. Kemudian pada pembahasan metode DTW dikombinasikan dengan Zernike Moment digunakan sebagai ekstraksi fitur dalam penelitian ini. Data yang digunakan adalah 1320 data tanda tangan asli dan 1320 data tanda tangan palsu. Dari data tersebut didapatkan hasil kombinasi DTW dan Zernike Moment memberikan tingkat akurasi mencapai 95%.
Zhang dan Lu memperkenalkan metode ekstraksi fitur Polar Fourier Transform (PFT) untuk mengenali bentuk pada pengenalan gambar pada database citra bentuk MPEG-7 [11]. Pada penelitian ini didapatkan bahwa metode PFT memiliki hasil yang lebih baik daripada Zernike Moment Descriptor. Penelitian yang dilakukan Zhang dan Lu dikuatkan dengan penelitian yang dilakukan oleh Kadir dkk.
Kadir dkk menggunakan citra daun [8] untuk menguji metode PFT.
Penelitian ini memfokuskan pada pengenalan daun dengan membandingkan beberapa metode ekstraksi fitur. Adapun metode yang dibandingkan untuk ekstraksi fitur adalah Moment Invariant (Hu), Zernike Moment dan Polar Fourier Transform. Penelitian ini menggunakan 52 jenis tumbuhan dengan berbagai macam bentuk daun. Pada kesimpulan, didapatkan bahwa PFT memberikan hasil yang cukup baik dengan memberikan tingkat akurasi sebesar 64% dan lebih baik dibandingkan metode lainnya.
Jariah dkk. melakukan pengenalan tanda tangan off line dengan metode klasifikasi Radial Basis Function (RBF) [3]. Penelitian ini menggunakan 150 data
5
tanda tangan dari 10 responden sebagai tanda tangan latih, sedangkan untuk pengujian digunakan 30 tanda tangan dari 10 responden tersebut. Data tanda tangan yang ada menggunakan ekstraksi fitur dengan Moment Invariant (Hu).
Jariah dkk. melakukan klasifikasi menggunakan RBF sehingga didapatkan tingkat akurasi 80% untuk pengenalan tanda tangan latih dan tanda tangan yang diujikan.
Permasalahan yang terjadi dalam penelitian ini adalah adanya pola tanda tangan yang tidak dapat dikenali karena terdapat perbedaan dalam ukuran dan posisi dari semua tanda tangan yang diambil.
Selain penelitian klasifikasi yang dilakukan oleh Jariah dkk. terdapat juga penelitian oleh Justino dkk.. Justino dkk. membandingkan klasifikasi dengan SVM dan HMM untuk melakukan verifikasi tanda tangan offline [4]. Penelitian ini menggunakan 100 orang responden dan menggunakan klasifikasi HMM dan SVM dalam melakukan identifikasi dan verifikasi tanda tangan. Pada penelitian ini didapati bahwa dengan 6 data sampel tanda tangan asli, sistem dapat melakukan identifikasi dengan baik, hal ini dapat dilihat dari hasil eror rate untuk HMM adalah 19% dan untuk SVM adalah 13%. Hasil eror rate terlihat semakin berkurang jika semakin banyaknya data sampel yang dimasukkan. Setelah dilakukan penelitian, ada beberapa kelemahan yang terlihat, yaitu terjadi kesalahan yang cukup tinggi yaitu lebih dari 20% dalam pengenalan tanda tangan saat data sampel yang digunakan kurang dari 5 buah. Kemudian kelemahan berikutnya adalah pada saat diujicobakan tanda tangan palsu dengan model simulated forgery didapati bahwa semakin banyak data sampel tanda tangan palsu yang dimasukkan ke dalam sistem menyebabkan nilai forgery error rate semakin tinggi, sehingga tanda tangan palsu tersebut akan dikenali sebagai tanda tangan asli.
Kiani dkk. [12] menggunakan dua model data yaitu model pertama terdiri dari 600 data tanda tangan dari 20 penulis asal Persia dan model kedua terdiri dari 924 data tanda tangan dari 22 penulis asal Inggris. Penelitian ini menghasilkan hasil identifikasi untuk penulis asal Persia 96% , dengan False Rejection Rate (FRR) hanya sebesar 4% dan nilai False Acceptance Rate (FAR) 17%. Sedangkan
6
untuk data tanda tangan penulis asal Inggris didapati bahwa FRR 19% dengan FAR 2% untuk simpel forgery dan 22% nilai FAR untuk simulated forgery.
Metode yang digunakan untuk ekstraksi fitur dalam penelitian ini adalah local Radon Transform dan untuk proses klasifikasi menggunakan Support Vector Machine (SVM).
Nguyen dkk. [13] melakukan pengujian terhadap verifikasi tanda tangan menggunakan tambahan Modified Direction Feature (MDF) dan Enhanced MDF (EMDF) untuk proses ekstraksi fitur. Kemudian untuk proses klasifikasi menggunakan perbandingan antara MultiLayer Perceptron (MLP), RBF dan SVM. Dari hasil penelitian didapatkan bahwa teknik SVM memberikan hasil yang lebih baik dari pada teknik klasifikasi yang lain.
Kemudian Patil dan Hegadi [14] yang melakukan analisis identifikasi tanda tangan menggunakan SVM baik linear maupun non-linear dan saat klasifikasi dijalankan ditambahkan teknik Sequential Optimazation untuk mempercepat proses optimasi. Dari penelitian ini menggunakan Daubechies Wavelet Transform untuk ekstraksi fitur. Pada klasifikasi menggunakan linear kernel dan RBF kernel. Hasilnya adalah untuk linear kernel nilai FAR adalah 13% dan FRR 10%, sedangkan untuk RBF nilai prosentase untuk FAR adalah 15%, dan nilai FRR didapatkan 12%.
Ito dkk. [15] mengatakan bahwa setiap kali diadakan penelitian untuk identifikasi tanda tangan selalu ada permasalahan yang sama, yaitu permasalahan untuk meningkatkan akurasi dan mengurangi sampel data training. Akan tetapi tanda tangan setiap orang terkadang cukup bervariasi selama kurun waktu tertentu, semakin sedikit data sampel yang dimiliki maka meningkatkan FRR dari tanda tangan asli tersebut. Oleh karena itu dikembangkan sebuah SVM dengan menggabungkan teknik untuk fitur online dengan menggunakan teknik Dynamic Programming Matching dan teknik untuk offline dengan menggunakan fitur gradient vector untuk merepresentasikan bentuk dari tanda tangan. Hasilnya adalah didapatkan 89,65% akurasi untuk verifikasi dari 3 sampel tanda tangan dan 92,96% untuk akurasi tanda tangan dengan 6 sampel tanda tangan.
7
Kumawat dkk. [9] melakukan beberapa percobaan menggunakan metode HMM, SVM dan kombinasi HMM-SVM dengan kombinasi dari Curvelet Transform dan Invariant Transform. Dari percobaan dengan minimal sampel yang digunakan dalam training(10 sampel) didapati akurasi SVM cukup tinggi yaitu 99,4% kemudian untuk HMM hanya 90% dan untuk kombinasi SVM-HMM 90%.
Nilai tertinggi untuk HMM adalah 97,8% untuk 90 sampel, sedangkan untuk kombinasi HMM-SVM mencapai tertinggi di 99,11% untuk 120 sampel data.
Pada percobaan yang dilakukan ini dapat dilihat bahwa tingkat akurasi SVM masih cukup tinggi dibandingkan HMM-SVM. Akan tetapi pada percobaan ini beberapa permasalahan yaitu perbedaan dari banyak kata yang ditulis mempengaruhi keakuratan pendeteksian sehingga untuk itu akan dilakukan percobaan yang hampir sama dengan data tanda tangan untuk mengetahui tingkat akurasi dari kombinasi HMM-SVM untuk proses pengenalan tanda tangan.
Penelitian dalam bidang pengenalan tanda tangan telah banyak dilakukan, berikut ini adalah beberapa penelitian yang telah dilakukan yang dirangkum pada Tabel 1.1.
Tabel 1.1 Tabel perbandingan keaslian penelitian
No Peneliti Data Metode Keterangan
1. Chen dan Srihari [6], 2005.
1320 citra tanda tangan asli dan 1320 citra tanda tangan palsu
Dynamic Time Warping (DTW), Zernike Moment.
Akurasi
pengenalan tanda tangan sebesar 94,9%.
2. Zhang dan Lu [11], 2002.
database citra bentuk MPEG- 7
Polar Fourier Transform (PFT) dan Zernike Moment Descriptor (ZMD).
PFT lebih baik dibandingkan ZMD.
8
Tabel 1.2 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
3. Kadir dkk.
[8], 2011.
52 jenis tumbuhan dengan berbagai macam bentuk daun
Perbandingan hasil pengenalan bentuk daun menggunakan Moment Invariant, Zernike Moment dan PFT.
PFT memberikan tingkat akurasi yang lebih baik dibandingkan metode lain, yaitu sebesar 64%.
4. Jariah dkk.
[3] , 2011.
150 citra tanda tangan untuk data latih dan 30 citra tanda tangan untuk data uji.
Ekstraksi fitur dengan Moment Invariant. Untuk klasifikasi
menggunakan Radial Basis Function dengan alternatif dari Multilayered Feedforward Neural (MFN) yang telah dikembangkan.
Akurasi sebesar 80% dengan error yang terjadi sekitar 20%. Kesalahan pengenalan tanda tangan terjadi akibat perbedaan ukuran dan posisi dari citra tanda tangan yang diambil.
5. Justino dkk. [4], 2005.
1600 citra tanda tangan.
Ekstraksi fitur dengan grid segmentation.
Untuk klasifikasi membandingkan Hidden Markov Model (HMM) dan SVM.
SVM memberikan hasil yang lebih baik dibandingkan HMM.
9
Tabel 1.3 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
6. Kiani dkk.
[12], 2009.
600 citra tanda tangan dari 20 orang Persia dan 924 citra dari 22 orang Inggris.
Ekstraksi Fitur dengan Radon Transform dan
Line Segment
Detection. Metode klasifikasi yang digunakan adalah SVM dengan RBF kernel.
Hasil kombinasi local Radon Transform dan SVM memberikan hasil cukup baik untuk pengenalan tanda tangan.
7. Nguyen dkk. [13], 2007.
3840 citra tanda tangan asli dari 160 volunter dan 4800 citra tanda tangan palsu dengan model
simulated simple forgery.
Membandingkan hasil klasifikasi SVM dengan 2 teknik Neural Network (RBF dan RBP).
Nilai DER
(Distinguishing Error Rate) yang didapatkan dari rata- rata kesalahan pengenalan tanda tangan asli untuk model pemalsuan paling baik jika jumlah training data untuk skilled forgery sebanyak 25 citra untuk pengujian dengan 5 citra.
10
Tabel 1.4 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
8. Patil dan Hegadi [14], 2013.
15360 citra tanda tangan asli dan 19200 citra tanda tangan palsu.
Ekstraksi fitur menggunakan Daubechies Wavelet Transform dan menggunakan SVM dengan linear kernel dan RBF kernel.
Mengalami
kesalahan dalam pendeteksian tanda tangan palsu sebagai tanda tangan asli sebanyak 13% saat menggunakan SVM dan 15%
pada saat
menggunakan RBF kernel.
9. Ito dkk.
[15], 2012.
1.848 citra tanda tangan asli dan 1.584 citra tanda tangan palsu dengan model skilled forgery.
Melakukan verifikasi tanda tangan online berdasarkan fitur gradien,
menyamakan hasil Dynamic
Programming (DP), dan melakukan klasifikasi dengan SVM.
Kombinasi online fitur dan offline fitur meningkatkan akurasi dalam melakukan
verifikasi. Hasil akurasi pengenalan tanda tangan dari 3 sampel adalah 89,65% dan untuk 6 sampel tanda tangan tangan akurasinya
meningkat menjadi 92,96%.
11
Tabel 1.5 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
10. Kumawat dkk. [9], 2013
200 sampel tulisan tangan dari dua orang dan
mengaplikasik an tiga teknik penulisan yang berbeda.
Membandingkan metode klasifikasi HMM, SVM dan kombinasi HMM-
SVM untuk
mendeteksi tulisan tangan.
Hasil klasifikasi SVM memberikan tingkat akurasi
99,4% jika
menggunakan 200 sampel data training.
11. Penelitian yang akan dilakukan
465 citra tanda tangan asli dan 465 citra tanda tangan palsu
Ekstraksi fitur yang digunakan adalah Dynamic Time Warping (DTW) dan Polar Fourier Transform (PFT) serta kombinasi antara DTW dan PFT. Kemudian pada saat klasifikasi membandingkan antara metode Support Vector Machine (SVM) dan Multilayer
Perceptron (MLP).
Melakukan
pengujian dengan membandingkan metode ekstraksi fitur DTW, PFT dan kombinasi DTW dan PFT untuk mencari tahu metode ekstraksi fitur yang terbaik.
Kemudian menggunakan metode klasifikasi SVM dan MLP untuk mengetahui metode terbaik dalam pengenalan keaslian tanda tangan.
12 1.4 Tujuan Penelitian
Tujuan utama dalam penelitian adalah membandingkan tingkat akurasi metode-metode ekstraksi fitur yang ada untuk mencari metode terbaik dalam mengenali keaslian tanda tangan. Kemudian setelah mengetahui metode yang terbaik maka dilakukan kombinasi metode yang satu dengan lainnya untuk meningkatkan akurasi pengenalan keaslian tanda tangan.
1.5 Manfaat Penelitian
Penelitian ini mengkombinasikan beberapa metode untuk meningkatkan akurasi dalam pengenalan keaslian tanda tangan. Setelah dilakukan beberapa studi literatur terdapat beberapa metode yang dapat digunakan dalam meningkatkan akurasi dalam pengenalan keaslian tanda tangan. Manfaat dari penelitian ini guna mengembangkan teknik praproses dan seleksi fitur yang ada untuk dapat menghasilkan identifikasi yang baik walaupun data yang diujikan mengalami kekurangan. Penelitian ini diharapkan dapat dimanfaatkan oleh para praktisi dalam pengenalan tanda tangan asli ataupun palsu.
1.6 Ringkasan
Latar belakang dilakukan penelitian ini adalah untuk mengurangi kesalahan verifikasi tanda tangan secara manual. Penulis melihat bahwa terdapat banyak tanda tangan yang dipalsukan dalam kehidupan sehari-hari sehingga memungkinkan terjadi kesalahan pengenalan tanda tangan akibat pemalsuan.
Metode untuk pengenalan tanda tangan telah banyak diteliti oleh peneliti-peneliti lain. Penelitian ini mengkombinasikan beberapa metode yang sudah ada untuk meningkatkan akurasi dalam pengenalan keaslian tanda tangan sehingga dapat digunakan dalam kehidupan sehari-hari.
