7
BAB 2 LANDASAN TEORI
2.1 Biometric
2.1.1 Pengertian Biometric Biometric merupakan penggunan dari karateristik biologis ( wajah, iris mata, sidik jari ) ataupun kebiasaan ( tanda tangan, suara ) yang digunakan untuk mengidentifikasi seseorang. Menurut DR.R. Foka (2003, p4), biometric merupakan metode otomatisasi untuk mengenal seseorang berdasarkan karakteristik fisik seperti iris mata, sidik jari atau kebiasaan seperti tanda tangan atau suara. Setiap manusia mempunyai karakteristik fisik maupun kebiasaan tertentu yang dapat dibedakan dengan manusia lainnya. Biometric menyimpan karakteristik tersebut sehingga dapat digunakan sebagai tanda pengenal bagi suatu sistem. Karakteristik yang digunakan dalam biometric sangat sulit untuk dicuri, ditiru atau ditebak. Seseorang mungkin akan melupakan password nya, tetapi tidak mungkin melupakan ciri-ciri biometricnya. Pada umumnya biometrics fisik meliputi sidik jari, ukuran telapak tangan, pengenalan iris mata atau karakteristik wajah. Sedangkan behavioral biometrics ( kebiasaan ) meliputi tanda tangan, suara atau pengenalan langkah dan tingkah laku unik suatu user lainnya.
8 Menurut Tricia Olsson(2003,p3), tipe-tipe biometric pada umumnya meliputi: •
Sidik jari, mengenali pola yang terdapat pada ujung jari meliputi lokasi dan arah garis pada sidik jari
•
Ukuran (geometri) tangan, menganalisis dan mengukur bentuk tangan termasuk panjang dan lebar tulang serta hubungan tangan dan jari
•
Iris, Menganalisis bentuk karakteristik iris mata
•
Wajah, menganalisis dan mengukur karakteristik wajah seperti posisi dan bentuk hidung serta posisi tulang dagu
•
Suara, pengenalan pola suara yang meliputi frekwensi, durasi, dan irama.
•
Tanda tangan, fitur tanda tangan meliputi fitur ekstraksi seperti kecepatan dan tekanan dalam menghasilkan karakteristik yang unik Tanda tangan adalah behavioral biometric, tidak menggunakan karakteristik
fisik seperti sidik jari atau karakteristik wajah, tetapi menggunakan kebiasaan. Tanda tangan seseorang mungkin dapat berbeda kapan saja, dan tidak seunik atau sesulit dipalsukan seperti sidik jari atau iris mata, tetapi tanda tangan telah diterima oleh masyarakat luas sebagai sesuatu yang umum, membuat tanda tangan menjadi cocok untuk digunakan dalam aplikasi yang memerlukan tingkat autentikasi yang lebih umum. 2.2 Verifikasi Tanda Tangan
2.2.1 Pengertian Verifikasi Tanda Tangan Verifikasi tanda tangan adalah suatu proses yang digunakan untuk mengenal tanda tangan seseorang. Menurut Griess (2000, p1) sistem verifikasi tanda tangan dapat dibagi menjadi dua bagian:
9
1. verifikasi tanda tangan secara off-line 2. verifikasi tanda tangan secara on-line Verifikasi tanda tangan secara off-line mengambil sebuah image tanda tangan sebagai input yang akan digunakan dalam proses selanjutnya. Sedangkan input untuk verifikasi tanda tangan secara on-line diambil dari tanda tangan yang didapatkan langsung dari digitizer yang dapat meghasilkan nilai – nilai dinamik, seperti nilai koordinat, lama tanda tangan, dan kecepatan tanda tangan. Gambar tanda tangan yang didapat dalam sistem offline biasanya memiliki tingkat noise yang cukup tinggi, tergantung dari alat scanning dan background dari kertas yang digunakan, dan informasi yang didapat sangat minim karena yang menjadi input dalam sistem ini hanya sebuah gambar. Online signature bersifat lebih unik dan sulit dipalsukan, karena informasi yang didapat lebih banyak selain dari bentuk tanda tangan, juga dari fitur – fitur dinamik seperti kelajuan, waktu tanda tangan. Hal ini menunjukkan bahwa online signature mempunyai lebih banyak dimensi yang tidak terdapat dalam offline signature. Sehingga online signature memiliki tingkat realibilitas yang lebih tinggi dibandingkan dengan offline signature. 2.3 Teknik Verifikasi Tanda Tangan Online Plamondon dan Lorette (1989) mengadakan survey dari literatur computer signature verification dan menyatakan bahwa teknik verifikasi tanda tangan terdiri dari beberapa tahapan: 1. Data acquisition 2. Preprocessing
10 3. Feature Extraction 4. Comparison Prosess 5. Perfomance Evaluation Tiga tahapan pertama (data acquisition, preprocessing, feature extraction ) akan menghasilkan karakteristik dari tanda tangan setiap individu. Tahapan ini memerlukan beberapa buah tanda tangan sebagai sampel dari setiap user untuk dimasukkan ke dalam proses pendataan. Ketika seorang user, menyatakan dirinya sebagai identitas tertentu maka tanda tangan user tersebut akan dibandingkan dengan referensi tanda tangan yang telah dimasukkan ke dalam sistem sewaktu proses pendataan. Sebuah tanda tangan diterima atau ditolak tergantung dari kemiripan tanda tangan tersebut dan nilai threshold. Evaluasi perfomance dilakukan dengan menghitung nilai False Acceptable Rate dan False Rejecion Rate. 2.3.1 Data Acquicition Tahapan Data Acquisition menggunakan sebuah digitizer untuk meng-capture tanda tangan untuk mendapatkan nilai koordinat x,y,dan waktu. 2.3.2 Preprocessing Menurut Griess (2000,p30), untuk mencegah pengaruh dari perbedaan ukuran pada hasil matching , maka tanda tangan harus dinormalisasikan terlebih dahulu. Untuk membandingkan spatial feature dari tanda tangan maka ketergantungan terhadap waktu harus dihilangkan. Sebelum data tanda tangan diolah pada fase feature extraction untuk mendapatkan informasi yang akan dimasukkan ke dalam jaringan, maka data ini harus diproses
11 terlebih dahulu. Preprocessing ini bertujuan untuk menyeragamkan data tanda tangan sehingga feature yang diambil tidak tergantung terhadap skala (besar kecil tanda tangan), rotasi ( kemiringan tanda tangan) dan translasi (posisi tanda tangan terhadap koordinat 0,0 bidang). 2.3.3 Feature Extraction Data tanda tangan yang telah diolah pada tahap preprocessing selanjutnya akan diproses lebih lanjut untuk mendapatkan fitur yang mencerminkan karakteristik dari tanda tangan tersebut. Nilai dari fitur inilah yang nantinya akan dimasukkan ke dalam jaringan saraf tiruan. Gopal W. Gupta dan Rick C. Joyce menyatakan beberapa fitur – fitur yang sering dipakai dalam sistem verifikasi tanda tangan antara lain : o Total waktu yang dihabiskan untuk membuat tanda tangan o Nilai-nilai perubahan dari kecepatan tanda tangan berdasarkan sumbu x dan sumbu y o Lama waktu pen ditekan atau diangkat o Panjang keseluruhan dari garis tanda tangan 2.3.4 Comparison Proses verifikasi tanda tangan (Griess,2000) yang dimasukkan adalah dengan membandingkan tanda tangan tersebut dengan data referensi yang terdapat dalam sistem. Data tanda tangan yang dimasukkan ke dalam sistem biasanya berkisar antara 3 – 10 buah tanda tangan.
12 Sebuah tanda tangan yang ingin ditest akan dibandingkan dengan referensi tanda tangan yang telah terdapat dalam sistem, dan menggunakan nilai threshold tertentu untuk menentukan apakah tanda tangan tersebut dapat diterima atau tidak. 2.3.5 Perfomance Evaluation Menurut Griess (2000,p11) dalam mengevaluasi perfoma sistem verifikasi tanda tangan, terdapat 2 faktor yang penting yaitu False Rejection Rate ( FRR ) dari tanda tangan asli dan False Acceptable Rate ( FAR ) dari tanda tangan pemalsu.
2.4 Jaringan Saraf Tiruan 2.4.1 Pengertian Jaringan Saraf Tiruan Menurut DARPA Neural Jaringan Study (1988, AFCEA International Press P60), Jaringan saraf tiruan adalah sebuah sistem yang terdiri atas banyak elemen pemrosessan sederhana, yang disebut juga dengan neuron, dalam jumlah yang sangat besar dan terhubung secara parallel di mana fungsinya ditentukan oleh struktur jaringan tersebut, jenis hubungannya dan proses yang dikerjakan pada masing-masing elemen. Menurut Haykin (1994), Jaringan saraf tiruan adalah sekumpulan besar prosesor yang terdistribusi secara parallel yang memiliki kemampuan alami untuk menyimpan pengetahuan berupa pengalaman dan membuatnya dapat dimanfaatkan. Jaringan saraf ini meniru kemampuan proses otak dalam dua hal : 1. Jaringan saraf tiruan memperoleh pengetahuan berdasarkan proses belajar. 2. Kekuatan hubungan dari masing-masing neuron yang disebut juga dengan bobot sinapsis berperan dalam menyimpan pengetahuan.
13 Jaringan saraf tiruan adalah sebuah sistem pemrosesan informasi yang mengambil analogi dari cara kerja sistem saraf biologis otak manusia. Hal terpenting dari sistem ini adalah struktur dari sistem pemrosesan informasi. Struktur ini terdiri atas sejumlah besar elemen pemrosesan yang saling terhubung dengan erat yang bekerja sebagai satu kesatuan untuk menyelesaikan masalah tertentu. Seperti manusia, jaringan saraf tiruan belajar dengan contoh yang berulang. Sebuah Jaringan saraf tiruan digunakan untuk sebuah aplikasi yang spesifik seperti pengenalan pola atau pengklasifikasian data melalui sebuah proses belajar. Proses belajar pada sistem biologis otak manusia melibatkan penyesuaian pada hubungan antara sel-sel saraf, di mana pada jaringan saraf tiruan sel-sel saraf digantikan dengan elemen pemrosesan. Jaringan saraf tiruan memiliki tiga karakteristik yaitu karakteristik elemen pemrosesan, topologi dan metode pembelajaran.
2.4.2 Arsitektur Jaringan Saraf Tiruan Menurut Fausett (1994,p12) pada umumnya jaringan saraf tiruan terdiri atas tiga lapisan ( layer ) yaitu layer input, layer tersembunyi ( hidden ) dan layer output. Walaupun kadang kala tidak semua jaringan mempunyai hidden layer. •
Aktivitas unit input merepresentasikan informasi mentah yang dimasukkan ke dalam jaringan
•
Aktivitas pada tiap unit hidden ditentukan oleh aktivitas unit input dan bobot pada koneksi antara unit input dan hidden.
•
Output layer tergantung pada aktivitas unit hidden dan bobot (bobot) antara unit hidden dan output.
14 Berdasarkan pola koneksi dari node–node maka jaringan syarat tiruan dapat dikelompokkan menjadi 2 kategori : a. feed – fordward jaringan b. recurrent ( feedback ) jaringan 2.4.3 Feed – Forward Jaringan Feed forward jaringan hanya memungkinkan sinyal bergerak dalam satu arah saja, dari input ke output. Pada arsitektur ini tidak ada loop yang terjadi, output dari layer–layer tidak mempengaruhi layer yang sama.
Gambar 2-1 Single-Layer Feedforward Jaringan
Gambar 2-2 Multi - Layer Feedforward Jaringan
15 2.4.4 Recurrent ( Feedback ) Jaringan Pada Feedback jaringan, sinyal bisa bergerak dalam dua arah dengan menghasilkan perulangan (loop) pada jaringan secara terus menerus sampai mencapai titik keseimbangan. Jaringan ini tetap pada titik keseimbangan sampai terjadi perubahan input dan mencari titik keseimbangan yang baru.
2.4.5 Metode Pembelajaran Sama seperti otak manusia yang harus belajar terlebih dahulu dan disimpan dalam ingatan, jaringan saraf tiruan yang baru dibangun juga memerlukan proses pembelajaran Kemampuan untuk belajar merupakan ciri dasar dari kecerdasan. Proses pembelajaran dalam jaringan saraf tiruan dapat dilihat dalam memperbaharui arsitektur jaringan dan bobot dari setiap koneksi sehingga jaringan dapat bekerja secara efisien. Jaringan biasanya memperbaharui nilai bobot berdasarkan pola–pola yang diberikan pada saat proses belajar. 2.4.6 Pola Pembelajaran Berdasarkan Jain (1996,p38) terdapat 3 pola belajar (learning paradigm) yaitu: a. supervised learning b. unsupervised learning c. hybrid 2.4.6.1 Supervised Learning Pada metode ini jaringan memerlukan pasangan output untuk setiap pola input. Biasanya jaringan di train dengan sejumlah ‘training pair’. Vektor
16 input diaplikasikan, output dihitung, kemudian dibandingkan dengan target output. Selisihnya kemudian dikembalikan ke jaringan dan bobotnya diupdate berdasarkan algoritma tertentu yang cenderung meminimumkan error. Contoh : a. Feedback Nets
Brain-State-in-a-Box ( BSB )
Boltzmann Machine ( BM )
Recurrent Cascade Correlation ( RCC )
Real-time Recurrent Learning ( RTRL )
Backpropagation through time ( BPTT )
b. FeedForward – only Nets
Perceptron
Backpropagation
ARTMAP
Adaptive Heuristic Critic ( AHC )
Adaptive Logic Jaringan ( ALN )
2.4.6.2 Unsupervised Learning Unsupervised learning dikembangkan oleh Kohonen (1984) dan beberapa scientist lainnya. Berlawanan dengan supervised learning, dalam unsupervised learning, proses training tidak memerlukan target output. ‘Training set’ hanya terdiri dari vektor – vektor input, tanpa pasangan output. Algoritma yang digunakan akan mengubah bobot jaringan untuk
17 menghasilkan output yang konsisten. Vektor – vektor input yang cukup serupa akan menghasilkan pola output yang sama. Dengan demikian proses training menghasilkan sifat – sifat statistik dalam bentuk pengelompokan vektor – vektor dalam beberapa kategori. Contoh : a. Feedback Nets :
Binary Adaptive Resonance Theory ( ART1 )
Analog Adaptive Resonance Theory ( ART2, ART2a )
Discrete Bidirectional Associative Memory ( BAM )
Temporal Associative Memory ( TAM )
Adaptive Bidirectional Associative Memory ( ABAM )
b. Feedforward-only Nets :
Learning matrix ( LM )
Linear Associative Memory ( LAM )
Optimal Linear Associative Memory ( OLAM )
Fuzzy Associative Memory
2.4.6.3 Hybrid Hybrid learning merupakan gabungan antara supervised learning dan unsupervised learning. Nilai bobot biasanya ditentukan dengan menggunakan supervised learning sedangkan bagian lainnya diperoleh dengan menggunakan unsupervised learning. 2.5 Gaussian ARTMAP
18 2.5.1 Pengertian Gaussian ARTMAP Gaussian ARTMAP model jaringan saraf tiruan dengan kemampuan pembelajaran sendiri yang diperkenalkan oleh Williamson JR di tahun 1996. Model ini lebih resistan pada noise-noise yang ada pada data dibandingkan dengan metode lainnya namun dengan tetap memiliki kecepatan dan keefisienan proses seperti pada metode lainnya (Williamson, 1996). Gaussian ARTMAP merupakan salah satu dari beberapa jenis ARTMAP yang ada. Seperti ARTMAP yang lainnya, Gaussian ARTMAP menggunakan dua buah ART yang dimana ART yang pertama mengambil nilai input data dan ART yang kedua mengambil nilai data output yang seharusnya, kemudian digunakan untuk membuat perubahan sekecil mungkin terhadap nilai paramenter vigilance pada unit pertama sehingga dapat menghasilkan pengelompokan yang tepat. Pada Gaussian ARTMAP, tipe ART yang digunakan adalah Gaussian ART sehingga ARTMAP yang dihasilkan bernama Gaussian ARTMAP. 2.5.2 Gaussian ART Gaussian ART memasukkan nilai-nilai dari setiap input ke dalam kelompok yang disebut dengan kategori j , dimana j bernilai 1, 2, 3, . . . merupakan penanda urutan kelompok input. Dari nilai-nilai input pada kategori j didapat rata-rata μj , standar deviasi σj dan n j merupakan banyaknya input yang ada pada kategori j .
μj =
σj =
χ 1 + χ 2 + χ 3 + ... + χ y y
1 N
N
∑ (χ i =1
− μj ) , N = n j 2
i
, y = nj
19 2.5.2.1 Pemilihan Kategori Sebelum training, Gaussian ART memilih kategori J sebagai input dari kategori
j yang ada dengan rumus J = arg max ( g j ( I )) . j
Nilai g j sendiri didapat dari rumus : 1 M ⎛ μ ji − I i g j(I) = − Σ ⎜ 2 i =1⎜⎝ σji
P( j ) =
nj
∑a=1 na N
2
M ⎞ ⎟ − log⎛⎜ Π σ ji ⎞⎟ + log( P ( j )) , M = n j ⎟ ⎝ i =1 ⎠ ⎠
, N = banyaknya kategori
Untuk menentukan apakah input kategori J akan dimasukkan dalam sistem pembelajaran maka harus memenuhi syarat g ' J ( I ) > ρ , dimana ρ merupakan parameter vigilance yang ditentukan. ⎛M ⎞ g ' J ( I ) = g J ( I ) − log( P( J )) + log⎜ Π σ ji ⎟ i = 1 ⎝ ⎠ Jika g ' J ( I ) > ρ , maka kategori diterima, jika tidak maka akan direset dan menunggu input selanjutnya. Jika tidak ada kategori yang memenuhi nilai ρ , maka sebuah kategori J ' dengan n J ' = 0 dipilih. 2.5.2.2 Pembelajaran
Ketika sebuah kategori J belajar mengenai sebuah input I maka nilai sampel input pada kategori J yaitu, nilai jumlah, nilai rata-rata dan nilai standar deviasinya diperbaharui agar mewakili nilai input I tersebut. nJ := nJ + 1
μ J := (1 − nJ−1 ) μ J + nJ−1 I
20 ⎧⎪ (1 − n −1 )σ 2 + n −1 ( μ − I ) 2 , n > 1⎫⎪ J Ji J Ji i J ⎬ ⎪⎩ ⎪⎭ γ , lainnya
σ Ji := ⎨
2.5.3 Gaussian ARTMAP
Modul Gaussian ART memiliki fungsi yang sama dengan modul ART1 dalam arsitektur ARTMAP (Carpenter, 1991). 2.5.3.1 Training
Ketika sebuah kategori ART J dipilih maka kategori itu diberi nilai prediksi K yang merupakan sampel training saat itu. Ω( J ) = K
Fungsi Ω( J ) memetakan kategori J kepada nilai prediksi K . Jika kategori J terpilih lagi untuk merespon sampel training lainnya dan nilai prediksi K ' salah ( K ' ≠ K ) maka nilai parameter vigilance dinaikkan dengan rumus,
ρ = g 'J (I ) Dan kategori J direset, pada proses training berikutnya ρ diberi nilai yang baru _
yaitu: ρ = ρ 2.5.3.2 Testing
Nilai prediksi K ' yang memiliki kemungkinan maksimum yang dipilih : ⎞ ⎛ K ' = arg max⎜ ∑ exp( g j ( I )) ⎟ ⎟ k ⎜ ⎠ ⎝ j∈Ω −1 ( k )
21 2.6 Evaluasi
Menurut McCabe (1997, p13) masalah yang terkait dengan sistem verifikasi tanda tangan adalah: Berapa jumlah fitur yang mencukupi? Apakah fitur yang dipilih invariant terhadap translasi, rotasi dan
penskalaan? Berapa jumlah tanda tangan yang akan digunakan untuk sebagai tanda
tangan referensi? Menurut Nalwa (1997,p217 ) terdapat 2 kriteria untuk mengevaluasi suatu sistem verifikasi, yaitu Kriteria pertama:
Ketika sistem ini dicoba secara individual harus dapat berjalan dengan baik Kriteria kedua:
Ketika sistem ditest pada suatu database yang besar, harus menunjukkan nilai statistic error rate yang rendah Salah satu dari kedua kriteria ini saja tidak cukup, keduanya penting untuk dipenuhi. Jika hanya kriteria pertama yang dipenuhi, maka belum tentu sistem ini bisa dijalankan pada database yang besar walaupun dapat mengenali dirinya sendiri. Dan tidak cukup juga jika hanya kriteria ke-2 saja yang dipenuhi, pada evaluasi perfoma sistem verifikasi tidak sama dengan sistem recognition, sistem verifikasi harus dapat mengenali forgery ( pemalsu ) atau genuine ( user asli )yang mengakses sistem.
22 Minimal terdapat tiga keadaan yang harus dipenuhi agar kriteria pertama yaitu sistem dapat berjalan secara individual dapat dipenuhi adalah Sistem harus dapat mengenali coretan (tanda tangan) yang mirip secara
konsisten, meskipun ada sedikit ketidaksesuaian pada kecepatan selama menggoreskan coretan (tanda tangan) dan perbedaan yang minim dari bentuk. Tingkat kesulitan yang tinggi untuk memalsukan tanda tangan
seseorang, walaupun pemalsu tanda tangan tersebut melakukan segala macam cara seperti menjiplak tanda tangan, melatih tanda tangan terlebih dahulu, mencari informasi mengenai cara membuat tanda tangan tersebut, dll. Sistem harus dapat menolak coretan dari genuine (user asli) yang sama
sekali berbeda dengan tanda tangannya. Untuk memenuhi kriteria yang ke–2, dalam mengevaluasi sistem verifikasi tanda tangan terdapat 2 faktor yang penting yaitu False Rejection Rate (FRR) dan False Acceptable Rate (FAR). FRR adalah persentase ditolaknya tanda tangan asli yang dimasukkan ke dalam sistem, sedangkan FAR adalah persentase diterimanya tanda tangan palsu. Evaluasi perfoma merupakan bagian yang sangat penting dalam suatu sistem untuk membuktikan konsistensi dari sistem. Menurut Griess (2000,p11) dalam mengevaluasi perfoma sistem verifikasi tanda tangan, perlu memperhatikan 2 faktor yang penting yaitu False Rejection Rate (FRR) dari tanda tangan asli dan False Acceptable Rate (FAR) dari tanda tangan pemalsu. Kedua faktor ini saling bertolak belakang, menurunkan salah satu factor biasanya akan mengakibatkan meningkatnya factor yang lain. Oleh karena itu, terdapat
23 Equal Error Rate ( EER ) di mana nilai FAR sama dengan nilai FRR. Hubungan antara ketiga nilai ini dapat dilihat pada kurva berikut.
FAR
FRR
Error rate
Security
comfort
threshold
Gambar 2-3 Hubungan FAR dan FRR
Pentingnya
mengatur threshold dari sistem biometric dapat dilihat dari
Gambar 2-3. Jika threshold di tingkatkan maka untuk mengurangi nilai FAR, maka akan meningkatkan nilai sekuriti. Sebaliknya jika nilai threshold diturunkan maka akan meminimalkan nilai FRR dan meningkatkan realibilitas sistem. Menurut Kholmatov (2003,pp 18 – 19), dalam online signature verification, nilai error rate sistem harus berkisar antara 0 % s/d 10 % untuk dapat digunakan. Untuk menyediakan pemalsu yang sesungguhnya adalah suatu hal yang cukup sulit. Pemalsu tanda tangan secara garis besar dapat dikelompokkan dalam 2 jenis pemalsu ( forgery ):
24 a. Skilled forgery Skilled forgery adalah tanda tangan yang dibuat oleh pemalsu tanda tangan, di mana orang tersebut memiliki referensi bentuk tanda tangan aslinya untuk dipalsukan dan telah memperlajarinya terlebih dahulu. b. Random or zero-effort forgery Zero-effort forgery atau yang disebut juga random forgery, adalah tanda tangan dibuat oleh pemalsu tanpa mengetahui tanda tangan aslinya sama sekali atau bahkan tanpa mengetahui nama dari yang akan dipalsukan dan hanya diminta untuk membuat sembarangan tanda tangan tanpa mengetahui bentuknya sama sekali.
2.6.1 FRR
FRR adalah persentase ditolaknya
tanda tangan yang berasal dari
penandatangan yang otentik. Evaluasi performa pada FRR juga terdiri dari dua tipe pengujian yaitu original signature dan test signature. Original signature / Reference Signature menurut McCabe (1997, p10) merupakan persentase ditolaknya tanda tangan yang berasal dari data referensi tanda tangan itu sendiri yang sebelumnya digunakan pada saat proses training dan diambil feature-nya yang nilainya telah disimpan knowledge storage. Test signature menurut McCabe (1997, p10) berisi persentase ditolaknya tanda tangan yang dilakukan oleh pemilik tanda tangan yang otentik, tetapi data tanda tangan ini tidak terdapat di dalam knowledge storage (tidak dimasukkan pada saat proses training) sehingga nilainya tidak ada di dalam referensi tanda tangan.
25 Nilai total FRR diperoleh dari rata-rata hasil penjumlahan persentase original signature dan persentase test signature yang ditolak. Kemungkinan nilai FRR yang tinggi sebenarnya cukup tinggi, mengingat test signature environment ( situasi pada saat implementasi di lapangan) tidak senyaman kondisi signing environment (situasi pada saat proses pengambilan referensi tanda tangan).
2.6.2 FAR
FAR adalah persentase diterimanya tanda tangan yang bukan merupakan tanda tangan asli. Evaluasi ini juga terdapat 2 tipe yaitu zero effort signature dan skilled forgery signature. Menurut McCabe (1997, p11), Zero effort signature atau random forgery adalah persentase diterimanya tanda tangan palsu dari forgery atau pemalsu yang tidak mengetahui tanda tangan aslinya sama sekali. Menurut McCabe (1997, p11), Skilled forgery signature adalah persentase diterimanya
tanda tangan yang berasal dari pemalsu tanda tangan, di mana orang
tersebut memiliki referensi bentuk tanda tangan aslinya untuk dipalsukan. Nilai FAR diperoleh dari rata-rata hasil penjumlahan persentase zero-effort yang diterima dan persentase skilled forgery yang diterima. 2.7 Software Development Lifecycle ( SDLC )
Menurut Pressman (2001), model – model yang terdapat dalam SDLC pada umumnya adalah: 1. Build and Fix Model 2. Waterfall Model
26 3. Prototyping 4. Incremental Model 5. Spiral Model
2.7.1 Build and Fix Model Dalam membangun piranti lunak dengan menggunakan model ini, produk dibangun tanpa spesifikasi atau proses desain. Pihak pengembang langsung membuat piranti lunak dan direvisi berulangkali sesuai kebutuhan guna memuaskan pelanggan. Program dengan model ini hanya efektif dan efisien untuk program yang singkat (100 – 200 baris perintah saja).
2.7.2 Waterfall Model Dalam membangun piranti lunak dengan menggunakan model ini, titik awal dan akhirnya sangat eksplisit. Setiap tahapan didefinisikan dengan jelas. Tahapan – tahapan yang ada didalam model ini antara lain : ¾ System Engineering, adalah tahapan pengumpulan kebutuhan seluruh elemen
sistem. ¾ Software Requirement Analysis, adalah tahapan pengumpulan kebutuhan
berfokus pada perangkat lunak. ¾ Design, adalah tahapan perancangan struktur, arsitektur perangkat lunak, rincian
prosedural, dan karakteristik antar muka. ¾ Coding, adalah tahapan penerjemahan perancangan ke bentuk yang dapat
dimengerti oleh mesin.
27 ¾ Testing, adalah tahapan pengujian logikal (program logic) dan pengujian fungsional (input process-output). ¾ Maintenance, adalah tahapan terujung dari siklus pengembangan dan dilakukan setelah perangkat lunak dipergunakan.
Gambar 2-4 Waterfall Model
2.7.3 Prototyping Model Dalam
membangun
piranti
lunak
dengan
menggunakan
model
ini,
fungsionalitas sistem dikurangi sebelum pengembangan yang sebenarnya, hal ini disebabkan klien/user mengalami kesulitan dalam merumuskan spesifikasi software yang diinginkan.
2.7.4 Incremental Model Dalam membangun piranti lunak dengan menggunakan model ini, produk dirancang, diprogram, diintegrasikan, dan diuji sebagai serangkaian serial produk yang
28 incremental (meningkat/bertambah). Sistem dikembangkan dengan memberikan fungsi – fungsi dasar terlebih dahulu dan memudahkan manajemen dengan jadwal yang teratur.
2.7.5 Spiral Model Dalam membangun piranti lunak dengan menggunakan model ini, proses dibagi menjadi 4 kuadran yaitu : a. planning b. risk analysis c. engineering d. customer evaluation 2.8 Delapan Aturan Emas
Menurut Shneiderman (1998), ada delapan aturan emas yang diterapkan untuk menghasilkan sistem yang efektif yaitu : a. berusaha untuk konsisten, urut-urutan proses haruslah konsisten pada situasi yang serupa b. memberikan penggunakan shortcuts, tombol-tombol tertentu, perintahperintah khusus yang dapat mempercepat penggunaan oleh user c. memberikan feedback, untuk setiap hal yang dilakukan oleh user sebaiknya ada timbal balik yang informatif dari sistem d. memberikan penanda akhir sistem, pada saat sistem selesai dipakai dan user akan keluar maka diberikan pesan bahwa sistem akan dimatikan e. memberikan pencegahan kesalahan dan penanganan kesalahan yang sederhana f. memberikan pengembalian aksi yang mudah
29 g. mendukung pusat kendali internal h. mengurangi beban ingatan jangka pendek
2.9 Penelitian Yang Relevan
“Off-Line Signature Verification: Recent Advances and Perspectives” oleh Robert Sabourin. Robert Sabourin menggunakan metode Fuzzy Artmap pada sistem verifikasi tanda tangan off-line.