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 1
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
2
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.
3
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 penelitianpenelitian 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 4
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
5
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.
6
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 1.
Peneliti
Metode
Keterangan
Chen dan 1320 citra tanda Dynamic
Time Akurasi
Srihari [6], tangan asli dan Warping
(DTW), pengenalan
2005.
2.
Data
1320 citra tanda Zernike Moment. tangan palsu
Zhang dan database citra Polar Lu 2002.
Fourier
tangan
tanda sebesar
94,9%. PFT
lebih
[11], bentuk MPEG- Transform (PFT) dan dibandingkan 7
Zernike
Moment
Descriptor (ZMD).
7
ZMD.
baik
Tabel 1.2 Tabel perbandingan keaslian penelitian (lanjutan) No 3.
Peneliti
Data
Kadir dkk. 52 [8], 2011.
Metode
Keterangan
jenis Perbandingan
hasil PFT
tumbuhan
pengenalan
dengan
daun menggunakan yang
berbagai
Moment
memberikan
bentuk tingkat
akurasi lebih
baik
Invariant, dibandingkan
macam bentuk Zernike Moment dan metode lain, yaitu daun
4.
Jariah dkk.
150
[3] , 2011.
tanda untuk
PFT.
sebesar 64%.
citra Ekstraksi tangan dengan
fitur Akurasi
sebesar
Moment 80% dengan error
data Invariant.
Untuk yang terjadi sekitar
latih dan 30 klasifikasi
20%.
Kesalahan
citra
tanda menggunakan Radial pengenalan
tangan
untuk Basis
data uji.
dengan dari
Function tangan
terjadi
alternatif akibat
perbedaan
Multilayered ukuran dan posisi
Feedforward Neural dari
citra
(MFN) yang telah tangan dikembangkan. 5.
Justino dkk. 2005.
1600
tanda
tanda yang
diambil.
citra Ekstraksi fitur dengan SVM memberikan
[4], tanda tangan.
grid Untuk
segmentation. hasil klasifikasi
membandingkan Hidden Markov Model (HMM) dan SVM.
8
yang
lebih
baik dibandingkan HMM.
Tabel 1.3 Tabel perbandingan keaslian penelitian (lanjutan) No 6.
Peneliti
Data
Metode
Keterangan
Kiani dkk. 600 citra tanda Ekstraksi Fitur dengan Hasil
kombinasi
tangan dari 20 Radon Transform dan local
Radon
[12], 2009.
Persia Line
orang
dan 924 citra Detection. dari 22 orang Inggris.
Segment Transform Metode
SVM memberikan
klasifikasi
yang
digunakan
adalah
SVM
dengan
RBF
Nguyen
3840
2007.
tangan hasil
asli dari 160 SVM volunter
dan teknik
4800
tangan RBP).
palsu
dengan
pengenalan
DER
klasifikasi (Distinguishing dengan
2 Error
Neural
citra Network (RBF dan
tanda
untuk
Nilai
citra Membandingkan
dkk. [13], tanda
hasil cukup baik
tanda tangan.
kernel.
7.
Rate)
yang
didapatkan dari ratarata
kesalahan
pengenalan
tanda
tangan
untuk
model
model
dan
paling
asli
pemalsuan baik
jika
simulated
jumlah training data
simple forgery.
untuk skilled forgery sebanyak
25
untuk
pengujian
dengan 5 citra.
9
citra
Tabel 1.4 Tabel perbandingan keaslian penelitian (lanjutan) No 8.
Peneliti Patil
Data
dan 15360
Metode citra Ekstraksi
Keterangan fitur Mengalami
Hegadi
tanda
[14], 2013.
asli dan 19200 Daubechies Wavelet pendeteksian tanda citra
tangan menggunakan
kesalahan
tanda Transform
tangan palsu.
dalam
dan tangan
palsu
menggunakan SVM sebagai
tanda
dengan linear kernel tangan dan RBF kernel.
asli
sebanyak 13% saat menggunakan SVM
dan
pada
15% saat
menggunakan RBF kernel. 9.
Ito
dkk. 1.848
[15], 2012.
tanda
citra Melakukan verifikasi Kombinasi tangan tanda tangan online fitur
asli dan 1.584 berdasarkan citra
tanda gradien,
tangan
palsu menyamakan
dengan model Dynamic skilled forgery.
dan
online offline
fitur fitur meningkatkan akurasi
dalam
hasil melakukan verifikasi.
Hasil
Programming (DP), akurasi pengenalan dan klasifikasi SVM.
melakukan tanda tangan dari 3 dengan sampel
adalah
89,65% dan untuk 6
sampel
tangan
tanda tangan
akurasinya meningkat menjadi 92,96%.
10
Tabel 1.5 Tabel perbandingan keaslian penelitian (lanjutan) No
Peneliti
10.
Kumawat
Data 200
Metode
Keterangan
sampel Membandingkan
dkk.
[9], tulisan tangan metode
2013
dari dua orang HMM,
Hasil
klasifikasi
klasifikasi SVM memberikan SVM
dan
kombinasi
mengaplikasik
SVM
dan tingkat
akurasi
HMM- 99,4%
jika
untuk menggunakan 200
an tiga teknik mendeteksi
tulisan sampel
penulisan yang tangan.
data
training.
berbeda. 11.
Penelitian
465 citra tanda Ekstraksi fitur yang Melakukan
yang akan tangan asli dan digunakan dilakukan
adalah pengujian
465 citra tanda Dynamic tangan palsu
Time membandingkan
Warping (DTW) dan metode Fourier fitur
Polar Transform serta antara
dengan
DTW,
(PFT) dan kombinasi DTW
DTW
ekstraksi
kombinasi dan
PFT
dan untuk mencari tahu
PFT. Kemudian pada metode saat
PFT
ekstraksi
klasifikasi fitur yang terbaik.
membandingkan
Kemudian
antara
metode menggunakan
Support
Vector metode klasifikasi
Machine (SVM) dan SVM Multilayer
untuk
Perceptron (MLP).
metode
dan
MLP
mengetahui terbaik
dalam pengenalan keaslian tangan.
11
tanda
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.
12
