PERBANDINGAN IDENTIFIKASI TANDA TANGAN STATIK MENGGUNAKAN ALIHRAGAM WAVELET HAAR DAN DAUBECHIES

Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016

ISSN: 2089-9815

PERBANDINGAN IDENTIFIKASI TANDA TANGAN STATIK MENGGUNAKAN ALIHRAGAM WAVELET HAAR DAN DAUBECHIES R. Arum Kumalasanti1, Ernawati2, B. Yudi Dwiandiyanta3 Program Studi Teknik Informatika, Fakultas Teknologi Industri, Institut Sains & Teknologi AKPRIND Jl. Kalisahak No 28, Komp. Balapan Tromol Pos 45, Yogyakarta 55222 2 Program Studi Teknik Informatika, Fakultas Teknologi Industri,Universitas Atma Jaya Yogyakarta Jl. Babarsari 43 Yogyakarta 55281 3 Program Studi Teknik Informatika, Fakultas Teknologi Industri,Universitas Atma Jaya Yogyakarta Jl. Babarsari 43 Yogyakarta 55281 1

E-mail: [email protected]

ABSTRAKS Aktivitas penandatanganan sudah menjadi hal yang umum dalam legalitas dokumen. Penggunaan tanda tangan merupakan cara mudah dan tradisional yang sering digunakan sebagai identitas yang sah. Tanda tangan memudahkan seseorang dalam memberikan tanda pengesah pada setiap aktivitas dan transaksi. Tiap individu memiliki pola tanda tangan yang unik dengan tujuan untuk memberikan ciri pada masing-masing. Keberadaan tanda tangan ini memiliki keunikan dan fungsi yang sangat penting maka perlu adanya pengamanan supaya tidak disalahgunakan. Tanda tangan merupakan atribut biometrik yang penting bagi individu oleh karena itu diperlukan adanya sistem yang handal dalam mengidentifikasi tanda tangan sesuai pemiliknya. Berbagai macam algoritma dan parameter banyak ditawarkan dalam pengenalan pola khususnya pola tanda tangan. Penelitian ini membahas tentang perbandingan identifikasi tanda tangan statik menggunakan Wavelet Haar dan Daubechies. Pada tahap pelatihan, citra tanda tangan dikenai beberapa proses yaitu threshold, alihragam wavelet, normalisasi dan kemudian dilatih dengan menggunakan algoritma Jaringan Syaraf Tiruan (JST) Backpropagation. Tahap pengujian memiliki proses yang sama namun pada akhir proses akan dilakukan perbandingan antara data citra yang telah tersimpan dengan citra pembanding. Simulasi dilakukan dengan menggunakan beberapa parameter hingga ditemukan parameter yang ideal. Hasil optimal didapat dengan menggunakan JST yang memiliki dua hidden layer, masing-masing 20 dan 10 node,learning rate 0,1. Alihragam wavelet diujicobakan menggunakan Wavelet Haar dan Daubechies untuk perbandingan. Akurasi yang dicapai menggunakan Wavelet Haar mencapai 93,33 %, Wavelet Daubechies-2 mencapai 92,22%, Wavelet Daubechies3 mencapai 92,22%, Wavelet Daubechies-4 mencapai 88,89%, Wavelet Daubechies-5 mencapai 86,67%. Kata Kunci: tanda tangan, identifikasi, JST Backpropagation, Wavelet Haar, Daubechies Perluasan jaringan masyarakat dan peningkatan penggunaan berbagai transaksi menuntut individu untuk memiliki identitas diri yang secara umum dipandang sebagai atribut yang sah dan dapat diandalkan. Perkembangan kebutuhan manusia dan proses transaksi yang tinggi mengakibatkan peningkatan resiko tindak pemalsuan tanda tangan semakin mengkhawatirkan. Sebagai sumber pengaksesan, mulai banyak dilakukan penelitian pengenalan pola tanda tangan sebagai identitas diri sesuai dengan keasliannya. Tanda tangan merupakan tanda kepemilikan yang memang secara fisiologis menjadi ciri khas untuk setiap individu dan penelitian ini disebut sebagai ilmu biometrik. Biometrik adalah ilmu automatic recognition of individual yang tergantung pada fisiologis dan perilaku suatu atribut (Daramola & Ibiyemi, 2010). Terdapat dua metode utama dalam suatu verifikasi tanda tangan yaitu pendekatan secara dinamik (online) dan statik (offline) (Kumar, 2012; Mohammadzade & Ghonodi, 2013). Pendekatan secara dinamik biasanya menggunakan alat elektronik atau peralatan modern dalam

1. PENDAHULUAN 1.1 Latar Belakang Dewasa ini banyak sekali aktivitas yang mengharuskan seseorang menggunakan tanda tangan. Legalitas yang dihasilkan tanda tangan sangat memberikan efek yang penting bagi kehidupan sehari-hari. Keberadaan tanda tangan telah memberikan kemudahan bagi masyarakat yang bersangkutan dengan dokumen dan transaksi. Setiap individu memiliki tanda tangan dengan pola yang unik yang berguna untuk membedakan tanda tangan satu dengan yang lain. Keunikan tanda tangan ini menjadikan tanda tangan sebagai atribut yang penting dalam mengidentifikasi individu sehingga diperlukan adanya sistem yang handal untuk memberikan pengamanan. Menurut data yang dipublikasikan oleh Solo Pos, menyatakan bahwa di kota Solo terjadi tindak kecurangan dalam pengiriman berkas lamaran para Calon Pegawai Negri Sipil (CPNS) dengan memalsukan tanda tangan pada legalisir ijazah sebanyak 40% dari 247 peserta dan hal ini diketahui setelah tim verifikasi memeriksa berkas lamaran (Khamdi, 2013).

314


penandatanganan, sedangkan pendekatan secara statik menangkap citra tanda tangan di atas kertas yang kemudian diakusisi dengan menggunakan scanner atau kamera digital sehingga data diubah menjadi format digital untuk kemudian diproses lebih lanjut. Pada penelitian ini akan dibangun sistem untuk perbandingan identifikasi tanda tangan statik dengan menggunakan metode backpropagation dan alihragam Wavelet Haar dan Daubechies. Wavelet dimanfaatkan dalam penelitian ini karena menawarkan high temporal untuk citra pada frekuensi tinggi sementara untuk frekuensi rendah akan menjadi frekuensi yang lebih baik (Haleem et al., 2014). Sistem yang akan dibangun membutuhkan beberapa sampel tanda tangan dengan menggunakan media kertas dan pena dengan ketebalan yang berbeda-beda. Tanda tangan kemudian dipindai dengan menggunakan scanner sehingga menghasilkan citra digital yang akan digunakan sebagai data input. Penelitian ini mencakup dua tahap yaitu meliputi tahap pelatihan dan pengujian. Tahap pelatihan ini, sistem akan mempelajari pola-pola tanda tangan sehingga ciri dari citra tersebut akan dikenali, kemudian data akan disimpan. Tahap selanjutnya adalah tahap pengujian, sistem akan membandingkan data yang sudah ada dengan citra baru yang menjadi pembanding sehingga dari perbandingan ini akan diperoleh nilai akurasi.

ISSN: 2089-9815

informasi tambahan kepada dokter dalam memberikan keputusan tahap medis berikutnya (Bhulyan et al., 2013; Nagaraj et al., 2010). Identifikasi dengan sistem yang handal menjadi tuntutan pokok terutama yang menyangkut dengan kepemilikan. Contoh identifikasi yang berhubungan langsung dengan kepemilikan atau identitas individu adalah sidik jari, iris mata, wajah, dan lain sebagainya. Penelitian tentang pengenalan pola sidik jari masih terus digunakan dan dikembangkan untuk mencapai akurasi dan metoden yang lebih baik (Bhargava et al., 2012; Ani & Aloosi, 2013). Identifikasi pola terhadap objek yang bersangkutan dengan kepemilikian juga dikembangkan pada objek tanda tangan. Penelitian ini dilakukan untuk menjaga kepemilikan tanda tangan supaya terhindar dari tindakan pemalsuan tanda tangan. Sistem dibangun dengan mempelajari kebiasaan masyarakat yang lebih familiar menggunakan tanda tangan daripada menggunakan scan wajah atau iris mata. Masyarakat menganggap penggunaan tanda tangan secara manual lebih praktis dan fleksibel, oleh karena itu penelitian menggunakan tanda tangan statik. Sampel tanda tangan yang akan digunakan sebagai data input, dipindai terlebih dahulu dengan menggunakan scanner, kemudian dipelajari ciri-cirinya. Data tersebut kemudian disimpan di dalam data store. Citra tanda tangan berupa format digital ini selanjutnya akan diidentifikasi dengan menggunakan bantuan komputer (Radmehr et al., 2011). JST menawarkan model matematis sebagai teknik untuk meniru cara kerja otak manusia. JST secara umum saling berhubungan dengan sejumlah besar elemen pemrosesan yang disebut neuron yang dianalogikan sebagai otak dan memiliki pemrosesan yang terdistribusi secara paralel (Kosbatwar & Pathan, 2012). JST terinspirasi secara biologis program komputer untuk memanipulasi cara kerja otak manusia dalam menerima informasi. Hal tersebut merupakan pendekatan yang kuat untuk membangun hubungan yang kompleks dan nonlinear antara satu set input dan data output. Dalam otak manusia, ujung cabang neuron disebut sinaps yang bertugas mengubah aktivitas akson pada aktivitas neuron yang saling terhubung satu sama lain. Neuron biologis pada otak manusia dapat dilihat pada Gambar 1.

1.2

Tinjauan Pustaka Setiap objek memiliki bentuk dan pola tersendiri yang menjadi ciri khasnya masing-masing. Keunikan tanda tangan ini menjadi salah satu atribut biometri yang digunakan sebagai identitas. Penelitian ini memanfaatkan tanda tangan statik sebagai data input. Tanda tangan dengan menggunakan media kertas dan pena ini sudah menjadi budaya dan dikenal masyarakat luas sejak dahulu hingga sekarang. Pola tanda tangan dipelajari oleh sistem dan kemudian didapat ciri masingmasing tanda tangan sehingga dapat digunakan sebagai identifikasi. Pengenalan pola atau disebut juga pattern recognition adalah salah satu bidang kajian dari pengolahan citra yang saat ini sangat berkembang. Pengenalan pola merupakan studi untuk mengetahui cara mesin mengamati lingkungan sekitarnya dan mempelajari perbedaan pola objek dengan latar belakangnya (Basu et al., 2010). Pemanfaatan pengenalan pola dalam dunia medis biasanya digunakan untuk mendiagnosa suatu penyakit atau bisa juga digunakan untuk mengetahui perkembangan janin yang ada dalam kandungan. Kompleksitas penanganan organ dalam manusia memiliki tingkat kesulitan yang cukup tinggi. Sistem tersebut dimanfaatkan untuk memberikan hasil diagnosa pasien yang nantinya akan digunakan menindak lanjut tahap berikutnya. Pembangunan sistem tersebut bertujuan untuk memberikan

Gambar 1. Neuron biologis (Oladele et al., 2014)

315


Pembelajaran terjadi dengan mengubah efektivitas sinapsis sehingga pengaruh satu neuron akan memberikan perubahan lain pula (Abikoye et al., 2011). JST menjadi sangat handal ketika dilatih menggunakan sejumlah data yang cukup besar dan teknik ini memberikan nilai keakuratan yang cukup tinggi. JST secara karakteristik terstruktur dalam lapisan yang terdiri untuk jaringan dengan melalui lapisan input yang berkomunikasi dengan satu atau lebih lapisan tersembunyi dengan menggunakan sistem koneksi subjektif. Parameter neuron dipilih melalui sebuah proses minimalisasi kesalahan pada output untuk pelatihan pengenalan yang sudah ditetapkan. Multilayered JST dapat dilihat pada gambar 2 di bawah ini. Jenis arsitektur jarinan syaraf tiruan dapat dibedakan menjadi dua yaitu (Sharma et al., 2013) : 1. Supervised training algorithm atau disebut juga sebagai algoritma terbimbing. Disebut sebagai algoritma terimbing karena hasil yang diinginkan telah ditentukan sebelumnya. 2. Unsupervised training algorithm atau disebut juga sebagai algoritma pelatihan tidak terbimbing karena dalam tahap pelatihan, jaringan mempelajari pola tanpa adanya hasil yang ditentukan di lapisan output.

ISSN: 2089-9815

perambatan maju. Saat proses perambatan maju, neuron-neuron tersebut akan diaktifkan dengan menggunakan fungsi aktivasi. Pemilihan bobot awal sangat memberikan pengaruh pada jaringan syaraf dalam pencapaian nilai minimum global terhadap nilai error. Siklus algoritma backpropagation melalui dua tahap yang berbeda yaitu tahap forward pass yang diikuti backward pass melalui dua lapisan jaringan dan dua tahap tersebut dikenai pelatihan data (Ganatra et al., 2011). Proses berawal dari lapisan input dan berakhir pada lapisan output seperti yang ada pada gambar 3. Backpropagation dikenal sebagai lintasan mundur atau backward pass dengan proses sebagai berikut (Shihab, 2013): 1. Menghitung nilai kesalahan setiap node pada lapisan output. 2. Menghitung kesalahan node tengah untuk menghubungkan sebagian kesalahan pada setiap output. 3. Menyesuaikan nilai bobot untuk meningkatkan kinerja jaringan menggunakan aturan delta. 4. Menghitung error keseluruhan untuk menguji kinerja jaringan.

Gambar 3. Backpropagation Neural Network (Dewan & Ashraf, 2012) Citra tanda tangan nantinya akan dikenai proses pencocokan bentuk identik pada citra terkait, sehingga memerlukan transformasi geometris dari satu citra ke citra lainnya. Pemilihan algoritma dan parameter sangat berpengaruh pada hasil yang akan diberikan. Akuisisi data melibatkan Wavelet Haar dan Daubechies. Pola yang ditangkap akan dibawa ke dalam format digital yang nantinya akan diproses lebih lanjut. Alihragam wavelet adalah cara untuk mewakili sinyal pada frekuensi waktu dan bentuk (Telagarapu et al., 2011). Alihragam wavelet merupakan dasar dari tool matematika pada beberapa fungsi lapisan alihragam dan menghasilkan koefisien yang mewakili karakteristik sinyal. Gelombang memiliki batas durasi dengan nilai ratarata adalah nol. Ada pula beberapa jenis wavelet transform, meliputi Continues Wavelet Transform dan Discrete Wavelet Transform (Patil & Hegadi, 2013). Transfromasi CWT berfungsi untuk menemukan koefisien detail dari sebuah sinyal

Gambar 2. Multilayered neural network (Bataski, 2009) Penelitian ini memanfaatkan algoritma backpropagation dalam pembelajarannya. JST backpropagation menjadi pilihan yang ideal dalam kasus tanda tangan statik. Backpropagation termasuk algoritma pembelajaran terbimbing kerena hasil tujuannya sudah ditetapkan sebelumnya. Algoritma backpropagation memanfaatkan error output untuk mengubah nilai-nilai bobot pada arah mundur namun untuk mendapatkan error tersebut haruslah terlebih dahulu melakukan tahap

316


kontinyu sedangkan DWT merupakan transformasi yang bekerja pada akurasi skala waktu sinyal digital diperoleh dengan menggunakan penyaringan teknik digital. Sinyal yang akan dianalisis dilewatkan melalui filter dengan frekuensi cut off yang berbeda pada skala yang berbeda pula. DWT merupakan cara yang efisien dan akurat yang digunakan pada citra berupa data yang bersifat diskret pula. DWT berawal dari sinyal berupa citra menghasilkan representasi citra non redundan, yang menyediakan ruang yang lebih baik dalam lokalisasi pembentukan citra dibandingkan dengan representasi skala multi lain. Hasil dekomposisi wavelet berupa isyarat detail dan aproksimasi seperti terlihat pada gambar 4.

ISSN: 2089-9815

pergeseran wavelet, dapat berkorelasi dengan keadaan yang baik sehingga antara frekuensi dan waktu dapat diukur secara tepat. Wavelet menggunakan istilah aproksimasi dan detail. Aproksimasi ini akan memberikan sinyal identitas karena terdapat karakteristik di dalam objek penelitian, khususnya dalam citra tanda tangan. Penelitian ini memerlukan data konkret dan membutuhkan partisipan sebagai penandatangan untuk mengumpulkan sampel tanda tangan. Langkah penelitian dilakukan dalam proses penyusunan yang meliputi beberapa tahap yaitu studi pustaka dan pembangunan perangkat lunak. Gambar 6 merupakan alur identifikasi citra tanda tangan yang diterapkan dalam penelitian ini.

Gambar 4. Dekomposisi level satu (Schmitt, R. Et al., 2010) Isyarat detail berisi informasi frekuensi tinggi sedangkan bagian aproksimasi berisi data dengan komponen frekuensi rendah. Komputasi dilakukan hingga level ke-n. Semakin tinggi level dekomposisinya, maka akan mengurangi frekuensi keseluruhan karateristik yang dihasilkan. Ini berarti lebih rendah tingkat dekomposisi maka akan memberikan data rincian yang berisi komponen frekuensi tinggi.

Citra 6. Alur identifikasi citra tanda tangan Hardware yang diperlukan adalah berupa scanner yang digunakan untuk memindai tanda tangan manual. Hasil pemindaian berupa citra tanda tangan digital yang kemudian akan diproses pada tahap berikutnya. Software yang digunakan untuk membangun sistem perbandingan identifikasi ini berupa program MATLAB. Penandatangan menuliskan tanda tangannya pada media kertas dengan menggunakan pena. Tanda tangan yang sudah berupa citra digital tersebut akan dipelajari polanya dan disimpan di dalam data store.

Gambar 5. 2D-DWT level 3 decomposition (Kaur, M. &Kaur G., 2013) Gambar 5 merupakan gambaran dari DWT level 3 dengan 2 dimensi. Wavelet memberikan akurasi dan analisis sinyal lebih dari satu resolusi yang disebut kemampuan multiresolusi. Keuntungan dari analisis multiresolusi adalah fitur yang mungkin tidak terdeteksi pada suatu resolusi tertentu akan dapat terdeteksi dengan menggunakan resolusi lainnya. Wavelet dapat menganalisis baik sinyal stasioner dan non stasioner dengan peregangan dan

317


ISSN: 2089-9815

2.

PEMBAHASAN Perbandingan identifikasi citra tanda tangan ini masing-masing terdiri dari pelatihan dan pengujian. Hasil citra setelah dipindai dengan menggunakan scanner, akan disesuaikan ukurannya yaitu 256x256. Citra yang sudah disesuaikan ukurannya tersebut kemudian dikenai proses threshold dan alihragam wavelet. Tahapan tersebut merupakan preprocesing yang harus dilalui sebelum sampel tanda tangan dilatih dengan menggunakan JST Backpropagation. Pelatihan dengan menggunakan JST Backpropagation ini menghasilkan bobot-bobot dan kemudian dipilih yang paling optimal. Bobot tersebut kemudian disimpan dalam data store. Gambar 7 merupakan alur pelatihan citra tanda tangan pada proses identifikasi.

Gambar 8. Pengujian pada proses identifikasi Simulasi dalam pengidentifikasian tanda tangan ini melibatkan 15 partisipan atau penandatangan. Setiap individu diwakili oleh enam sampel tanda tangan sehingga jumlah sampel keseluruhan adalah 90 citra tanda tangan. Citra tanda tangan yang terkumpul ini disesuaikan ukurannya menjadi 256x256 piksel. Citra yang sudah tersimpan dalam data store kemudian akan dilatih dengan menggunakan JST Backpropagation. Pemilihan parameter dan algoritma sangat mempengaruhi hasil keluaran, sehingga simulasi perlu dilakukan untuk menemukan hasil yang optimal. Ukuran data input berupa citra tanda tangan tersebut juga akan mempengaruhi cepat lambatnya proses. Sebelum citra dilatih dan diuji, perlu dilakukan percobaanpercobaan sebagai perbandingan. Citra-citra digital yang sudah tersedia ini disimulasikan dengan menggunakan beberapa jenis wavelet untuk perbandingan. Wavelet yang digunakan dalam simulasi ini adalah Wavelet Haar, Daubechies-2, Daubechies-3, Daubechies-4, dan Daubechies-5. Identifikasi citra menggunakan alihragam wavelet level 4 sehingga diperoleh citra dengan ukuran 16x16. Simulasi ini menggunakan learning rate 0,1. Jumlah node yang digunakan adalah 20 dan 10 pada hidden layer. Percobaan ini dilakukan dengan menggunakan learning rate 0,1. Jumlah node pada hidden layer pada adalah 20 dan 10. MSE yang diberikan adalah min 10-6 dan max epoch diberikan 10000. Kinerja JST Backpropagation dengan menggunakan Wavelet Haar, alihragam level 4, dan learning rate 0,1 dapat dilihat pada gambar 7 di bawah ini. Hasil kinerja Wavelet Haar, Daubechies 2, Caubechies 3, Daubechies 4, dan Daubechies 5 dapat dilihat pada

Gambar 7. Pelatihan pada proses identifikasi Pengujian pada tahap identifikasi ini merupakan tahap untuk membandingkan data yang sudah tersimpan di data store dengan citra uji. Citra uji yang digunakan juga melewati beberapa proses yang sama yaitu threshold, alihragam wavelet level 4, dan nomalisasi untuk kemudian siap diujikan dengan citra uji. Citra yang sudah tersimpan di dalam data store berupa bobot-bobot, kemudian diujikan dengan citra uji. Keluaran yang didapat dari hasil pengujian ini adalah berupa ID yang disesuaikan dengan citra terkait. Apabila dalam pengujian data di dalam data store dengan citra uji tersebut benar maka hasil keluaran sesuai dengan ID terkait. Gambar 8 merupakan gambaran atau alur proses pengujian pada tahap identifikasi citra tanda tangan.

318


ISSN: 2089-9815

gambar 9, gambar 10, gambar 11, gambar 12 dan gambar 13.

Gambar 12. Kinerja JST menggunakan Wavelet Daubechie- 4 Gambar 9. Kinerja JST menggunakan Wavelet Haar

Gambar 13. Kinerja JST menggunakan Wavelet Daubechies-5 Gambar 10. Kinerja JST menggunakan Wavelet Daubechies-2

Tabel 1 merupakan hasil perbandingan uang diberikan untuk tiap-tiap wavelet. Wavelet Haar memberikan nilai akurasi yang unggulyaitu sebesar 93,33 %. Wavelet Haar memberikan hasil yang optimal dalam penelitian ini dan hal ini dikarenakan bentuk filter Wavelet Haar lebih mirip dengan bentuk tanda tangan yang diujikan. Wavelet Haar memiliki panjang filter yang lebih pendek dibanding wavelet lain sehingga akurasi yang dihasilkan lebih akurat. Pola tanda tangan cenderung berupa garisgaris tegas sehingga cocok menggunakan Wavelet Haar. Tabel 1. Perbandingan hasil akurasi perbandingan identifikasi citra menggunakan wavelet level 4, learning rate 0,1 No Wavelet Epoch MSE Akurasi 1 Haar 32519 0,0756 93,33% 2 Db-2 3494 0,0476 92,22% 3 Db-3 4703 0,0674 92,22% 4 Db-4 2911 0,0678 88,89% 5 Db-5 1488 0,0982 86,67%

Gambar 11. Kinerja JST menggunakan Wavelet Daubechies-3

3.

KESIMPULAN Berdasarkan hasil pelatihan, pengujian, simulasi dan implementasi dalam membandingkan kinerja wavelet yang telah dilakukan, maka dapat

319


disimpulkan bahwa sistem perbandingan identifikasi tanda tangan statik menggunakan JST Backpropagation telah dibangun. Hasil optimal didapat dengan menggunakan JST yang memiliki dua hidden layer, masing-masing 20 dan 10 node, learning rate 0,1. Perbandingan antara Wavelet Haar dan Wavelet Daubechies ini telah didapat hasil yang optimal. Akurasi optimal ada pada hasil yang diberikan oleh Wavelet Haar sebesar 93,33%. Akurasi optimal pada Wavelet Haar ini dikarenakan filter Wavelet Haar lebih pendek dibanding dengan Wavelet Daubechies. Akurasi yang didapat menggunakan Wavelet Daubechies-2 mencapai 92,22%, Wavelet Daubechies-3 mencapai 92,22%, Wavelet Daubechies-4 mencapai 88,89%, Wavelet Daubechies-5 mencapai 86,67%

ISSN: 2089-9815

Computer Science and Software Engineering, 4(1), pp.122-30. Kaur, M. & Kaur, G., 2013. A Survey on Implementation of Discrete Wavelet Transform for Image Denoising. International Jorunal of Communication Networking System, 2(1), pp.158-63 Khamdi, M., 2013, Solo pos. [Online] (1) Available at: www.solopos.com [Accessed 4 Oktober 2014] Kosbatwar, S.P. & Pathan, S.K., 2012. Pattern Association for Character Recognition by Back Propagation Algorithm Using Neural Network Approach. International of Computer Science & Engineering Survey (IJCSES), 3(1), pp.127-34. Kumar, L.R., 2012. Genuine and Forged Offline Signature Verification Using Backpropagation Neural Network. International Journal of Computer Science and Infromation Technologies, 4(9), pp.1798-504. Mohammadzade, M. & Ghonodi, A., 2012. Persian Offline Signature Recognition with Structural and Rotation Invariant Features Using by One Against All SVM. International Journal of Engineering and Advanced Technology (IJEAT), 2(2), pp.260-63. Nagaraj, S., Rao, G.N. & Koteswararao, K., 2010. The Role of Pattern Recognition in Computer Aided Diagnosis and Computer Aided Detection in Medical Imaging a Clinical Validation. International Journal of Computer Application, 8(5), pp.18-22. Oladele, T. O., Adewole, K. S., Oyelami, A. O., (2014) “Forged Signature Detection Using Artificial Neural Network” Artificial Journal of Computing & ICT, Vol. 7(3), pp. 11-20 Patil, P.G. & Hegadi, R.S., 2013. Offline Handwritten Signature Classification Using Wavelet and Support Vector Machines. International Journal of Engineering Science and Innovative Technology, 2(4), pp.573-79. Radmehr, M., Anisheh, S.M., Nikpur, M. & Yaseri, A., 2011. Designing an Offline Method for Signature Recognition. World Applied Sciences Journal, 13(2), pp.438-43. Schmitt, E., Idowu, P., & Morales, A., 2010. Application of Wavelets in Introduction Machine Fault Detection. Ingeniare Revista Chilena de Ingenieriai, 18(2), pp.158-164. Sharma, P., Malik, S., Sehgal, S. & Pruthi, J., 2013. Computer Aided Diagnosis Based on Medical Image Processing and Artificial Intelegence Method. International Journal of Information and Computation Technology, 3(9), pp.887-92. Shihab, K. & Shailka, S., 2013. Neural Network Based Offline Signature Recognition and Verification System. Research Jorunal of Engineering Sciences, 2(2), pp.11-15. Telagarapu, P., Naveen, V.J., Prasanthi, A.L. & Santhi, G.V., 2011. Image Compression Using

PUSTAKA Abikoye, O.C., Mabayoje, M.A. & Ajibade, R., 2011. Offline Signature Recognition & Verification using Neural Network. International Journal of Computer Applications, 35(2), pp.4451 Ani, M.S. & Aloosi, W.M., 2013. Biometrics Fingerprint Recognition Using Discrete Cosine Transform (DCT). International Journal of Computer, 69(6), pp.44-48 Bastaki, Y.A., (2009) “An Artificial Neural Network Based on Line Monitoring Odor Sensing System” Jorunal of Computer Science, Vol. 5(11), pp.878-82. Basu, J.K., Bhattacharyya, D. & Kim, T., 2010. Use of Artificial Neural Network in Pattern Recognition. International Journal of Software Engineering and Its Applications, 4(2), pp.23-34. Bhargava, N.R.B., Narooka, P. & Cotia, M., 2012. Fingerprint Recognition Using Minutia Matching. International Journal of Computer Trends and Technology, 3(4), pp.640-43. Bhulyan, A.H., Azad, I. & Uddin, K., 2013. Image Processing for Skin Cancer Features Extraction. International Journal of Scientific & Engineering Research, 4(2), pp.1-6. Daramola, S.A. & Ibiyemi, T.S., 2010. Offline Signature Recognition Using Hidden Markov Model (HMM). International Journal of Computer Application, 10(2), pp.17-22. Dewan, U. & Ashraf, J., (2012) “Offline Signature Verification Using Neural Networ” International Journal of Computational Engineering & Management, Vol. 15(4), pp.50-54. Ganatra, A., Panchal, M. & Koruga, P., 2011. Handwritten Signature Identification Using Basic Concepts of Graph Theory. WSEAS Transactions on SIgnal Processing, 4(7), pp.11729. Haleem, M.G.A., George, L.E. & Bayti, H.M., 2014. Fingerprint Recognition Using Haar Wavelet Tranformastion and Local Ridge Attributes Only. International Journal of Advanced Research in

320


DCT and Wavelet Transformations. International Journal of Signal Processing, Image Processing and Pattern Recognition, 4(3), pp.61-74.

321

ISSN: 2089-9815

PERBANDINGAN IDENTIFIKASI TANDA TANGAN STATIK MENGGUNAKAN ALIHRAGAM WAVELET HAAR DAN DAUBECHIES

Recommend Documents