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 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

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 Peneliti Data Metode Keterangan
1. Chen dan 1320 citra tanda Dynamic Time Akurasi
Srihari [6], tangan asli dan Warping (DTW), pengenalan tanda
2005. 1320 citra tanda Zernike Moment. tangan sebesar
tangan palsu
94,9%.
2. Zhang dan database citra Polar Fourier PFT lebih baik
Lu [11], bentuk MPEG- Transform (PFT) dan dibandingkan
2002. 7 Zernike Moment ZMD.
Descriptor (ZMD).

7
 Tabel 1.2 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
3. Kadir dkk. 52 jenis Perbandingan hasil PFT memberikan
[8], 2011. tumbuhan pengenalan bentuk tingkat akurasi
dengan daun menggunakan yang lebih baik
berbagai Moment Invariant, dibandingkan
macam bentuk Zernike Moment dan metode lain, yaitu
daun PFT. sebesar 64%.

4. Jariah dkk. 150 citra Ekstraksi fitur Akurasi sebesar

[3] , 2011. tanda tangan dengan Moment 80% dengan error
untuk data Invariant. Untuk yang terjadi sekitar
latih dan 30 klasifikasi 20%. Kesalahan
citra tanda menggunakan Radial pengenalan tanda
tangan untuk Basis Function tangan terjadi
data uji. dengan alternatif akibat perbedaan
dari Multilayered ukuran dan posisi
Feedforward Neural dari citra tanda
(MFN) yang telah tangan yang
dikembangkan. diambil.
5. Justino 1600 citra Ekstraksi fitur dengan SVM memberikan
dkk. [4], tanda tangan. grid segmentation. hasil yang lebih
2005. Untuk klasifikasi baik dibandingkan
membandingkan
HMM.
Hidden Markov Model
(HMM) dan SVM.

8
 Tabel 1.3 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
6. Kiani dkk. 600 citra tanda Ekstraksi Fitur dengan Hasil kombinasi
[12], 2009. tangan dari 20 Radon Transform dan local Radon
orang Persia Line Segment Transform dan
dan 924 citra Detection. Metode
SVM memberikan
klasifikasi yang
dari 22 orang hasil cukup baik
digunakan adalah
Inggris. untuk pengenalan
SVM dengan RBF
tanda tangan.
kernel.
7. Nguyen 3840 citra Membandingkan Nilai DER
dkk. [13], tanda tangan hasil klasifikasi (Distinguishing
2007. asli dari 160 SVM dengan 2 Error Rate) yang
didapatkan dari rata-
volunter dan teknik Neural
rata kesalahan
4800 citra Network (RBF dan
pengenalan tanda
tanda tangan RBP).
tangan asli untuk
palsu dengan
model pemalsuan
model
paling baik jika
simulated jumlah training data
simple forgery. untuk skilled forgery
sebanyak 25 citra
untuk pengujian
dengan 5 citra.

9
 Tabel 1.4 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
8. Patil dan 15360 citra Ekstraksi fitur Mengalami
Hegadi tanda tangan menggunakan kesalahan dalam
[14], 2013. asli dan 19200 Daubechies Wavelet pendeteksian tanda
citra tanda Transform dan tangan palsu
tangan palsu. menggunakan SVM sebagai tanda
dengan linear kernel tangan asli
dan RBF kernel. sebanyak 13% saat
menggunakan
SVM dan 15%
pada saat
menggunakan RBF
kernel.
9. Ito dkk. 1.848 citra Melakukan verifikasi Kombinasi online
[15], 2012. tanda tangan tanda tangan online fitur dan offline
asli dan 1.584 berdasarkan fitur fitur meningkatkan
citra tanda gradien, akurasi dalam
tangan palsu menyamakan hasil melakukan
dengan model Dynamic verifikasi. Hasil
skilled forgery. Programming (DP), akurasi pengenalan
dan melakukan tanda tangan dari 3
klasifikasi dengan sampel adalah
SVM. 89,65% dan untuk
6 sampel tanda
tangan tangan
akurasinya
meningkat menjadi
92,96%.

10
 Tabel 1.5 Tabel perbandingan keaslian penelitian (lanjutan)
No Peneliti Data Metode Keterangan
10. Kumawat 200 sampel Membandingkan Hasil klasifikasi
dkk. [9], tulisan tangan metode klasifikasi SVM memberikan
2013 dari dua orang HMM, SVM dan tingkat akurasi
dan kombinasi HMM- 99,4% jika
mengaplikasik SVM untuk menggunakan 200
an tiga teknik mendeteksi tulisan sampel data
penulisan yang tangan. training.
berbeda.
11. Penelitian 465 citra tanda Ekstraksi fitur yang Melakukan
yang akan tangan asli dan digunakan adalah pengujian dengan
dilakukan 465 citra tanda Dynamic Time membandingkan
tangan palsu Warping (DTW) dan metode ekstraksi
Polar Fourier fitur DTW, PFT
Transform (PFT) dan kombinasi
serta kombinasi DTW dan PFT
antara DTW dan untuk mencari tahu
PFT. Kemudian pada metode ekstraksi
saat klasifikasi fitur yang terbaik.
membandingkan Kemudian
antara metode menggunakan
Support Vector metode klasifikasi
Machine (SVM) dan SVM dan MLP
Multilayer untuk mengetahui
Perceptron (MLP). metode terbaik
dalam pengenalan
keaslian tanda
tangan.

11
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