PERANAN FITUR KONTUR DAN SLOPE DALAM PENGENALAN TANDA TANGAN OFFLINE DENGAN DYNAMIC TIME WARPING

Ignatia Dhian Estu Karisma Ratri1, Hanung Adi Nugroho2, Teguh Bharata Adji3

1, 2, 3 Jurusan Teknik Elektro dan Teknologi Informasi, Fakultas Teknik, Universitas Gadjah Mada Jl. Grafika 2 Yogyakarta 55281.

*Email: ignatia.dhian@gmail.com1, adinugroho@ugm.ac.id2, adji.tba@gmail.com3

AbstrakPada dasarnya untuk membedakan antara satu orang dengan yang lainnya merupakan salah satu proses identifikasi. Secara kasat mata tentunya hal ini akan sangat mudah sekali untuk dilakukan oleh manusia, akan tetapi jika komputer melakukan proses identifikasi terhadap seseorang maka ada beberapa kemampuan yang harus dimiliki oleh komputer tersebut sebelum melakukan proses identifikasi. Antara lain komputer harus memiliki sebuah data mengenai orang tersebut sebelumnya kemudian melakukan proses pencocokan terlebih dahulu sehingga dapat dilakukan identifikasi terhadap orang tersebut. Identifikasi ini dapat dilakukan dengan mengetahui dan mengenali karakteristik tertentu dari seseorang tersebut. Terdapat juga model identifikasi tanda tangan dengan melihat variasi histogram dari pola tanda tangan tersebut menggunakan Dynamic Time Warping(DTW). Pada penelitian kali ini akan dilihat peranan dari kontur dan slope dalam membedakan antara tanda tangan asli dan palsu yang ada menggunakan Dynamic Time Warping(DTW). Data citra tanda tangan terlebih dahulu akan dilakukan praproses, kemudian dilakukan ekstraksi fitur dengan DTW kemudian dilakukan analisa tehadap peranan kontur dan slope pada hasil pengujian tersebut.

Kata kunci: curvature, Dynamic Time Warping, Slope, tanda tangan

1. PENDAHULUANPada dasarnya untuk membedakan antara satu orang dengan yang lainnya merupakan salah

satu proses identifikasi. Secara kasat mata tentunya hal ini akan sangat mudah sekali untuk dilakukan oleh manusia, akan tetapi jika komputer melakukan proses identifikasi terhadap seseorang maka ada beberapa kemampuan yang harus dimiliki oleh komputer tersebut sebelum melakukan proses identifikasi. Antara lain komputer harus memiliki sebuah data mengenai orang tersebut sebelumnya kemudian melakukan proses pencocokan terlebih dahulu sehingga dapat dilakukan identifikasi terhadap orang tersebut. Identifikasi ini dapat dilakukan dengan mengetahui dan mengenali karakteristik tertentu dari seseorang tersebut. Pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya kemudian dikenal sebagai biometrik (Hidayatno,dkk., 2008). Terdapat banyak tipe biometrik antara lain sidik jari, pengenalan suara, retina dan tanda tangan.

Pada dasarnya setiap orang memiliki tanda tangan yang unik dan berbeda satu sama lain. Sekarang ini tanda tangan menjadi sebuah cara seseorang untuk memvalidasi autentifikasi seseorang antara lain jika seseorang akan melakukan pengambilan uang di bank atau validasi kehadiran pada saat ujian dan sebagainya. Terutama untuk dokumen yang penting seperti buku tabungan, ijasah, surat kuasa dan dokumen lainnya sangat ditentukan dibutuhkan autentifikasi tanda tangan pemilik. Melihat sejumlah besar tanda tangan diverifikasi secara 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 pemalsuan tanda tangan. Teknologi identifikasi untuk pengenalan pola tanda tangan termasuk di dalam biometrik yang menggunakan karakteristik perilaku alami manusia (Jariah,dkk., 2011). 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.

Pada pengenalan tanda tangan offline terdapat 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, simpel, simulated)

(Justino,dkk., 2005). 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 tanda tangan di 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, dapat dilihat pada gambar 1(b). Lalu ada model pemalsuan simpel di mana pemalsu hanya menuliskan nama pemilik asli tanda tangan tanpa bermaksud meniru tanda tangan asli seperti yang ada di gambar 1(c), kemudian ada model pemalsuan simulated di mana pemalsu mempelajari terlebih dahulu tanda tangan asli dan memalsukan tanda tangan asli dengan hampir sempurna, gambar 1(d).

Gambar 1. Tipe pemalsuan tanda tangan, (a)tanda tangan asli;(b) pemalsuan random;(c)pemalsuan simpel;(d) pemalsuan disimulasikan(Justino dkk., 2005)

Terdapat banyak teknik untuk pengenalan tanda tangan, antara lain Pattern Matching, Backpropagation Network, Hidden Markov Model(HMM), Support Vector Machine(SVM) dan masih banyak lagi (Impedevo dan Pirlo, 2008). Pada beberapa penelitian yang ada HMM telah menjadi metode yang banyak digunakan untuk penelitian antara lain dalam pengenalan tulisan(handwriting), suara, tanda tangan (Elms,1996). Terdapat juga model pengenalan tanda tangan dengan melihat variasi histogram dari pola tanda tangan tersebut menggunakan Dynamic Time Warping, dengan menggunakan statisik dan berdasarkan skeleton dari penulisan tanda tangan (Fang, dkk., 20013). Kemudian juga dilakukan penelitian untuk menggunakan kontur luar dari tanda tangan dan fitur bentuk dari tanda tangan (Chen dan Srihari,2005). Pada penelitian kali ini akan dilihat peranan dari kontur dan slope dalam membedakan antara tanda tangan asli dan palsu yang ada.

2. METODOLOGIPada penelitian ini, data yang digunakan adalah 250 data tanda tangan yang diperoleh dari 50

responden, di mana 10 responden yang ada memberikan masing-masing 10 tanda tangan asli, kemudian 10 responden lain membuat pemalsuan random dari 10 tanda tangan asli tersebut di mana masing-masing responden memalsukan sebanyak 10 tanda tangan palsu secara random, 10 responden lainnya memalsukan secara simpel dan 10 responden lainnya memalsukan tanda tangan dengan simulasi terlebih dahulu. Data tanda tangan ini dikumpulkan dengan cara responden membuat tanda tangan tersebut pada sebuah kotak yang telah disiapkan pada kertas. Alat tulis yang digunakan dalam pengumpulan tanda tangan untuk masing-masing responden dengan tipe yang sama. Setelah tanda tangan dikumpulkan maka dilakukan scanning pada tanda tangan tersebut sehingga didapatkan tanda tangan tersebut dalam bentuk digital.

Setelah mendapatkan data tanda tangan secara digital maka akan dilakukan pemrosesan secara lebih lanjut untuk dapat melakukan proses identifikasi pada tanda tangan yang ada. Berikut ini adalah langkah yang dilakukan untuk melakukan proses identifikasi pada tanda tangan yang ada:

2.1. PraprosesTeknik Praproses adalah cukup penting dalam penelitian ini, karena dalam proses ini

data digital yang masih mentah setelah dilakukan proses scanning akan diolah terlebih

dahulu sebelum diproses lebih lanjut. Adapun langkah-langkah yang dilakukan antara lain adalah :a. Binarization

Data tanda tangan pada awalnya masih berbentuk data gambar RGB, untuk memudahkan dalam proses pengujian maka data tanda tangan tersebut diubah menjadi data gambar biner yang hanya terdiri dari warna hitam dan putih saja. Untuk mengubah data gambar RGB menjadi data gambar biner maka terlebih dahulu data gambar RGB dikonversikan menjadi grayscale kemudian setelah itu dikonversikan menjadi data gambar biner dengan menggunakan metode Otsu. Metode Otsu ini dapat memilih threshold paling optimal secara otomatis dan stabil karena didasarkan pada histogram gambar tersebut(Otsu,1979).

b. DilasiPada beberapa gambar tanda tangan beberapa di antaranya terdapat garis yang

terputus, hal ini dapat disebabkan beberapa hal antara lain karena proses tidak sempurna pada saat binarization, pada saat melakukan tanda tangan pena yang digunakan mengalami kehabisan tinta, atau beberapa hal lainnya yang mungkin terjadi. Oleh karena itu untuk memperbaiki hal tersebut maka dilakukan dilasi pada garis yang terputus.

c. Median FilterUntuk mengurangi gangguan atau penyimpangan pada data gambar yang ada

(Susanto dan Kadir, 2012) dengan median filter dengan matriks 15x15.d. Contour Extraction

Pada proses ini gambar yang telah melalui proses binarization dan broken dilasi akan dilakukan scanning secara menyeluruh untuk didapatkan titik yang membentuk bagian terluar dari gambar tanda tangan tersebut. Kemudian setelah didapatkan kumpulan titik tersebut, maka titik akan diurutkan mulai dari titik yang berada di paling kiri menuju titik yang berada di paling kanan dan diteruskan kembali menuju titik yang berada paling kiri sehingga nantinya akan dibentuk menjadi satu buah loop dari pola tanda tangan tersebut. Kemudian setelah itu dilakukan perhitungan untuk mengetahui posisi setiap titik, slope dan curvature. Hal ini nantinya diperlukan pada saat perhitungan menggunakan DTW.

(a) (b) (c)

Gambar 2. Hasil Praproses, (a) Proses Binarization;(b) Proses Dilasi dan Median Filter; (c) Proses Contour Extraction

2.2. Ekstraksi Fitur Untuk membuat sebuah kontur yang membuat bentuk bagian terluar dari gambar

tanda tangan maka yang dilakukan adalah dengan memanfaatkan algoritme pelacakan kontur Moore (Susanto dan Kadir, 2012). Berikut ini adalah algoritme yang digunakan untuk melacak kontur.

Algoritma untuk pelacakan kontur [10]Input : f(m,n): citra inputan berukuran m baris dan n kolomOutput : kontur(s): larik yang berisi piksel-piksel kontur sebanyak s buah

1. Dapatkan piksel yang berada pada paling kiri dan paling atas yang bernilai 1. Selanjutnya posisi piksel dicatat pada variabel b0 dan posisi untuk memperoleh piksel berikutnya dicatat pada c0, yang mula-mula diisi dengan 4(untuk menunjukkan arah barat)

2. Periksa 8 piksel tetangga pada b0 searah jarum jam dimulai dari c0. Piksel pertama yang bernilai 1 dicatat pada b1. Adapun posisi yang mendahului b1

dicatat pada c1.3. Kontur(1)b0, kontur(2)b1, jum24. bb1 dan c c15. WHILE true

a. Cari piksel pada 8 piksel tetangga yang pertama kali bernilai 1 dengan pencarian awal dimulai dari arah c dengan menggunakan pola arah jarum jam

b. Catat posisi piksel tersebut ke bc. Catat posisi yang mendahului piksel tersebut ke cd. Tambahkan b sebagai bagian kontur: jum jum+1 ; kontur(jum) be. IF b=b0

Keluar dari WHILEEND-IF

END-WHILE

Gambar 3. Algoritma Moore (Susanto dan Kadir, 2012)

Kemudian setelah dilakukan pelacakan kontur maka langkah berikut yang dilakukan adalah membagi kontur tersebut menjadi dua, bagian atas dan bagian bawah. Dimulai dari titik yang berada di bagian paling kiri menuju titik yang berada di bagian kanan, kemudian dilanjutkan kembali dari titik paling kanan tersebut menuju titik yang berada di paling kiri. Sehingga nantinya membentuk satu buah loop kontur dari pola tanda tangan tersebut. Kemudian setelah membentuk sebuah kontur tanda tangan maka dari kontur tersebut dihitung nilai slope dan curvature dari titik-titik tersebut dengan cara perhitungan sebagai berikut:a) Untuk mendapatkan slope suatu titik, maka perlu dilihat posisi titik tersebut terhadap

titik sebelumnya dengan menggunakan panduan pada gambar 4(a) di bawah ini. Kemudian setelah didapatkan slope dari masing-masing titik dalam kontur tersebut maka dicari average slope dengan cara seperti pada gambar 4(b).

Gambar 4. (a) Panduan Orientasi Slope; (b) Perhitungan average slope

b) Kemudian setelah diketahui average slope dari masing-masing titik maka dilakukan perhitungan untuk curvature masing-masing titik, dengan cara seperti pada gambar di bawah ini

Gambar 6. Perhitungan curvature

Setelah didapatkan perhitungan average slope dan curvature seperti ilustrasi di atas maka langkah yang perlu dilakukan selanjutnya adalah melakukan perhitungan dengan menggunakan Dynamic Time Warping dengan kontur dan curvature yang telah didapatkan pada perhitungan sebelumnya.

fs =

2.3. Dynamic Time WarpingSetelah didapatkan dua buah pola kontur dari tanda tangan asli yang menjadi

referensi dan tanda tangan yang akan ditest untuk melihat kesamaan dari kedua pola tersebut dengan menggunakan DTW. Pada dasarnya DTW yang digunakan dalam percobaan ini berbeda dengan DTW yang digunakan pada pengenalan suara(Juang, 1993). Pada DTW percobaan ini akan digunakan slope serta curvature dari setiap pola tanda tangan yang ada untuk kemudian dimasukkan ke dalam fungsi DTW.

Sebuah pola perhitungan baru digunakan untuk menghitung parameter lokal dan slope untuk memenuhi kebutuhan dalam perhitungan ini. Berikut ini adalah algoritme yang digunakan dalam percobaan kali ini. Inisialisasi, DA(0,0) = d(0,0) di mana didapatkan nilai

d(ix,iy) = [fs2 (slope(ix) - slope(iy)) + fc

2(curvature(ix),curvature(iy))]1/2 (1)

dan x jika x < 5 8-x jika x ≥ 5 (2)

fc (x1,x2) = (x1+3)%8 + (x2+3)%8 (3)

Rekursi, untuk 1≤ ix ≤Tx, 1≤ iy ≤Ty , di mana ix dan iy selalu berada dalam grid yang ada maka dilakukan komputasi terhadap rumus berikut ini :

(4)

Termination,D(X,Y) = DA(Tx, Ty) (5) Mɸ

2.4. Teknik Validasi dan EvaluasiSetelah melakukan pengujian terhadap 250 data yang ada maka data yang ada

nantinya akan diujikan dengan melihat berapa banyak data tanda tangan asli yang dijadikan data testing dapat terdeteksi oleh sistem dan berapa banyak data tangan palsu yang dapat dideteksi oleh sistem. Untuk memudahkan dalam menampilkan pola dari data yang ada maka digunakan model pengujian dengan Boxplot. Boxplot membagi himpunan data yang ada ke dalam kuartil, dan menampilkan outlier dari data tersebut. Oleh karena itu dengan boxplot maka data testing dapat ditentukan termasuk data tanda tangan asli atau palsu.

3. HASIL DAN PEMBAHASANSetelah melakukan percobaan kepada 250 data tanda tangan yang ada, yaitu dengan

menggunakan 5 data training dari data tanda tangan asli dari 10 responden yang ada sehingga untuk data training terkumpul 50 data citra tanda tangan asli, kemudian nantinya data training ini digunakan sebagai acuan menggunakan boxplot untuk mengetahui data testing yang nanti akan diujikan termasuk dalam range data tersebut atau tidak.

Berikut ini adalah tabel hasil pengujian dari data yang ada, tabel 1 adalah tabel hasil pengujian data training yang telah disiapkan sebelumnya dibandingkan dengan data tanda tangan asli yang diujikan sebagai data testing. Dapat dilihat pada tabel 1, hasil testing menggunakan DTW dengan kontur dan slope memberikan hasil kurang baik dibandingkan pengujian dengan DTW biasa(tanpa kontur dan slope).

Tabel 1. Tabel hasil pengujian data testKet Data

1Data

2Data

3Data

4Data

5Data

6Data

7Data

8Data

9Data1

0Rata-rata

DTWkontur

1.00 1.00 0.60 1.00 1.00 1.00 1.00 - - 1.00 0.76

DTW 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 0.80 1.00 0.98

Sedangkan berikut ini adalah tabel pengujian dengan model sama seperti pada tabel 1, hanya saja data testing yang digunakan adalah data tanda tangan palsu. Terdapat 3 macam model pemalsuan yaitu random forgery, unskilled forgery dan skilled forgery.

Tabel 2. Tabel hasil pengujian data training dengan pemalsuanKeterangan Random Forgery Unskilled Forgery Skilled Forgery

DTW Kontur 0.66 0.26 0.58DTW 0.30 0.06 0.12

4. KESIMPULANMelihat hasil tabel yang ada maka dapat disimpulkan bahwa untuk melakukan identifikasi

terhadap tanda tangan asli yang ada dengan data training yang telah digunakan sebagai database sistem, model pengujian DTW dengan kontur dan slope belum memberikan hasil yang baik dibandingkan dengan model pengujian DTW biasa. Sedangkan dalam pendeteksian tanda tangan palsu DTW kontur dan slope memberikan hasil yang baik dibandingkan DTW biasa. Sehingga secara garis besar peranan kontur dan slope sangat diperlukan dalam pendeteksian tanda tangan palsu dan asli.

Beberapa kekurangan dalam penelitian ini adalah karena data citra yang digunakan belum dapat menangani data gambar yang mengalami rotasi ataupun translasi akibat proses pengambilan data. Sehingga pada penelitian berikutnya dapat ditambahkan parameter untuk menangani hal tersebut.

5. DAFTAR PUSTAKAA. Hidayatno, R. R. Isnanto, D. K. W. Buana,( 2008), Identifikasi Tanda-Tangan Menggunakan

Jaringan Saraf Tiruan Perambatan-Balik (Backpropagation), Jurnal Teknologi, Volume. 1 Nomor 2,pp. 100 - 106, Desember

A. Jariah, M.I. Irawan dan I. Mukhlash,(2011), Pengenalan Pola Tanda Tangan Menggunakan Metode Moment Invariant dan Jaringan Syaraf Radial Basis Function (RBF), Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,Fakultas MIPA, Universitas Yogyakarta

A.Susanto dan A.Kadir, (2012), Pengolahan Citra Digital: Teori dan AplikasiB.Fang, C.H. Leung et al, (2003) , Offline-Signature verification by the tracking of feature and

stroke position, Pattern Recognition,pp. 91-101.D. Impedovo and G. Pirlo,( 2008), Automatic Signature Verification: The State of the Art, IEEE

TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS, Vol. 38, No. 5

Elms, A.L., "The representation and recognition of text using hidden Markov models:. Ph.D. Thesis, University of Surrey, UK,1996.

E.J.R. Justino , F. Bortolozzi dan R. Sabourin,( 2005), A comparison of SVM and HMM classifiers in the off-line signature verification, Journal Pattern Recognition Letters, Vol.26 Issue 9,pp. 1377 - 1385

L.Rabiner B-H. Juang,(1993) “Fundamentals of Speech Recognition”, Prentice HallM. Stamp, (2011), Information Security Principles and Practice, Second Edition, John Wiley &

Sons,Inc.N.Otsu, (1979), A Threshold Selection Method from Gray Level Histogram, IEEE Transactions on

Systems, Man dan Cybernetics, Vol. SMC-9, No.1 S.Chen and S.Srihari, (2005), Use of Exterior Contours and Shape Features in Offline Signature

Verification, Proceeding of the Eight ICDAR,.