bab 2 landasan teori - bina nusantara | library...
TRANSCRIPT
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 di-
update 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 jμ , standar
deviasi jσ dan jn merupakan banyaknya input yang ada pada kategori j .
yj yχχχχ
μ++++
=...321 , y = jn
( )∑=
−=N
ii j
Nj
1
21 μχσ , N = jn
19
2.5.2.1 Pemilihan Kategori
Sebelum training, Gaussian ART memilih kategori J sebagai input dari kategori
j yang ada dengan rumus ))((maxarg IgJ jj= .
Nilai jg sendiri didapat dari rumus :
=(I)g j ))(log(log21
1
2
1jP
jiI
ji
M
i
ijiM
i+⎟
⎠⎞
⎜⎝⎛Π−⎟
⎟⎠
⎞⎜⎜⎝
⎛ −Σ−
==σ
σμ
, M = jn
∑ =
= N
a a
j
n
njP
1
)( , N = banyaknya kategori
Untuk menentukan apakah input kategori J akan dimasukkan dalam sistem
pembelajaran maka harus memenuhi syarat )(' Ig J > ρ , dimana ρ merupakan
parameter vigilance yang ditentukan.
)(' Ig J = ⎟⎠⎞
⎜⎝⎛Π+−
= ji
M
iJ JPIg σ1
log))(log()(
Jika )(' Ig J > 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 0' =Jn 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.
1: += JJ nn
Inn JJJJ11)1(: −− +−= μμ
20
=:Jiσ⎪⎭
⎪⎬⎫
⎪⎩
⎪⎨⎧ >−+− −−
lainnyanInn JiJiJJiJ
,1,)()1( 2121
γμσ
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.
( ) KJ =Ω
Fungsi ( )JΩ memetakan kategori J kepada nilai prediksi K . Jika kategori J
terpilih lagi untuk merespon sampel training lainnya dan nilai prediksi 'K salah
( KK ≠' ) maka nilai parameter vigilance dinaikkan dengan rumus,
)(' Ig J=ρ
Dan kategori J direset, pada proses training berikutnya ρ diberi nilai yang baru
yaitu: _ρρ =
2.5.3.2 Testing
Nilai prediksi 'K yang memiliki kemungkinan maksimum yang dipilih :
⎟⎟⎠
⎞⎜⎜⎝
⎛= ∑
−Ω∈ )(1
))(exp(maxarg'kj
jkIgK
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.
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 ):
FAR FRR
comfort Security
threshold
Error rate
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 :
System Engineering, adalah tahapan pengumpulan kebutuhan seluruh elemen
sistem.
Software Requirement Analysis, adalah tahapan pengumpulan kebutuhan
berfokus pada perangkat lunak.
Design, adalah tahapan perancangan struktur, arsitektur perangkat lunak, rincian
prosedural, dan karakteristik antar muka.
Coding, adalah tahapan penerjemahan perancangan ke bentuk yang dapat
dimengerti oleh mesin.
27
Testing, adalah tahapan pengujian logikal (program logic) dan pengujian
fungsional (input process-output).
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, perintah-
perintah 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.