Rahardika, Ano Rangga (2018) Verifikasi Tanda Tangan Dinamis Menggunakan Fitur Histogram dan Algoritma Dynamic Time Warping. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211450010018-Master_Theses.pdf - Accepted Version Download (4MB) | Preview |
Abstract
Sejauh ini, fitur-fitur histogram telah mampu memberikan hasil yang cukup baik untuk verifikasi tanda tangan dinamis dengan menggunakan metode pengukuran jarak manhattan distance. Berdasarkan studi literatur ada kemungkinan untuk meningkatkan kinerja sistem. Yang pertama adalah penggunaan Dynamic Time Warping (DTW) sebagai pengganti manhattan distance. Hal tersebut karena DTW merupakan algoritma yang sudah dikenal dengan baik pada penelitian verifikasi tanda tangan dinamis sebelumnya. Perbedaanya adalah DTW biasanya digunakan langsung pada sinyal posisi X dan Y tanpa melalui ekstraksi fitur histogram. Yang kedua adalah penambahan fitur-fitur baru dari histogram X dan Y karena histogram X dan Y adalah gambaran distribusi posisi x dan y yang berkaitan dengan “bentuk” tanda tangan yang merupakan salah satu unsur penting dalam kinerja verifikasi tanda tangan dinamis. Untuk mengukur kinerja sistem, digunakan nilai AUC (Area Under Curve). Nilai AUC memiliki interpretasi yaitu nilai kemungkinan tanda tangan asli terverifikasi sebagai asli daripada tanda tangan palsu terverifikasi sebagai asli. Sehinga nilai AUC yang lebih besar lebih baik.
Pada pengujian pertama secara garis besar DTW lebih buruk daripada Manhattan Distance. Nilai AUC sistem verifikasi dengan metode DTW selalu lebih kecil daripada sistem verifikasi dengan metode Manhattan Distance. Pada dataset SVC2004 kasus pemalsuan terlatih nilai AUC DTW lebih buruk dengan selisih 0.02623. Pada kasus pemalsuan acak nilai AUC DTW juga lebih buruk dengan selisih 0.00029. Hal yang sama juga didapatkan pada dataset Privat. Pada kasus pemalsuan terlatih nilai AUC DTW lebih kecil dengan selisih 0.053600166. Pada kasus pemalsuan acak nilai AUC DTW lebih kecil dengan selisih 0.047.Pada pengujian kedua menunjukkan kinerja dengan fitur-fitur baru lebih baik. Nilai AUC sistem dengan fitur-fitur baru selalu lebih baik atau lebih besar. Pada dataset SVC2004 kasus pemalsuan terlatih nilai AUC sistem dengan fitur baru lebih besar dengan selisih 0.00654. Sedangkan pada kasus pemalsuan acak nilai AUC sistem dengan fitur baru lebih besar dengan selisih 0.0549. Pada dataset Privat kasus pemalsuan terlatih nilai AUC sistem dengan fitur baru lebih besar dengan selisih 0.024. Pada kasus pemalsuan acak nilai AUC lebih besar dengan selisih 0.08.
============================================================
So far, histogram features have been able to provide good results for dynamic signature verification using manhattan distance measurement method. Based on literature studies it is possible to improve system performance. The first is the use of Dynamic Time Warping (DTW) instead of manhattan distance. That's because DTW is a well-known algorithm in previous dynamic signature verification research. The difference is that DTW is usually used directly on X and Y position signals without going through histogram feature extraction. The second is the addition of new features of the histogram of X and Y because the histogram of X and Y is an illustration of the distribution of x and y positions that relate to the "shape" element of the signature which is one of the key elements in the performance of dynamic signature verification. To measure the performance of the system, the value of AUC (Area Under Curve) is used. The AUC value has an interpretation that is the probabilty value of genuine signature verified as the genuine rather than forgery signature verified as the genuine. So the larger value of AUC is better.
In the first test’s result, the DTW was worse than Manhattan Distance. The AUC value of DTW method is always smaller than the AUC value of Manhattan Distance method. In the SVC2004 dataset of the skilled forgery case, the AUC value of DTW is worse by 0.02623 difference. In the case of random forgery the AUC value of DTW is also worse by 0.00029 difference. The same result was also reported in the Privat dataset. In the case of skilled forgery the AUC value of DTW is smaller by 0.053600166 difference. In the case of random forgery the AUC value of DTW is smaller by 0.047 difference. In the second test, it was reported that the performance with the new features was better. The AUC value of system with the new features is always greater. In the SVC2004 dataset in the skilled forgery case the AUC value of system with the new features was larger by 0.00654 difference. Whereas in the case of random forgery, the value of AUC system with new feature was larger by 0.0549 difference. In the Private datasets in the skilled forgery case, the AUC value of system with new features was larger by 0.024 difference. In the case of random forgery the AUC value was larger by 0.08 difference
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | fitur, histogram, pemalsuan terlatih, pemalsuan acak, AUC, Privat, SVC2004, Manhattan, DTW |
| Subjects: | T Technology > T Technology (General) |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 59101-(S2) Master Thesis |
| Depositing User: | Ano Rangga Rahardika |
| Date Deposited: | 28 Jun 2021 06:36 |
| Last Modified: | 28 Jun 2021 06:36 |
| URI: | http://repository.its.ac.id/id/eprint/56483 |
Actions (login required)
 |
View Item |