Model Berbasis CNN untuk Estimasi dan Autentikasi Copy Detection Pattern
Abstrak
Pemalsuan merupakan salah satu tindak kriminal di abad ke-21. Salah satu metode untuk mengatasi pemalsuan produk adalah copy detection pattern (CDP) yang ditempelkan pada produk. CDP merupakan sebuah pola peka salinan yang menyebabkan penurunan kualitas pola setelah proses cetak dan pindai. Jumlah informasi yang hilang digunakan untuk membedakan CDP asli dan palsu. Makalah ini mengusulkan model estimasi CDP berdasarkan convolutional neural network (CNN), yang disebut CDP-CNN. CDP-CNN mengatasi ketergantungan spasial dari patch citra. Dengan demikian, CDP-CNN mestinya lebih baik daripada model yang menggunakan arsitektur multi layer perceptron (MLP). Model yang diusulkan menghasilkan estimasi bit error rate (BER) sebesar 9,91% pada metode estimasi batch. BER ini 9% lebih rendah daripada BER metode sebelumnya yang menggunakan model MLP autoencoder. Model yang diusulkan mempunyai jumlah parameter yang lebih sedikit dibandingkan metode sebelumnya. Pengaruh preprocessing, penggunaan unsharp mask, diuji menggunakan metode pengujian statistik. Pengaruh preprocessing tidak memiliki perbedaan yang signifikan kecuali dalam skema estimasi batch, yaitu filter unsharp mask mengurangi BER sebesar paling tidak 0,5%. Selain itu, model yang diusulkan ini juga digunakan untuk metode autentikasi. Autentikasi menggunakan model estimasi ini memiliki pemisahan distribusi yang baik untuk membedakan CDP palsu dan asli. Maka, CDP masih dapat digunakan sebagai metode autentikasi dengan kinerja yang reliabel. CDP membantu anti-pemalsuan pada distribusi produk dan mengurangi akibat negatif pada berbagai sektor ekonomi.
Referensi
E. Gasiorowski-Denis (2014) “Crackdown on counterfeiting,” [Online], https://www.iso.org/news/2014/01/Ref1809.html, access date: 26-Jul-2022.
L. Korsell, “Fraud in the Twenty-First Century,” Eur. J. Crim. Policy Res., Vol. 26, No. 3, pp. 285–291, Aug. 2020, doi: 10.1007/s10610-020-09463-2.
OEICD/EUIPO (2016) “Trade in Counterfeit and Pirated Goods: Mapping the Economic Impact,” [Online], https://read.oecd-ilibrary.org/governance/trade-in-counterfeit-and-pirated-goods_9789264252653-en#page5, access date: 26-Jul-2022.
A. Anderson (2006) “Combating Counterfeiting: Simple Steps You Can Take Now to Protect Your Brand from Piracy,” [Online], https://www.hollandhart.com/articles/CounterfeitingArticleAndersonRev2.pdf, access date: 26-Jul-2022.
J. Picard, “Digital Authentication with Copy-Detection Patterns,” Proc. Vol. 5310 Opt. Secur. Counterfeit Deterrence Tech. V, R.L. van Renesse, Ed., Jun. 2004, pp. 176–183, doi: 10.1117/12.528055.
C. Chen et al., “A Copy-Proof Scheme Based on the Spectral and Spatial Barcoding Channel Models,” IEEE Trans. Inf. Forensics, Secur., Vol. 15, pp. 1056–1071, Aug. 2019, doi: 10.1109/TIFS.2019.2934861.
I.H. Sarker, “Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions,” SN Comput. Sci., Vol. 2, No. 6, pp. 1–20, Nov. 2021, doi: 10.1007/s42979-021-00815-1.
P.R. Kumar and E.B.K. Manash, “Deep Learning: A Branch of Machine Learning,” J. Phys. Conf. Ser., Vol. 1228, pp. 1–9, May 2019, doi: 10.1088/1742-6596/1228/1/012045.
K. Choudhary et al., “Recent Advances and Applications of Deep Learning Methods in Materials Science,” npj Comput. Mater., Vol. 8, pp. Apr. 2022, doi: 10.1038/s41524-022-00734-6.
V. Kober, T. Choi, V. Diaz-Ramírez, and P. Aguilar-González, “Pattern Recognition: Recent Advances and Applications,” Math. Probl. Eng., Vol. 2018, pp. 1–2, 2018, doi: 10.1155/2018/8510319.
B. Liu and J. Liu, “Overview of Image Denoising Based on Deep Learning,” J. Phys. Conf. Ser., Vol. 1176, No. 2, pp. 1–6, Mar. 2019, doi: 10.1088/1742-6596/1176/2/022010.
K. Yun, A. Huyen, and T. Lu, “Deep Neural Networks for Pattern Recognition,” 2018, arXiv:1809.09645.
E. Khermaza, I. Tkachenko, and J. Picard, “Can Copy Detection Patterns be Copied? Evaluating the Performance of Attacks and Highlighting the Role of the Detector,” 2021 IEEE Int. Workshop Inf. Forensics, Secur. (WIFS), 2021, pp. 1–6, doi: 10.1109/WIFS53200.2021.9648384.
P. Zhang, W. Zhang, and N. Yu, “Copy Detection Pattern-Based Authentication for Printed Documents with Multi-Dimensional Features,” 2019 7th Int. Conf. Infor. Commun., Netw. (ICICN), 2019, pp. 150–157, doi: 10.1109/ICICN.2019.8834939.
O. Taran et al.,“Mobile Authentication of Copy Detection Patterns: How Critical Is to Know Fakes?” 2021 IEEE Int. Workshop Inf. Forensics, Secur. (WIFS), 2021, pp. 1–6, doi: 10.1109/WIFS53200.2021.9648398.
R. Chaban et al., “Machine Learning Attack on Copy Detection Patterns: Are 1 × 1 Patterns Cloneable?” 2021 IEEE Int. Workshop Inf. Forensics, Secur. (WIFS), 2021, pp. 1–6, doi: 10.1109/WIFS53200.2021.9648387.
O. Taran, S. Bonev, and S. Voloshynovskiy, “Clonability of Anti-counterfeiting Printable Graphical Codes: A Machine Learning Approach,” ICASSP 2019 - 2019 IEEE Int. Conf. Acoust. Speech, Signal Process. (ICASSP), 2019, pp. 2482–2486, doi: 10.1109/ICASSP.2019.8682967.
D.P. Kingma and J.L. Ba, “Adam: A Method for Stochastic Optimization,” 2017, arXiv:1412.6980v9.
S. Saidah, I.P.Y.N. Suparta, and E. Suhartono, “Modifikasi Convolutional Neural Network Arsitektur GoogLeNet dengan Dull Razor Filtering untuk Klasifikasi Kanker Kulit,” J. Nas. Tek. Elekt., Teknol. Inf., Vol. 11, No. 2, pp. 148–153, May 2022, doi: 10.22146/jnteti.v11i2.2739.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” 2016 IEEE Conf. Comput. Vis., Pattern Recognit., 2016, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.
A. Paszke et al., “PyTorch: An Imperative Style, High-Performance Deep Learning Library,” in NIPS,19: Proceedings of the 33rd International Conference on Neural Information Processing Systems, H.M. Wallach et al., Eds., Red Hook, NY, USA: Curran Associates Inc., 2019, pp. 8026–8037.
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner, “Gradient-Based Learning Applied to Document Recognition,” Proc. IEEE, Vol. 86, No. 11, pp. 2278–23234, Nov. 1998, doi: 10.1109/5.726791.
© Jurnal Nasional Teknik Elektro dan Teknologi Informasi, di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.
2.png)
