No abstract

Tanda tangan merupakan salah satu karakteristik yang dimiliki oleh setiap orang . Kasus pemalsuan tanda tangan cukup banyak terjadi[6]. Hal ini dikarenakan kurangnya sistem verifikasi dalam pengidentifikasian tanda tangan. Berdasarkan hal tersebut, dibangun aplikasi verifikasi tanda tangan. Aplikasi yang dibangun menggunakan metode edge detection dalam pengekstraksi ciri dan metode jaringan syaraf tiruan Learning Vector Quantization (LVQ) pada pencocokan pola tanda tangan. Aplikasi verifikasi tanda tangan diawali dengan pemindaian tanda tangan lalu diekstraksi ciri dan disimpan ke dalam basisdata yang digunakan sebagai data latih. Kemudian pengguna memindai tanda tangan uji dan sistem mencocokan dengan data latih menggunakan metode LVQ. Hasil pencocokan dari aplikasi tersebut didapat persentase sebesar 70% tanda tangan asli yang terverifikasi dengan benar dan Tingkat  kesalahan dalam system verifikasi tanda tangan dalam membaca tanda tangan palsu sebesar 30% sistem membaca dengan tanda tangan asli. Aplikasi ini dapat memverifikasi tanda tangan.Katakunci : Tanda tangan, Verifikasi. Edge detection, LVQ, Jaringan syaraf tiruan

No abstract

Ada sebagian orang yang memiliki kelainan pada penglihatan, salah satunyaadalah kelainan melakukan identifikasi warna (buta warna). Salah satu cara untukmenolong melakukan identifikasi warna yaitu dengan cara menampilkan informasiwarna ke dalam teks. Informasi warna video digital masih berbentuk model warnaYCbCr. Model warna YCbCr adalah model warna yang digunakan pada kamerahandphone. Metode pengkonversian YCbCr digunakan untuk mendapatkan danmengkonversikan nilai warna yang didapat ke dalam model warna RGB. Nilai hasilpengkonversian dibandingkan dengan nilai RGB yang tersimpan pada programdengan menggunakan metode euclidean distance. Metode euclidean distanceberfungsi untuk mencari nilai selisih terkecil dari dua matriks yang dibandingkan.Hasil perbandingan ditampilkan sebagai keluaran yang terdiri dari gambar warna,nama warna, nilai warna dan warna yang serupa dengan hasil perbandingan.Berdasarkan hasil pengujian warna objek dapat dideteksi dengan persentasekeberhasilan mencapai 93,75%.

Karakter huruf Braille terdiri dari 6 titik yang dirancang sedemikian rupa sehingga menjadi sebuah sistem penulisan yang dapat digunakan untuk membantu tunanetra. Akan tetapi, membaca huruf Braille tidaklah mudah karena selain harus memahami huruf Braille tersebut juga dibutuhkan sensitivitas jari yang cukup agar dapat membaca huruf Braille. Adapun penelitian tentang pengenalan huruf Braille menggunakan teknologi kecerdasan buatan, salah satunya deep learning. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN). Metode CNN dapat digunakan dalam pengenalan wajah, analisis dokumen, klasifikasi gambar, dan sebagainya. Pada penelitian ini, metode CNN digunakan untuk pengenalan karakter huruf Braille. Sistem melakukan proses pengenalan karakter huruf braille per karakter dengan model yang sudah dilatih dengan dataset dengan 26 karakter. Hasil yang didapat mencapai tingkat akurasi 81.54% untuk citra karakter Braille yang diakuisisi dengan smartphone dengan kemiringan antara 0 hingga 4 derajat dan jarak 30cm dengan model training dengan learning rate 0.0001 dan optimizer Adam.