Pengenalan Citra Tanda Tangan Menggunakan Metode 2D-LDA dan Euclidean Distance

Pamungkas, Danar Putra; Hariri, Fajar Rohman

doi:10.24076/citec.v3i4.83

Cited by 2 publications

(2 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Membandingkan metode 2DPCA dengan 2DLDA untuk mengetahui akurasi dan kecepatan proses [7]. menggunakan metode 2DPCA untuk ekstraksi citra [8]. SOM beroperasi dalam dua model pelatihan dan testing [9] Klasifikasi jenis kelamin berdasarkan citra wajah merupakan masalah yang cukup sulit karena kekompleksan dari kondisi wajah seperti posisi gambar, pencahayaan dan ekspresi gambar yang berbeda-beda.…”

Section: Pendahuluanunclassified

Pembuatan Perangkat Lunak Untuk Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah

Anggriawan

Hikmah²

2021

INFOS Journal

View full text Add to dashboard Cite

In this study, the 2DPCA feature extraction method and SOM classification were used to classify human sex based on facial images. The trial was conducted on 100 facial images consisting of 50 male facial images and 50 female facial images. The 100 facial image data used were divided into 70 training data and 30 test data. Based on the test results, the best accuracy obtained is 86.67% using a start learning rate of 0.6 and a maximum iteration of 10000. level of accuracy, where a larger maximum iteration value results in a higher level of accuracy.

show abstract

Section: Pendahuluanunclassified

Pembuatan Perangkat Lunak Untuk Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah

Anggriawan

Hikmah²

2021

INFOS Journal

View full text Add to dashboard Cite

show abstract

“…Penelitian terkait pengenalan pola tanda tangan pernah dilakukan oleh beberapa peneliti. Misalnya komparasi kecepatan pengenalan citra tanda tangan metode 2D-PCA dan 2D-LDA [13], yang menunjukkan bahwa 2D-PCA lebih cepat dan akurat dibanding 2D-LDA. Euclidean Distance dan PCA untuk identifikasi tanda tangan seseorang berfungsi sangat baik dan mendapatkan hasil akurasi tinggi tetapi untuk penggunaan Euclidean Distance dan PCA dalam proses identifikasi tanda tangan tiruan belum cukup baik [14].…”

Section: Pendahuluanunclassified

Pengenalan Tanda Tangan Menggunakan Learning Vector Quantization dan Ekstraksi Fitur Local Binary Pattern

Hidayat

Radiffananda

2019

CogITo Smart Journal

View full text Add to dashboard Cite

AbstrakTanda tangan merupakan salah satu biometrik pada karakteristik perilaku yang digunakan untuk mengenali seseorang sebagai sistem identifikasi. Fungsi tanda tangan adalah untuk menentukan kebenaran ciri-ciri dari penandatangan atau diperlukan untuk memastikan identifikasi seseorang yang valid. Meskipun unik, banyak terjadi kasus tanda tangan yang disalahgunakan dengan cara dipalsukan. Tidak mudah mengenali tanda tangan yang palsu dengan tanda tangan asli. Untuk itu, diperlukan mekanisme pengenalan tanda tangan ini dengan suatu algoritma. Proses pengenalan tanda tangan bisa dilakukan secara statik (offline) maupun dinamik (online). Penelitian ini dilakukan berdasarkan pengenalan secara offline, yang dikenal lebih sulit daripada pengenalan secara online. Algoritma yang dilibatkan meliputi Learning Vector Quantization, deteksi tepi Sobel, dan ekstraksi fitur Local Binary Pattern untuk mengidentifikasi tanda tangan. Hasil penelitian menunjukkan, jumlah data citra, iterasi, dan learning rate mempengaruhi akurasi dan waktu proses identifikasi. Dari percobaan yang dilakukan pada parameter yang berbeda-beda, akurasi yang didapat adalah 68% pada data latih dan pada data uji sebesar 54,6%. AbstractA signature is one of the biometrics on behavioral characteristics used to recognize a person as an identification system. The function of the signature is to determine the correctness of the characteristics of the signatory or is needed to ensure valid identification of a person. Although unique, there are many cases of signatures that are misused by falsification. It is not easy to recognize a fake signature with an original signature. For this reason, this signature recognition mechanism is needed with an algorithm. The signature recognition process can be done either statically (offline) or dynamically (online). This research is based on offline recognition, which is known to be more difficult than online recognition. The algorithms involved include Learning Vector Quantization, Sobel edge detection, and Local Binary Pattern feature extraction to identify signatures. The results showed, the amount of image data, iteration, and learning rate affect the accuracy and time of the identification process. From experiments conducted on different parameters, the accuracy obtained was 68% in the training data and in the test data at 54.6%.

show abstract

Pengenalan Citra Tanda Tangan Menggunakan Metode 2D-LDA dan Euclidean Distance

Abstract: Abstrak

Cited by 2 publications

References 2 publications

Pembuatan Perangkat Lunak Untuk Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah

Pembuatan Perangkat Lunak Untuk Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah

Pengenalan Tanda Tangan Menggunakan Learning Vector Quantization dan Ekstraksi Fitur Local Binary Pattern

Contact Info

Product

Resources

About