Verifikasi Tanda Tangan Menggunakan Ekstraksi Fitur LBP dan Klasifikasi LVQ

Abstract

Signature is one of the media used for verification and legalization of information, such as documents that are closely related to legality. In general, signature verification is done manually by direct comparing, this is certainly not effective, especially if doing a lot verification. Therefore, we need a computer system that can automatically verify a person's signature to save time in matching and reducing errors. This research was conducted using feature of Local Binary Pattern (LBP) method and Learning Vector Quantization (LVQ) classifier. Materials that used in this research are 600 signature images with a size of 500x500 pixels taken from 30 respondents where each respondent taken 15 original signatures and 5 fake signatures. The results of this research are that the signature identification process resulted in 93% and the verification process resulted in an accuracy of 63%, a sensitivity of 89%, and a specificity of 42%.

Klasifikasi Kepemilikan Tanda Tangan Menggunakan Convolutional Neural Network dengan Arsitektur AlexNet

“…Tanda tangan mempunyai peranan penting dalam memvalidasi suatu dokumen seperti Memorandum of Understanding (MoU), kartu keluarga, ijazah, dan dokumen lainnya. Biasanya dalam melakukan verifikasi tanda tangan meliputi 2 bagian yaitu identifiasi dari pemilik tanda tangan dan keputusan antara asli atau tidak [1]. Sebagai contoh sederhana bahwa tanda tangan tersebut penting, dapat dilihat saat sekolah, seringkali siswa menitipkan absen kepada teman sekelas untuk tidak hadir saat pelajaran berlangsung.…”

“…Pada penelitian terdahulu telah dibahas mengenai verifikasi tanda tangan menggunakan ekstraksi fitur LBP (Local Binary Pattern) dan klasifikasi LVQ (Learning Binary Pattern), total sample tanda tangan yang digunakan sebanyak 600 citra, hasil yang didapatkan pada penelitian ini mendapatkan nilai accuracy, sensitivity, dan specificity sebesar 63%, 89%, dan 42% [1].…”

Identifikasi Covid-19 Berdasarkan Citra X-Ray Paru-Paru Menggunakan Metode Local Binary Pattern Dan Random Forest

“…2. Membandingkan nilai setiap piksel tetangga dengan piksel pusat untuk menghasilkan nilai biner menggunakan operasi dasar matriks 3x3 [17]. Proses ini disebut dengan thresholding [18].…”

Identifikasi Jenis Kayu Berdasarkan Fitur Tekstur Local Binary Pattern Menggunakan Metode Learning Vector Quantization

“…2) Tahap Preprocessing Gambar 5. Alur Proses Preprocessing Tujuan dari preprocessing (pengolah awal) adalah untuk mendapatkan informasi dari citra secara optimal [11], untuk meningkatkan kualitas citra sehingga bagian-bagian citra terbaca dengan benar oleh sistem [12] dan mengurangi waktu pemrosesan data [4]. Tahap preprocessing meliputi resize dan grayscaling.…”

“…Tahap preprocessing meliputi resize dan grayscaling. Pada tahap resize dilakukan pengubahan ukuran pada citra dengan tujuan untuk menyeragamkan ukuran input citra dan memperkecil ukuran citra sehingga proses komputasi menjadi lebih cepat [11]. Ukuran dimensi citra kayu dirubah dari 640x480 menjadi 128x128.…”