Penggunaan Machine Learning Dengan Glcm dan City Block untuk Identifikasi Tanda Tangan

Abstract

Sering terjadinya masalah pemalsuan tanda tangan dikarenakan metode yang digunakan untuk mengidentifikasi tanda tangan masih kurang baik dan tidak akurat. Hal ini disebabkan karena identifikasi tanda tangan kebanyakan masih dilakukan secara manual dengan mencocokkan tanda tangan secara langsung. Oleh sebab itu, penulis membuat sebuah sistem aplikasi menggunakan metode Gray Level Co-Occurence Matrix (GLCM) untuk proses ekstraksi ciri dan City Block untuk mengidentifikasi dan mengukur kemiripan tanda tangan seseorang dengan rotasi yang berbeda yaitu 0^o, 45^o, 90^o, dan 135^o. Hasil identifikasi tanda tangan dengan menggunakan 100 data citra tanda tangan diperoleh akurasi sebesar 65%. Dengan penggunaan rotasi yang berbeda dapat disimpulkan bahwa pada sudut asli citra tanda tangan yaitu 0^o diperoleh 7 citra tanda tangan yang dapat dikenali dari 40 data testing. Pada rotasi 45^o dari 40 data testing hanya 6 citra tanda tangan yang dapat dikenali. Pada rotasi 90^o dari 40 data testing hanya 5 citra tanda tangan yang dikenali. Dan pada rotasi 135^o dari 40 data testing ada 7 citra tanda tangan yang dapat dikenali. Hal ini menunjukan bahwa rotasi 135^o  adalah hasil terbaik dari semua rotasi karena jumlah citra yang dikenali sama dengan citra 0^o.