Machine Learning untuk Identifikasi Tanda Tangan Menggunakan GLCM dan Euclidean Distance
PDF

Keywords

Euclidean Distance
GLCM
Tanda Tangan

How to Cite

Angel, G. D. ., & Wulanningrum, R. . (2020). Machine Learning untuk Identifikasi Tanda Tangan Menggunakan GLCM dan Euclidean Distance. Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 4(1), 297–301. https://doi.org/10.29407/inotek.v4i1.213

Abstract

Tanda tangan (signature) merupakan salah satu bukti identitas seseorang dalam melakukan pengesahan sebuah dokumen atau presensi yang sering digunakan. Tanda tangan juga menjadi fitur pembeda untuk identifikasi seseorang. Keberadaan tanda tangan dalam sebuah dokumen menyatakan bahwa pihak yang menandatangani, mengetahui dan menyetujui seluruh isi dokumen. Mengenal bentuk tanda tangan seseorang sangatlah penting dalam melakukan pencocokan tanda tangan terhadap presensi atau dokumen untuk mengetahui apakah benar yang bertanda tangan adalah orang yang bersangkutan atau tidak. Oleh karena itu, dibuat sebuah sistem identifikasi tanda tangan menggunakan Gray Level Co-Occurence Matrix (GLCM) dan Euclidean Distance. Pengujian menunjukkan hasil terbaik pada skenario pada skenario 1 dengan tingkat akurasi 67,5%, skenario 2 dengan akurasi 67%, dan yang paling rendah skenario 3 dengan akurasi 57,5%. Penggunaan dimensi berbeda antara citra trainning dan citra testing menghasilkan akurasi tertinggi pada skenario 1 sebesar 65%, skenario 2 dengan akurasi 14%, dan yang paling rendah pada skenario 3 dengan akurasi hanya 10%.

https://doi.org/10.29407/inotek.v4i1.213
PDF

References

Putra, Darma. 2009. Sistem Biometrika. Yogyakarta. ANDI.

Suwignyo, Hadi. 2009. Keabsahan Cap Jempol sebagai Pengganti Tanda Tangan dalam Pembuatan Akta Otentik. Journal Notarus. Vol.1,No.1. Diakses 15 November 2013. Online. https://ejournal.undip.ac.id/index.php/notarius/article/view/1126

Amalia, Ismi. 2014. Pengenalan Citra Tanda Tangan Menggunakan Gray Level Co-Occurence Matrix (GLCM) dan Probabilistic Neural Network (PNN). Jurnal Teknologi. Vol.14, No.1:29-34.

Novandra, Gagas, Muhammad Zidny Na’fan, Tri Ginanjar Laksana. 2018. Perancangan Aplikasi Android Identifikasi Tanda Tangan Menggunakan Multi Layer Perceptron.Vol.03,No.1:76-83.

Wulanningrum, Resty, Ema Utami, Armadyah Ambrowati. 2014. Implementasi Principal Component Analysis untuk Identifikasi Citra Tanda Tangan.Seminar Nasional Teknologi Infomasi dan Multimedia.Diakses 8 Februari 2014. Online.https://www.ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/1058

Kumar,M.2012.Signature Verification Using Neural Network. IJCSE. Vol.4, No.9: 1498-1504.

Salambue,Roni. 2013. Pengenalan Pola Tanda Tangan dengan Metode Momment Invariant dan Euclidean Distance. Prosiding Semirata FMIPA. Vol.1,No.1. Online. http://jurnal.fmipa.unila.ac.id/semirata/article/view/918

Haralick R.M, Shanmugan K, Dinsten I.H. 1973. Textural Features For Image Classification. IEEE Trans. Syst. Man. Cybern. 3(6), hal.610-621.

Kadir, Abdul, Adhi Susanto. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta: ANDI.

Anggoro, Wahyu. Implementasi Ekstraksi Fitur Tekstur Gray Level Co-occurence Matrices (GLCM) untuk Pengelompokan Citra Tenun Menggunakan Algoritama K-Means. Online. http://eprints.dinus.ac.id/18245/2/jurnal_17791.pdf

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2020 Gresiva Devi Angel, Resty Wulanningrum

Downloads

Download data is not yet available.