Identifikasi Tanda Tangan menggunakan Metode Fitur Ekstrasi Biner dan K Nearest Neighbor

Abstract

<em>Tanda tangan mempunya pola yang unik berdasarkan fitur yang ditinjau. Penelitian ini mengindentifikasi tanda tangan secara otomatis dengan menggunakan fitur biner dari hasil tanda tangan scanner. Identifikasi tanda tangan penting dilakukan otentifikasi dokumen administrasi dan resmi dimana nilai akurasi hal yang diperlukan. Dalam pendekatan yang dilakukan, fitur tanda tangan diekstrak dengan menggunakan dua descriptor yaitu binary statistical image features (BSIF) dan </em><em>local binary patterns (LBP). Penilaian menggunakan metode ini dengan melakukan percobaan dengan dua dataset yang sudah tersedia untuk umum yaitu database MCYT-75 dan GPDS-100. Dengan menggunakan metode klasifikasi KNN, mendapatkan nilai tertinggi masing-masing 96,7% dan 93,9%. Dalam verifikasi identifikasi tanda tangan akurasi klasifikasi diukur berdasarkan equal error rate (EER)yaitu 4.2% dan 5.33% pada GPDS-200 dan GPSD-150. Sehingga EER untuk database MCYT-75 sudah mencapau 7,78%. Nilai akurasi tersebut sudah dapat diketegorikan unggul.</em>

Klasifikasi Citra Cuaca Menggunakan Inception-V3 dan K-Nearest Neighbors

“…Hasil prediksi citra cuaca dapat bermanfaat pada bidang tersebut dalam menentukan keputusan pada kegiatan sehari -harinya. Identifikasi adalah suatu cara yang berperan penting dalam proses pengenalan ataupun pembeda antara suatu hal seperti gambar/foto ataupun tanda tangan [1], [2]. Metode yang digunakan dalam penelitian ini adalah penelitian kuantitatif.…”

Vehicle Monitoring with Web-Based Applications Utilizing High-Precision Positioning

“…In this study, we identify the Hanacaraka script using a machine learning approach by using digital images as an alternative way to recognize and re-introduce it to the public. Some studies have proven the performance of machine learning in digital image-based object recognition: the cat breed classification using the Support Vector Machine (SVM) and Naive Bayes (NB) algorithms, with accuracy values of 88.4% and 79.5% [4]; the breast cancer classification using the Multilayer Perceptron (MLP) and SVM algorithm, with the highest accuracy value of 97.7% [5]; signature identification using the K-Nearest Neighbors (K-NN) algorithm, with 96.7% accuracy [6]. Feature extraction is a crucial step in digital image-based object recognition since the extracted features serve as the data for machine learning algorithms to recognize the digital image's object.…”