<![CDATA[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 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.]]>
Copyrights © 2020
