MACHINE LEARNING UNTUK IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLCM DAN EUCLIDEAN DISTANCE

Gresiva Devi Angel, Gresiva Devi Angel and RESTY WULANNINGRUM, RESTY WULANNINGRUM and DANAR PUTRA PAMUNGKAS, DANAR PUTRA PAMUNGKAS (2020) MACHINE LEARNING UNTUK IDENTIFIKASI TANDA TANGAN MENGGUNAKAN GLCM DAN EUCLIDEAN DISTANCE. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

[img] Text (Full Text)
RAMA_55201_16103020083.pdf.pdf - Accepted Version
Restricted to Registered users only
Available under License Creative Commons Public Domain Dedication.

Download (818kB) | Request a copy
[img] Text (Similarity)
RAMA_55201_16103020083_SIMILARITY.pdf.pdf - Accepted Version
Available under License Creative Commons Public Domain Dedication.

Download (396kB)
[img] Text (References)
RAMA_55201_16103020083_0719068702_0708028704_06_ref.pdf.pdf - Bibliography
Available under License Creative Commons Public Domain Dedication.

Download (199kB)

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 pencocokan tanda tangan seseorang berdasarkan penggunaan dimensi yang berbeda yaitu untuk mengidentifikasi dan mengukur kemiripan tanda tangan seseorang menggunakan Euclidean Distance untuk pengenalan tanda tangan dan Gray Level Co-Occurence Matrix (GLCM) untuk proses ektraksi fitur. 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%.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Euclidean Distance, GLCM, Tanda Tangan
Subjects: 410 Engineering science > 457 Computer engineering
410 Engineering science > 462 Information technology
410 Engineering science > 463 Software engineering
Divisions: Fakultas Teknik > S1-Teknik Informatika
Depositing User: Ms Gresiva Devi Angel Gresiva Devi Angel
Date Deposited: 03 Sep 2020 04:26
Last Modified: 03 Sep 2020 04:26
URI: http://repository.unpkediri.ac.id/id/eprint/2309

Actions (login required)

View Item View Item