Implementasi Support Vector Machine Berdasarkan Ciri Histogram Of Oriented Gradients Untuk Verifikasi Citra Tanda Tangan Berbasis Raspberry PI
| Main Author: | Zulfikri, Mohammad Lutfi |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/167143/1/Mohammad%20Lutfi%20Zulfikri.pdf http://repository.ub.ac.id/167143/ |
Daftar Isi:
- Tanda tangan telah lama digunakan oleh masyarakat sebagai salah satu alat untuk verifikasi identitas seseorang, umumnya tanda tangan digunakan dalam dokumen resmi. Sayangnya tanda tangan juga dapat disalahgunakan untuk memalsukan legalitas dokumen. Untuk menghindari penyalahgunaan atau pemalsuan tanda tangan tersebut, maka dibuatlah alat untuk dapat melakukan verifikasi tanda tangan. Sistem ini menggunakan kamera sebagai masukkan dengan push button sebagai pemicu kamera menangkap citra, Raspberry Pi sebagai unit pemroses citra digital, dan LCD 16x2 sebagai keluaran sistem. Penelitian ini menggunakan metode Histogram of Oriented Gradients (HOG) sebagai feature descriptor dan preprocessing citra seperti konversi colorspace citra, Thresholding, Morphological Transformation, dan deteksi dan koreksi kemiringan. Metode HOG tersebut akan menghasilkan feature vector yang merepresentasikan ciri tanda tangan pada citra, feature vector ini selanjutnya akan masuk ke proses klasifikasi Support Vector Machine (SVM) untuk dilakukan pelatihan data dan prediksi keluaran verifikasi citra. Dalam sisi software, terdapat dua bagian utama sistem, yaitu bagian pelatihan data untuk melatih data citra tanda tangan dengan SVM dan bagian verifikasi tanda tangan untuk prediksi keluaran verifikasi, selain itu sistem juga menggunakan bantuan software OpenCV sebagai library pengolahan citra. Dari pengujian akurasi verifikasi citra tanda tangan didapatkan hasil sebesar 87,33% dari data uji sebanyak 300 citra tanda tangan. Dari pengujian ini data latih sangat mempengaruhi akurasi, data latih yang memiliki pola tanda tangan asli yang cukup bervariasi dapat menurunkan akurasi sistem. Dalam pengujian waktu proses pelatihan data klasifikasi, rata-rata sistem membutuhkan 1,45 detik untuk melatih data, dalam setiap pengujiannya waktu pemrosesan tidak terlalu bervariasi, hal ini dikarenakan komputasi program ditangani oleh proses scheduling dari sistem operasi Raspbian.