Implementasi Ekstraksi Fitur Jumlah Keypoint Descriptor Pada Pengenalan Tanda Tangan Dengan Algoritme Learning Vector Quantization
Kata Kunci:
SIFT, Learning Vector Quantization, Pengenalan, Tanda Tangan, LVQAbstrak
Pengenalan tanda tangan sangat penting untuk proses verifikasi tanda tangan. Salah satu metode pengenalan tanda tangan adalah implementasi algoritme Learning Vector Quantization (LVQ) pada pengenalan tanda tangan dengan tambahan ekstraksi fitur menggunakan metode Scale Invariant Features Transform (SIFT). Dalam proses pelatihan pengenalan tanda tangan digunakan fitur-fitur seperti nilai maksimum piksel hitam dari histogram horizontal dan vertikal, massa pusat objek, normalisasi luas objek tanda tangan, rasio aspek, fitur tri surface, fitur Six Fold Surface dan fitur transisi serta tambahan fitur berupa jumlah keypoint yang didapatkan dari hasil penggunaan metode Scale Invariant Features Transform (SIFT). Dataset yang digunakan antara lain 100 citra untuk data latih dan 100 citra untuk data uji dari 20 kelas yang berbeda. Serta 25 citra diluar kelas yang dilatih sebagai data yang tidak dikenali. Hasil pengujian diperoleh 71,2% dari pengujian tanpa threshold, 56% dari pengujian dengan nilai threshold menggunakan nilai maksimum jarak terpendek antara citra dengan kelas, 45,6% dari pengujian dengan nilai threshold menggunakan nilai maksimum kedua dari jarak terpendek antara citra dengan kelas.