Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tanda tangan memiliki peran penting dalam konteks sosial, ekonomi, pendidikan. Awalnya, tanda tangan hanya berbentuk tulisan di atas kertas, namun seiring perkembangan tekonlogi digital, tanda tangan online mulai digunakan dan telah diakui secara hukum. Meskipun tanda tangan telah menjadi komponen yang penting, namun kasus pemalsuan tanda tangan masih tinggi. Beragam metode telah dilakukan untuk menyelesaikan permasalahan tersebut, mulai dari metode tradisional hingga penggunaan teknologi. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi keaslian tanda tangan melalui metode analisis time series dan arsitektur model Siamese Recurrent Neural Network yang efisien, memiliki akurasi yang tinggi, serta bersifat writer independent. Dari pengujian yang dilakukan, model yang dilatih menggunakan GRU (Gate Recurrent Unit) yang diimplementasikan dalam arsitektur Siamese RNN merupakan model paling optimal dengan tingkat akurasi pengujian 81.02%, durasi pelatihan selama 680 sekon, serta ukuran model sebesar 37.996 Mb. Data yang digunakan untuk pelatihan model ini didapatkan dengan menggunakan metode pemotongan (truncating) sinyal time series sehingga memiliki panjang 1116 data dan tanpa melakukan proses alignment menggunakan algoritma Dynamic Time Warping. Meskpun demikian, model yang menggunakan Bidirectional LSTM yang dilatih dengan data time series sepanjang 3489 data memiliki akurasi pengujian tertinggi sebesar 85.16%. Namun, model tersebut memiliki durasi pelatihan yang terlama yaitu sebesar 2431.2 sekon dan ukuran model terbesar yaitu 630 Mb.

---

Handwriting signature has important role at social, economic, and education context. Initially, handwriting signature only write in the paper. However, with the development of digital technology, online handwriting start to be used and has gained legal recognition in law. Although online handwriting signature has become important, there is still many cases of forgery handwriting signature. Various method has already implemented to solve this problem, start from traditional method until technology utilization. This research aims to develop system for handwriting signature authentication verification using time series analysis and Siamese Recurrent Neural Network model architecture that is efficient, highly accurate, and writer-independent. Based on experiments conducted in this research, the model trained using a GRU (Gate Recurrent Unit) implemented in Siamese RNN is the most optimal model generates 81.02% accuracy score, training time of 680 second, and memory size of 37.996 Mb. The data used for training this model was generated from time series signal truncation method resulting time series with data sequence length of 1116, without implementing alignment using Dynamic Time Warping algorithm. However the model utilizing Bidirectional LSTM trained with time series data sequence length of 3489 generates the highest accuracy score of 85.16%. But this model also has longest training time of 2431.2 second and largest memory size of 630 Mb."

"ABSTRAKTanda tangan (signature) merupakan sistem biometricyang masuk ke dalam kategori behaviometrickarena dalam pembuatannya sangat berpengaruh dengan kebiasaan seseorang dalam menggoreskan pena. Selain itu untuk pengaplikasian yang lebih luas, tanda tangan tersebut juga dapat digunakan sebagai tanda kehadiran, pelimpahan wewenang, pengajuan anggaran, perizinan dan hampir seluruh kegiatan kesekretariatan lainnya. Untuk membedakan tanda tangan yang asli dengan yang palsu secara komputerisasi dibutuhkan penggunaan metode yang tepat. Convolutional Siamese Networkmampu dan cocok untuk mendeteksi tanda tangan yang bersifat inkonsisten dengan cepat dan memiliki ketahanan (invarian) terhadap penskalaan, transisi, dan rotasi.Pada penelitian ini menggunakan dua macam dataset sebagai bahan uji yaitu dataset CEDAR dan datasetpartisipan yang penulis buat sendiri berdasarkan tanda tangan dari para partisipan yang penulis kenal, kemudian dilakukan beberapa skenario uji coba terhadap kedua jenis dataset citra tersebut. Skenario uji coba pertama dilakukan dengan mencari nilai False Acceptance Rate (FAR)dan False Rejection Rate (FRR)yang bertujuan untuk mengetahui tingkat akurasi program. Skenario uji coba kedua dilakukan dengan mencari nilai Standar deviasi dari kedua datasetyang digunakan yang dimaksudkan untuk mengetahui tingkat konsistensi kerja dari program ini. Skenario uji coba ketiga dilakukan dengan menggunakan Uji Pearson Product Moment (r)yang bertujuan mencari nilai runtuk mengetahui korelasi dua variabel.Dari beberapa skenario uji coba yang dilakukan didapatkan hasil False Acceptance Rate (FAR)sebesar 42% untuk dataset CEDAR dan 15% untuk dataset yang berasal dari partisipan, sementara False Rejection Rate (FRR)sebesarsebesar 38% untuk dataset CEDAR dan 77% untuk dataset yang berasal dari partisipan. Kemudian didapatkan nilai standar deviasi terbesar dengan nilai 1,28 pada penutur G. Terakhir untuk uji Pearson Product Momentdidapatkan nilai rsebesar 0,131466492

---

ABSTRACT

Signature is a biometric system that falls into the category of behavior because it is very influential in the making of a person's habit of writing a pen. Besides that for wider application, the signature can also be used as a sign of attendance, delegation of authority, budget submission, licensing and almost all other secretarial activities. To distinguish the original signature with a computerized fake one requires the use of appropriate methods. ConvolutionalSiamese Network is able and suitable to detect inconsistent signatures quickly and has resistance (invariant) to scaling, transitioning, and rotating.In this study, using two types of datasets as test material, namely the CEDAR dataset and the participant dataset that the authors made themselves based on the signatures of the participants who the authors were familiar with, then conducted several test scenarios on the two types of image datasets. The first trial scenario is done by finding the False Acceptance Rate (FAR) and False Rejection Rate (FRR) which aims to determine the level of accuracy of the program. The second trial scenario is done by finding the standard deviation values of the two datasets used which are intended to determine the level ofwork consistency of this program. The third trial scenario is done using the Pearson Product Moment Test (r) which aims to find the value of r to determine the correlation of two variables.From a number of trial scenarios, the False Acceptance Rate (FAR)was 42% for the CEDAR dataset and 15% for the dataset from participants, while the False Rejection Rate (FRR) was 38% for the CEDAR dataset and 77% for the

dataset. from participants. Then the largest standard deviation is obtained with a value of 1.28 inspeakers G. Finally for the Pearson Product Moment test obtained r value of 0.131466492."

"Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari sistem keamanan di berbagai bidang. Teknologi biometrik yang ada di sekitar kita ada berbagai macam seperti sistem identifikasi retina, iris mata, telapak tangan, sidik jari dan wajah. Banyak komputer atau laptop yang dilengkapi oleh kamera digital atau webcam yang terintegrasi dengan sistem yang ada di komputer itu sendiri. Teknologi camera digital semakin hari juga semakin canggih dalam pengambilan gambar yang dapat disesuaikan dengan situasi apapun contohnya seperti didalam ruangan atau diluar ruangan. Hal ini memungkinkan untuk pengaplikasian pngenalan wajah sebagai sistem autentikasi pengganti password selain fingerprint. Penelitian ini difokuskan pada perancangan aplikasi system pengenalan wajah menggabungkan dua metode yakni jaringan saraf tiruan dan metode pencocokan pola. Input dari sistem pengenalan wajah ini diambil dari webcam yang sudah melalui proses pre-processing dan sudah difokuskan ke bagian wajah dengan sistem pendeteksi wajah dengan metode pattern matching. Selain itu hasil dari pre-processing juga digunakan sebagai data training atau pelatihan. Gambar wajah hasil dari preprocessing ini kemudian masuk ke proses pengenalan menggunakan algoritma jaringan saraf tiruan. Hasil dari proses pengenalan wajah adalah berupa nama dari wajah orang yang dikenali. Sistem ini telah diuji pada lebih dari 36 sampel wajah yang diambil dari 12 orang.

Hasil akhir menunjukan bahwa sistem ini berhasil mengidentifikasi sampel-sampel wajah tersebut dengan tingkat keberhasilan mencapai 86%.

---

Biometric is one of the modern technology features that is used mostly as a part of security system in many types of application. There are so many biometric technology options this day such as retina identification, iris, eye, hand, finger print, and face. Many computers such as laptop are completed with digital camera or webcam which integrated with in the system computer it self. Camera technology is getting more sophisticated in nowadays in capturing image from many situations such as indoor or outdoor environmental. This technology allows the possibility to develop face recognition as an option to authentication system in computer, other than the most popular fingerprint. This final project focuses on the design of face identification application using combination of two methods, neural network method and pattern matching method. The input of the system is taken from face detection algorithm with pattern matching method on webcam images which focused on human face area and already pass preprocessing first. The digital images from preprocessing are also used as a training data. The preprocessed image is then passed into the recognition process using neural network algorithm.

The result of the recognition process is the person?s credential which in this case the name. This system has been tested over 36 samples taken from 12 people. Result show that the system has identified the samples with 86% success rate."

"Pada Skripsi ini direkayasa sistem identifikasi tanda tangan menggunakan jaringan syaraf tiruan dengan berbasis perangkat pemrograman MATLAB. Sistem ini mengenali citra tanda tangan seperti atau bahkan lebih baik dari daya persepsi manusia dibutuhkan perangkat pemrograman dengan kemampuan manipulasi numerik yang cepat dan akurat karena citra dalam format dijital direpresentasi dalam bentuk matriks angka. Belakangan ini tersedia perangkat pemrograman yang mampu memenuhi persaratan tersebut yaitu MATLAB (Mathematic Laboratory). Perangkat pemrograman ini sangat luas penggunaannya karena kemampuan manipulasi numeriknya yang baik dan kesederhanaan sistemnya. Pengambilan citra, pengolahan citra, pembentukan jaringan dan pelatihan jaringan dilakukan berbasis perangkat pemrograman MATLAB. Diharapkan sistem ini dapat bekerja dengan baik mengenali citra tanda tangan asli dan palsu yang dimasukan sebagai citra pelatih dan penguji jaringan sayaraf tiruan.

---

This Thesis create a signature recognition system using artificial neural network based MATLAB programming platform. Image aquisition, image extraction, image processing, network implementation and network training conducted based on MATLAB programming platform. The signature recognition system that could recognize the signature image as good as or better that human description ability required a programming platform with fast and acurate numerical manipulation process because of an image in digital form was represented by a matrix of number. Lately, a programming platform that fit the requirement is availabe which is MATLAB (Mathematic Laboratory). This programming platform has a extensive utilization because of its fine numerical manipulation ability and its system modesty. The system is expected to be able to perform well on identifying and distinguish original signature iamge and its forgery that feed to the artificial neural network as image trainer and image tester."

"Perkembangan teknologi otomotif di dunia yang sangat pesat menuntut para pelaku industri otomotif untuk terus-menerus mengembangkan teknologi dan inovasi terbaru. Namun, inovasi yang dilakukan di industri otomotif tidak lagi terbatas pada inovasi produk namun juga pada proses pengembangan produk. Salah satunya adalah dengan menerapkan strategi product platform. Penelitian ini dilakukan untuk memprediksi waktu pergantian platform pada salah satu jenis produk multi-generasi, yaitu produk otomotif, dengan menggunakan metode peramalan artificial neural network. Hasil prediksi pada penelitian menunjukkan bahwa prediksi waktu pergantian platform berkisar dalam kurun waktu 32-33 quarter yang merupakan hasil yang sesuai dengan rentang waktu inovasi platform yang ideal yaitu 8-10 tahun. Selain itu, penelitian juga memperlihatkan bahwa pergantian platform pada produk otomotif kerap dilakukan ketika produk sedang berada di tahap maturity dalam siklus hidupnya serta berhasil mengidentifikasi faktor-faktor yang mempengaruhi keputusan perusahaan untuk melakukan pergantian platform.

---

The rapid growth of technology in the automotive industry has forced the manufacturers to continuously develop new technology and make innovations. Nowadays, innovation in the automotive industry does not only refer to product innovation, but it refers to process innovation as well, for example by implementing the product platform strategy. This research aims to predict the development time of new platform for one of the multiple-generation product line, automotive product, using artificial neural network. The prediction from this research shows that new platform should be introduced in 32-33 quarters. This result is suitable to the ideal condition of platform innovation which is in 8-10 years. Moreover, the result shows that most of the time company decides to introduce the next-generation platform while the older generation is still in the maturity stage of its life cycle and the research also successfully identifies the factors influencing company to introduce the next-generation platform."

"Skripsi ini dibuat untuk merancang perangkat lunak yang mampu mengenali nilai nominal uang kertas rupiah beserta keasliannya melalui proses pengolahan citra berbasiskan metode jaringan syaraf tiruan dengan algoritma backpropagation. Sistem pengenalan citra (image recognition) ini memperoleh kemampuan deteksi dengan cara belajar dari contoh (learning by examples).Pola dari tiap uang kertas rupiah memiliki ciri yang unik yang membedakannya satu dengan yang lainnya, baik bentuk angka, jumlah angka nol, serta gambar latar belakangnya. Pola khas dari tiap jenis uang kertas inilah yang dikenali oleh perangkat lunak ini, sehingga mampu membedakan tidak hanya uang kertas rupiah (valid data) tapi juga uang kertas pecahan lain (unknown data).Pencitraan uang kertas berasal dari dua sumber yakni citra tampak (visible image), yang berasal dari scanner 300 dpi, dan tak tampak (invisible image), yang menggunakan sinar ultraviolet (UV). Beberapa area tertentu diambil dari citra sebagai masukan identifikasi yang akan diolah melalui proses dijitalisasi sehingga dihasilkan reduksi citra hitam-putih (gray-scale) sebesar 8x7 pixel. Hal ini bertujuan selain mengurangi besar data pelatihan jaringan syaraf tiruan (JST) juga meningkatkan kemampuan identifikasi.Metode backpropagation dipilih didasarkan atas masukan data relatif kecil dengan harapan waktu pendeteksian dapat dipersingkat. Hasil identifikasi mungkin tidak akan mendekati klasifikasi, tetapi akan didekati dengan persentase kesalahan sekecil mungkin. Jumlah total data sebanyak 76 set, dimana 25 diantaranya digunakan untuk melatih JST, dan sisanya sebanyak 51 set digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali dengan tingkat akurasi hingga sebesar 92% bervariasi tergantung dari jumlah set data pelatihan yang dilakukan. Metode yang diterapkan dapat digunakan untuk mengenali uang kertas pecahan rupiah.

---

This paper is written to design a software that capable to recognize the nominal value of rupiah banknote with its authenticity by means of image-processing technic based on artificial neural network with backpropagation algorithm. This image-processing technic has its recognition ability from learning-by-examples process.

Each rupiah banknote has its unique characteristic which distinguish the banknote with one another, such as numeral shape, amount of zeroes, and its background image. The software then uses this banknote’s unique pattern to recognize not only for valid currency, but also for unknown currency.

The banknote imaging process itself came from two sources, visible image—taken from a 300dpis scanner, and unvisible image—taken from a UV. Some certain areas are taken from the image as identification source that will be processed by some digitalization until these areas become an 8x7 pixels gray-scale image. This is intented to reduce the data size for the artificial neural network training process, thus increase the identification ability.

Backpropagation method is chosen based on its input data which is relatively small, hoping that the detection time can be decreased. The identification result might not get closer with the classification result, but will get approached with as small error as possible. The total amount of data are 76 sets, where 25 of them are used to train the artificial neural network, and the rest of them are used to test the neural network. Simulation result shows that the sistem is capable to identify up to 92% of accuracy, depends on amount of train-sets data. This method can be used to identify the rupiahs banknote authenticity."

"Sudah sejak lama tanda tangan menjadi salah satu cara untuk melakukan otentikasi dalam kehidupan sehari-hari mulai dari pengesahan dokumen, surat- surat penting bahkan untuk transaksi perbankan. Namun tingkat keamanan dari penggunaan tanda tangan ini tergolong rendah karena tanda tangan dapat ditiru dengan mudah. Seiring dengan perkembangan teknologi, digunakan teknik verifikasi tanda tangan online untuk meningkatkan keamanan dalam otentikasi tanda tangan. Penelitian ini akan menganalisa performa sistem verifikasi tanda tangan online dengan menggunakan algoritma SVM dan GMM pada database SVC 2004 yang mengandung 7 fitur pada setiap tanda tangan. Database ini memiliki 40 dataset tanda tangan dimana setiap dataset terdiri dari 20 tanda tangan asli dan 20 tanda tangan tiruan atau 1600 tanda tangan secara keseluruhan. Berdasarkan hasil simulasi dengan menggunakan 10 data training, sistem verifikasi GMM menghasilkan FRR sebesar 4,5%, FAR 3% dan waktu komputasi rata-rata 21,3 detik sedangkan pada SVM dihasilkan FRR 2,625%, FAR 1,25% dan waktu komputasi rata-rata 1,84 detik.

---

For a long time, signature has become one of many authentication methods that commonly used in daily life such as document and other obligations authentication, even for banking transaction. However the use of signature could be classified as low level security authentication because it can easily forged. With the advanced of technology, online signature verification has been used to increase the security level in signature authentication.

This research will analyze the performance of online signature verification using SVM and GMM algorithm on SVC 2004 signature database which contains 7 features of each signature. The database has 40 contributors who sign 20 authentic signatures, while 20 other are forged ones. In total the database has 1600 signatures.

Based on simulation results using 10 training data, signature verification using GMM resulted in 4,5% FRR, 3% FAR and average computation time of 21,3 seconds, while SVM has 2,625% FRR, 1,25% FAR and average computation time 1,84 second."

"Text-to-speech research in several languages in under development, and has reached a satisfactory result in certain language. But, some problems in text-to-speech have not been completely solved yet...."