Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) ISSN: 2252-9063
Kadek Ryan Maeda Alfarezza
Universitas Pendidikan Ganesha
Computer Science & IT Education

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Perbandingan Metode Euclidean Distance dan Support Vector Machine pada Klasifikasi Identitas Tanda Tangan Menggunakan Ekstraksi Fitur Histogram of Oriented Gradien Kadek Ryan Maeda Alfarezza; I Made Agus Wirawan
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 2 (2026): [ONGOING] Karmapati Vol 15 No 2 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i2.114468

Abstract

Tanda tangan merupakan salah satu bentuk identitas personal yang masih banyak digunakan dalam berbagai proses administrasi, akademik, perbankan, dan legal. Namun, proses pengenalan tanda tangan secara manual memiliki keterbatasan karena bergantung pada ketelitian pengamat dan berpotensi menimbulkan subjektivitas. Penelitian ini bertujuan untuk membandingkan performa metode Euclidean Distance dan Support Vector Machine dalam klasifikasi identitas tanda tangan berbasis citra digital. Dataset yang digunakan terdiri atas 900 citra tanda tangan yang merepresentasikan 30 identitas berbeda, dengan masing-masing identitas memiliki 30 sampel citra. Tahapan penelitian meliputi preprocessing citra, ekstraksi fitur, klasifikasi, dan evaluasi performa. Pada tahap preprocessing, citra diproses melalui konversi grayscale, penyesuaian ukuran, thresholding, dan normalisasi. Selanjutnya, fitur citra diekstraksi menggunakan Histogram of Oriented Gradients yang dikombinasikan dengan proyeksi horizontal dan vertikal untuk merepresentasikan pola goresan serta distribusi bentuk tanda tangan. Metode Euclidean Distance digunakan sebagai pendekatan berbasis jarak, sedangkan Support Vector Machine digunakan sebagai pendekatan pembelajaran mesin terawasi. Evaluasi dilakukan menggunakan Stratified K-Fold Cross Validation dengan metrik accuracy, precision, recall, F1-score, confusion matrix, dan waktu komputasi. Hasil pengujian menunjukkan bahwa SVM Linear dengan fitur HOG dan proyeksi pada ukuran citra 128×128 memperoleh performa terbaik dengan accuracy sebesar 97,33%, precision sebesar 98,06%, recall sebesar 97,33%, dan F1-score sebesar 97,19%. Dengan demikian, SVM Linear dinilai sebagai metode yang paling efektif dalam klasifikasi identitas tanda tangan pada dataset penelitian ini.
Co-Authors M.Cs S.Kom I Made Agus Wirawan .