Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 3 dokumen yang sesuai dengan query
cover
Jihad Rafsanjani
Sistem verifikasi keaslian Tanda Tangan Menggunakan Convolutional Slamese Network = System Verification Of Authenticity Signature using Convolutional Slamese Network
"ABSTRAK
Tanda 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."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dina Chahyati
Pelacakan Orang Banyak Menggunakan Hasil Deteksi Deep Convolutional Neural Network, Siamese Network dan Algoritma Hungarian = Multiple Human Tracking using Deep Convolution Neural Netwok Detection, Siamese Network and Hungarian Algorithm
"Pelacakan orang banyak pada video berdasarkan hasil deteksi orang pada setiap frame merupakan problem yang menantang karena kompleksitas yang dimilikinya. Kesalahan deteksi orang pada setiap frame akan menyebabkan kesalahan pelacakan orang pada keseluruhan video. Pada penelitian ini, diusulkan metode pelacakan yang dapat meminimalkan propagasi kesalahan dari kesalahan deteksi dengan waktu pelacakan yang tidak terlalu lama. Penelitian ini menggunakan deep convolutional neural network (DCNN) seperti Faster-RCNN dan RetinaNet sebagai detektor objek dan algoritma Hungarian sebagai metode asosiasi antar orang-orang yang terdeteksi di setiap frame. Matriks masukan untuk algoritma Hungarian terdiri dari kedekatan vektor ciri DCNN yang dihasilkan oleh Siamese Network, jarak titik tengah bounding box, dan perbandingan irisan-gabungan (IoU) dari bounding box. Pada tahap akhir dilakukan interpolasi terhadap hasil pelacakan. Metode yang diusulkan menghasilkan MOTA 61.0 pada dataset benchmark pelacakan orang banyak MOT16.
Multiple object (human) tracking in video based on object detection in every frame is a challenging problem due to its complexity. Error in the detection phase will cause error in the tracking phase. In this research, a multiple human tracking method is proposed to minimize the error propagation. The method uses deep convolutional neural network (DCNN) such as Faster-RCNN and RetinaNet as object detector and Hungarian algorithm as association method among detected humans in consecutive frames. The input matrix for Hungarian algorithm consists of the similarity of DCNN feature vector resulted from Siamese network, the distance of bounding box centers, and bounding box intersection of union (IoU). In the last step, interpolation is applied to the tracking result. The proposed method achieves 61.0 MOTA in multiple object tracking benchmark MOT16."
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2019
D-pdf
UI - Disertasi Membership  Universitas Indonesia Library
cover
Mega Fransiska
Proses Otomatisasi Dan Otentikasi Pengisian Data Kartu Tanda Penduduk Berbasis Convolutional Neural Network = Automation and Authentication Process of ID Card Application Form Based on Convolutional Neural Network
"Digitalisasi proses pengisian data Kartu Tanda Penduduk (KTP) memerlukan proses
otomatisasi dan otentikasi, yang dapat dilakukan dengan proses pembacaan teks pada gambar
KTP oleh komputer secara otomatis serta mengevaluasi kemiripan wajah pada foto KTP dan
swafoto pendaftar. Proses pembacaan data pada KTP secara otomatis disebut juga secagai proses
Optical Character Recognition (OCR), sedangkan pengevaluasian kemiripan wajah dapat
dilakukan dengan model Siamese Network. Baik Siamese Network maupun model untuk OCR
merupakan model yang pada dasarnya digunakan untuk mengolah gambar. Oleh karena itu
digunakan Convolutional Neural Network (CNN) sebagai model dasar pada penelitian ini. Pada
proses OCR dan evaluasi kemiripan wajah dibutuhkan model yang mampu mendeteksi lokasi teks
dan wajah yang akan diekstrak dari gambar, model tersebut merupakan model text detection dan
face detection. Model text detection dan face detection merupakan aplikasi dari model object
detection. Pada model object detection terbaru, dikembangkan model modifikasi CNN yang
mampu mendeteksi obek yang berukuran sangat kecil dan sangat besar, model tersebut dinamakan
Bidirectional Feature Pyramid Network (BiFPN). Setelah mengekstrak lokasi teks, langkah dari
proses OCR selanjutnya adalah mengenali setiap karakter dalam teks (text recognition), yang
dapat dilakukan dengan model Bidirectional Long Short-Term Memory (BiLSTM). Sedangkan
dari wajah yang diekstrak selanjutnya ditentukan apakah berasal dari orang yang sama atau tidak
oleh model Siamese Network. Pada penelitian ini akan dibangun arsitektur CNN Effiception, yang
digabungkan menjadi CNN-BiFPN untuk proses object detection, CNN-BiLSTM, untuk proses
text recognition, dan CNN dalam bentuk Siamese Network untuk mengevaluasi kemiripan wajah
Digitization of ID card applications requires automation and an authentication process,
which can be done by computerized ID card information reading and face's similarity evaluating
on ID card's photo and applicant selfie. The computerized ID card information reading is named
Optical Character Recognition (OCR). While the face's similarity authentication is done by the
Siamese Network model. Both the Siamese Network and OCR model basically used to process
images. Therefore, the Convolutional Neural Network (CNN) became the base model for this
study. Each of OCR and face's similarity authentication required a model that can detect the
location of text and face to be extracted from the image. They are text detection and face detection
model, which are the applications of object detection. The latest object detection model,
EfficientDet, used CNN modification that capable to detect a tiny and huge object at the same
time, is called Bidirectional Feature Pyramid Network (BiFPN). After extracting the location of
the text, the next step of the OCR process is to recognize each character in the text (text
recognition), which can be done with the Bidirectional Long Short-Term Memory (BiLSTM).
Meanwhile, the extracted face, from the selfie and ID card's photo, then be determined either from
the same person or not, by the Siamese Network. The product of this study is the CNN
architecture, Effiception, which is combined into CNN-BiFPN for object detection process, CNNBiLSTM,
for text recognition process, and its modification into Siamese Network architecture to
evaluate the face's similarity"
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2021
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library