Komparasi Arsitektur ResNet50 Dan VGG16 Untuk Klasifikasi Citra Tanda Tangan

Abstract

Tanda tangan merupakan salah satu biometric yang dimiliki manusia. Manusia sering kali berubah-ubah dalam membuat tanda tangan. Hal itu disebabkan oleh beberapa faktor yakni usia, suasana hati, lingkungan, dan lain-lain. Di sisi lain, tanda tangan adalah biometric manusia yang mudah ditiru karena faktor kemudahan dalam duplikat. Beberapa kasus mengenai pemalsuan tanda tangan membuat tanda tangan memerlukan sebuah sistem verifikasi untuk mengklasifikasi keaslian tanda tangan pemilik. Salah satu metode penelitian yang bisa digunakan dalam membangun sebuah sistem tersebut adalah deep learning. Untuk itu, penulis akan melakukan eksperimen mengenai klasifikasi tanda tangan menggunakan algoritma ResNet50 dan VGG16. Dataset yang digunakan adalah data signature offline dengan jumlah 2640 data yang terdiri dari label forged dan genuine. Selanjutnya, dilakukan preprocessing dengan resize citra. Terakhir, citra diklasifikasi dan diprediksi menggunakan architecture VGG16 dan ResNet50. Hasil eksperimen terbaik dalam klasifikasi kanker kulit adalah architecture ResNet50 dengan epoch 10 yang menghasilkan nilai akurasi 0.99 dan nilai loss terkecil yaitu 0.01 dengan waktu komputasi selama 15836 detik. Novelty dari penelitian yang penulis lakukan yaitu menggunakan 2 algoritma deep learning yang telah dilakukan modifikasi architecture dan hyperparameternya. Selain itu dataset yang digunakan lebih banyak dan hasil akurasi lebih baik dari penelitian sebelumnya. Hasil eksperimen ini diharapkan dapat diterapkan pada sistem klasifikasi signature, sehingga dapat memaksimalkan fungsi biometrik dengan akurat dan mengurangi angka pemalsuan tanda tangan.