Perpustakaan Digital ITB

Teknologi biometrik telah menjadi andalan dalam berbagai sistem identifikasi dan autentikasi, dengan tanda tangan sebagai salah satu metode yang paling umum digunakan. Saat ini, metode autentikasi tradisional sering kali tidak seakurat metode autentikasi yang memanfaatkan deep learning. Namun, model autentikasi yang memanfaatkan deep learning sering kali membutuhkan sumber daya komputasi dan ukuran model yang besar. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan mengembangkan framework yang mengintegrasikan sparse coding ke dalam model machine learning untuk autentikasi tanda tangan. Framework ini dirancang untuk menghasilkan model yang lebih ringan, cepat, dan tetap akurat. Framework yang diusulkan diuji pada dataset tanda tangan CEDAR. Penelitian ini mencapai rata-rata balanced accuracy terbaik sebesar 98,52% dan 97,99% pada kasus skilled forgery dan random forgery. Selain itu, waktu inferensi rata-rata yang dibutuhkan kurang dari 0,2 detik dan ukuran model yang dihasilkan kurang dari 500KB. Penelitian ini berhasil membuat sistem autentikasi tanda tangan yang bukan hanya akurat namun juga efisien dalam penggunaan sumber daya. Penelitian ini memberikan kontribusi penting dalam meningkatkan efisiensi sistem autentikasi tanda tangan serta membuka peluang baru untuk penerapan metode sparse representation dalam berbagai model machine learning lainnya.