Support Vector Machine Dalam Sistem Pendeteksi Kepribadian Berdasarkan Pola Tanda Tangan

Tanda tangan mempunyai pola tertentu berdasarkan fitur yang ditinjau dari ilmu grafologi untuk dapat mengungkapkan kepribadian penulisnya, namun saat ini sistem yang dibangun untuk mendeteksi kepribadian berdasarkan pola tanda tangan secara otomatis belum begitu baik untuk digunakan. Dalam penelitian ini akan mencoba menguji sistem dengan metode yang berbeda yaitu support vector machine dari beberapa penelitian sebelumnya untuk mengidentifikasi pola tanda tangan. Pengujian fitur berdasarkan kesembilan fitur dengan lima fitur yaitu awal kurva, coretan akhir, cangkang, coretan tengah dan garis bawah menggunakan support vector machine (SVM). Dan empat fitur lainnya yaitu margin ekstrim, struktur titik, tanda tangan terpisah, dan coretan garis terputus menggunakan metode rule based. Pelatihan dengan metode SVM menggunakan 50 data latih untuk tiap fitur-fiturnya. Hasil identifikasi SVM terhadap 50 data uji tanda tangan pada tiap fiturnya memperoleh akurasi paling tinggi sebesar 88% untuk pola coretan tengah dan untuk seluruh rata-rata akurasi fitur yaitu sebesar 62% akan tetapi hasil akurasi paling rendah yaitu sebesar 42% untuk pola cangkang. Pada Metode rule based diperoleh akurasi klasifikasi fitur tanda tangan paling tinggi sebesar 70% untuk margin ekstrim dan paling rendah sebesar 34% pada pola garis terputus dengan seluruh fitur menghasilkan rata-rata akurasi sebesar 52,8%.

Signatures have a specific pattern based on the features that are viewed from graphology to be able to express the personality of the author, but the current system built to detect personality based on the signature pattern automatically is not so good to use. In this research will try to test the system with different method that is support vector machine from some previous research to identify signature pattern. Testing features based on the nine features with five features namely the beginning of the curve, the final stroke, shell, graffiti and bottom line using the support vector machine (SVM). And four other features are extreme margins, point structures, separate signatures, and streaks of broken lines using rule-based methods. Training with the SVM method uses 50 training data for each feature. The result of SVM identification of 50 signature test data on each feature obtained the highest accuracy of 88% for the middle streaks pattern and for the whole average feature accuracy of 62% but the lowest accuracy was 42% for the shell pattern. In the rule based method, the highest classification accuracy of signature is obtained by 70% for the extreme margin and the lowest is 34% on the streaks disconnected pattern with all features giving an average accuracy of 52.8%.