Deep learning for printed document source identification
Karena perkembangan teknologi informasi yang sangat pesat dan penggunaan internet yang luas, Informasi dengan mudah diperoleh dalam bentuk format digital. Konten digital dapat dengan bebas dicetak ke dalam dokumen karena kemudahan dan aksesibilitas printer. Di sisi lain, dokumen tercetak dapat diman...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article PeerReviewed |
| Language: | English English English |
| Published: |
Elsevier
2018
|
| Subjects: | |
| Online Access: | https://repository.unair.ac.id/120608/1/2.%20Deep%20Learning.pdf https://repository.unair.ac.id/120608/3/2.%20turnitin%20deep%20learning.pdf https://repository.unair.ac.id/120608/7/2.%20kesesuaian%20Deep%20Learning.pdf https://repository.unair.ac.id/120608/ https://www.sciencedirect.com/science/article/pii/S0923596518308579 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Universitas Airlangga |
| Language: | English English English |
| Summary: | Karena perkembangan teknologi informasi yang sangat pesat dan penggunaan internet yang luas, Informasi dengan mudah diperoleh dalam bentuk format digital. Konten digital dapat dengan bebas dicetak ke dalam dokumen karena kemudahan dan aksesibilitas printer. Di sisi lain, dokumen tercetak dapat dimanipulasi secara ilegal oleh beberapa masalah kriminal seperti: dokumen palsu, mata uang palsu, pelanggaran hak cipta, dan sebagainya. Oleh karena itu, bagaimana mengembangkan alat pengujian keamanan yang efisien dan tepat untuk mengidentifikasi sumber dokumen tercetak merupakan tugas penting untuk sementara. Saat ini, sistem forensik dengan menggunakan metode statistik dan dukungan teknologi mesin vektor telah mampu mengidentifikasi sumber printer untuk dokumen teks dan gambar. Pendekatan semacam itu termasuk dalam kategori pembelajaran mesin dangkal dengan interaksi manusia selama tahap ekstraksi fitur, pemilihan fitur, dan pra-pemrosesan data. Dalam makalah ini, sistem deep learning untuk memecahkan masalah klasifikasi citra yang kompleks dikembangkan oleh Convolutional Neural Networks (CNNs) dari deep learning yang dapat mempelajari fitur secara otomatis. Eksperimen sistematis telah dilakukan untuk kedua sistem. Untuk dokumen mikroskopis, sistem SVM berbasis fitur mengungguli sistem pembelajaran mendalam dengan celah terbatas. Untuk dokumen yang dipindai, kedua sistem dapat mencapai hasil yang sama baiknya dengan akurasi yang tinggi. Kedua sistem harus terus dievaluasi dan dibandingkan untuk kepentingan terbaik dalam pemanfaatan universal. |
|---|