Decision-theoretic model to identify printed sources
Saat mencoba mengidentifikasi dokumen cetak palsu, memeriksa bukti digital bisa menjadi tantangan tersendiri. Selama beberapa tahun terakhir, forensik digital untuk identifikasi sumber dokumen cetak menjadi semakin penting yang dapat dikaitkan dengan investigasi dan penuntutan berbagai jenis kejahat...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article PeerReviewed |
| Language: | English English English |
| Published: |
Springer Netherlands
2018
|
| Subjects: | |
| Online Access: | https://repository.unair.ac.id/120609/1/3.%20Decision-theoretic.pdf https://repository.unair.ac.id/120609/2/3.%20kesesuaian%20Decision%20Theoretic.pdf https://repository.unair.ac.id/120609/3/3.%20turnitin%20Decision-theoretic.pdf https://repository.unair.ac.id/120609/ https://link.springer.com/article/10.1007/s11042-018-5938-0 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Universitas Airlangga |
| Language: | English English English |
| Summary: | Saat mencoba mengidentifikasi dokumen cetak palsu, memeriksa bukti digital bisa menjadi tantangan tersendiri. Selama beberapa tahun terakhir, forensik digital untuk identifikasi sumber dokumen cetak menjadi semakin penting yang dapat dikaitkan dengan investigasi dan penuntutan berbagai jenis kejahatan. Tidak seperti pendekatan forensik invasif yang membutuhkan sebagian kecil dari dokumen cetak sebagai spesimen untuk verifikasi, teknik forensik noninvasif menggunakan mekanisme optik untuk mengeksplorasi hubungan antara gambar yang dipindai dan printer sumber. Untuk mengeksplorasi hubungan antara printer sumber dan gambar yang diperoleh oleh pemindai, pendekatan teoretis keputusan yang diusulkan menggunakan teknik pemrosesan gambar dan metode eksplorasi data untuk menghitung banyak fitur statistik penting, termasuk: Pola Biner Lokal (LBP), Matriks Co-occurrence Level Gray (GLCM), Discrete Wavelet Transform (DWT), filter Spasial, filter Wiener, filter Gabor, fitur Haralick, dan SFTA. Akibatnya, metode agregasi yang diusulkan secara intensif menerapkan fitur yang diekstraksi dan model fusi keputusan dari pemilihan fitur untuk klasifikasi. Selain itu, dampak tekstur kertas atau warna kertas yang berbeda untuk identifikasi sumber cetak juga diselidiki. Sementara itu, teknik mutakhir berbasis sistem deep learning dikembangkan oleh Convolutional Neural Networks (CNNs) yang dapat mempelajari fitur secara otomatis untuk memecahkan masalah klasifikasi citra yang kompleks. Kedua sistem telah dibandingkan dan hasil percobaan menunjukkan bahwa sistem yang diusulkan mencapai prediksi akurasi terbaik secara keseluruhan untuk input gambar dan teks dan lebih unggul dari pendekatan yang ada. Singkatnya, model teoretis keputusan yang diusulkan dapat diimplementasikan dengan sangat efisien untuk aplikasi forensik digital dunia nyata |
|---|