AMANDA RETNO WULANSARI, 081311233105 (2018) SISTEM BIOMETRIK IDENTIFIKASI TANDA TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN DENGAN LEVENBERG-MARQUARDT LEARNING. Skripsi thesis, Universitas Airlangga.

Preview	Text (ABSTRAK) KKC KK MPM.21-18 Wul s ABSTRAK.pdf Download (107kB) | Preview
	Text (FULLTEXT) KKC KK MPM.21-18 Wul s SKRIPSI.pdf Restricted to Registered users only until 27 March 2021. Download (1MB) | Request a copy

Abstract

Teknologi identifikasi tanda tangan termasuk dalam sistem biometrik yang menggunakan karakteristik sifat perilaku manusia. Dengan menggunakan sistem komputerisasi, pengenalan tanda tangan dapat dilakukan secara lebih efektif dan efisien. Metode yang digunakan untuk pengenalan tanda tangan ini adalah Jaringan Saraf Tiruan dengan Levenberg-Marquardt Learning. Jaringan saraf tiruan adalah salah satu cabang dari bidang kecerdasan buatan yang banyak digunakan untuk pengenalan pola, sehingga dapat diterapkan untuk pengenalan pola tanda tangan. Tanda tangan pada kertas dipindahi menggunakan scanner dan kemudian dilakukan proses pengolahan citra untuk mendapatkan pola tanda tangan tersebut. Pengolahan citra yang digunakan adalah grayscale, citra biner, dan diagonal based feature extraction. Skripsi ini bertujuan untuk mengidentifikasi tanda tangan dengan memanfaatkan komputer dengan menerapkan algoritma Jaringan Saraf Tiruan dengan Levenberg-Marquardt Learning. Hasil dari pengolahan citra digunakan sebagai input latihan jaringan menggunakan Jaringan Saraf Tiruan dengan Levenberg-Marquardt Learning. Proses pelatihan bertujuan untuk memperolah bobot dan bias, kemudian digunakan pada uji validasi data validasi. Data pelatihan yang digunakan pada penelitian sebanyak 70 data dan validasi sebanyak 30 data, diperoleh dari 10 subjek. Pada proses pelatihan (training) dengan 70 data citra, learning rate 0.8, dengan jumlah unit masing-masing pada hidden layer sebagai berikut: 5 unit diperoleh hasil bobot dan bias pada iterasi ke-16 dengan MSE 7,546589610723074E-11; 10 unit diperoleh hasil bobot dan bias pada iterasi ke- 14 dengan MSE 1,6981932768476754E-11; 15 unit diperoleh hasil bobot dan bias pada iterasi ke-11 dengan MSE 3,180060768069278E-11; dan 20 unit pada diperoleh hasil bobot dan bias pada iterasi ke-13 dengan MSE 3,8870971794694233E-11. Dengan hasil tersebut program dapat mengenali data pelatihan dengan persentase 67,14285% untuk 5 unit pada hidden layer; 94,28571% untuk 10 unit; 95,71428% untuk 15 unit; dan 98,57143% untuk 20 unit. Dan program dapat mengenali 30 data pada uji validasi dengan persentase 100%.

Actions (login required)

View Item