IRMA NURUL ALFIAH (2018) PENERAPAN METODE BACKPROPAGATION NEURAL NETWORK UNTUK MENGIDENTIFIKASI TANDA TANGAN. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text 1. COVER_201886TIF.pdf Download (195kB) | Preview
Preview	Text 2. PERSETUJUAN_201886TIF.pdf Download (1MB) | Preview
Preview	Text 3. ABSTRAK_201886TIF.pdf Download (175kB) | Preview
Preview	Text 4. KATA PENGANTAR_201886TIF.pdf Download (320kB) | Preview
Preview	Text 5. DAFTAR ISI_201886TIF.pdf Download (190kB) | Preview
Preview	Text 6. BAB I_201886TIF.pdf Download (178kB) | Preview
Preview	Text 7. BAB II_201886TIF.pdf Download (521kB) | Preview
Preview	Text 8. BAB III_201886TIF.pdf Download (118kB) | Preview
Preview	Text 9. BAB IV_201886TIF.pdf Download (1MB) | Preview
	Text 10. BAB V_201886TIF.pdf Restricted to Repository staff only Download (1MB)
Preview	Text 11. BAB VI_201886TIF.pdf Download (172kB) | Preview
Preview	Text 12. DAFTAR PUSTAKA_201886TIF.pdf Download (311kB) | Preview

Abstract

Tanda tangan merupakan salah satu contoh biometrik dan sangat penting dalam kehidupan sehari hari.Tanda tangan merupakan sarana untuk mengidentifikasi seseorang. Keberadaan tanda tangan dalam sebuah dokumen menandakan bahwa pihak yang menandatangani dokumen tersebut sudah mengetahui dan menyetujui isi suatu dokumen. Pencocokan tanda tangan masih dilakukan secara manual maka diperlukan sebuah pembelajaran untuk mempermudah identifikasi tanda tangan. Jaringan syaraf tiruan(JST)merupakan model yang paling berhasil dalam pengenalan pola. Salah satu metode JST yaitu Backpropagation Neural Network(BPNN) yang sangat handal dalam pengenalan pola. Pada penelitian ini tanda tangan yang digunakan berjumlah 100 data yang diperoleh dari 10 orang. Data tersebut dibagi menjadi 70 data latih dan 30 data uji, 80 data latih dan 20 data uji, 90 data latih dan 10 data uji. Pengujian dilakukan berdasarkan jumlah data latih dan jumlah data uji yang hasilnya menunjukkan bahwa penambahan jumlah data latih dapat meningkatkan tingkat akurasinya, berdasarkan jumlah epochyang hasilnya menunjukkan penambahan jumlah epoch dapat meningkatkan nilai akurasinya akan tetapi waktu pelatihan menjadi semakin lama. Pengujian berdasarkan learning ratemenunjukkan bahwa learning rate0,1 menghasilkan akurasi sebesar70 %, dan pengujian berdasarkan hidden layer yang menunjukkan penambahan hidden layer meningkatkan akurasi yaitu menjadi90 %. Dengan demikian BPNN dapat diterapkan dalam pengenalan pola untuk mengidentifikasi tanda tangan. Kata kunci: Backpropagation Neural Network, Dokumen, Identifikasi, PengenalanPola, Tanda Tangan

Actions (login required)

View Item