Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital
Di era teknologi yang semakin canggih ini, rata-rata masyarakat sudah mulai beralih dari tanda tangan statik yang menggunakan media kertas ke tanda tangan digital dengan menggunakan media pentablet. Maka dari itu kebutuhan akan proses identifikasi tanda tangan digital secara otomatis dengan mengguna...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Wahid Hasyim
2022-03-01
|
| Series: | Jurnal Informatika dan Rekayasa Perangkat Lunak |
| Subjects: | |
| Online Access: | https://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/4996 |
| _version_ | 1797854662439731200 |
|---|---|
| author | Angga Dwi Putriana Dila Seltika Canta Elvin Leander Hadisaputro Nuorma Wahyuni |
| author_facet | Angga Dwi Putriana Dila Seltika Canta Elvin Leander Hadisaputro Nuorma Wahyuni |
| author_sort | Angga Dwi Putriana |
| collection | DOAJ |
| description | Di era teknologi yang semakin canggih ini, rata-rata masyarakat sudah mulai beralih dari tanda tangan statik yang menggunakan media kertas ke tanda tangan digital dengan menggunakan media pentablet. Maka dari itu kebutuhan akan proses identifikasi tanda tangan digital secara otomatis dengan menggunakan kecerdasan buatan pun semakin banyak diminati. Metode yang peneliti gunakan dalam pengembangan sistem adalah waterfall model yang terdiri dari 6 tahapan. Metode yang digunakan dalam proses identifikasi ini adalah Jaringan syaraf tiruan dengan algoritma Backpropagation. Proses identifikasi ini melewati beberapa tahapan yaitu dari pre-processing data hingga pengolahan citra, citra RGB diubah menjadi grayscale sampai menjadi citra biner yang kemudian digunakan sebagai data input pada proses pelatihan dan pengujian menggunakan Backpropagation. Citra tanda tangan yang telah melewati pre-processing data ini berjumlah 200 sampel yang berasal dari 10 subjek penelitian. Dari 200 citra tersebut, 180 citra digunakan untuk pelatihan dan 20 citra digunakan untuk pengujian. Hasil pengujian pada saat proses pelatihan adalah 75% training = 88.1%, 15% validation = 60.3%, 15% test adalah 59.5% dan 100% all adalah 79.7% sedangkan pada proses pengujian adalah 65%. |
| first_indexed | 2024-04-09T20:10:51Z |
| format | Article |
| id | doaj.art-4ff291ad119d49b7ae3bca8257e11956 |
| institution | Directory Open Access Journal |
| issn | 2656-2855 2685-5518 |
| language | Indonesian |
| last_indexed | 2024-04-09T20:10:51Z |
| publishDate | 2022-03-01 |
| publisher | Universitas Wahid Hasyim |
| record_format | Article |
| series | Jurnal Informatika dan Rekayasa Perangkat Lunak |
| spelling | doaj.art-4ff291ad119d49b7ae3bca8257e119562023-04-01T03:53:14ZindUniversitas Wahid HasyimJurnal Informatika dan Rekayasa Perangkat Lunak2656-28552685-55182022-03-0141111710.36499/jinrpl.v4i1.49963848Implementasi Backpropagation untuk Identifikasi Tanda Tangan DigitalAngga Dwi Putriana0Dila Seltika Canta1Elvin Leander Hadisaputro2Nuorma Wahyuni3STMIK Borneo InternasionalSTMIK Borneo InternasionalSTMIK Borneo InternasionalSTMIK Borneo InternasionalDi era teknologi yang semakin canggih ini, rata-rata masyarakat sudah mulai beralih dari tanda tangan statik yang menggunakan media kertas ke tanda tangan digital dengan menggunakan media pentablet. Maka dari itu kebutuhan akan proses identifikasi tanda tangan digital secara otomatis dengan menggunakan kecerdasan buatan pun semakin banyak diminati. Metode yang peneliti gunakan dalam pengembangan sistem adalah waterfall model yang terdiri dari 6 tahapan. Metode yang digunakan dalam proses identifikasi ini adalah Jaringan syaraf tiruan dengan algoritma Backpropagation. Proses identifikasi ini melewati beberapa tahapan yaitu dari pre-processing data hingga pengolahan citra, citra RGB diubah menjadi grayscale sampai menjadi citra biner yang kemudian digunakan sebagai data input pada proses pelatihan dan pengujian menggunakan Backpropagation. Citra tanda tangan yang telah melewati pre-processing data ini berjumlah 200 sampel yang berasal dari 10 subjek penelitian. Dari 200 citra tersebut, 180 citra digunakan untuk pelatihan dan 20 citra digunakan untuk pengujian. Hasil pengujian pada saat proses pelatihan adalah 75% training = 88.1%, 15% validation = 60.3%, 15% test adalah 59.5% dan 100% all adalah 79.7% sedangkan pada proses pengujian adalah 65%.https://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/4996backpropagationidentifikasi tanda tangantanda tangan digitaljaringan syaraf tiruan |
| spellingShingle | Angga Dwi Putriana Dila Seltika Canta Elvin Leander Hadisaputro Nuorma Wahyuni Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital Jurnal Informatika dan Rekayasa Perangkat Lunak backpropagation identifikasi tanda tangan tanda tangan digital jaringan syaraf tiruan |
| title | Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital |
| title_full | Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital |
| title_fullStr | Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital |
| title_full_unstemmed | Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital |
| title_short | Implementasi Backpropagation untuk Identifikasi Tanda Tangan Digital |
| title_sort | implementasi backpropagation untuk identifikasi tanda tangan digital |
| topic | backpropagation identifikasi tanda tangan tanda tangan digital jaringan syaraf tiruan |
| url | https://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/4996 |
| work_keys_str_mv | AT anggadwiputriana implementasibackpropagationuntukidentifikasitandatangandigital AT dilaseltikacanta implementasibackpropagationuntukidentifikasitandatangandigital AT elvinleanderhadisaputro implementasibackpropagationuntukidentifikasitandatangandigital AT nuormawahyuni implementasibackpropagationuntukidentifikasitandatangandigital |