Pengenalan Tanda Tangan Menggunakan Jaringan Syaraf Tiruan LVQ
| Main Author: | ReynathaYudhaPrasetya |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2008
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/151819/1/050801954.pdf http://repository.ub.ac.id/151819/ |
Daftar Isi:
- Pengenalan Tanda Tangan adalah salah satu implementasi pengenalan pola. Teknologi pengenalan sangat berperan untuk mempermudah suatu pekerjaan dan mencegah pembobolan kata kunci. Dalam penelitian pengenalan tanda tangan ini disajikan suatu metode untuk mengenali tulisan tangan dengan menggunakan algoritma jaringan syaraf tiruan (JST) Learning Vektor Quantization ( LVQ ). Berdasarkan kemampuan yang dimiliki, jaringan syaraf tiruan dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh, untuk menghasilkan output yang sempurna dari input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul. Proses yang dilakukan untuk menghasilkan sebuah sistem pengenalan meliputi beberapa tahap, yaitu tahap pengolahan citra dan tahap pelatihan dan pengenalan. Tahap pengolahan citra dimulai dari Gray Scale, Thresholding, Croping, Stretch Resize, dan Ekstraksi Ciri. Pengolahan citra diperlukan untuk memudahkan pengolahan data gambar sebelum masuk dalam tahap pelatihan. Kemudian tahap kedua adalah pelatihan dan pengenalan. Pada tahap ini, metode LVQ mulai digunakan dan menentukan Bobot , Target Error, MaxEpoch , dan Laju Pelatihan ( Learning rate ). Dalam proses pengenalan, juga digunakan jarak euclidean. Data yang dijadikan sebagai input adalah gambar tanda tangan yang mempunyai resolusi 200 x 200 pixel, berjumlah 92 gambar, dan berekstensi Bitmap ( .bmp ). Tolak ukur keberhasilan sistem pengenalan tanda tangan ini adalah dengan menghitung nilai Termination Error Rate dan tingkat keakuratan dalam pengenalan tanda tangan. Dari penelitian ini diperoleh struktur JST dengan jumlah nilai learning rate 0,01, nilai target error 0,004 dan jumlah epoch sebesar 10000. JST yang terbentuk mampu mengenali citra yang berisi tanda tangan yang sudah dilakukan pembelajaran dengan nilai keakuratan rata – rata sebesar 73,91% dan rata – rata keakuratan hasil pengenalan terhadap citra yang berisi tanda tangan yang belum dilakukan pembelajaran sebesar 69,56%.