JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK APLIKASI PENGENALAN TANDA TANGAN

Jaringan saraf tiruan backpropagation merupakan bagian dari jaringan multilayered feedforward neural (MFN) yang telah dikembangkan dan cukup handal dalam memecahkan masalah aproksimasi dan klasifikasi pola. Penerapan jaringan saraf tiruan (JST) dalam pengenalan pola salah satunya adalah pengenalan pola tanda tangan. Tanda tangan setiap orang umumnya identik namun tidak sama. Artinya tanda tangan seseorang sering berubah-ubah setiap waktu. Perubahan ini menyangkut posisi, ukuran maupun faktor tekanan tanda tangan. Tanda tangan merupakan bentuk yang paling banyak digunakan untuk identifikasi seseorang. . Pada umumnya, untuk mengidentifikasi tanda tangan masih dilakukan secara manual yaitu dengan mencocokkan tanda tangan pada waktu transaksi dengan tanda tangan yang sah. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalisa karakteristik tanda tangan sehingga mempermudah dalam mengidentifikasi tanda tangan seseorang. Metodologi penelitian yang digunakan dalam pengembangan sistem adalah metode Guidelines for Rappid APPlication Engineering (GRAPPLE), yang hanya meliputi tahap perancangan kebutuhan (Requirement Gathering), analisis (Analysis), desain (Design), dan pengembangan (Development). Sistem ini dibangun dengan menggunakan bahasa pemrograman VB, Micosoft Access sebagai media penyimpanan data, dan Visual Basic 6.0 adalah software yang digunakan sebagai tool untuk membangun jaringan saraf tiruan backpropagation untuk aplikasi penngenalan tanda tangan ini. Proses pengenalan tanda tangan ini melalui beberapa tahapan. Pertama image melalui tahap image processing, dimana image akan dijadikan citra keabuan/ grayscaling. Setelah itu citra diubah menjadi data biner dengan menggunakan thresholding. Setelah melalui image processing maka data biner yang didapatkan akan menjadi nilai input untuk proses pelatihan dengan menggunakan metode backpropagation. Hasil dari pelatihan akan digunakan untuk proses pengenalan tanda tangan. Citra tanda tangan yang digunakan dalam penelitian ini sebanyak 80 citra tanda tangan yang berasal dari 10 responden. Rasio antara data training dan data testing adalah 5:3. Hasil pengujian tanda tangan menunjukan bahwa aplikasi yang dibangun mampu mengenali tanda tangan dengan ketepatan 84% tanda tangan yang diujikan. Kesalahan dalam identifikasi tanda tangan terjadi karena beberapa hal, yaitu : posisi tanda tangan, file gambar yang rusak, dan proses pembelajaran yang belum maksimal. Kata kunci : Jaringan Saraf Tiruan, Backpropagation, pengenalan tanda tangan