IDENTIFIKASI TANDA TANGAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK

Faradhilla, Yolla (2022) IDENTIFIKASI TANDA TANGAN DENGAN METODE CONVOLUTIONAL NEURAL NETWORK. Undergraduate thesis, UPN Veteran Jatim.

Preview	Text (COVER) Cover.pdf Download (1MB) | Preview
Preview	Text (BAB 1) BAB I.pdf Download (130kB) | Preview
	Text (BAB 2) BAB II.pdf Restricted to Registered users only until October 2025. Download (419kB)
	Text (BAB 3) BAB III.pdf Restricted to Registered users only until October 2025. Download (526kB)
	Text (BAB 4) BAB IV.pdf Restricted to Registered users only until 2025. Download (521kB)
Preview	Text (BAB 5) BAB V.pdf Download (111kB) | Preview
Preview	Text (DAFTAR PUSTAKA) DAFTAR PUSTAKA.pdf Download (213kB) | Preview

Abstract

Setiap manusia pasti memiliki tanda tangan yang berbeda – beda. Tanda tangan biasanya digunakan untuk mengidentifikasi seseorang. Tanda tangan manusia sebenarnya dapat dengan mudah diidentifikasi. Karena tanda tangan bersifat identik. Identik artinya memiliki pola yang sama dan sebangun. Umumnya, cara untuk mengidentifikasi tanda tangan adalah dengan cara manual. Cara mengecek tanda tangan secara manual adalah dengan melihat tanda tangan yang baru dengan yang sudah ada sebelumnya. Jika banyak tanda tangan yang harus diidentifikasi, cara manual ini sangat tidak efektif karena memakan waktu yang lama. Untuk itu, pada penelitian ini, penulis mengusulkan untuk membuat sistem untuk mengidentifikasi tanda tangan dengan menggunakan metode convolutional neural networks. Metode convolutional neural network (CNN) merupakan salah satu metode deep learning. CNN merupakan salah satu metode deep learning yang memiliki kemampuan untuk mengolah informasi citra dengan hasil yang paling paling signifikan. Pada metode CNN terdapat proses ektraksi fitur dan klasifikasi fitur, untuk ekstraksi fitur ada pada convolution layer dan subsampling layer, sedangkan klasifikasi fitur ada pada fully connected layer. Dalam melakukan proses training dan testing, penelitian ini menggunakan K- Fold Cross Validation. Hasil rata – rata dari cross validation adalah 97.3 % untuk training dan 92 % untuk testing. Kata kunci: tanda tangan, convolutional neuran network, deep learning

Item Type:	Thesis (Undergraduate)
Contributors:	Contribution Contributors NIDN/NIDK Email UNSPECIFIED PURBASARI, INTAN YUNIAR NIDN0702068002 UNSPECIFIED UNSPECIFIED ANGGRAENY, FETTY TRI NIDN0711028201 UNSPECIFIED
Subjects:	Q Science > QA Mathematics > QA76.6 Computer Programming T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105 Computer Network
Depositing User:	Amalia Hani
Date Deposited:	25 Oct 2022 02:43
Last Modified:	17 Jan 2023 07:02
URI:	http://repository.upnjatim.ac.id/id/eprint/10015

Actions (login required)

View Item