BAB I
PENDAHULUAN
1.1 Latar Belakang
Dalam masyarakat modern sekarang ini, banyak sekali hal yang membutuhkan adanya identifikasi maupun pembuktian akan identitas seseorang, mulai dari pelayanan
kesehatan, pengurusan rekening bank, pelayanan penerbangan, keimigrasian, dan banyak lainnya. Ada beberapa cara untuk membuktikan atau mengidentifikasi
identitas seseorang. Salah satunya dengan menggunakan tanda tangan.
Saat ini, tanda tangan banyak digunakan sebagai sistem identifikasi untuk mengenali seseorang. Pada umumnya, untuk mengenali tanda tangan masih dilakukan
secara manual yaitu dengan mencocokkan tanda tangan pada waktu transaksi dengan tanda tangan yang sah. Sistem manual memiliki kelemahan dimana si pemeriksa tanda
tangan kurang teliti dalam melakukan pencocokan. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalisis karakteristik tanda tangan sehingga mempermudah
dalam mengenali tanda tangan seseorang.
Jaringan saraf tiruan dapat digunakan sebagai salah satu solusi untuk mengenali pola tanda tangan seseorang. Jaringan saraf tiruan merupakan sebuah
sistem pemroses informasi yang memiliki performa karakteristik tertentu seperti jaringa n saraf biologi. Jaringan saraf tiruan memiliki beberapa metode seperti
perceptron, hopfield diskrit, adaline, propagasibalik, dan kohonen.
Universitas Sumatera Utara
Pada penelitian ini penulis menggunakan jaringan saraf tiruan dengan metode propagasibalik. Dengan menggunakan jaringan saraf tiruan metode propagasibalik
backpropagation diharapkan dapat dibuat sebuah sistem komputer yang mampu menganalisis dan mengenali tanda tangan seseorang.
1.2 Rumusan Masalah
Dari uraian latar belakang tersebut, yang menjadi rumusan masalah pada penelitian ini adalah bagaimana mengimplementasikan jaringan saraf tiruan untuk pengenalan tanda
tangan dengan menggunakan metode propagasibalik.
1.3 Batasan Masalah
Batasan masalah yang digunakan dalam penelitian ini adalah: 1.
Arsitektur jaringan saraf tiruan menggunakan 1 lapisan tersembunyi. 2.
Fungsi aktivasi yang dipakai adalah fungsi sigmoid biner. 3.
Batas toleransi error adalah 0,05 4.
Laju pembelajaran adalah 0,5 5.
Maksimum iterasi epoch adalah 1000 6.
Bahasa pemrograman yang digunakan adalah matlab.
1.4 Tujuan Penelitian
Kategori