Jurnal Algoritma, Logika dan Komputasi

Tanda tangan (inggris: signature berasal dari latin: signare yang berarti “tanda”) atau paraf
adalah tulisan tangan, terkadang diberi gaya tulisan tertentu dari nama seseorang atau tanda
identifikasi lainnya tang ditulis pada dokumen sebagai sebuah bukti dari identitas dan kemauan.
Tanda tangan berlaku sebagai segel. Salah satu teknik pengenalan pola tanda tangan adalah dengan
jaringan syaraf tiruan, dimana metode ini menggunakan prinsip dari otak manusia yang terdiri dari
neuron sebagai pemrosesan input untuk menghasilkan output berdasarkan bobot yang ada. Penelitian
ini bertujuan untuk menerapkan jaringan syaraf tiruan pada pengenalan pola tanda tangan dan
membuat program yang mensimulasikan metode ini menggunakan software Matlab dengan sistem
operasi yang mendukung. Adapun manfaat dari penelitian memprediksi tanda tangan ini adalah dapat
mengenali tanda tangan mahasiswa yang memiliki pola tanda tangan yang sama. Arsitektur jaringan
syaraf tiruan yang digunakan adalah algoritma pembelajaran multilayer perceptron. Data yang
digunakan berupa gambar tanda tangan berukuran 30 x 20 pixel yang telah dirubah menjadi angka
dengan proses pengolahan citra. Dari proses tersebut akan menjadi input jaringan syaraf tiruan
pengenalan pola tanda tangan. Setelah proses input akan diproses untuk pelatihan dan pengujian.
Pelatihan jaringan menggunakan data sebanyak 120 sampel pola tanda tangan dengan hasil validasi
untuk 78 gambar dapat dikenali dengan keakuratan sebesar 89,7% terhadap pola-pola tanda tangan
tersebut.

Amrin. (2019). Diagnosis of Tuberculosis by Artificial Neural. 3. Amrin, & Satriadi, I. (2018). Implementasi Jaringan Syaraf Tiruan Dengan Multilayer Perceptron

Untuk Analisa Pemberian Kredit. 5(605-610).

Azwar. (2020, Januari 17). Algoritma Multi Layer Perceptron. Retrieved Mei 1, 2021, from

bisa.com: https://123bisa.com/2020/01/17/algoritma-multi-layer-perceptron/

Ferdinand, M. A., Wibawa, A. P., Zaeni, I. A., & Ar Rosyid, H. (2020). SINGLE EXPONENTIAL

SMOOTHING-MULTILAYER PERCEPTRON UNTUK PERAMALAN PENGUNJUNG

UNIK JURNAL ELEKTRONIK. 2(62-70).

Gunawan, & Reswan, Y. (2021). DESAIN APLIKASI PENGENALAN POLA TANDA TANGAN

MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM). 17. Hadimarta, T. F., Muhima, R. R., & Kurniawan, M. (2020). Implementasi Multilayer Perceptron

Pada Jaringan Saraf Tiruan Untuk Memprediksi Nilai Valuta Asing. 5(56-63).

Lukman, & Sunoto, I. (2017). KOMPARASI ALGORITMA MULTILAYER PERCEPTRON DAN

SUPPORT VECTOR MACHINE DALAM PEMILIHAN BEASISWA. 2. N. Muhammad Zidny, A. J. (2017). Identifiksitanda Tangan Berdasarkan Grid Entropy

Menggunakan Multilayer Perceptron. 9(2085-3688).

Navastara, D. A., Safitri, J., & Purwitasari, D. (2018). KOMBINASI METODE MULTILAYER

PERCEPTRON DAN TEORI FUZZY UNTUK KALSIFIKASI DATA MEDIS. 2. Pratiwi, P. G., Putra, I. K., & Putri, D. P. (2019). Peramalan Jumlah Tersangka Penyalahgunaan

Narkoba Menggunakan Metode Multilayer Perceptron. 7. Rahardiani, N. O., Mahmudy, W. F., & Indriati. (2018). Optimasi Bobot Multi-Layer Perceptron

Menggunakan Algoritma Genetika Untuk Klasifikasi Tingkat Resiko Penyakit Stroke.

(2352-2360).

Rosalina, L., & Susilo, B. (2017). Integrasi Pemodelan Cellular Automata Dan Multilayer Perceptron

Untuk Prediksi Lahan Pertanian Sawah Di Sebagian Kabupaten Sleman.

Sen, S., Sugiarto, D., & Rochman, A. (2020). Komparasi Metode Multilayer Perceptron (MLP) dan Long Short Term Memory (LSTM) dalam Peramalan Harga Beras. XII. Sofie, M., & Rizal, A. (2016). KLASIFIKASI CITRA REKAMAN SINYAL

ELEKTROKARDIOGRAM MENGGUNAKAN METODE ANALISIS TEKSTUR, K-NN

DAN MULTILAYER PERCEPTION. 7. Tambunan, F. (2019). Pengenalan Aksara Batak Dengan Metode Perceptron. 4(160-170).

Wibawa, A. P., Lestari, W., Utama, A. B., Saputra, I. T., & Izdihar, Z. N. (2020). Multilayer

Perceptron untuk Prediksi Sessions pada Sebuah. 1(57-67).