Jurnal 1

JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK APLIKASI

PENGENALAN TANDA TANGAN

Pendahuluan
Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang memiliki
kemampuan pembelajaran terhadap data dan informasi yang diterima,
kemampuan untuk memodelkan fungsi linear, komputasi paralel, dan mempunyai
sifat mentolerir ketidakpastian (fault tolerance). Penerapan jaringan saraf tiruan
sangatlah luas, diantaranya adalah dalam hal peramalan (forecasting), analisis data
(data analysis), dan pengenalan 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.
Tekstur citra tanda tangan yang unik pada setiap orang dapat dianalisis untuk
diidentifikasi. Oleh karena itu, diperlukan sebuah sistem yang mampu menganalisa
karakteristik tanda tangan sehingga mempermudah dalam mengidentifikasi tanda
tangan seseorang. Sebuah tanda tangan dapat ditangani sebagai sebuah citra sehingga
dapat dikenali dengan menggunakan aplikasi pengenalan pola pada pengolahan
citra. Salah satu arsitektur dari jaringan saraf tiruan yang memiliki keakurantan dan
kecepatan yang cukup tinggi adalah jaringan saraf tiruan backpropagation. Jaringan
syaraf tiruan backpropagation dikenal sebagai salah satu bentuk dari jaringan syaraf
feedforward lapis banyak yang handal dalam memecahkan masalah aproksimasi dan
klasifikasi/ pengenalan pola.
JST telah dikembangkan sebagai generalisasi model matematika dari aspek
kognitif manusia atau saraf biologis, yaitu didasarkan pada asumsi-asumsi
bahwa
1. Pemrosesan informasi terjadi pada elemen - elemen yang disebut neuron.
2. Sinyal-sinyal merambat di antara neuron melalui interkoneksi.
3. Setiap interkoneksi memiliki bobot yang bersesuaian yang pada
kebanyakan jaringan saraf berfungsi untuk mengalikan sinyal yang dikirim.

Setiap neuron menerapkan fungsi aktivasi (biasanya tidak linear) pada masukan
jaringan untuk menentukan sinyal keluarannya.
Backpropagation
Jaringan saraf tiruan Backpropagation pertama kali diperkenalkan oleh Rumelhart,
Hinton dan William pada tahun 1986. Kemudian Rumelhart dan Mc Clelland
mengembang kannya pada tahun 1988. Algoritma Backpropagation untuk neural
network
umumnya diterapkan pada perceptron berlapis banyak (multilayer
perceptrons). Perceptron paling tidak mempunyai bagian input, bagian output dan
beberapa lapis yang berada di antara input dan output. Lapis di tengah ini, yang
juga dikenal dengan lapis tersembunyi (hidden layers), bisa satu, dua, tiga dan
seterusnya. Output lapis terakhir dari output layer langsung dipakai sebagai output
dari neural network. Training pada metode Backpropagation melibatkan 3 tahapan,
yaitu pola training feedfoward, penghitungan error dan penyesuaian bobot. Setelah
dilakukan training,
aplikasi jaringan hanya menggunakan komputasi tahapan
pertama yaitu feedfoward untuk melakukan testing. Walaupun tahap training
terhitung lambat, namun jaringan dapat menghasilkan output dengan sangat cepat.
Metode Backpropagation telah divariasikan dan dikembangkan untuk meningkatkan
kecepatan proses training. Walaupun satu lapisan jaringan sangat terbatas dalam
pembelajarannya, jaringan dengan lapis banyak dapat memperlajari lebih banyak lagi.
Lebih dari satu lapisan tersembunyi mungkin bermanfaat untuk beberapa aplikasi,
namun satu lapisan tersembunyi sudah cukup

Arsitektur Backpropagation

Jaringan saraf tiruan Backpropagation terdiri dari banyak lapisan (multilayer

neural network), yaitu:
1. Lapisan masukan (Input Layer).
Lapisan masukan terdiri dari neuron - neuron atau unit - unit masukan, mulai
dari masukan 1 sampai unit masukan n
2. Lapisan tersembunyi (Hidden Layer).
Lapisan tersembunyi terdiri dari unit tersembunyi mulai dari unit tersembunyi
1 sampai unit tersembunyi p.
3. Lapisan keluaran (Output Layer).
Lapisan keluaran terdiri dari unit - unit keluaran mulai dari unit keluaran 1
sampai unit keluaran m.
Simbol n,p,m masing-masing adalah bilangan integer sembarang menurut
arsitektur jaringan saraf tiruan yang dirancang.

Tanda Tangan
Tanda tangan adalah hasil proses menulis seseorang yang bersifat khusus sebagai
substansi simbolik. Tanda tangan merupakan bentuk yang paling banyak digunakan
untuk identifikasi seseorang.
Contoh-contoh 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.

Flowchart
Bagan alir program (flowchart) merupakan rancangan yang menggambarkan alur
data atau alur logika pemograman dari aplikasi yang akan dirancang, seperti proses
perhitungan. Bagan alir program ini menggambarkan langkah-langkah kerja yang
dijalankan oleh program dari mulai sampai program dihentikan

Aplikasi Pengenalan Tandatangan

1. Halaman Pelatihan
Pada halaman pelatihan, admin dapat melakukan olah data mahasiswa.
Terdapat fungsi simpan, edit, dan hapus data mahasiswa. Data mahasiswa
terdiri dari NIM, nama, dan gambar tanda tangan. Selain dapat melakukan
olah data, admin dapat melakukan proses pelatihan tanda tangan. Pada
halaman ini terdapat fasilitas penggantian parameter pelatihan jaringan syaraf
tiruan seperti learn rate, target error, maximum epoch. Hal ini dimaksudkan
agar admin dapat melakukan percobaan-percobaan untuk meningkatkan
kinerja dari jaringan syaraf tiruan.

2.
Halaman Pengujian
Pada halaman pengujian, user dapat
melakukan pengujian tanda
tangan dengan menginputkan tanda tangan dengan mengklik button Select,
setelah itu klik button Pola Matriks untuk mengubah citra ke dalam bentuk
matriks, terakhir klik button Uji. Maka akan muncul hasil dari pengujian
berupa nim pemilik tanda tangan dan nama pemilik tanda tangan.

Hasil Pengujian Tanda Tangan yang Telah Dilatih

Pengujian dilakukan terhadap data tanda tangan yang telah dilatihkan sebelumnya.
Terdapat 50 tanda tangan yang berasal dari 10 responden, di mana setiap responden
diambil 5 sample tanda tangan., Hasil pengenalan terhadap tanda-tangan yang telah
dilatihkan dapat dilihat pada Tabel
Tabel hasil Pengujian Tanda Tangan yang Telah Dilatih
Konvergen
No

Nama Responden

Benar

Salah

Perhitungan

Persentase

Cahyo Budi

80%

Elly Astuti Fera R

60%

Lanjutan Tabel Hasil Pengujian Tanda Tangan yang Telah Dilatih

Konvergen
No

Nama Responden

Benar

Salah Perhitungan

Persentase

Evelyn Sevina H

100%

Fani Widiastuti

100%

Fitri Tristania G

100%

Galih Bayu S

80%

Nyimas R.A

60%

Vincentius Setyo K

80%

Vidi Heri K

80%

10

Yoku Setianing S

100%

Berdasarkan tabel diatas, terlihat bahwa sistem memiliki tingkat keberhasilan

sebesar

X 100% = 840/10 X 100% = 84%

Hasil Pengujian Tanda Tangan yang Belum Dilatih

Pengujian dilakukan terhadap data tanda tangan yang belum dilatihkan sebelumnya.
Terdapat 30 tanda tangan yang berasal dari 10 responden, di mana setiap responden
diambil 3 sample tanda tangan., Hasil pengenalan terhadap tanda tangan yang belum
dilatih dapat dilihat pada Tabel.
Tabel Hasil Pengujian Tanda Tangan yang Belum Dilatih
Konvergen
No
1

Nama Responden
Cahyo Budi

Benar Salah
2

Perhitungan

Persentase
66,6 %

Lanjutan Tabel Hasil Pengujian Tanda Tangan yang Belum Dilatih

Konvergen
No

Nama Responden

Benar Salah

Perhitungan

Persentase

Elly Astuti Fera R

66,6 %

Evelyn Sevina H

100%

Fani Widiastuti

100%

Fitri Tristania G

100%

Galih Bayu S

66,6 %

Nyimas R.A

100 %

Vincentius Setyo K

100%

Vidi Heri K

66,6 %

10

Yoku Setianing S

100%

Berdasarkan tabel diatas terlihat bahwa sistem memiliki tingkat keberhasilan sebesar

100% = 866,4/10 x 100% =

86,64%
Kesimpulan
Dari hasil penelitian tugas akhir ini dapat ditarik kesimpulan telah dibangunnya
sebuah Jaringan Saraf Tiruan Backpropagation untuk Aplikasi Pengenalan Tanda
Tangan. Aplikasi ini mampu menganalisa karakteristik tanda tangan sehingga
mempermudah dalam mengidentifikasi tanda tangan seseorang, walaupun hasilnya
belum bisa 100% benar. Kesalahan dalam identifikasi tanda tangan terjadi karena
beberapa hal, yaitu : posisi tanda tangan, file gambar yang rusak, dan proses
pembelajaran yang belum maksimal.

Jurnal 2

PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE

MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS
FUNCTION (RBF)

Pendahuluan
Pengenalan
pola tanda tangan merupakan
salah satu bidang
pengenalan
pola (pattern recognition) yang cukup berkembang dewasa ini,
dimana aplikasinya dapat diterapkan dalam berbagai bidang khususnya dalam
bidang keamanan (security system) seperti izin penarikan uang di bank,
validasi cek dan sebagainya. Teknologi identifikasi untuk pengenalan pola tanda
tangan termasuk di dalam biometrika yang menggunakan karakteristik perilaku
alami manusia.
Secara umum, untuk mengidentifikasi tanda tangan dapat 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 metode yang mampu menganalisis karakteristik tanda
tangan sehingga mempermudah dalam mengenali tanda tangan seseorang.
Dalam paper ini, metode Radial Basis function (RBF) digunakan untuk
pengenalan pola tanda tangan . Dimana Jaringan syaraf tiruan RBF merupakan salah
satu model jaringan feed-forward yang memiliki tiga lapisan (layer), yaitu lapisan
input, lapisan tersembunyi (hidden layer) dan lapisan output, telah sukses
diaplikasikan pada approksimasi fungsi, peramalan dan klasifikasi pola

Akuisisi Data
Dalam penelitian ini akan digunakan citra tanda tangan untuk pelatihan
(training) dan pengujian (testing) dengan rasio 75 : 25. Untuk data pelatihan

digunakan sebanyak 150 tanda tangan yang berasal 10 responden, dimana setiap
responden diambil 15 tanda tangan. Sementara untuk kebutuhan pengujian, citra
tanda tangan yang akan digunakan sebanyak 30 tanda tangan yang juga berasal dari
10 responden tersebut dengan asumsi setiap responden diambil 3 tanda tangan.
Dari data tangan tersebut dilakukan proses preprocessing yaitu tanda tangan
yang diambil diolah terlebih dahulu untuk disamakan ukurannya dan diubah ke
dalam grayscale. Pada tahap ini dimulai dari pengambilan gambar tanda tangan pada
media kertas yang dibatasi dengan kotak ukuran 4,6 x 3,6 cm kemudian dilakukan
proses scanning.

Estraksi Fitur
Citra tanda tangan dari hasil scanning selanjutnya diekstraksi untuk
memperoleh vektor ciri dari setiap citra dengan ukuran dimensi yang relatif lebih
kecil. Metode ekstrak yang digunakan adalah metode Moment Invariant. Hasil
yang diperoleh pada langkah ini berupa 7 nilai moment, selanjutnya ke-7 nilai
tersebut disebut hasil ekstrak citra dan digunakan sebagai vector input untuk
jaringan syaraf mewakili 1 citra tanda tangan
Momen dapat menggambarkan suatu objek dalam hal area, posisi,
orientasi dan parameter terdefinisi lainnya. Dengan mendapatkan sejumlah
informasi momen, baik momen order nol (m00) dan order 1 (m10 dan m01) atau
momen sentral, dan momen pada order 2 atau momen invariant dari sebuah
obyek, maka obyek tersebut dapat diidentifikasi sekalipun telah mengalami
pergeseran (translasi), perputaran (rotasi), maupun perubahan skala (scalling).
Pada dasarnya suatu objek melibatkan luasan, center of gravity dan momen
Untuk fungsi kontinu 2D, momen order (p+q) didefinisikan sebagai:
Untuk p, q = 0, 1,2,.

Secara diskrit ditulis sebagai persamaan:

Tabel Moment Invarian

Contoh Tanda Tangan yang akan Diekstraksi Fitur

Hasil ekstraksi pada salah satu citra tanda tangan (sudut dalam satuan
Radian)

Hasil Ekstrasi berupa vektor baris akan digunakan sebagai data input pada jaringan
syaraf tiruan yang telah dikonstruksi sebelumnya.

Jaringan Radial Basis Function (RBF)

Jaringan Fungsi Basis Radial (RBF) yang merupakan alternatif dari jaringan
Multilayered Feedforward Neural (MFN) telah dikembangkan. Jaringan ini terdiri
dari tiga layer yaitu input layer, hidden layer dan output layer. Fungsi aktivasinya
adalah fungsi basis dan fungsi linear pada lapisan output. Jaringan ini telah banyak
digunakan secara intensif. RBF merupakan pemetaan fungsi taklinier
multidimensional yang tergantung kepada jarak antara vektor input dan vektor
center. RBF dengan input berdimensi-n
dan output berdimensi-m
.
Adapun arsitektur dari RBFNN, sebagai berikut:

Gambar Arsitektur RBFNN

Pembahasan
Desain arsitektur
Input yang digunakan sebanyak 150 neuron, hidden layer 80 neuron dan layer
output 10 neuron. Hal ini dipilih karena target 150 buah tanda tangan dari 10
responden yang akan dikenali sebagai data input, tentunya akan menghasilkan 10
informasi output yang akan diperoleh melalui 80 neuron pada layer hidden sebagai
jaringan yang paling sesuai dengan banyaknya target yang akan dicapai. Jadi dari

desain arsitektur diatas diperoleh sebuah Matrik Confusion yang menunjukkan

tingkat akurasi klasifikasi/pengenalan pola tanda tangan dengan metode jaringan
syaraf Radial Basis Function.

Tabel Matrik Confusion untuk data pelatihan

Dari matrik confusion di atas terlihat error (kesalahan) dari tiap-tiap pola tanda
tangan. Pada pola tanda tangan orang ke-1, ke-2, ke-3, ke-5, ke-8, ke-9, ke-10, tidak
terjadi kesalahan artinya tanda tangan dapat dikenal benar. Kemudian pada pola tanda
tangan orang ke-4 kesalahan yang terjadi sebanyak 20% artinya ada 3 pola tanda
tangan yang tidak dikenal benar, yaitu dikenal sebagai pola tanda tangan orang ke-7,
pada pola tanda tangan orang ke-6 kesalahan yang terjadi sebanyak 40% artinya ada 6
pola tanda tangan yang tidak dikenal benar, yaitu 1 pola tanda tangan dikenal sebagai
orang ke-3 dan 5 pola tanda tangan dikenal sebagai orang ke-4. Sedangkan pada pola
tanda tangan orang ke-6 kesalahan yang terjadi kesalahan yang terjadi sebanyak 60 %
artinya ada 9 pola tanda tangan tidak dikenal benar, yaitu 8 pola tanda tangan dikenal
sebagai orang ke-4 dan 1 pola tanda tangan dikenal sebagai orang ke-6. Jadi dapat
disimpulkan bahwa jaringan syaraf RBF dapat mengenali dengan benar pola tanda
tangan dengan ketepatan 88 % dan error (kesalahan) sebesar 12%.
Untuk mengetahui kemampuan jaringan RBF dalam klasifikasi/pengenalan pola
tanda maka diperlukan pengujian, yang datanya di ambil diluar data pelatihan.
Tabel dibawah ini menunjukkan matrik confusion Jaringan RBF untuk data
pengujian.

Tabel Matrik Confusion untuk data uji

Pada matrik confusion di atas, dapat dilihat kesalahan pengenalan pola tanda tangan
pada masing-masing pemilik tanda tangan. Pada pola tanda tangan orang ke-1, 2 pola
atau 66,7% tanda tangan yang dapat dikenali dengan benar dan 3,3% atau 1 pola
tanda tangan dikenali sebagai pola tanda tangan orang ke-2. Pada pola tanda tangan
orang ke-4, 2 pola atau 66,7% tanda tangan yang dapat dikenali dengan benar dan
3,3% atau 1 pola tanda tangan dikenali sebagai pola tanda tangan orang ke-7. Pada
pola tanda tangan orang ke-6, 2 pola atau 66,7% tanda tangan yang dapat dikenali
dengan benar dan 3,3% atau 1 pola tanda tangan tidak dikenali benar. Jadi dapat
disimpulkan jaringan RBF dapat mengenali dengan benar pola tanda tangan dengan
ketepatan 80 % dan error (kesalahan) sebesar 20%.

KESIMPULAN
Berdasarkan hasil pelatihan pada jaringan RBF, terlihat bahwa dengan menggunakan
metode RBF, error pelatihan sebesar 12% dengan akurasi klasifikasi (pengenalan)
mencapai 80%. Sedangkan untuk data pengujian error yang terjadi 20% dengan
akurasi 80%. Pola tanda tangan yang tidak dapat dikenali (error), dalam
penelitian ini belum tentu menunjukkan ketidakmampuan RBFNN dalam
mengenali pola tanda tangan. Kemungkinan hal ini disebabkan data pelatihan dan
pengujian berbeda untuk setiap jenis tanda tangan yang sama. Perbedaan ini
menyangkut ukuran dan posisi dan kesalahan relatif dari semua tanda tangan yang
diambil.

Jurnal 3
KOMBINASI ALGORITMA JARINGAN SYARAF TIRUAN
LEARNING VECTOR QUANTIZATION (LVQ) DAN SELF
ORGANIZING KOHONEN PADA KECEPATAN PENGENALAN
POLA TANDA TANGAN

Pendahuluan
Proses pembelajaran menggunakan metode LVQ memerlukan waktu yang
relatif lebih lama daripada metode Kohonen. Hal ini dipengaruhi banyaknya
sampel pola yang digunakan sebagai alat update bobot yang dilatih. Semakin
banyak dan besar ukuran dari pola yang dilatih, semakin lama pula waktu yang
dibutuhkan metode LVQ untuk proses pelatihan.
Dari hasil perbandingan diatas didapat bahwa metode Kohonen dapat
melakukan proses pembelajaran lebih cepat untuk mengklasifikasikan tandatangan
dibanding metode LVQ meskipun
dari
faktor keberhasilan dalam
mengklasifikasikan pola, metode LVQ lebih unggul dari metode Kohonen.

Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan kombinasi algoritma Learning Vector
Quantization dengan Self Organizing Kohonen untuk mempercepat proses
pengenalan pola tandatangan.

Manfaat Penelitian
Meningkatkan kecepatan pengenalan pola tanda tangan dengan mengombinasikan
algoritma Learning Vector Quantization (LVQ) dan Self Organizing Kohonen.

Batasan Masalah

Terdapat beberapa batasan yang dibuat untuk lebih memfokuskan pada tujuan yang
ingin dicapai, yaitu diantaranya :
1. Input data pelatihan dan pengujian berupa file citra tandatangan hasil scan
yang berformat *.BMP.
2. Proses kecepatan pengenalan pola tandatangan dilakukan dengan
mengkombinasi algoritma Learning Vector Quantization dengan Self Organizing
Kohonen.
3. Implementasi perancangan program jaringan saraf tiruan yang digunakan adalah
bahasa pemrograman Visual Basic 6.0.

Jaringan Syaraf Learning Vector Quantization (LVQ)

Menurut Jang, et al. (1997) LVQ merupakan metode klasifikasi data adaptif
berdasarkan pada data pelatihan dengan informasi kelas yang diinginkan. Walaupun
merupakan suatu metoda pelatihan supervised tetapi LVQ menggunakan teknik data
clustering unsupervised untuk pra proses set data dan penentuan cluster center-nya.

Jaringan Syaraf Self Organizing Kohonen

Jaringan Syaraf Kohonen Self Organizing termasuk dalam pembelajaran tak terawasi
(unsupervised learning). Pertama kali diperkenalkan oleh Prof. Teuvo Kohonen pada
tahun 1982. Pada jaringan ini, suatu lapisan yang berisi neuron-neuron akan
menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang
dikenal dengan istilah cluster. Selama proses penyusunan diri, cluster yang memiliki
vektor bobot paling cocok dengan pola input (memiliki jarak yang paling dekat) akan
terpilih sebagai pemenang. Neuron yang menjadi pemenang beserta neuron-neuron
tetangganya akan memperbaiki bobot-bobotnya (Tae, 2010).

Jaringan Syaraf New JST

Pada metode pembelajaran pada JST ini merupakan jaringan yang tak terawasi serta
tidak memerlukan target output. Proses pembelajaran, nilai bobot disusun dalam
suatu range tertentu tergantung pada nilai input yang diberikan. Vektor-vektor input
tersebut akan dikelompokkan dalam kelas yang sama. Pemrosesan yang terjadi pada
setiap neuron adalah mencari jarak antara suatu vektor input ke bobot yang
bersangkutan (w1 dan w2). w1 adalah vektor bobot yang menghubungkan setiap

neuron pada lapisan input ke neuron pertama pada lapisan output, sedangkan w2
adalah vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron
yang kedua pada lapisan output.

Rancangan Penelitian
Dalam melakukan kombinasi algoritma Learning Vector Quantization dengan Self
Organizing Kohonen untuk mempercepat proses pengenalan pola tandatangan penulis
menyusun langkah langkah yang akan dilakukan dalam penelitian ini yang dapat
dilihat seperti flow chart berikut.

Flowchart Rancangan Penelitian

Pembacaan File Citra

Pada citra warna 24-bit (true color) tidak terdapat palet RGB, karena nilai RGB
langsung diuraikan dalam data bitmap berbentuk biner. Untuk membaca nilai RGBnya, dilakukan mencari header-header serta data bitmap yang berisi informasi
dimensi, format dan nilai piksel citra. Setiap elemen data bitmap panjangnya 3 byte,
masing-masing byte menyatakan komponen R, G, dan B. Setiap byte data
merepresentasikan 8 bit, jadi pada citra warna ada 3 byte x 8 bit = 24 bit kandungan
warna.
Pada citra warna, tiap pixel-nya mengandung 24-bit kandungan warna atau 8-bit
untuk masing-masing warna dasar (R, G, dan B), dengan kisaran nilai kandungan
antara 0 (00000000) sampai 255 (11111111) untuk tiap warna.

Contoh Nilai Pixel Citra Warna

Deteksi Tepi
Deteksi tepi berfungsi untuk mempertegas batas batas citra atau untuk meningkatkan
penampakan garis batas garis tanda tangan. Pada penelitian ini digunakan operator
Sobel dengan dua buah kernel seperti pada gambar berikut.

Dua Buah Matriks Kernel

Binerisasi
Pemisahan citra grayscale diatas berfungsi untuk mengambil bagian citra yang
merupakan titik gelap (0) dan putih (1). Binerisasi dilakukan dengan membagi citra
menjadi 8x8 bagian subcitra, nilai intensitas rata-rata dari subcitra yang paling rendah
digunakan menjadi nilai threshold T. Setelah itu dilakukan proses binarisasi citra
menggunakan nilai threshold T.

Matriks Citra Biner

Flowchart Pengenalan Tanda Tangan dengan JST LVQ

Flow Chart Proses Pengenalan Tanda Tangan Dengan JST Self Organizing
Kohonen

Flow Chart Proses Pengenalan Tanda Tangan Dengan Jaringan New JST

Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut :
1. Kombinasi antara algoritma Learning Vector Quantizaton (LVQ) dengan Self
Organizing Kohonen yang dilakukan penulis dalam penelitian ini bertujuan untuk
meningkatkan kecepatan komputasi pada proses pelatihan dan pengenalan pola
tanda tangan.
2. Aplikasi jaringan syaraf tiruan kombinasi dapat mempercepat proses komputasi
baik pada saat training maupun saat recognition.