Validasi Tanda Tangan Presensi Mahasiswa Menggunakan Magnified Gradient Function Backpropagation

Abstract

Abstract. Attending students usually sign their names in the attendance list for every lecture and then, at the end of every lecture, the attendance list is recapitulated. Attendance recording system should be designed with good validation capability so that the data it obtains is liable. This project tries to create a student attendance data recapitulation system by employing an artificial neural network. The method used is the Magnified Gradient Function Backpropagation (MGF-Prop) because it can identify data pattern well. In this system, the data pattern studied is the pattern of signature and student ID number. In the programming, artificial intelligence, image processing, and data mining concept are also used. This system is developed using Visual Basic.NET, which can lighten the process of attendance data recapitulation. This system is tested by using 20 sample data with 94% signature recognition success rate and 97% success rate in student ID number recognition. This success percentage can still vary depending on the option chosen in the learning process.

Keywords: signatures, presence, artificial neural network, magnified gradient function, ID number.

 

Abstrak. Mahasiswa-mahasiswa yang hadir akan membubuhkan tanda tangan pada daftar kehadiran pada setiap perkuliahan yang diikutinya, lalu pada akhir perkuliahan akan dilakukan rekap presensi. Sistem presensi kehadiran harus dirancang dengan kemampuan validasi dengan baik agar data yang diperoleh dapat dipertanggungjawabkan kebenarannya. Pada naskah ini penulis membuat sistem pemrosesan rekap data presensi mengunakan jaringan saraf tiruan, metode yang digunakan adalah Magnified Gradient Function Backpropagation (MGF-Prop) karena dapat dengan baik mengenali pola data. Dalam sistem ini, pola data yang akan dikenali adalah pola tanda tangan dan nomor induk. Dalam pemrogramannya, digunakan pula konsep pengolahan citra dan data mining. Sistem yang dikembangkan dengan Visual Basic.NET ini, dapat mempermudah proses rekap data presensi. Sistem ini diuji coba menggunakan 20 data sampel dengan tingkat persentase keberhasilan rata-rata mengenali tanda tangan mencapai 94% serta nomor induk dengan tingkat keberhasilan 97%. Persentase keberhasilan tersebut dapat berubah tergantung pada opsi yang digunakan dalam proses pembelajaran.

Kata kunci: tanda tangan, presensi, jaringan saraf tiruan, magnified gradient function, nomor induk.