Pengenalan tanda tangan menjadi bukti penting untuk memvalidasi suatu berkas yang menandakan bahwa berkas tersebut asli sehingga dapat dikatakan bahwa tanda tangan setiap orang berbeda dan unik. Oleh karena itu, tanda tangan tidak boleh disalahgunakan karena akan berakibat fatal. Pengenalan kepemilikan tanda tangan diperlukan untuk mengetahui siapa pemilik tanda tangan tersebut. Penelitian ini bertujuan untuk mengenali pola tanda tangan seseorang menggunakan Convolutional Neural Network dengan arsitektur AlexNet. Dataset yang digunakan pada penelitian ini sebanyak 300 citra yang dibagi menjadi 240 data latih dan 60 data uji. Penelitian ini menggunakan 3 optimizer yaitu optimizer Adam, optimizer SGD, dan optimizer RMSprop. Penelitian ini menggunakan batchsize sebesar 2, learning rate sebesar 0,01 untuk optimizer SGD dan learning rate sebesar 0,001 untuk optimizer adam dan RMSprop. Setiap optimizer yang diuji menghasilkan nilai precision, recall, dan accuracy yang berbeda - beda. Hasil pengujian tertinggi yang dilakukan pada dataset internal didapatkan oleh optimizer SGD dengan tingkat akurasi sebesar 83,3%.

No abstract

Ngengat merupakan salah satu jenis serangga dari Ordo Lepidoptera yang populasinya sebesar 90% dari Ordo Lepidoptera di dunia. Ngengat berfungsi sebagai indikator kondisi lingkungan yang terkait dengan fenomena degradasi lingkungan, ngengat juga dapat digunakan sebagai objek untuk penelitian konservasi keanekaragaman hayati, evolusi, etologi dan genetika karena sifat taksonominya yang mapan dan mudah dikenali. Penelitian ini bertujuan untuk mengidentifikasi spesies ngengat menggunakan metode Convolutional Neural Network dengan arsitektur VGG-16 dan optimizer Adam. Dataset yang digunakan terbagi atas 7183 data train, 250 data test, dan 250 data valid. Kemudian dilakukan augmentasi pada objek dataset yang dibagi menjadi 400.400 data train, 85.800 data test, dan 85.800 data valid. Pada penelitian ini metode CNN dengan arsitektur VGG-16 dan Optimizer Adam serta dataset yang telah diaugmentasi berhasil meingidentifikasi ngengat dan menghasilkan tingkat akurasi sebesar 95%.

Terung memiliki bentuk dan warna buah yang cukup beragam. Dengan banyaknya jenis terung, masyarakat Indonesia masih sulit membedakan jenis terung yang ada. Sehingga dibutuhkan sebuah sistem yang dapat mengklasifikasikan jenis-jenis terung berdasarkan Fitur HSV dan HOG dengan menggunakan metode Support Vector Machine. Berdasarkan hasil pengujian dengan fitur HSV dan HOG menggunakan Support Vector Machine mendapatkan hasil Accuracy tertinggi pada jenis Terung Hijau dan Terung Ungu senilai 96.75%. Dengan hasil akurasi yang didapat dari setiap jenis Terung, maka metode SVM dengan fitur HSV dan HOG dapat mengklasifikasi jenis Terung dengan sangat baik.