Intisari-Sandi Morse sangat sukar untuk dipahami, terdapat beberapa kode yang tidak dimengerti. Morse sendiri dapat dilakukan dengan suara menggunakan peluit, sinar menggunakan senter, tulisan menggunakan titik dan strip, dan bendera. Metode Jaringan syaraf tiruan digunakan untuk membuat pengenalan pola (pattern recognition). Dalam pengambilan sampel suara sandi morse meliputi angka sandi morse yang terdiri dari angka nol sampai dengan Sembilan, setiap angka memiliki lima ketukan nada, setiap

more »

... tukan nada memiliki ciri panjang dan pendek dapat diilustrasikan panjang sebagai strip dan pendek sebagai titik. Ekstraksi sampling digunakan untuk menganalisa sinyal suara untuk memperoleh fitur atau ciri unik dari setiap suara sandi morse, untuk menyeragamkan sinyal suara dan memperkecil sinyal suara. sinyal suara dilatih dengan menggunakan metode jaringan syaraf tiruan untuk mendapatkan sebuah pola pada setiap sandi morse, tahap pembelajaran menggunakan backpropagation, hasil pembelajaran akan mendapatkan pola bobot jaringan. Pengujian Jaringan dilakukan untuk mengenali sebuah pola sandi morse, pengujian dilakukan dengan menggunakan data uji pola baru yang sudah melalui tahap ekstraksi. Hasil pengujian menunjukan bahwa pengenalan sandi morse dengan menggunakan data pola pelatihan sebesar 85,16 % sedangkan pengujian sandi morse dengan data pola baru sebesar 67,99 %. Abstract-Morse code is very difficult to understand, there is some code that is not understood. Morse itself can be done by voice using whistles, rays using a flashlight, writing using dots and strips, and flags. Artificial neural network method is used to make pattern recognition (pattern recognition). In morse password sampling includes a Morse code number consisting of zeros to Nine, each number has five tone beats, each tone bearing has long and short characters can be illustrated long as a strip and a short as a point. Sampling extraction is used to analyze voice signals to obtain the unique features or features of each morse voice sound, to uniform the sound signal and minimize the sound signal. sound signals are trained using artificial neural network method to get a pattern on every morse password, learning stage using backpropagation, learning outcomes will get network weight pattern. Network Testing is done to recognize a Morse password pattern, the test is done by using new pattern test data that has been through the extraction stage. The test results show that the introduction of morse password using training pattern data is 85.16% while morse password testing with new pattern data is 67.99%.