Pengembangan Sistem Otomatis Verifikasi Tanda Tangan Menggunakan Deep Learning
DOI:
https://doi.org/10.29407/k86g0128Keywords:
Autentikasi Dokumen, CNN, Streamlit, Verifikasi Tanda TanganAbstract
Verifikasi tanda tangan merupakan proses penting dalam memastikan keaslian identitas pada dokumen resmi, transaksi keuangan, dan proses administrasi. Namun, metode verifikasi manual masih memiliki kelemahan karena bergantung pada subjektivitas manusia sehingga rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi tanda tangan otomatis menggunakan metode Convolutional Neural Network (CNN). Dataset yang digunakan terdiri dari 150 citra tanda tangan dari lima pemilik yang berbeda, dengan penerapan preprocessing berupa konversi grayscale, resize, normalisasi, serta augmentasi data. Model CNN dirancang dengan beberapa lapisan konvolusi, max pooling, dan fully connected layer sebelum diintegrasikan ke dalam aplikasi berbasis web menggunakan Streamlit. Evaluasi performa dilakukan menggunakan data validasi dengan parameter akurasi, loss, dan confusion matrix. Model yang dikembangkan mampu mencapai akurasi validasi sebesar 94% dan menunjukkan tingkat generalisasi yang baik dalam mengenali identitas pemilik tanda tangan. Sistem yang diimplementasikan memberikan hasil verifikasi secara otomatis dan interaktif sehingga dapat meningkatkan efisiensi serta keandalan proses autentikasi dokumen di berbagai bidang.
Downloads
References
[1] F. Irianti and S. Rahman, “Journal of Lex Philosophy (JLP),” vol. 5, 2024.
[2] T. N. Cahyadi, “Aspek Hukum Pemanfaatan Digital Signature Dalam Meningkatkan Efisiensi, Akses Dan Kualitas Fintech Syariah,” J. Rechts Vinding Media Pembin. Huk. Nas., vol. 9, no. 2, p. 219, 2020.
[3] P. D. I. Pengadilan, “Umbas, Sita Arini. 2017. ‘Kedudukan Akta Di Bawah Tangan Yang Telah Dilegalisasi Notaris Dalam Pembuktian Di Pengadilan.’ Jurnal Lex Crimen Vol:6, No.1,” vol. VI, no. 1, pp. 79–87, 2017.
[4] R. F. Mayana and T. Santika, “Legalitas tanda tangan elektronik: posibilitas dan tantangan notary digitalization di Indonesia,” ACTA DIURNAL J. Ilmu Huk. Kenotariatan, vol. 4, no. 2, pp. 244–262, 2021.
[5] R. M. A. S. Ikhsan and R. Kusuma, “Kedudukan hukum barcode pada tanda tangan notaris dalam sistem peraturan perundang-undangan di Indonesia,” Nusant. J. Ilmu Pengetah. Sos., vol. 12, no. 6, pp. 2495–2504, 2025.
[6] P. Khobragade and U. Gawande, “A comprehensive review on CNN-based applications for medical imaging classification and segmentation,” AIP Conf. Proc., vol. 3188, no. 1, Dec. 2024, doi: 10.1063/5.0244772.
[7] M. Kurniawan, N. Saidatin, H. Nugroho, I. Teknologi, and A. Tama, “Implementasi Shape Feature dan K-Nearest Neighbor untuk Klasifikasi Tanda Tangan,” pp. 155–162.
[8] I. Maulana, N. Khairunisa, and R. Mufidah, “Deteksi bentuk wajah menggunakan convolutional neural network (CNN),” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3348–3355, 2023.
[9] T. Kemendikbud et al., “Identifikasi Tanda Tangan Dengan Menggunakan Metode Convolution Neural Network ( CNN ),” vol. i, no. 204, pp. 138–147, 2022.
[10] U. I. Batam, F. I. Komputer, P. S. Informasi, J. G. Mada, and T. Indah, “PENGEMBANGAN VERIFIKASI INFORMASI CEK BANK DENGAN MENGGUNAKAN CNN-XGBOOST IMAGE CLASSIFICATION UNTUK VERIFIKASI TANDA TANGAN DAN PENGENALAN TULISAN TANGAN,” vol. 5, no. 2, pp. 162–172, 2024.
[11] I. Wulandari, H. Yasin, and T. Widiharih, “Klasifikasi citra digital bumbu dan rempah dengan algoritma convolutional neural network (cnn),” J. Gaussian, vol. 9, no. 3, pp. 273–282, 2020.
[12] A. Peryanto, A. Yudhana, and R. Umar, “Rancang bangun klasifikasi citra dengan teknologi deep learning berbasis metode convolutional neural network,” Format J. Ilm. Tek. Inf., vol. 8, no. 2, p. 138, 2020.
[13] Y. K. Bintang and H. Imaduddin, “Pengembangan model deep learning untuk deteksi retinopati diabetik menggunakan metode transfer learning,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 9, no. 3, pp. 1442–1455, 2024.
[14] E. J. A. Sinaga, G. Oktavia, H. Syahputra, and F. Ramadhani, “Identifikasi Tanda Tangan Dengan Menggunakan Metode Convolution Neural Network (CNN),” J-INTECH, vol. 12, no. 1, pp. 138–147, 2024.
[15] R. A. Pangestu, B. Rahmat, and F. T. Anggraeny, “Implementasi algoritma CNN untuk klasifikasi citra lahan dan perhitungan luas,” J. Inform. dan Sist. Inf., vol. 1, no. 1, pp. 166–174, 2020.
[16] N. Rochmawati, H. B. Hidayati, Y. Yamasari, H. P. A. Tjahyaningtijas, W. Yustanti, and A. Prihanto, “Analisa Learning Rate dan Batch Size pada Klasifikasi Covid Menggunakan Deep Learning dengan Optimizer Adam,” JIEET (Journal Inf. Eng. Educ. Technol., vol. 5, no. 2, pp. 44–48, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Riza Randhikata
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
