Pendekatan Forensik Dokumen Dalam Verifikasi Keaslian Tanda Tangan Menggunakan Metode Histogram of Oriented Gradients (HOG) dan Support Vector Machine (SVM)

Muhammad Rian Amruzi Rambe; Amrullah

doi:10.33151/ijomss.v4i6.1131

Muhammad Rian Amruzi Rambe Universitas Muhammadiyah Sumatera Utara
Amrullah Universitas Muhammadiyah Sumatera Utara

DOI: https://doi.org/10.33151/ijomss.v4i6.1131

Keywords: forensik dokumen, tanda tangan, HOG, SVM, CEDAR, verifikasi keaslian

Abstract

Pemalsuan tanda tangan pada dokumen resmi merupakan permasalahan serius yang dapat menimbulkan kerugian hukum dan finansial, sementara metode verifikasi secara manual oleh pakar terbukti bersifat subjektif, lambat, dan tidak skalabel. Penelitian ini menerapkan pendekatan forensik dokumen berbasis komputasi dengan mengombinasikan metode Histogram of Oriented Gradients (HOG) sebagai ekstraksi fitur dan algoritma Support Vector Machine (SVM) sebagai klasifikator untuk membedakan tanda tangan asli (genuine) dan tanda tangan palsu (forgery). Data yang digunakan adalah dataset CEDAR yang terdiri dari 2.640 citra tanda tangan dari 55 writer, dengan pembagian 1.980 citra untuk training dan 660 citra untuk testing. Tahapan pra-pemrosesan meliputi konversi grayscale, Gaussian Filter, Otsu Thresholding, serta resize dan padding hingga ukuran 128 × 64 piksel. Ekstraksi fitur HOG dikonfigurasi dengan 9 orientations, pixels per cell 8 × 8, cells per block 2 × 2, dan normalisasi L2-Hys sehingga menghasilkan 3.780 fitur per citra. Optimasi hyperparameter SVM dilakukan menggunakan Grid Search dengan 5-fold cross validation. Hasil pengujian menunjukkan accuracy sebesar 75,00%, precision 74,34%, recall 76,36%, dan F1-score 75,34%. Sistem kemudian diimplementasikan dalam aplikasi berbasis web berbasis Flask untuk memungkinkan verifikasi tanda tangan secara praktis dan otomatis.

Author Biographies

Muhammad Rian Amruzi Rambe, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

Amrullah, Universitas Muhammadiyah Sumatera Utara

Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi

References

Andani, M. W., & Satya Nugraha, G. (2020). Signature verification using feature of LBP and DCT with LVQ classifier. JTIKA, 2(2), 174–182. http://jtika.if.unram.ac.id/index.php/JTIKA/

Anggraeni, D. T., & Wibawa, C. (2023). Perbaikan citra tanda tangan digital menggunakan metode Otsu thresholding dan Sauvola. Jurnal Teknologi Informasi dan Ilmu Komputer, 10(3), 1–10. https://doi.org/10.25126/jtiik.2023103764

Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 886–893. https://doi.org/10.1109/CVPR.2005.177

Deswita Indriani, D. S., Juni Arta Sinaga, E., Oktavia, G., Syahputra, H., & Ramadhani, F. (2022). Identifikasi tanda tangan dengan menggunakan metode Convolution Neural Network (CNN). Jurnal Sains Komputer dan Informatika, 6(2), 547–557. https://doi.org/10.30645/j-sakti.v6i2.498

Ginting, R., Saragih, M., & Purba, A. (2025). Penerapan unified modeling language dalam perancangan sistem informasi berbasis objek. Jurnal Sistem Informasi, 12(1), 45–58.

Hafemann, L. G., Sabourin, R., & Oliveira, L. S. (2017). Learning features for offline handwritten signature verification using deep convolutional neural networks. Pattern Recognition, 70, 163–176. https://doi.org/10.1016/j.patcog.2017.05.012

Harfiya, L. N., Wihandika, R. C., & Rahayudi, B. (2017). Ekstraksi fitur histogram of oriented gradient (HOG) untuk klasifikasi jenis penyakit daun padi. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(12), 1164–1172.

Husna, L., & Novia Rizki, S. (2023). Pemanfaatan JST pengenalan keaslian pola tanda tangan untuk pencegahan tindakan pemalsuan tanda tangan. Jurnal Informasi dan Teknologi, 5(3), 150–157. https://doi.org/10.60083/jidt.v5i3.390

Kadek Nurcahyo Putra, I., Putu Dita Ariani Sukma Dewi, N., Ngabe Mupu, D., & Ayu Pusparani, D. (2024). Identifikasi tanda tangan lansia dengan metode HOG dan K-Nearest Neighbors classifier. Jurnal Teknologi Informasi dan Komputer, 10(1), 78–87.

Marthatiyanda, O., & Maliki, I. (2024). Pengenalan tanda tangan menggunakan Histogram of Oriented Gradients dan Smooth Support Vector Machine. Jurnal Informatika dan Rekayasa Perangkat Lunak, 6(1), 45–54. https://doi.org/10.36499/jinrpl.v6i1.8501

Riadi, I., & Ruslan, T. (2023). Analisis forensik digital pada WhatsApp dan Facebook menggunakan metode NIST. Jurnal Teknologi Informasi dan Ilmu Komputer, 10(1), 123–132. https://doi.org/10.25126/jtiik.2023101554

Safarudin, M., & Lionnie, R. (2025). Verifikasi tanda tangan menggunakan model BiT-M-R50x1 dan support vector machine (SVM). Jurnal Teknologi dan Sistem Komputer, 13(1), 45–53. https://doi.org/10.14710/jtsiskom.2025.17842

Saputra, R., Hidayat, T., & Nugroho, A. (2022). Pemalsuan tanda tangan: Kategori, karakteristik, dan metode deteksi. Jurnal Forensik Digital Indonesia, 4(1), 33–41.

Vapnik, V., & Cortes, C. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018

Widodo, A. P., & Harjoko, A. (2015). Verifikasi tanda tangan menggunakan pyramid histogram of oriented gradient dan support vector machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(1), 1–10.

Zafania, P., Kurnia Saputra, H., & Novaliendry, D. (2025). Penerapan sistem pendeteksian pemalsuan tanda tangan berbasis Optical Character Recognition (OCR) dan Support Vector Machine (SVM). Jurnal Teknologi Informasi dan Pendidikan, 18(1), 88–97. https://doi.org/10.24036/tip.v18i1.726

Zulfikri, M., Hidayat, R., & Kurniawan, A. (2019). Klasifikasi tanda tangan menggunakan support vector machine dengan kernel radial basis function. Jurnal Ilmu Komputer, 7(2), 55–63.