ABSTRAKSI: Penggunaan tanda tangan saat ini banyak digunakan untuk memverifikasi keabsahan dari berbagai transaksi keuangan. Lembar cek, credit card dan berbagai dokumen lainnya menggunakan tanda tangan sebagai pengenal keabsahan seseorang. Tetapi hingga saat ini pengecekan valid tidaknya sebuah tanda tangan masih banyak ditangani secara manual. Pengenalan secara manual tersebut cukup sulit untuk membedakan berbagai tipe pemalsuan tanda tangan yaitu random forgery, simple forgery dan skilled forgery. Untuk itu diperlukan sistem yang dapat mengenali tipe pemalsuan tanda tangan tersebut. Dimana sistem yang dibangun harus menghasilkan False Acceptance Ratio dan False Rejection Ratio sekecil mungkin.
Pada tugas akhir ini diimplementasikan support vector machine sebagai classifier dan filter gabor digunakan sebagai ekstraksi ciri. Selanjutnya dilakukan penelitian terhadap tingkat akurasi sistem dalam mengenali tipe pemalsuan tanda tangan random forgery, simple forgery dan skilled forgery. Selain itu juga dilakukan analisis terhadap faktor apa saja yang mempengaruhi akurasi pada metode support vector machine.
Berdasarkan pengamatan yang telah dilakukan error rate yang dihasilkan menunjukan hasil yang cukup baik, yaitu 99% pada random forgery, 87.5% pada simple forgery dan 87.5% pada skilled forgery.
Kata Kunci : Verifikasi, Tanda tangan, Skilled forgery, Support vector machine (SVM), Gabor FilterABSTRACT: Signatures are often used to authorise the transfer of funds of millions of people. Bank checks, credit cards and legal documents all require our signatures. But until now most of the checking process is still handled manually, and is hard to determine the type of forgery, such as random forgery, simple forgery, and skilled forgery. A robust system has to be designed to detect various types of forgeries. The system should have an acceptable trade-off between a low false acceptance rate and a low false rejection rate.
In this final project, support vector machine is implemented as a classifier and Gabor filters are used as feature extraction. Then accuracy system in recognizing random forgery, simple forgery and skilled forgery is analysis. It also examine what factors affect the accuracy of support vector machines.
Based on the observations, the verification error rate have achieved the good result, 99% on random forgery, 87.5% on simple forgery and about 87.5% for skilled forgery.
Keyword: Verification, signature, Skilled forgery, Support vector machine (SVM), Gabor Filter.