ABSTRAKSI: Tanda tangan merupakan suatu ciri khas unik yang dimiliki oleh tiap individu. Biasanya tanda tangan digunakan pada surat pernyataan, atau pun transaksi yang berhubungan dengan hal keuangan, baik penjualan barang maupun pembelian barang. Oleh karena itu pemalsuan tanda tangan dapat sangat merugikan pemilik tanda tangan.
Pada tugas akhir ini dikembangkan suatu sistem untuk menentukan suatu tanda tangan asli atau palsu. Dengan menggunakan Hebbian Learning dan Support Vector Machine tanda tangan akan diekstraksi cirinya lalu dibandingkan dengan tanda tangan uji untuk mengklasifikasikan tanda tangan uji asli atau palsu.
Data yang digunakan adalah tanda tangan milik 5 orang dimana tiap orang memiliki 1 set tanda tangan. Dari proses pengujian, didapatkan tingkat akurasi tiap set tanda tangan berbeda. Tingkat keakurasian tertinggi tiap set adalah 98,33% untuk tanda tangan Set 1, 94,17% untuk tanda tangan Set 2, 97,5% untuk tanda tangan Set 3, 80% untuk tanda tangan Set 4, dan terakhir 85,83% untuk tanda tangan Set 5.Kata Kunci : Hebbian Learning, Support Vector Machine, tanda tangan.ABSTRACT: Handwritten signature is a unique mark that is owned by everyone. Usually a handwritten signature is used on statement, or in transaction that involves money, like sales transaction or purchase transaction. Therefore handwritten signature forgery will cause loss to the owner of the signature.
In this final task, a system is developed to determine a handwritten signature is a real or a fake. By using Hebbian Learning and Support Vector Machine,the signature featur will be extracted then will be compared by the testing signature to classify the testing signature into real signature or fake signature.
The used data is the handwritten signature that is owned by 5 people where every people will have 1 set of handwritten signature. From the testing phase, it is obtained that the accuration of every set of signature is different. The accuration for every set of handwritten signature is 98,33% for signature set 1, 94,17% for signature set 2, 97,5% for signature set 3, 80% for signature set 4, and the last 85,83% for signature set 5.Keyword: Hebbian Learning, Support Vector Machine, handwritten signature