Implementasi dan Evaluasi Algoritma Klasifikasi untuk Sistem Verifikasi Tanda Tangan Berbasis Web

Abstract

Penelitian ini mengimplementasikan dan mengevaluasi beberapa algoritma klasifikasi pembelajaran mesin dalam sistem verifikasi tanda tangan berbasis web. Dataset citra tanda tangan asli dan palsu diolah melalui konversi ke grayscale, resize, dan ekstraksi fitur Histogram of Oriented Gradient (HOG). Dengan Python dan Flask sebagai platform pengembangan web, sistem ini menerapkan empat algoritma: Support Vector Machine (SVM), K-Nearest Neighbors (KNN), Naive Bayes, dan Decision Tree. Hasil eksperimen menunjukkan SVM memperoleh akurasi tertinggi sebesar 62,96%, diikuti oleh KNN, Naive Bayes, dan Decision Tree. Sistem ini dilengkapi dengan visualisasi HOG dan dashboard laporan akurasi untuk mendukung kebutuhan verifikasi dalam alur kerja digital.