Pengembangan Aplikasi Mobile Klasifikasi Tanda Tangan Berbasis CNN

Latar Belakang. Tanda tangan merupakan metode autentikasi utama dalam verifikasi dokumen fisik. Tanda tangan hasil scan (tempel) tidak memiliki keabsahan hukum di Indonesia, namun praktik penggunaannya masih lazim ditemukan. Keterbatasan visual manusia menjadi celah keamanan, di mana pra-penelitian menunjukkan bahwa 46% responden gagal membedakan tanda tangan basah dan tempel secara visual. Tujuan. Penelitian ini bertujuan mengembangkan aplikasi mobile berbasis Convolutional Neural Network (CNN) yang dioptimalkan menggunakan TensorFlow Lite untuk klasifikasi jenis tanda tangan basah, tempel, dan digital. Metode. Penelitian dilakukan melalui empat tahap: (1) pengumpulan dataset primer sebanyak 448 citra; (2) pelatihan model CNN dengan dua lapisan konvolusi pada tiga skenario dataset yang berbeda; (3) konversi model ke format TensorFlow Lite melalui proses kuantisasi; serta (4) pengujian performa, fungsionalitas dan konsistensi aplikasi menggunakan metode Black Box dan White Box. Hasil. Model CNN mencapai akurasi pengujian tertinggi sebesar 82% pada konfigurasi 300 epoch dengan skenario dataset imbalanced 448 citra. Proses kuantisasi mereduksi ukuran model dari 280,2 MB menjadi 23,35 MB dengan konsumsi CPU 16%. Pengujian fungsional menunjukkan keberhasilan 100% pada seluruh fitur. Pengujian riil menunjukkan keberhasilan sebesar 81,8% (27 dari 33 sampel), sedangkan pengujian konsistensi menunjukkan 6 dari 9 sampel (67%) konsisten, dengan 4 sampel yang konsisten sekaligus benar. Kesimpulan. Aplikasi mobile berhasil mengimplementasikan model CNN secara efisien untuk klasifikasi jenis tanda tangan pada perangkat Android. Analisis kesalahan klasifikasi mengidentifikasi shortcut learning berdasarkan ketebalan tinta dan proporsi background citra serta pencahayaan sebagai faktor utama. Kategori tanda tangan tempel menunjukkan performa terendah, tidak ada sampel yang diprediksi benar pada kedua perangkat.