Article Per Year (5 Year)
p-Index From 2020 - 2025
2.842
P-Index
This Author published in this journals
All Journal JOURNAL OF SCIENCE AND SOCIAL RESEARCH Jurnal Ilmiah Ecosystem Jurnal Sistem Informasi Kaputama (JSIK) Indonesian Journal of Electrical Engineering and Computer Science Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Kesatria : Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen) Scientific Journal of Informatics PUBLIDIMAS CSRID Access: Journal of Accounting, Finance and Sharia Accounting
Setiawan, Adil
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 21 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD

 1 
Deteksi Ketidakkonsistenan Font Sebagai Indikator Pemalsuan dan Penyuntingan Dokumen Digital Menggunakan Convolutional Neural Network (CNN) Krismona, Lumi; Ashari, Annisa; Habib, Nurhayati; Setiawan, Adil; Rosnelly, Rika
Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD Vol. 8 No. 2 (2025): J-SISKO TECH EDISI JULI
Publisher : STMIK Triguna Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.53513/jsk.v8i2.11741

Abstract

Pemalsuan dan penyuntingan dokumen digital merupakan ancaman serius dalam konteks keamanan informasi dan validitas dokumen resmi. Salah satu contoh aktual adalah kasus pemalsuan dokumen kependudukan untuk Penerimaan Peserta Didik Baru (PPDB) 2024 oleh Ato et al.(Kompas, 2024), telah ditemukan penyalahgunaan data dan perubahan pada dokumen seperti Kartu Keluarga (KK) untuk memanipulasi zonasi pendidikan. Kasus ini menunjukkan bahwa dokumen digital sangat rentan dimanipulasi salah satunya melalui ketidakkonsistenan jenis font pada struktur dokumen digital. Penelitian ini bertujuan untuk mendeteksi secara otomatis terhadap ketidakkonsistenan font dalam dokumen digital menggunakan arsitektur Convolutional Neural Network (CNN). Model dilatih menggunakan 100.000 sampel dari Document Font Recognition Dataset (DTFR), dengan pra-pemrosesan berupa konversi grayscale, normalisasi dan resize citra menjadi 32×32 piksel. CNN dirancang dengan dua lapisan konvolusional, max pooling, dropout dan dense layer. Hasil evaluasi menunjukkan akurasi sebesar 96,85% dengan nilai precision, recall dan F1-score rata-rata sebesar 0,97. Pendekatan ini terbukti lebih akurat dibandingkan metode SVM yang sebelumnya dilaporkan hanya mencapai 94,6%. Penelitian ini menunjukkan bahwa pendekatan CNN efektif untuk mendeteksi ketidakkonsistenan font sebagai indikator awal kemungkinan manipulasi dokumen digital. Meskipun model menunjukkan kinerja tinggi, ruang lingkup penelitian ini masih terbatas pada atribut font bold sebagai indikator utama. Pengembangan selanjutnya dapat mencakup eksplorasi atribut font lain serta validasi pada dokumen dari dunia nyata.
Co-Authors Abdul Rachman Akbar, Muhammad Barkah Ananda, Dea Annisa Rahma Ashari, Annisa Aulia, Novi Bagus Riski Dwiki Putri, Dini Ridha Firman Menne Fitri Insani Habib, Nurhayati Jamaluddin, Jaja Kartika, Suci Kholisah, Nur Krismona, Lumi Mane, Arifuddin Manza, Yuke Muhammad Ridwan Muhammad Sadikin Nasution, M. Irfan Aldy Novi Yanti Okfalisa Okfalisa Pandere, Perawati Pane, Rahmadani Pratiwi, Dian Irda Rambe, Lima Hartimar Rika Rosnelly, Rika Riski, Bagus Rofiqoh Dewi Rosnaini, Andi Ruri Hartika Zain Sabriadi, Sabriadi Sapiri, Muhtar Siregar, Kiki Putri Ani Soeheri Soeheri, Soeheri Sumijan Sumijan Sumijan, S Suriani, Seri Syahputra, Firman Syamanta, Arbana Tajuddin, Muhammad Utan, Benediktus Ariadi Lolo Yuhandri Yuhandri, Yuhandri