<![CDATA[Abstrak Tanda tangan merupakan salah satu alat autentifikasi yang sering digunakan. Banyak hal didunia ini yang diresmikan menggunakan tanda tangan. Setiap orang memiliki karakteristik tanda tangan yang cukup beragam. Pengenalan tanda tangan secara offline masih mungkin memiliki banyak kesalahan karena itu dikembangkan pengenalan tanda tangan secara online dengan menggunakan fitur-fitur dinamis dari tanda tangan. Pada penelitian ini, dibangun dua skema yaitu tanpa pemilihan fitur menggunakan Algoritma Genetika dan tanpa pemilihan fitur. Sistem verifikasi ini menggunakan algoritma Support Vector Machine(SVM) untuk memverifikasi tanda tangan karena SVM sudah terbukti di penelitian sebelumnya dapat menghasilkan akurasi yang baik. Penelitian ini juga ditujukan untuk menemukan fitur-fitur yang penting dalam sebuah tanda tangan dari enam kelompok fitur yang diuji. Dataset yang digunakan adalah dataset SVC2004 yang berisi tanda tangan 5 orang yang masing masing memiliki 20 tanda tangan asli dan 20 tanda tangan palsu yang ditiru oleh professional. Hasil penelitian menunjukkan Algoritma Genetika dapat menghasilkan akurasi 94.40% dan lebih baik 4.21% dibandingkan tanpa melalui pemilihan fitur. Kelompok fitur yang berpengaruh adalah kelompok fitur Geometry dan Miscellaneous karena menghasilkan akurasi yang lebih baik daripada kelompok fitur lainnya. Kata kunci : verifikasi tanda tangan, algoritma genetika, Support Vector Machine(SVM), kelompok fitur Abstract Signatures are one of the most commonly used authentication tools. Many things in this world are inaugurated using signatures. Everyone has signature characteristics that are quite diverse. The verification of offline signatures may still have many errors because it developed the verification of signatures online by using the dynamic features of the signature. In this research, two schemes are built without the feature selection using Genetic Algorithm and without feature selection. This verification system uses the Support Vector Machine (SVM) algorithm to verify the signature because SVM has been proven in previous research to produce good accuracy. The study is also intended to find important features in a signature of the six groups of features tested. The dataset used is a SVC2004 dataset containing 20 authentic signatures and 20 fake signatures imitated by professionals of 5 users. The results showed Genetic Algorithm can produce 94.40% and 4.21% better than without the selection of features. Influential feature groups are Geometry and Miscellaneous feature groups because they produce better accuracy than other feature groups. Keywords: signature verification, Genetic Algorithm, Support Vector Machine(SVM), feature group]]>
