AI Menilai Tanda Tangan? Validasi Ilmiah di Lab Forensik

Dalam sengketa perdata maupun audit korporat, perbedaan tanda tangan sering diperdebatkan hanya dari “kemiripan visual” pada foto atau hasil scan. Lalu muncul tren aplikasi yang mengklaim bisa memutuskan keaslian tanda tangan dalam hitungan detik—seolah-olah setara dengan pemeriksaan ahli. Di titik ini, pertanyaan yang sebenarnya adalah: bagaimana validasi ilmiah AI untuk verifikasi tanda tangan forensik dilakukan agar kesimpulannya dapat diuji, diulang, dan dipertanggungjawabkan? Tanpa metodologi dan validasi, skor algoritma berisiko berubah menjadi otoritas semu: meyakinkan, tetapi tidak selalu benar.

Fenomena ini bukan sekadar urusan teknologi. Ketika organisasi mulai membuat keputusan administratif (pembayaran, persetujuan kontrak, otorisasi internal) atau bahkan langkah hukum berdasarkan “confidence score”, maka standar pembuktian ikut bergeser. Di sinilah laboratorium forensik berperan sebagai penyeimbang: mengembalikan pembahasan ke data, prosedur, dan batas kesimpulan yang falsifiable.

Dari Mata Telanjang ke Mikroskop: Mengapa “Mirip” Tidak Cukup

Mata manusia unggul mengenali pola umum, namun lemah untuk membaca detail mikro yang justru penting dalam verifikasi tanda tangan. Dua tanda tangan bisa terlihat “mirip” tetapi dibangun dengan mekanisme gerak yang berbeda. Laboratorium forensik memeriksa karakteristik yang sering tidak stabil pada pemalsuan, misalnya ketidakwajaran ritme, tremor tertentu, jeda yang tidak konsisten, hingga indikasi peniruan bentuk tanpa kontrol motorik yang alami.

Analisis modern menggabungkan:

• Pemeriksaan mikroskopis untuk melihat batas garis, ink flow, retak mikro, tumpang tindih stroke, dan jejak berhenti-mulai yang sulit disimulasikan secara natural.
• Pencitraan multi-spektrum (misalnya melalui perangkat video spectral comparator/VSC) untuk menguji respons tinta pada panjang gelombang berbeda, serta mengungkap modifikasi yang “hilang” di cahaya biasa.
• Analisis konteks dokumen (media, urutan goresan, interaksi tinta-kertas) agar kesimpulan tidak hanya bertumpu pada bentuk.

Untuk pendalaman aspek stroke dan tekanan (yang sering jadi pusat debat “kok mirip sekali”), lihat pembahasan terukur pada Tanda Tangan Mirip? Uji Stroke & Profil Tekanan Forensik.

AI Sebagai Alat Bantu, Bukan Hakim

Banyak klaim AI berangkat dari asumsi yang salah: “cukup satu foto, AI menentukan asli/palsu.” Padahal, performa AI sangat bergantung pada kondisi input dan definisi tugas. Dalam praktik lab, AI diposisikan sebagai alat bantu analisis pola, bukan pihak yang “memutuskan”. Pemisahan ini penting karena forensik tidak hanya mengenali pola, tetapi juga menginterpretasikan signifikansi pola dalam konteks bukti, keterbatasan data, serta alternatif penjelasan (misalnya variasi alami penanda tangan, kondisi kesehatan, media tulis berbeda, atau faktor situasional).

Kontrol Kualitas Citra: Masalah yang Sering Tidak Disadari

Model AI yang dilatih pada citra “bersih” akan rapuh ketika menerima scan/ foto yang bising. Karena itu, sebelum AI bekerja, laboratorium biasanya menetapkan kontrol kualitas:

• Resolusi: detail tepi garis dan tekstur tinta mudah hilang pada resolusi rendah.
• Distorsi perspektif: foto dari ponsel sering menghasilkan deformasi geometri; stroke dapat terlihat lebih tebal atau lebih panjang.
• Kompresi: artefak JPEG dapat menciptakan “tepi palsu” yang mengganggu ekstraksi fitur.
• Pencahayaan: glare pada permukaan kertas memutihkan sebagian stroke sehingga AI “mengira” ada putus garis.

Sampel Pembanding: Kunci yang Tidak Bisa Disubstitusi

AI dan analis manusia sama-sama membutuhkan pembanding. Untuk tanda tangan, yang diuji bukan hanya “bentuk”, melainkan rentang variasi alami. Tanpa sampel pembanding memadai (jumlah cukup, rentang waktu berdekatan, media yang relevan), sistem akan mendorong kesimpulan yang tidak stabil: tanda tangan asli yang bervariasi bisa dikira anomali, sementara tiruan yang rapi bisa lolos.

Ekstraksi Fitur: Apa yang Sebenarnya “Dibaca” oleh Mesin?

AI dapat mengekstraksi fitur seperti stabilitas bentuk, variasi stroke, proporsi, kelengkungan, distribusi ketebalan, serta pola hubungan antar bagian tanda tangan. Namun, fitur yang baik secara statistik tidak otomatis “baik” secara forensik bila:

• fitur sensitif terhadap kualitas gambar, bukan terhadap karakteristik penulisan;
• fitur tidak teruji pada variasi alami penanda tangan (intra-writer variation);
• fitur tidak robust terhadap upaya pemalsuan tertentu (misalnya tracing vs freehand simulation).

Validasi Ilmiah dan Keterbatasan Metode

Dalam sains forensik, kesimpulan yang sah bukan “tebakan terdidik”, melainkan pernyataan yang memiliki dasar data, prosedur, dan dapat diuji ulang. Itulah sebabnya batasan AI dalam forensik dokumen harus dinyatakan dengan tegas: AI memberi output berbasis pola pada data tertentu, sementara pembuktian forensik mensyaratkan transparansi metode, ukuran ketidakpastian, serta keterulangan.

Validasi ilmiah untuk AI (dan metode forensik apa pun) minimal menyentuh parameter terukur berikut:

• Uji blind: penguji/ sistem tidak mengetahui label (asli/palsu) saat evaluasi, untuk mencegah bias.
• Dataset representatif: mencakup variasi alat tulis, kertas, kebiasaan tanda tangan, rentang waktu, serta jenis pemalsuan yang realistis.
• Error rate: tidak cukup menyebut “akurasi 98%”; harus jelas false positive, false negative, dan konsekuensinya.
• Repeatability & reproducibility: hasil konsisten saat diuji ulang (oleh operator yang sama) dan saat direplikasi (oleh operator/ lab berbeda).
• Audit bias: memeriksa apakah model “lebih sering salah” pada kelompok tertentu (misalnya gaya tanda tangan tertentu) karena data latih yang timpang.
• Model drift: performa berubah saat dokumen berubah tren (misalnya makin banyak tanda tangan digitalisasi, scan kompres, atau gaya tanda tangan baru).

Tanpa desain uji yang benar, klaim “akurasi tinggi” adalah klaim lemah. Karena angka akurasi bisa membaik hanya karena dataset terlalu mudah, terlalu homogen, atau tidak mencerminkan kondisi bukti di lapangan. Prinsip ini sejalan dengan pembahasan lebih luas pada Validasi Metode Forensik Dokumen: Uji Lab yang Wajib.

Di sisi hukum, ini berhubungan langsung dengan standar pembuktian hasil analisis tanda tangan. Pengadilan dan proses audit membutuhkan metode yang dapat dijelaskan (explainable), dapat diuji ulang, dan memiliki batas kesimpulan yang jelas. Skor AI yang tidak dapat diaudit, atau tidak punya catatan validasi, sulit dipertahankan ketika diuji silang.

Proses Laboratorium Forensik

Berikut alur ringkas bagaimana laboratorium menempatkan AI secara benar dalam pipeline pembuktian, bukan sebagai “putusan otomatis”:

1. Penerimaan bukti & chain of custody: dokumen dicatat, diberi identitas, dan dijaga integritasnya agar tidak tercampur atau berubah.
2. Pemeriksaan awal non-destruktif: inspeksi visual terstruktur, pencatatan kondisi dokumen, dan pemilihan area pemeriksaan.
3. Kontrol kualitas citra: standardisasi scanning/fotografi, verifikasi resolusi, dan mitigasi distorsi/kompresi. Tahap ini sering menentukan kualitas seluruh analisis.
4. Pemeriksaan mikroskopis & instrumen optik: evaluasi detail stroke, ink flow, tumpang tindih, dan indikasi peniruan. Pembahasan QC sebagai fondasi pengakuan hasil dapat dilihat pada QC Lab Forensik: Kunci Hasil Uji Dokumen Diakui.
5. Analisis spektral (bila relevan): multi-spektrum untuk membedakan tinta yang tampak serupa, mendeteksi penambahan, atau perubahan yang tersamar.
6. AI/komputasi (bila digunakan): ekstraksi fitur dan pemodelan kemiripan/ketidakselarasan sebagai indikator, bukan final verdict.
7. Interpretasi forensik: menyatukan temuan (mikroskopis, spektral, pola) dengan batas inferensi yang dapat dipertanggungjawabkan.
8. Pelaporan: bahasa laporan harus menyatakan metode, keterbatasan, kualitas sampel, dan dasar kesimpulan; idealnya menyertakan parameter validasi yang relevan.

Catatan penting: hasil forensik pada umumnya menyatakan dukungan terhadap hipotesis (misalnya “lebih konsisten dengan penulis X dibanding alternatif Y”) berdasarkan data yang tersedia. Ini bukan kelemahan, melainkan bentuk kejujuran ilmiah.

Studi Kasus: Skor AI Menghentikan Pembayaran Vendor

Catatan: Ilustrasi berikut adalah simulasi fiktif untuk tujuan edukasi ilmiah dan tidak merujuk pada kasus nyata.

Sebuah perusahaan menahan pembayaran vendor karena aplikasi internal memindai surat perintah bayar yang ditandatangani manajer. Aplikasi memberi skor “87% tidak cocok” berdasarkan foto ponsel yang diunggah staf. Vendor menolak, karena manajer mengaku tanda tangan itu asli dan dilakukan di lokasi proyek.

Langkah 1: Evaluasi Bukti dan Data Pembanding

Laboratorium meminta dokumen asli (bukan hanya foto), serta sampel pembanding: beberapa tanda tangan manajer pada periode yang berdekatan, pada media serupa, dan dalam kondisi kerja lapangan bila memungkinkan. Ini untuk memetakan variasi alami yang realistis.

Langkah 2: Audit Kualitas Citra yang Dipakai AI

Foto ponsel ternyata memiliki distorsi perspektif, kompresi tinggi, dan glare dari lampu proyek. Area stroke tertentu “terhapus” dan garis tampak terputus. Ketika dokumen discan dengan parameter terstandar, kontur stroke terlihat lebih utuh.

Langkah 3: Pemeriksaan Mikroskopis dan Indikator Motorik

Di bawah pembesaran, ditemukan ink flow yang stabil dan pola tumpang tindih stroke yang konsisten dengan kebiasaan manajer pada sampel pembanding. Tidak ditemukan ciri umum tracing (misalnya tekanan yang tidak natural pada segmen tertentu atau batas garis yang menunjukkan penelusuran lambat).

Langkah 4: AI Dipakai sebagai Cross-check, Bukan Putusan

AI kemudian dijalankan ulang pada scan berkualitas tinggi dan pada set pembanding yang representatif. Skor berubah signifikan dan selaras dengan temuan manual-instrumental. Kesimpulan akhir menyatakan bahwa indikator forensik lebih mendukung hipotesis tanda tangan berasal dari penanda tangan yang sama, dengan catatan batasan: jumlah pembanding, rentang waktu, dan kondisi penulisan.

Pelajaran dari simulasi ini jelas: skor AI dapat berbalik hanya karena kualitas input dan desain pembanding. Tanpa validasi dan kontrol kualitas, skor “meyakinkan” bisa mengarah pada keputusan bisnis dan hukum yang keliru.

Penutup: Pembuktian Bukan Tentang Keyakinan, Tetapi Tentang Metode

AI akan semakin sering hadir dalam alur verifikasi dokumen, dan itu wajar. Namun masa depan yang sehat adalah masa depan di mana AI tunduk pada prinsip yang sama seperti instrumen lab lain: tervalidasi, terukur, dapat diaudit, serta menyatakan error rate dan batas penggunaan. Jika tidak, kita mengganti subjektivitas manusia dengan subjektivitas model—bedanya hanya lebih sulit dipertanyakan.

Untuk kebutuhan pembuktian, fokus utama bukan “AI yakin berapa persen”, melainkan apakah metode tersebut transparan, dapat diuji ulang, dan falsifiable. Bila Anda membutuhkan penilaian berbasis data, bawa dokumen asli atau scan berkualitas tinggi beserta konteks kasus untuk validasi ahli grafonomi agar kesimpulan yang dihasilkan berdiri di atas fondasi laboratorium, bukan opini aplikasi.