AI Grafonomi Forensik: Menguji Validitas Deteksi Tanda Tangan

AI Grafonomi Forensik di Ruang Sengketa: Sains atau Sekadar Klaim?

Dalam sengketa perdata dan audit internal, keaslian tanda tangan kian sering diperdebatkan dengan membawa “laporan AI” yang menyatakan suatu tanda tangan asli atau palsu. Di sinilah kebutuhan validasi ilmiah AI grafonomi forensik tanda tangan menjadi krusial: hakim, pengacara, dan auditor tidak cukup dengan output persentase tanpa penjelasan metrik, error rate, dan batas berlakunya model.

Subjektivitas pengamatan visual—baik oleh manusia maupun antarmuka AI yang hanya menampilkan skor—membuka celah perdebatan. Sains forensik dokumen menempatkan tanda tangan sebagai objek ukur: bentuk garis, ritme gerak, hingga respons alat tulis terhadap kertas dianalisis secara mikroskopis dan kuantitatif, bukan sekadar “tampak mirip”.

Dari Mata Telanjang ke Analisis Mikroskopis dan AI

Di atas kertas, dua versi tanda tangan bisa tampak sangat mirip. Namun, pengalaman laboratorium menunjukkan bahwa mata manusia mudah keliru menilai kemiripan, sebagaimana diulas dalam artikel Uji Tanda Tangan: Mengapa Mata Manusia Sering Keliru?. Di sinilah laboratorium forensik bekerja dengan tiga lapis analisis:

• Observasi makro: bentuk umum, proporsi, dan susunan huruf.
• Analisis mikroskopis: struktur garis, goresan putus, perubahan tekanan, dan alur tinta pada serat kertas.
• Analisis berbantuan AI: pemodelan kuantitatif pola stroke, ritme, dan karakteristik penulis berdasarkan dataset pembanding.

AI tidak menggantikan laboratorium; ia adalah alat bantu yang harus ditempatkan di dalam kerangka metode uji yang tervalidasi. Tanpa itu, skor kecocokan AI berpotensi menyesatkan, sebagaimana pernah dibahas dalam konteks etika pada artikel Saat AI “Yakin” Itu Menyesatkan: Etika Bukti Tanda Tangan.

Proses Laboratorium Forensik

Untuk menilai keaslian tanda tangan—baik dengan atau tanpa AI—laboratorium grafonomi forensik mengikuti alur kerja sistematis:

1. Penerimaan bukti dan chain of custody
   Dokumen diadministrasikan, diberi kode identifikasi, dan dicatat riwayat perolehannya. Prinsip chain of custody memastikan integritas dokumen sejak diterima hingga dilaporkan.
2. Pemindaian dan akuisisi citra resolusi tinggi
   Tanda tangan dipindai dengan resolusi tinggi (misalnya ≥2400 dpi) untuk menangkap detail stroke, ketebalan garis, dan artefak scanning. Noise dan distorsi optik dicatat sebagai faktor yang harus dikontrol.
3. Segmentasi stroke
   Perangkat lunak segmentasi memisahkan setiap sapuan garis (stroke) dari tanda tangan. Informasi arah gerak, titik awal-akhir, dan tumpang-tindih garis dipecah menjadi unit analisis.
4. Ekstraksi fitur grafonomi
   Beragam fitur diukur, antara lain:
   • Tekanan semu dari variasi ketebalan garis dan intensitas tinta.
   • Kecepatan relatif dari perubahan kurvatur dan kelengkungan garis.
   • Tremor dan mikroguncangan yang mengindikasikan peniruan pelan.
   • Penempatan titik awal–akhir serta kebiasaan lift pena.
   • Konsistensi ritme antar bagian tanda tangan.
5. Penyusunan ground truth
   Laboratorium mengumpulkan sampel pembanding yang memadai dari penulis yang diduga (genuine samples). Tanpa ground truth yang jelas dan representatif, evaluasi model deteksi pemalsuan menjadi lemah dan tidak dapat digeneralisasi.
6. Analisis komparatif manual dan berbantuan AI
   Analis forensik melakukan stroke analysis tanda tangan secara manual, kemudian (bila digunakan) membandingkannya dengan hasil model AI. Inilah yang pernah disorot dalam artikel Tanda Tangan “Mirip”: Uji Stroke & Tekanan Secara Ilmiah.
7. Pendukung analisis tinta dan kertas
   Bila relevan, dilakukan analisis tinta multi-spektrum atau spektroskopi untuk memastikan konsistensi material (misalnya untuk menyingkirkan skenario tempelan tanda tangan).
8. Perumusan kesimpulan berbasis probabilitas
   Hasil pengukuran diinterpretasi dengan bahasa probabilistik (misal: mendukung kuat hipotesis keaslian / pemalsuan), bukan klaim kepastian absolut.

Validasi Ilmiah dan Keterbatasan Metode

Baik metode konvensional maupun AI wajib melalui proses validasi ilmiah. Tanpa itu, hasil uji rentan ditolak, sebagaimana dibahas dalam artikel Mengapa Hasil Uji Lab Ditolak Pengadilan. Validasi bukan hanya menanyakan “apakah metode ini bekerja?”, melainkan:

• Seberapa sering metode ini keliru? (error rate, false positive/false negative).
• Dalam kondisi apa metode mulai runtuh? (robustness terhadap noise, kualitas scan, variasi populasi penulis).
• Apakah hasil bisa direplikasi? (repeatability & reproducibility antar analis dan antar perangkat).

Untuk model AI grafonomi, desain validasi yang lazim antara lain:

• Blind test: Analis dan/atau model menguji sampel tanpa mengetahui status asli (genuine vs palsu). Ini meminimalkan bias konfirmasi.
• Cross validation: Dataset dibagi menjadi data pelatihan dan pengujian berulang-ulang untuk menghindari overfitting.
• Confusion matrix: Menggambarkan berapa banyak tanda tangan asli yang diklasifikasi sebagai palsu, dan sebaliknya.
• ROC curve dan AUC: Mengukur kemampuan model membedakan dua kelas pada berbagai ambang keputusan.
• Uji robustness: Menambahkan noise realistis (blur, kompresi, distorsi scanning) untuk melihat penurunan kinerja.
• Repeatability & reproducibility: Menguji apakah model memberikan hasil konsisten pada pengulangan berbeda, serta konsistensi antar-lab.

Yang sering terlewat dalam praktik adalah batas generalisasi model. Model AI yang dilatih pada populasi penulis tertentu (misalnya gaya alfabet Latin, kebiasaan tanda tangan di negara tertentu) tidak otomatis valid untuk populasi lain. Tanpa dokumentasi ruang lingkup ini, klaim akurasi menjadi menyesatkan.

Artikel Mengapa Uji Tanda Tangan Harus Tervalidasi? Ini Buktinya menegaskan bahwa validasi adalah syarat agar sebuah metode bisa bertahan dari uji silang di persidangan.

Studi Kasus: “Kontrak Pinjaman dengan Dua Tanda Tangan”

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

Sebuah perusahaan pembiayaan menggugat debitur atas dasar wanprestasi. Debitur membantah pernah menandatangani kontrak pinjaman versi terbaru yang memuat nilai pinjaman lebih besar. Di meja sidang, muncul dua dokumen:

• Kontrak versi A: dipegang debitur, nilai pinjaman lebih kecil.
• Kontrak versi B: dipegang perusahaan, nilai pinjaman lebih besar.

Pada halaman tanda tangan, keduanya tampak “mirip”. Vendor teknologi menghadirkan “laporan AI” satu halaman dengan kesimpulan: “Kecocokan tanda tangan 96% (asli)”, tanpa rincian dataset, metrik, atau error rate.

Langkah Laboratorium Grafonomi Berbasis Sains

Tim laboratorium forensik dokumen diminta melakukan pemeriksaan independen terhadap kedua kontrak dan klaim AI tersebut. Alur kerjanya sebagai berikut:

1. Verifikasi chain of custody
   Asal-usul kedua kontrak ditelusuri. Setiap perpindahan dokumen dicatat untuk memastikan tidak ada intervensi di luar kontrol.
2. Pemindaian dan segmentasi
   Halaman tanda tangan dipindai resolusi tinggi. Segmentasi stroke memisahkan bagian inisial, nama, dan coretan dekoratif.
3. Stroke analysis detail
   Untuk setiap stroke, diukur:
   • Perubahan ketebalan garis sebagai proksi tekanan.
   • Pola tremor mikroskopis di lengkung tajam.
   • Urutan coretan dan titik tumpang-tindih (mengacu juga pada prinsip di artikel Urutan Coretan Tanda Tangan: Bisa Dibuktikan Secara Ilmiah?).
4. Ground truth dan sampel pembanding
   Debitur diminta menulis tanda tangan dalam berbagai kondisi (kecepatan, posisi, jenis pena). Dari sini disusun dataset genuine untuk menguji hipotesis: “apakah tanda tangan di kontrak B dapat dijelaskan sebagai variasi alami dari kebiasaan tulis debitur?”
5. Evaluasi model AI vendor
   Jika memungkinkan, laboratorium meminta informasi teknis: jenis model, ukuran dan karakteristik dataset latih, definisi skor 96%, serta apakah model pernah divalidasi melalui blind test dan pelaporan confusion matrix.
6. Pengujian ulang dengan protokol terbuka
   Laboratorium menjalankan analisis sendiri, misalnya:
   • Menyiapkan himpunan tanda tangan genuine dan palsu (peniruan) untuk mengukur baseline performa metode internal.
   • Menghitung error rate dan ROC AUC untuk model internal dan—bila mungkin—model vendor.
   • Menguji robustnes terhadap variasi kualitas scan yang ada pada kontrak A dan B.
7. Interpretasi hasil
   Mungkin saja laboratorium menemukan bahwa:
   • Beberapa fitur kunci (ritme stroke, pola tremor) pada kontrak B menyimpang signifikan dari sampel genuine.
   • Model AI vendor menunjukkan error rate tinggi pada kondisi scan serupa kontrak B, sehingga skor 96% tidak dapat diandalkan untuk kasus ini.

Dari Validasi ke Bobot Pembuktian

Dalam laporan saksi ahli, laboratorium tidak menyatakan “pasti palsu” atau “pasti asli”. Sebaliknya, disampaikan:

• Fitur-fitur stroke yang konsisten dan yang menyimpang, beserta ukuran deviasinya.
• Error rate metode yang digunakan, serta interval kepercayaan bila penilaian melibatkan model statistik atau AI.
• Batas generalisasi: misalnya, bahwa model hanya tervalidasi untuk jenis dokumen dan kualitas citra tertentu.

Berdasarkan hal itu, majelis hakim atau tim audit dapat menilai bobot pembuktian ilmiah dari klaim AI vendor dibandingkan dengan temuan laboratorium yang tervalidasi.

Refleksi Ahli: Sains, Falsifiability, dan Tanggung Jawab di Pengadilan

Dalam ekosistem pembuktian modern, AI grafonomi forensik bukan musuh, tetapi juga bukan orakel yang tak boleh dipertanyakan. Setiap klaim—termasuk klaim AI—harus dapat difalsifikasi: bisa diuji, dilawan dengan data, dan direplikasi oleh pihak independen. Itulah esensi metode ilmiah yang juga menjadi dasar Mengapa Hasil Uji Forensik Harus Bisa Direplikasi di Lab?.

Bagi hakim, jaksa, pengacara, maupun auditor, pertanyaan kuncinya bukan hanya “berapa persen skor AI?”, tetapi:

• Bagaimana model divalidasi?
• Berapa error rate-nya pada kondisi yang sebanding?
• Sejauh mana kesimpulan dapat digeneralisasi pada penulis dan dokumen dalam perkara ini?

Di sisi lain, laboratorium forensik memikul tanggung jawab untuk menerjemahkan hasil teknis menjadi bahasa hukum yang bisa dipertanggungjawabkan, lengkap dengan tingkat kesalahan dan interval kepercayaan. Bukti ilmiah yang jujur selalu menyisakan ruang ketidakpastian yang terukur, bukan keyakinan mutlak.

Bila Anda menghadapi sengketa tanda tangan yang disertai klaim AI—baik dalam konteks litigasi maupun audit internal—pendekatan yang aman adalah meminta uji laboratorium independen yang mengevaluasi bukan hanya dokumen, tetapi juga klaim dan performa model AI yang digunakan. Dengan demikian, keputusan hukum dan bisnis berdiri di atas fondasi data yang dapat diuji ulang, bukan sekadar keyakinan algoritma.

Di balik setiap garis tanda tangan yang diperdebatkan, ada serangkaian pengukuran, pengujian, dan validasi yang menentukan apakah garis itu layak dianggap sebagai bukti—bukan sekadar gambar di atas kertas.