VERIFIKASI OTOMATIS SERTIFIKAT MENGGUNAKAN IMPROVED SIFT DAN RANSAC BERBASIS ANALISIS VISUAL LOGO DAN STEMPEL

Maulidya Prastita Syah; Wahyu Syaifullah Jauharis Saputra; Alfan Rizaldy Pratama

doi:10.24252/instek.v11i1.66776

Authors

Maulidya Prastita Syah Universitas Pembangunan Nasional "Veteran" Jawa Timur
Wahyu Syaifullah Jauharis Saputra Universitas Pembangunan Nasional “Veteran” Jawa Timur
Alfan Rizaldy Pratama Universitas Pembangunan Nasional “Veteran” Jawa Timur

DOI:

https://doi.org/10.24252/instek.v11i1.66776

Keywords:

Improved SIFT, kredibilitas sertifikat, pencocokan fitur, RANSAC, sertifikat prestasi

Abstract

Proses verifikasi sertifikat prestasi pada jalur Seleksi Nasional Berdasarkan Prestasi (SNBP) masih dilakukan secara manual dan menghadapi tantangan akibat tingginya jumlah dokumen serta variasi kualitas citra. Kondisi ini meningkatkan risiko kesalahan dalam menilai kredibilitas sertifikat, khususnya pada elemen visual seperti logo dan stempel yang tidak valid. Penelitian ini bertujuan mengembangkan metode otomatis dalam mengidentifikasi kredibilitas sertifikat berbasis analisis fitur visual. Metode yang digunakan adalah Improved Scale Invariant Feature Transform (Improved SIFT) untuk mengekstraksi fitur lokal yang stabil, serta Random Sample Consensus (RANSAC) untuk menyaring kecocokan fitur berdasarkan konsistensi geometris. Pencocokan dilakukan antara citra sertifikat dan citra parameter berupa logo dan stempel yang telah diidentifikasi sebagai tidak valid. Pengujian dilakukan pada 200 citra sertifikat yang terdiri dari dua kelas, yaitu kredibel dan tidak kredibel yang menunjukkan Improved SIFT mampu meningkatkan kualitas representasi fitur dengan akurasi sebesar 0.47 dibandingkan SIFT standar sebesar 0.16. Selanjutnya, RANSAC mampu menyaring false match dengan peningkatan akurasi dari 0.47 menjadi 0.91 setelah RANSAC. Kontribusi penelitian ini adalah mengintegrasikan Improved SIFT dan RANSAC untuk meningkatkan validitas pencocokan fitur visual dalam mendeteksi indikasi ketidak-kredibelan sertifikat pada citra dengan variasi kualitas tinggi. Dengan demikian, metode yang diusulkan mampu meningkatkan keandalan sistem dalam proses verifikasi otomatis berbasis analisis visual.

Downloads

Download data is not yet available.

References

[1] A. Syukur and S. Asdiqoh, “Kepuasan Sekolah/Madrasah Terhadap Pelayanan Penerimaan Mahasiswa Baru Tingkat Nasional Pada Perguruan Tinggi Keagamaan,” vol. 8, no. 2, 2025, [Online]. Available: https://ejournal.iaifa.ac.id/index.php/dirasah

[2] Nur Lathifatus Sholihah, “Implementasi Aneka Jalur Seleksi Penerimaan Mahasiswa Baru Di Uin Sunan Ampel Surabaya,” Universitas Islam Negeri Sunan Ampel Surabaya, Surabaya, 2018.

[3] M. Rafi and A. Rizqi, “Analisis Dampak Sistem Seleksi Penerimaan Nasional Mahasiswa Baru Berdasarkan Prestasi Tahun 2023 dengan Kualifikasi Penjurusan Pendidikan Tinggi.” [Online]. Available: https://www.researchgate.net/publication/389694046

[4] N. Challa, A. Shende, and M. Mullapudi, “Enhancing Document Verification Systems: A Review of Techniques, Challenges, and Practical Implementations,” International Journal of Computer Engineering and Technology (IJCET), vol. 15, no. 1, pp. 16–25, 2024, doi: 10.17605/OSF.IO/HVQ8E.

[5] C. Samuel, A. Simanjorang, and N. Erzed, “Implementasi Teknologi OCR dan Model LLM untuk Otomatisasi Pengisian Formulir Berdasarkan Dokumen Sertifikat untuk Universitas Esa Unggul Bekasi,” 2025.

[6] “Siaran Pers Nomor: 03/sipers/snpmb/II/2025 Penutupan Pendaftaran SNBP 2025 | Seleksi Nasional Penerimaan Mahasiswa Baru.” Accessed: Oct. 16, 2025. [Online]. Available: https://www.snpmb.id/blog/siaran-pers-penutupan-pendaftaran-snbp-2025

[7] “UNY Terima 1.450 Mahasiswa Baru Jalur SNBP | Universitas Negeri Yogyakarta.” Accessed: Apr. 30, 2026. [Online]. Available: https://uny.ac.id/id/berita/uny-terima-1450-mahasiswa-baru-jalur-snbp

[8] D. G. Lowe, “Distinctive image features from scale-invariant keypoints,” Int. J. Comput. Vis., vol. 60, no. 2, pp. 91–110, Nov. 2004, doi: 10.1023/B:VISI.0000029664.99615.94/METRICS.

[9] V. V Bhosle and V. P. Pawar, “Automatic Logo Extraction and Detection for Document Verification using SIFT and SURF,” International Journal of Engineering Research & Technology, vol. 6, no. 5, May 2017, doi: 10.17577/IJERTV6IS050333.

[10] E. Karami, M. Shehata, and A. Smith, “Image Identification Using SIFT Algorithm: Performance Analysis against Different Image Deformations,” Oct. 2017, Accessed: Sep. 03, 2025. [Online]. Available: https://arxiv.org/pdf/1710.02728

[11] L. Tang, S. Ma, X. Ma, and H. You, “Research on Image Matching of Improved SIFT Algorithm Based on Stability Factor and Feature Descriptor Simplification,” Applied Sciences 2022, Vol. 12, Page 8448, vol. 12, no. 17, p. 8448, Aug. 2022, doi: 10.3390/APP12178448.

[12] S. Bakheet, S. Alsubai, A. Alqahtani, and A. Binbusayyis, “Robust Fingerprint Minutiae Extraction and Matching Based on Improved SIFT Features,” Applied Sciences 2022, Vol. 12, Page 6122, vol. 12, no. 12, p. 6122, Jun. 2022, doi: 10.3390/APP12126122.

[13] J. Shen, “Image Stitching Quality Evaluation and Improvement Based on SIFT Features and RANSAC Algorithm,” pp. 755–766, Oct. 2024, doi: 10.2991/978-94-6463-540-9_77.

[14] M. Isik, “Comprehensive empirical evaluation of feature extractors in computer vision,” PeerJ Comput. Sci., vol. 10, p. e2415, Nov. 2024, doi: 10.7717/PEERJ-CS.2415/TABLE-6.

[15] Y. Seop Yu et al., “Contrast Enhancement-Based Preprocessing Process to Improve Deep Learning Object Task Performance and Results,” Applied Sciences 2023, Vol. 13, Page 10760, vol. 13, no. 19, p. 10760, Sep. 2023, doi: 10.3390/APP131910760.

[16] Ernawati, D. andreswari, A. Erlansari, and F. F. Coastera, “Ekstraksi Fitur Menggunakan Scale Invariant Feature Transform untuk Klasifikasi Jenis Sampah,” Indonesian Journal of Computer Science and Engineering, vol. 1, no. 02, pp. 37–40, Nov. 2024, doi: 10.70656/IJCSE.V1I02.119.

[17] Y. Liu et al., “Improved Feature Point Pair Purification Algorithm Based on SIFT During Endoscope Image Stitching,” Front. Neurorobot., vol. 16, p. 840594, Feb. 2022, doi: 10.3389/FNBOT.2022.840594/BIBTEX.

[18] Z. Zhang, “A flexible new technique for camera calibration,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 22, no. 11, pp. 1330–1334, Nov. 2000, doi: 10.1109/34.888718.

[19] T. Wei, Y. Patel, A. Shekhovtsov, J. Matas, and D. Barath, “Generalized Differentiable RANSAC,” Proceedings of the IEEE International Conference on Computer Vision, pp. 17603–17614, Dec. 2022, doi: 10.1109/ICCV51070.2023.01618.

[20] Y. Jin et al., “Image Matching across Wide Baselines: From Paper to Practice,” Int. J. Comput. Vis., vol. 129, no. 2, pp. 517–547, Feb. 2021, doi: 10.1007/s11263-020-01385-0.

[21] M. A. Saputra and I. Nurhaida, “Signature Originality Verification Using A Deep Learning Approach,” Electronic Journal of Education, Social Economics and Technology, vol. 5, no. 1, pp. 19–29, Apr. 2024, doi: 10.33122/EJESET.V5I1.310.