Tanda tangan dengan sifat uniknya merupakan salah satu dari sekian banyak atribut personal yang diterima secara luas untuk verifikasi indentitas seseorang, alat pembuktian kepemilikan berbagai transaksi atau dokumen di dalam masyarakat. Sampai saat ini, untuk keperluan legalitas, hampir semua dokumen seperti cek bank, paspor perjalanan dan sertifikat akademik perlu diotorisasi dengan menggunakan tanda tangan. Sampai hari ini berbagai kegiatan verifikasi atau pencocokan tanda tangan masih sering dilakukan secara manual. Oleh karena kondisi yang demikian berbagai penelitian telah dilakukan dan dikembangkan untuk menciptakan sistem verifikasi otomatis. Begitupula dengan apa yang menjadi tujuan penelitian ini. Keberhasilan penggunaan ciri gradien dan curvature dalam bidang-bidang penelitian pengenalan pola merupakan alasan bahwa kedua ciri tersebut digunakan sebagai metoda verifikasi tanda tangan offline di penelitian ini. Sebagai tambahan bahwa tanda tangan dapat dikatakan merupakan hasil tulisan tangan yang tersusun atas beragam garis dan lengkungan (curve) yang memiliki arah atau orientasi juga memperkuat alasan tersebut. SVM sebagai teknik pembelajaran yang berhasil dalam beberapa penelitian bidang pengklasifikasi juga digunakan sebagai penunjang penelitian ini. Berbagai implementasi dari pre-processing, ekstraksi dan representasi ciri, dan pembelajaran SVM yang telah dilakukan dalam penelitian ini menunjukkan hasil bahwa ciri HOG dan HoC mampu dimanfaatkan dalam proses verifikasi tanda tangan secara offline. Dari 500 kelas penandatangan pertama dalam basis data GPDS960GRAYSignature CORPUS didapatkan nilai %FRR terbaik sebesar 26,90% dan %FAR sebesar 37,56% dicapai saat ukuran sel pembagi citra adalah 30 x 30 piksel dan jumlah citra pembelajaran per orang adalah 14. Sedangkan pada sumber data FUM-PHSD didapatkan nilai %FRR terbaik sebesar 4% dan %FAR sebesar 57 yang dicapai saat ukuran sel pembagi citra adalah 60 x 60 piksel dan jumlah citra pembelajaran per orang adalah 10. Usaha perbaikan telah dilakukan dan menunjukkan hasil yang diharapkan, meskipun bernilai kecil. HOG dan HoC dihitung pada kombinasi 2 ukuran sel berbeda dalam sekali waktu. Perbaikan terjadi pada parameter kinerja FRR tetapi tidak pada FAR. Pada basis data GPDS960Signature, kombinasi ukuran sel terbaik ada pada 24/30 dengan nilai %FRR 25,60 dan %FAR 39,60. Sedangkan pada basis data FUM-PHSDB, kombinasi ukuran sel terbaik adalah 30-60 dengan nilai %FRR 3,5 dan %FAR 57.

Kata Kunci : verifikasi tanda tangan, ekstraksi ciri, curvature, orientation, gradient, support vector machine (SVM), histogram of curvature (HoC), histogram of oriented gradient (HOG)