Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTanda tangan (signature) merupakan sistem biometricyang masuk ke dalam kategori behaviometrickarena dalam pembuatannya sangat berpengaruh dengan kebiasaan seseorang dalam menggoreskan pena. Selain itu untuk pengaplikasian yang lebih luas, tanda tangan tersebut juga dapat digunakan sebagai tanda kehadiran, pelimpahan wewenang, pengajuan anggaran, perizinan dan hampir seluruh kegiatan kesekretariatan lainnya. Untuk membedakan tanda tangan yang asli dengan yang palsu secara komputerisasi dibutuhkan penggunaan metode yang tepat. Convolutional Siamese Networkmampu dan cocok untuk mendeteksi tanda tangan yang bersifat inkonsisten dengan cepat dan memiliki ketahanan (invarian) terhadap penskalaan, transisi, dan rotasi.Pada penelitian ini menggunakan dua macam dataset sebagai bahan uji yaitu dataset CEDAR dan datasetpartisipan yang penulis buat sendiri berdasarkan tanda tangan dari para partisipan yang penulis kenal, kemudian dilakukan beberapa skenario uji coba terhadap kedua jenis dataset citra tersebut. Skenario uji coba pertama dilakukan dengan mencari nilai False Acceptance Rate (FAR)dan False Rejection Rate (FRR)yang bertujuan untuk mengetahui tingkat akurasi program. Skenario uji coba kedua dilakukan dengan mencari nilai Standar deviasi dari kedua datasetyang digunakan yang dimaksudkan untuk mengetahui tingkat konsistensi kerja dari program ini. Skenario uji coba ketiga dilakukan dengan menggunakan Uji Pearson Product Moment (r)yang bertujuan mencari nilai runtuk mengetahui korelasi dua variabel.Dari beberapa skenario uji coba yang dilakukan didapatkan hasil False Acceptance Rate (FAR)sebesar 42% untuk dataset CEDAR dan 15% untuk dataset yang berasal dari partisipan, sementara False Rejection Rate (FRR)sebesarsebesar 38% untuk dataset CEDAR dan 77% untuk dataset yang berasal dari partisipan. Kemudian didapatkan nilai standar deviasi terbesar dengan nilai 1,28 pada penutur G. Terakhir untuk uji Pearson Product Momentdidapatkan nilai rsebesar 0,131466492

---

ABSTRACT

Signature is a biometric system that falls into the category of behavior because it is very influential in the making of a person's habit of writing a pen. Besides that for wider application, the signature can also be used as a sign of attendance, delegation of authority, budget submission, licensing and almost all other secretarial activities. To distinguish the original signature with a computerized fake one requires the use of appropriate methods. ConvolutionalSiamese Network is able and suitable to detect inconsistent signatures quickly and has resistance (invariant) to scaling, transitioning, and rotating.In this study, using two types of datasets as test material, namely the CEDAR dataset and the participant dataset that the authors made themselves based on the signatures of the participants who the authors were familiar with, then conducted several test scenarios on the two types of image datasets. The first trial scenario is done by finding the False Acceptance Rate (FAR) and False Rejection Rate (FRR) which aims to determine the level of accuracy of the program. The second trial scenario is done by finding the standard deviation values of the two datasets used which are intended to determine the level ofwork consistency of this program. The third trial scenario is done using the Pearson Product Moment Test (r) which aims to find the value of r to determine the correlation of two variables.From a number of trial scenarios, the False Acceptance Rate (FAR)was 42% for the CEDAR dataset and 15% for the dataset from participants, while the False Rejection Rate (FRR) was 38% for the CEDAR dataset and 77% for the

dataset. from participants. Then the largest standard deviation is obtained with a value of 1.28 inspeakers G. Finally for the Pearson Product Moment test obtained r value of 0.131466492."

"

Tanda tangan elektronik diharapkan dapat mempercepat transaksi elektronik di lembaga pemerintah dan organisasi non-pemerintah, tetapi penerapannya lambat. Sejak tanda tangan elektronik yang disetujui pemerintah pada 2008 hingga sekarang, jumlah organisasi yang memanfaatkan tanda tangan elektronik masih sangat kecil dibandingkan dengan jumlah organisasi yang memiliki layanan online. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang menentukan pegawai di organisasi untuk tetap melanjutkan atau tertarik untuk memanfatkan tanda tangan elektronik. Tanda tangan elektronik yang dimaksud dalam penelitian ini adalah tanda tangan elektronik bersertifikasi atau tanda tangan digital. Survei dilakukan kepada pengguna dan calon pengguna di lembaga pemerintah dan organisasi non-pemerintah. Penelitian ini menggunakan kerangka kerja yang terintegrasi Technology Acceptance Model (TAM) dan Technology-Organization-Environment (TOE) dalam disiplin ilmu sistem informasi. Berdasarkan 192 tanggapan, kerangka penelitian divalidasi. Ada tujuh faktor pendorong yang berhasil diidentifikasi. Tujuh faktor pendorong tersebut adalah perlindungan keamanan, kebutuhan internal, pelatihan dan edukasi, kebijakan pemerintah, penyedia layanan/vendor, kemudahan penggunaan yang dirasakan, dan manfaat yang dirasakan. Hasil penelitian ini memperluas penelitian tentang model penerimaan teknologi, khususnya model integrasi TAM-TOE, dan memperluas penelitian tentang adopsi tanda tangan elektronik. Temuan penelitian ini dapat menjadi masukan bagi pemerintah, vendor tanda tangan elektronik, dan organisasi untuk meningkatkan pemanfaatan tanda tangan elektronik.

---

Electronic signatures are expected to speed up the electronic transactions in government agencies and non-governmental organizations, but its adoption is slow. Since the government-approved electronic signature in 2008 until now, the number of organizations that utilize electronic signatures is still very small compared to the number of organizations that have online services. The purpose of this study is to identify the factors that determine employees in the organization to continue or are interested in utilizing electronic signatures. The electronic signature referred to in this study is certified electronic signature or digital signature. The survey was conducted on users and prospective users in government agencies and non-government organizations. The research uses an integrated framework  Technology Acceptance Model (TAM) and Technology-Organization-Environment (TOE) in information systems discipline. Based on 192 responses, the research framework is validated. There are seven driving factors that successfully identified. The seven driving factors are security protection, internal need, training and education, government policy, vendor support, perceived ease of use, and perceived usefulness. The results of this study broaden research on technology acceptance models, specifically the TAM-TOE integration model, and expand research on the adoption of electronic signatures. The findings of this study can be input for the government, electronic signature vendors, and organizations to increase the utilization of electronic signatures.

"

"Meningkatnya pengguna internet dan juga penetrasi telepon seluler mengakibatkan masyarakat telah melakukan transaksi elektronik. Walau elektronik menghemat banyak waktu dan biaya ketimbang transaksi konvensional, namun transaksi via sistem telekomunikasi konvensional (circuit switching) ini relatif lebih aman ketimbang transaksi melalui internet (packet switching). Mengingat begitu pentingnya nilai dari sebuah transaksi, maka dalam menjamin keamanan bertransaksi yang dilakukan secara elektronik dapat sama seperti transaksi secara konvensional mengakibatkan munculnya tanda tangan elektronik. Dengan adanya ketentuan hukum yang mengatur mengenai Tanda Tangan Elektronik (TTE) membawa perubahan besar dalam menjamin autentikasi dan verifikasi serta dengan menghadirkan alat bukti baru pada hukum pembuktian. Nilai kekuatan pembuktian TTE semakin kuat dengan adanya penyelenggara sertifikasi elektronik (Certificate Authority/CA) sehingga CA memiliki peran penting dalam menjaga keamanan dari data dan informasi para pihak terkait. Baru-baru ini penyelenggara tanda tangan digital di Belanda, yaitu DigiNotar, mengalami masalah dan menuai tanggung jawabnya sebagai CA. Disisi lain, Indonesia yang telah menggunakan CA asing pada bank-bank Indonesia dan telah tumbuhnya CA asing hendaknya dapat belajar dari kasus DigiNotar tersebut. Tujuan penelitian ini adalah untuk mengetahui ketentuan hukum TTE dan transaksi elektronik dalam konteks ilmu hukum serta mengkaji dan menganalisis tanggung jawab penyelenggara tanda tangan elektronik di Belanda dan Indonesia dengan menerapkan beberapa faktor dalam ketentuan hukumnya. Penelitian ini menggunakan pendekatan yuridis-empiris, yaitu dengan melakukan inventarisasi hukum positif yang mengatur dan berkaitan dengan TTE dan tanggung jawab CA sedangkan data dalam penelitian ini dianalisis secara kualitatif, yaitu data sekunder yang berupa teori, definisi dan substansinya dari berbagai literatur, dan peraturan perundang-undangan, kemudian dianalisis dengan undang-undang, teori dan pendapat pakar yang relevan, sehingga didapat kesimpulan tentang tanggung jawab hukum penyelenggara tanda tangan elektronik.

---

The increase of Internet users and mobile phone penetration has resulted in the electronic transactions. Although electronic saves a lot of time and cost than conventional transactions, but transactions via conventional telecommunications systems (circuit switching) is relatively more secure than transactions over the Internet (packet switching). To realize the importance of the value of a transaction, Thus to ensuring security of transactions conducted electronically can be the same as in the conventional transaction resulted in the emergence of Digital signatures.

With the legal provisions governing of the Electronic Signatures (e-sign) brought major changes to ensure the authentication and verification as well as by presenting new evidence on the law of evidence. The power value of the e-sign more strength by the organizers of the electronic certification (Certificate Authority / CA) so that CA has an important role in maintaining the security of data and information related parties. Recently, new digital signature providers in the Netherlands, ie: DigiNotar, having problems and reap the responsibility as a CA. On the other hand, Indonesia has used foreign CA on banks in Indonesia and has been the growth of private CA must be able to learn from the case DigiNotar.

The purpose of this study was to determine the legal provisions of e-sign and electronic transactions in the context of legal science as well as review and analyze the responsibility of the electronic signature in the Netherlands and Indonesia by implementing some of the factors in the law. This study uses an empirical approach, juridical, to conduct an inventory of the positive law governing and relating to the e-sign and responsibilities CA while the data in this study were analyzed by qualitatively ie: the secondary data such as theory, the definition and substance of the literature, and legislation and regulations, and then analyzed with the laws, theories and opinions of relevant experts, in order to get conclusions about the legal responsibilities of providers of electronic signatures."

"Digital Signature merupakan suatu sistem pengamanan yang menggunakan kriptografi kunci public. Kriptografi sebagai landasan untuk keamanan dalam transaksi dengan menggunakan digital signature merupakan teknik pengamanan yang mempelajari bagaimana suatu pesan yang dikirim pengirim dapat disampaikan kepada penerima dengan aman.6 Isu-isu dalam kriptografi meliputi: kerahasiaan (confidential) dari pesan yang telah disandikan itu terjamin dan tidak dapat dibaca oleh pihak-pihak yang tidak berhak, keutuhan (integrity) Ban pesan sehingga saat pesan dikirim tidak ada yang mengutak-atik di tengah jalan, jaminan atas identitas dan keabsahan (authenticity) jati diri dari pihak yang melakukan transaksi, dan transaksi dapat dijadikan barang bukti yang tidak dapat disangkal (non repudiation) jika terjadi sengketa atau perselisihan pada transaksi elektronik yang telah terjadi.Digital signature sebagai suatu teknik pengamanan dengan system kriptografi diantaranya digunakan pada pengiriman electronic mail (email), penandatanganan kontrak, pengiriman file, dan pembayaran kartu kredit.Sehubungan dengan penggunaan digital signature, terdapat manfaat sekaligus masalah yang perlu diselesaikan. Manfaatnya secara teknis diantaranya transaksi berlangsung secara efisien, praktis dan cepat. Manfaat Iainnya yaitu adanya jaminan terhadap keabsahan, kerahasiaan, keutuhan data selama dalam proses pengiriman, dan tidak dapat disangkalnya telah terjadi pengiriman pesan oleh pengirim.Selanjutnya adalah masalah mengenai perlindungan terhadap konsumen pengguna digital signature. Dengan mengetahui hal-hal yang menjadi hak dan kewajiban konsumen serta hak dan kewajiban penyelenggara jasa diharapkan akan terlindunginya hak atas konsumen pengguna digital signature. Pada akhirnya sebagai permasalahan berikutnya adalah masalah urgensi pengaturan digital signature di Indonesia yang terutama dapat memberikan perlindungan bagi pars konsumennya. Saat ini di Indonesia belum ada peraturan khusus yang mengatur penggunaan digital signature tersebut. Peraturan yang ada yang dikondisikan dapat memberikan perlindungan terhadap konsumen adalah Undang-Undang No. 8 Tahun 1999 tentang Perlindungan Konsumen.Undang-Undang No. 8 Tahun 1999 tentang Perlindungan Konsumen lahir dengan salah satu dasar pertimbangan bahwa pembangunan perekonomian nasional pada era giobalisasi harus dapat mendukung tumbuhnya dunia usaha sehingga mampu menghasilkan beraneka barang danlatau jasa yang memiliki kandungan teknologi yang dapat meningkatkan kesejahteraan masyarakat banyak dan sekaligus mendapatkan kepastian atas barang danljasa yang diperoleh perdagangan tanpa mengakibatkan kerugian konsumen. Sedangkan perlindungan konsumen yang dimaksud dalam Pasal 1 Undang-Undang No. 8 Tahun 1999 tentang Perlindungan Konsumen ini adalah segala upaya yang menjamin adanya kepastian hukum untuk memberi perlindungan kepada konsumen. Pengguna digital signature sebagai konsumen pengguna jasa berhak mendapat perlindungan konsumen dalam menggunakan digital signature.Perlindungan konsumen yang dijamin dalam Undang-Undang No. 8 Tabun 1999 tentang Perlindungan Konsumen adalah adanya kepastian hukum terhadap segala perolehan kebutuhan konsumen. Kepastian itu meliputi segala hal berdasarkan hukum untuk memberdayakan konsumen memperoleh atau menentukan pilihannya atas barang dan jasa kebutuhannya serta mempertahankan atau membela haknya bila dirugikan oleh pelaku usaha penyedia kebutuhan konsumen tersebut.9 Kemudian dengan melihat praktek penggunaan digital signature di beberapa negara, diharapkan kita dapat mengetahui sejauh mana urgensi pengaturan perlindungan konsumen terhadap penggunaan digital signature di Indonesia."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Jenis pisang di Indonesia sangat beragam dan tingkat konsumsi buah ini sangat tinggi untuk konsumsi mingguan menningkat 198,44%, untuk konsumsi tahunan meningkat 18,30%, dan dari segi produksi daya ekspornya meningkat 26,65% selama 5 tahun terakhir dari 2014-2018. Pisang banyak manfaatnya terutama saat mulai terdapat bintik hitam karena bintik ini memiliki manfaat mencegah tumbuhnya sel-sel kanker dan meningkatkan sistem kekebalan tubuh. Pisang dengan bintik hitam maupun pisang yang tidak layak konsumsi ini dapat diprediksi dengan model machine learning, seperti CNN, DenseNet, dan GoogleNet. Convolutional Neural Network (CNN) adalah pendekatan deep learning yang banyak digunakan untuk memecahkan masalah yang kompleks. Sedangkan, DenseNet adalah algoritma yang mempertimbangkan satu gambar yang dilewatkan melalui jaringan konvolusi dimana arsitekturnya memiliki konektivitas yang padat/dense connectivity. Terakhir GoogleNet adalah algoritma ini dirancang untuk bekerja dengan baik bahkan di bawah batasan yang memori yang ketat dan biaya komputasi yang terbatas. Tulisan ini menggunakan tiga pendekatan dalam percobaan perbandingan. Pendekatan pertama menjalankan model yang dibangun dengan algoritma CNN. Kedua dengan model yang dibangun dengan algoritma DenseNet. Ketiga dengan model yang dibangun dengan algoritma GoogleNet. Model terbaik digunakan untuk memprediksi dataset Kaggle dan baru, tetapi pada dataset baru terdapat noise pada data training yang berdampak negatif pada kinerja model ini sehingga hasilnya terjadi overfitting. Hasil dari model terbaik yang memuaskan diperoleh dari semua pengujian adalah model GoogleNet pada batch size 32 dan optimizer Adam dengan hasil rata-rata pada training loss di 0,0264 dan training accuracy di 99,19%, validation loss di 0,03876, validation accuracy di 99,59%, testing loss di 0,01316, dan testing accuracy di 99,66% terhadap dataset kaggle yang digunakan.

---

Type of bananas in Indonesia are very diverse and consumption level of this fruit is very high, for weekly consumption it increased by 198,44%, for annual consumption it increased by 18,30%, and for export production it increased 26,65% over the last 5 years from 2014-2018. Banana have many benefits, especially when dark spots begin to appear because these spots have benefit to preventing the growth of cancer cells and increasing immune system. Bananas with black spots and bananas that are not fit for consumption can be predicted by machine learning models, such as CNN, DenseNet, dan GoogleNet. Convolutional Neural Network (CNN) is a deep learning approach that is widely used to solve complex problems. Meanwhile, DenseNet is an algorithm that considers a single image that is passed through a convolution network where the architecture has dense connectivity. And GoogleNet's algorithm is designed to work well even under strict memory constraints and limited computational costs. This paper uses three approaches in a comparative experiment. The first approach is to run the model built with the CNN algorithm. The second is a model built with the DenseNet algorithm. Third with a model built with the GoogleNet algorithm. The best model is used to predict Kaggle and new datasets, but in the new dataset there is noise in the training data which has a negative impact on this model performance so that results are overfitting. The best model obtained from all tests is GoogleNet model on batch size 32 and Adam optimizer with average results on training loss at 0,0264 and training accuracy at 99,19%, validation loss at 0,03876, validation accuracy at 99, 59%, testing loss at 0,01316, and testing accuracy at 99,66% for kaggle dataset used."

"ABSTRAKDaerah perbatasan perairan Indonesia merupakan salah satu wilayah yang rentan akan kegiatan ilegal yang dapat merugikan negara. Oleh karena itu, perlu adanya pengawasan untuk setiap objek yang melewati perbatasan perairan tersebut. Pengawasan dapat dilakukan dengan pendeteksian jenis kapal yang melewati area perbatasan antar negara. Saat ini di Indonesia sudah terdapat pendeteksian khusus untuk mendeteksi adanya kapal perang asing. Selain kapal perang, kapal nelayan juga perlu dilakukan pengawasan untuk mencegah adanya illegal fishing. Pendeteksian kapal perang dan kapal nelayan dapat dilakukan dengan menggunakan mesin. Mesin dapat diprogram untuk menjalani perintah secara berulang kali, hal tersebut disebut sebagai Machine Learning, yang merupakan salah satu bidang dari Artificial Intelligence. Metode untuk memprogram pembelajaran mesin tersebut disebut dengan Deep Learning. Deep learning bekerja dengan membentuk hubungan antara neuron seperti layaknya cara kerja otak manusia atau biasa disebut dengan neural network.Salah satu jenis dari neural network yang terkenal adalah Convolutional Neural Network(CNN). CNN digunakan untuk simulasi pendeteksian kapal nelayan dan kapal militer dengan hasil keluaran berupa nilai akurasi training, akurasi validasi, dan juga prediksi. CNN juga ditambahkan additional layer, yaitu dropout dan batch normalization untuk meningkatkan ketepatan prediksi. Hasil yang didapatkan adalah pengaruh dari parameter layer dan dataset yang digunakan terhadap nilai akurasi pada pelatihan program. Dari simulasi didapatkan nilai akurasi yang paling baik dengan penggunaan pooling layer jenis max pooling dengan penggunaan layer tambahan berupa batch normalization dan dropout.

---

ABSTRACT

Indonesia's waters border is one of the areas that are vulnerable to illegal activities that can disserve the country. Detecting types of ships that cross border areas between countries is needed. Controlling can use machine thats automatically detect the object can do detection of warships and fishing boats. The concept is called machine learning. Machine learning is one of the types of Artificial Intelligence. The method for programming the machine learning is called Deep Learning. Deep learning works by forming relationships between neurons like the way the human brain works or commonly called a neural network. Convolutional Neural Network (CNN) is the famous method for deep learning. CNN is used to simulate the detection of fishing vessels and military vessels with the output in the form of training accuracy, validation accuracy, and the final prediction. CNN can also added an additional layer, namely dropout and batch normalization to improve the accuracy of predictions. The results obtained are the effect of the layer and dataset parameters used on the accuracy value in the training program. The best accuracy is obtained by using max pooling for pooling layer with additional layers of batch normalization and dropout."

"Berkembangnya teknologi informasi dan telekomunikasi melalui internet dewasa ini, menyebabkan banyak transaksi yang dilakukan secara elektronik (electronic transaction), dengan menggunakan data digital sebagai pengganti kertas (paperless transaction).

Sama halnya dengan transaksi yang menggunakan kertas (paper based transaction), dokumen yang digunakan untuk transaksi ditandatangani oleh atau untuk dan atas nama pihak yang melakukan transaksi, dengan tujuan bahwa dokumen tersebut benar-benar berasal dari dan telah disetujui oleh orang yang membubuhkan tanda tangan tersebut, sehingga nantinya dapat dianggap sah dan dapat dijadikan alat bukti menurut KUH Perdata.

Dokumen elektronik pun nantinya akan ditandatangani secara elektronik (Digital Signature). Digital Signature merupakan alat untuk mengidentifikasi suatu pesan yang dikirimkan. Dengan kata lain pembubuhan digital signature di samping bertujuan untuk memastikan pesan bahwa pesan tersebut bukan dikirimkan oleh orang lain, tetapi memang dikirimkan oleh pengirim yang dimaksud, juga untuk memastikan keutuhan dari dokumen selama proses transmisi tidak berubah.

Jadi digital signature ini dibutuhkan untuk:

1. mengidentifikasi si pengirim ;

2. memastikan bahwa isi dari pesan tersebut tidak berubah selama dalam proses transmisi ;

3. menyakinkan bahwa si pengirim untuk kemudian tidak dapat menyangkal pesan yang dikirimkan.

Dengan demikian dokumen elektronik yang telah dibubuhi digital signature juga dapat dijadikan sebagai alat bukti yang kuat secara hukum."