PENGEMBANGAN SISTEM INFORMASI PENDAFTARAN DAN PEMUTAKHIRAN PEMILIH DENGAN OTENTIKASI IDENTITAS BERBASIS BIOMETRIKA WAJAH DAN SIDIK JARI DI KPUD KABUPATEN GRESIK Hamzah Rizaldy, S.Kom., Rully Soelaiman, S.Kom., M.Kom.
[email protected],
[email protected] Magister Manajemen Teknologi - Manajemen Teknologi Informasi Pascasarjana Institut Teknologi Sepuluh Nopember Surabaya
ABSTRAKSI Pelaksanaan Pemilukada menyisakan isu-isu yang terkait proses pendaftaran dan pemutakhiran data pemilih, seperti: keberadaan pemilih ganda, pemilih yang tidak memenuhi syarat dan ketentuan, serta pemilih yang kehilangan hak suara karena tidak terdaftar di dalam Daftar Pemilih Tetap (DPT). Penelitian ini mengusulkan dua gagasan perbaikan proses penyusunan DPT. Pertama, efisiensi dan efektifitas proses penyusunan DPT dapat diusahakan dengan mewujudkan sebuah sistem informasi yang menunjang kegiatan tersebut. Kedua, duplikasi dan penyalahgunaan identitas pemilih dapat dieliminir dengan mengharuskan orang yang bersangkutan hadir pada proses pemeriksaan identitas melalui sistem biometrika. Penelitian ini akan mengembangkan sebuah software Sistem Informasi Pendaftaran dan Pemutakhiran Pemilih (SITARLIH) yang mampu mengotomasi, menyederhanakan, dan mempercepat keseluruhan proses penyusunan DPT serta menekan duplikasi dan penyalahgunaan identitas dengan mekanisme otentikasi identitas pemilih berbasis biometrika wajah dan sidik jari. Dengan biometrika multimodal diharapkan akan didapatkan tingkat pengenalan yang lebih baik dibanding unimodal. Pengembangan software tersebut menggunakan siklus pengembangan software berbasis komponen model V yang diusulkan oleh Ivica Crnkovic berdasarkan pertimbangan penggunaan dua Software Development Kit (SDK) biometrika komersial, yaitu: Luxand FaceSDK dan Griaule Fingerprint SDK, untuk membangun sistem biometrika multimodal wajah dan sidik jari. Hasil ujicoba menggunakan database wajah CASIA-Face5 dan database sidik jari CASIA-Fingerprint5 menunjukkan bahwa penggunaan cascade wajah – sidik jari mampu meningkatkan akurasi identifikasi pemilih terdaftar/deteksi pemilih ganda hingga mencapai ± 97%, lebih tinggi ± 5% dari penggunaan biometrika wajah saja, dengan kompensasi peningkatan waktu pemrosesan rata-rata hingga mencapai ± 130%. Sebaliknya, cascade sidik jari – wajah mengalami penurunan akurasi deteksi pemilih ganda hingga mencapai ± 93%, lebih rendah ± 4% dari penggunaan biometrika sidik jari saja tetapi peningkatan rata-rata waktu pemrosesannya hanya ± 4%. Ditinjau dari segi kecepatan, mode operasi penggabungan cascade sidik jari–wajah lebih unggul, tetapi dari segi akurasi deteksi pemilih ganda cascade wajah–sidik jari lebih baik. Kata Kunci : Pemilukada, Daftar Pemilih Tetap, Biometrika Multimodal, Luxand FaceSDK, Griaule Fingerprint SDK.
1
1. Pendahuluan 1.1. Latar Belakang Keberadaan pemilih ganda, pemilih yang tidak memenuhi syarat dan ketentuan, serta pemilih yang kehilangan hak suara karena tidak terdaftar di dalam DPT, merupakan kendala yang menjadi prioritas KPU dalam proses perbaikan penyusunan DPT Pemilu periode mendatang. KPU dituntut lebih mandiri dalam proses penyusunan DPT, bahkan diharapkan dapat berperan aktif membantu mempercepat perwujudan Nomer Induk Kependudukan (NIK) sebagai Single Identity Number (SIN) melalui pendaftaran dan pemutakhiran data pemilih. Proses penyusunan DPT membutuhkan sebuah mekanisme otentikasi yang secara tegas menolak duplikasi dan penyalahgunaan identitas. Salah satu mekanisme otentikasi yang dapat diandalkan adalah sistem biometrika (Putra, 2009). Dengan memadukan dua karakteristik biometrika yang berbeda diharapkan akan didapatkan tingkat pengenalan yang lebih baik dibanding menggunakan salah satu dari karakteristik biometrika tersebut (Ross, 2006). 1.2. Tujuan dan Ruang Lingkup Penelitian Penelitian ini mengusulkan dua gagasan perbaikan proses penyusunan DPT. Pertama, efisiensi dan efektifitas proses penyusunan DPT dapat diusahakan dengan mewujudkan sebuah sistem informasi yang menunjang kegiatan tersebut (SITARLIH Sistem Informasi Daftar Pemilih). Kedua, duplikasi dan penyalahgunaan identitas pemilih dapat dieliminir dengan mengharuskan orang yang bersangkutan hadir pada proses pemeriksaan identitas melalui sistem biometrika wajah dan sidik jari. Penelitian ini memanfaatkan dua SDK biometrika komersial, yaitu: Luxand FaceSDK 3.0 dan Griaule Fingerprint SDK 2009, berdasarkan pertimbangan tidak ada batasan fitur pada versi trial-nya, memiliki dokumentasi lengkap dan contoh kode program, serta dapat diunduh langsung dari internet. Penelitian ini tidak membahas secara detil tentang algoritma dan model matematis yang digunakan oleh masingmasing vendor SDK. CASIA-FACEv5 dan CASIA-FINGERv5 (CASIA, 2010) digunakan sebagai database wajah dan sidik jari untuk uji coba. 2. Metoda Penelitian
Gambar 1 Detail Model V untuk CBSD (Cronkovic, dkk., 2005)
2
Pengembangan SITARLIH menggunakan siklus Component-Based Software Development (CBSD) model V (Gambar 1) yang diusulkan oleh Ivica Crnkovic terkait dengan penggunaan SDK Biometrika. Ruang lingkup penelitian tidak termasuk tahap Operation & Maintenance karena tahap ini merupakan kegiatan inspeksi dan pemeliharaan berkelanjutan terhadap sistem yang telah diimplementasikan, termasuk didalamnya upgrade SDK versi terbaru. 2.1 Fase Requirement Spesifikasi kebutuhan sistem dideskripsikan dengan tetap memperhatikan kesesuaian antara kebutuhan dan SDK komersial yang tersedia. Negosiasi dan modifikasi kebutuhan diperlukan karena SDK komersial yang tepat sama dengan spesifikasi kebutuhan tidak selalu dapat ditemukan. Deskripsi kebutuhan sistem tersebut akan digunakan sebagai pondasi desain sistem. Tabel 1 Deskripsi Kebutuhan SITARLIH
Sumber: Diolah dari Hasil Survey dan Wawancara.
2.2 Fase Desain Sistem Seluruh spesifikasi kebutuhan sistem diwujudkan dalam bentuk desain sistem menggunakan diagram Unified Modeling Language (UML). Sedangkan konsep basis data relasional didesain dengan menggunakan Entity Relationship Diagram (ERD). Graphical User Interface (GUI) didesain berdasarkan desain sistem dan desain database serta berpedoman pada spesifikasi kebutuhan. Inspeksi ketersediaan SDK komersial dilakukan hingga akhir fase desain sistem. Negosiasi dan modifikasi desain sistem diperlukan untuk penyesuaian dengan spesifikasi teknis SDK yang tersedia. Diagram
3
use case SITARLIH ditunjukkan Gambar 2. Arsitektur SITARLIH ditunjukkan oleh Gambar 3. Otentikasi Identitas Mode Operasi Cascade/Serial ditunjukkan oleh Gambar 4. Diagram sequence otentikasi identitas ditunjukkan oleh Gambar 5. ERD SITARLIH ditunjukkan oleh Gambar 6.
Gambar 2 Diagram Use Case SITARLIH
Gambar 3 Arsitektur SITARLIH Sistem otentikasi identitas pemilih menggunakan sistem biometrika multimodal wajah dan sidik jari dengan mode operasi cascade/serial, seperti pada Gambar 4. Mode ini menggunakan informasi wajah untuk memperoleh beberapa profil pemilih yang mungkin cocok (berdasarkan T1) dari sekian banyak profil pemilih, lalu menggunakan sidik jari untuk benar-benar mendapatkan pemilih yang sebenarnya (berdasarkan T2). Dengan mode ini diharapkan proses pencocokan berjalan lebih cepat karena berkurangnya jumlah perbandingan yang harus dilakukan untuk setiap tahapan.
4
Gambar 4 Otentikasi Identitas Mode Operasi Cascade/Serial
Gambar 5 Diagram Sequence Otentikasi Identitas Desain hirarki menu utama ditunjukkan oleh Gambar 7. Desain tampilan utama (Gambar 8) terdiri dari dua area, yaitu: profil pemilih (area kiri) dan daftar pemilih (area kanan). Penambahan, perubahan, penghapusan dan pencarian profil pemilih berdasarkan NIK diakomodasi oleh Toolbar profil pemilih. Sedangkan, toolbar daftar mengakomodasi perintah untuk menampilkan berkas-berkas pemilu, antara lain: TPS, DPS, DPTb, DPT, dan daftar pemilih yang dicoret dari DPT.
5
Gambar 6 ERD SITARLIH
Gambar 7 Desain Hirarki Menu Utama
6
Gambar 8 Desain Tampilan Utama
Desain Area profil pemilih terdiri dari tiga panel, yaitu: panel biodata (Gambar 8) dan biometrika masing-masing Pemilih (Gambar 9), panel akuisisi biometrika (Gambar 10) dan panel otentikasi biometrika (Gambar 11).
Gambar 9 Panel Biometrika Wajah dan Sidik Jari Pemilih
7
Gambar 10 Panel Akuisisi Biometrika Wajah dan Sidik Jari
Gambar 11 Desain Panel Otentikasi Biometrika Wajah dan Sidik Jari
2.3 Fase Implementation dan Unit Testing Pada tahap ini core system SITARLIH dan prototipe engine sistem biometrika mulai diimplementasikan dengan menggunakan SDK Biometrika. Idealnya, SDK Biometrika komersial terpilih diadaptasi dengan merakit secara langsung pada core system dengan asumsi bahwa komponen tersebut telah dibangun dan diuji. Realitasnya, permasalahan sering muncul setelah komponen dirakit pada core system. Oleh karena itu, akan dilakukan dua ujicoba terpisah, yaitu: isolation test dan assembly test dengan
8
teknik simulasi blackbox testing menggunakan prototipe engine sistem biometrika tersebut, seperti pada Gambar 12. Uji coba dilakukan dengan konfigurasi perangkat keras, yaitu: PC Intel Core2 Duo 2.6 GHz RAM 2 Gb, webcam Microsoft Direct-show compatible, dan sensor sidik jari optik Digital Persona U.are.U 4000B.
Gambar 12 Tampilan Prototipe Sistem Biometrika Wajah dan Sidik Jari
Isolation test melakukan simulasi pengenalan genuine oleh masing-masing SDK biometrika secara terpisah menggunakan database biometrika yang telah disiapkan dan diorganisir sebagai target dan query. Isolation test digunakan untuk mengetahui karakteristik masing-masing SDK biometrika dengan harapan akan didapatkan nilai ambang dan pengaturan parameter yang optimal. Sedangkan, assembly test melakukan simulasi pengenalan genuine dan impostor menggunakan gabungan SDK biometrika wajah dan sidik jari dengan perlakuan dan teknik yang hampir sama seperti isolation test. Assembly test dilakukan untuk menguji konsistensi performa setelah SDK tersebut digabungkan. Assembly Test dilakukan pada fase berikutnya, yaitu: System Integration dan Component Deployment. 2.4 Fase System Integration dan Component Deployment SDK terpilih diintegrasikan (deployment) pada lingkungan Windows 32-bit melalui infrastruktur DLL/OCX menggunakan Microsoft Visual Basic 6.0. Model fisik basis data diimplementasikan pada MySQL 5.2 melalui Data Definition Language (DDL). Pada fase ini SDK Biometrika terpilih yang telah diadaptasi dalam bentuk engine sistem biometrika dan telah diuji pada tahap sebelumnya diintegrasikan (deployment) pada core system SITARLIH. Gambaran engine sistem biometrika
9
cascade wajah – sidik jari dapat dijelaskan secara umum melalui pseudo code sebagai berikut: FSDKVB_InitializeCapturing '---------------------------------------- Akuisisi Wajah -----------------------------------------FSDKVB_SetFaceDetectionParameters(ArbRot, RotAngle, faceSize) FSDKVB_SetFaceDetectionThreshold(FaceLevel) If Source = JPG/BMP then FSDKVB_LoadImageFromFile(ImageHandle, filename) Else FSDKVB_OpenVideoCamera(cameraname, cameraHandle) FSDKVB_GrabFrame(cameraHandle, ImageHandle) End if '---------------------------------------- Display Wajah ------------------------------------------FSDKVB_ResizeImage(ImageHandle, 256x256, thumbHandle) FSDKVB_SaveImageToHBitmap(thumbHandle, hbitmapHandle2) FSDKVB_Paint(picCamera.hDC, hbitmapHandle2) '------------------------------ Deteksi & Ektraksi Template Wajah -----------------------------FSDKVB_DetectFace(ImageHandle, facePosition) FSDKVB_GetFaceTemplateInRegion(ImageHandle, facePosition, tmpWajahQ) '----------------------------------- Display 40 titik Fitur Wajah ---------------------------------FSDKVB_DetectFacialFeatures(ImageHandle, FacialFeatures) For i = 0 To FSDK_FACIAL_FEATURE_COUNT - 1 picCamera.Circle (FacialFeatures(i).x, FacialFeatures(i).y), 2, vbGreen Next i '------------------------------------ End of Akuisisi Wajah --------------------------------------FSDKVB_CloseVideoCamera(cameraHandle) FSDKVB_FinalizeCapturing GrFingerXCtrl1.CapInitialize '--------------------------------------- Akuisisi Sidik Jari ---------------------------------------GrFingerXCtrl1_ImageAcquired(idSensor, width, height, raw, res) '----------------------------- Deteksi & Ektraksi Template Sidik Jari ---------------------------ret ← GrFingerXCtrl1.Extract(raw, width, height, res, tmpSidikJariQ, size, 0) Display_Quality ret '------------------------------------ Display Minusi Sidik Jari -----------------------------------GrFingerXCtrl1.BiometricDisplay(tmpSidikJariQ, raw, width, height, res, Panel.hwnd, handle, 0) GrFingerXCtrl1.CapRawImageToHandle(raw, width, height, Panel.hwnd, handle2) '---------------------------------- End of Akuisisi Sidik Jari -------------------------------------GrFingerXCtrl1.CapFinalize '--------------------------------------- Cascading Face -----------------------------------------tmpT1 ← getTemplates (wajah, optional filter by NIK, Gender, Usia, Cacat) found1 ← 0 For i1 ← 1 To Count(tmpT1) If Not IsNull(tmpT1) Then FSDKVB_MatchFaces tmpT1, tmpWajahQ, similarity1 If Verify Then FSDKVB_GetMatchingThresholdAtFAR param1, threshold1 Else FSDKVB_GetMatchingThresholdAtFAR 1 - Param1, threshold1 End If If (similarity1 > threshold1) Then found1 ← found1 + 1 faceMatch(found1 - 1).bioID ← tmp_bioidT1 faceMatch(found1 - 1).NIK ← tmp_NIKT1 faceMatch(found1 - 1).score ← similarity1 End If Else INVT ← INVT + 1 End If Next i1 QuickSort_byScore faceMatch If WajahSaja Or Verifikasi Then tr ← 1
10
For k1 ← 0 To (UBound(faceMatch) * tr) - 1 If faceMatch(k1).score > 0 Then sMatchList ← sMatchList + "'" & Trim(faceMatch(k1).bioID) If InStr(1, sMatchNIK, Trim(faceMatch(k1).NIK)) ← 0 Then sMatchNIK ← sMatchNIK + "'" & Trim(faceMatch(k1).NIK) End If End If Next k1 '------------------------------------ Cascading Fingerprints -------------------------------------If sMatchList <> "" Then GRID_DISPLAY MatchFace(sMatchList) tmpT2 ← getTemplates(sidik_jari, index_jari, NIK in (sMatchNIK)) found2 ← 0 If Verify Then GrFingerXCtrl.SetVerifyParameters(ts2, maxRotate, GR_DEFAULT_CONTEXT) Else GrFingerXCtrl.SetVerifyParameters(1-ts2, maxRotate, GR_DEFAULT_CONTEXT) End If For i2 ← 1 To Count(tmpT2) If Not IsNull(adoRSTarget2!bioTemp) Then GrFingerXCtrl1.Verify(tmpFingerQ, tmpT2, similarity2, GR_DEFAULT_CONTEXT) If GR_MATCH Then found2 = found2 + 1 FingerMatch(found2 - 1).bioID = tmp_bioidT2 FingerMatch(found2 - 1).NIK = tmp_NIKT2 FingerMatch(found2 - 1).score = similarity2 End If Else INVT ← INVT + 1 End If Next i2 QuickSort FingerMatch For k2 = 0 To (UBound(FingerMatch) * tr) '- 1 If FingerMatch(k2).score > 0 Then sMatchList = sMatchList + "'" & Trim(FingerMatch(k2).bioID) If InStr(1, sMatchNIK, Trim(FingerMatch(k2).NIK)) = 0 Then sMatchNIK = sMatchNIK + "'" & Trim(FingerMatch(k2).NIK) End If End If Next k2 If sMatchList <> "" Then GRID_DISPLAY MatchFinger(sMatchList) If Identify Then GRID_DISPLAY MatchFinger(sMatchNIK) End If ACCACC = ACCACC + 1 Else ACCREJ = ACCREJ + 1 End If Else REJREJ = REJREJ + 1 End If
Fungsi-fungsi dengan awalan FSDKVB (biru) adalah fungsi-fungsi yang terdapat di dalam Luxand Face SDK. Sedangkan, fungsi-fungsi dengan awalan GrFingerXCtrl (merah) adalah fungsi-fungsi yang terdapat dalam Griaule Fingerprint SDK. Pemrograman sistem biometrika wajah dan sidik jari menjadi lebih mudah dan lebih sederhana dengan bantuan dari fungsi-fungsi tersebut. Programmer hanya merangkai fungsi-fungsi tersebut sesuai kebutuhan atau setidaknya memiliki alur yang sama seperti skenario penggunaan tipikal. Selanjutnya, memberikan input pada fungsi tersebut, mengeset parameter yang sesuai, dan menerima output hasil pemrosesan.
11
2.5 Fase System Testing User Acceptance Test (UAT) dilakukan terhadap keseluruhan sistem sebagai sarana verifikasi dan validasi kesesuaian antara sistem yang dihasilkan dengan spesifikasi kebutuhan. Hasil dari UAT dijadikan dasar untuk merevisi bug dan memperbaiki unjuk kerja sistem. 3. Hasil dan Diskusi Desain core system SITARLIH diimplementasikan dalam bentuk aplikasi desktop database client/server pada lingkungan Windows 7 32-bit menggunakan Microsoft Visual Basic 6.0 (Service Pack 6). Model fisik basis data dan kamus data diimplementasikan pada MySQL 5.2. Luxand FaceSDK 3.0 diintegrasikan pada core system melalui infrastruktur DLL. Sedangkan, Griaule Fingerprint SDK 2009 diintegrasikan pada core system melalui infrastruktur OCX. Berikut ini adalah hasil implementasi desain GUI, antara lain: Tampilan Utama (Gambar 13), Toolbar dan Menu Utama (Gambar 14), Panel Profil Pemilih (Gambar 15), dan Panel Akuisisi Biometrika (Gambar 16).
Gambar 13 Tampilan Utama SITARLIH
Gambar 14 Toolbar dan Menu Utama SITARLIH
12
Area profil pemilih terdiri tiga panel, yaitu: panel biodata dan biometrika masing-masing Pemilih (Gambar 3.3), panel akuisisi biometrika (Gambar 3.4) dan panel otentikasi biometrika (Gambar 3.5). Akuisisi biometrika dapat dilakukan secara langsung menggunakan webcam (wajah) dan fingerprint device atau secara tidak langsung dengan membuka file gambar BMP/JPG foto dan sidik jari hasil scan formulir registrasi pemilih. Panel Profil pemilih digunakan untuk mengelola biodata, biometrika wajah dan sidik jari masing-masing pemilih. Biodata pemilih disimpan dalam tabel tbpemilih sedangkan biometrika wajah dan sidik jari disimpan dalam tbakuisisi. Tabel tbpemilih merupakan tabel master yang akan digunakan untuk menyusun DPT pada tbDPT. Proses ini penyusunan ini dilakukan secara otomatis dengan memilih menu Susun DPT, termasuk eligible check seperti yang tersirat pada SQL Query sebagai berikut: SELECT * FROM tbPemilih WHERE tiFlgWN=1 AND (tiflgstskawin>0 OR (tiflgstskawin=0 AND DATEDIFF(NOW(),tgllahir)/365>=17)) AND tiFlgPekerjaan NOT IN (13,14) AND (tiFlgStsPemilih = 1 OR (tiFlgStsPemilih = 2 AND tiFlgCacat NOT IN (4,5))) AND (UpdateWhy NOT BETWEEN 10 AND 13) ORDER BY skdwilalamat, tiRW, tiRT, salamat, sNIKKK, tiFlgStsDlmRT, Tgllahir; Keterangan : 1. tiFlgWN=1 melakukan seleksi status kewarganegaraan WNI. 2. (tiflgstskawin>0 OR (tiflgstskawin=0 AND DATEDIFF(NOW(),tgllahir)/365>=17)) melakukan seleksi status perkawinan dan umur, yaitu: sudah/pernah menikah atau umur >= 17 tahun tetapi belum menikah. 3. tiFlgPekerjaan NOT IN (13,14) melakukan seleksi pekerjaan bukan anggota TNI/Polri. 4. (tiFlgStsPemilih = 1 OR (tiFlgStsPemilih = 2 AND tiFlgCacat NOT IN (4,5))) melakukan seleksi status pemilih normal/biasa atau cacat tetapi bukan cacat mental. 5. (UpdateWhy NOT BETWEEN 10 AND 13) melakukan seleksi flag status Coret (meninggal dunia, pindah domisili keluar, Tidak dikenal, suspect ganda)
Setelah DPT mendapat pengesahan pada rapat pleno KPU, maka dapat dilakukan proses posting. Proses ini pada dasarnya melakukan backup status pemilih (terkait eligible check) dari tbpemilih ke tbdpt, melakukan penguncian pada berkas pemilu serta melakukan perubahan flag DPT dari DPTb (pemilih tambahan) ke DPS (pemilih terdaftar). Sebaliknya, proses batal posting melakukan restore status pemilih, membuka kunci berkas pemilu, dan mengembalikan status flag DPT pemilih tambahan seperti sedia kala. Pengelolaan berkas pemilu dilakukan secara stack, sehingga proses susun DPT, posting, dan hapus berkas pemilu hanya diberlakukan pada berkas yang terakhir dan sedang aktif/terbuka. Sedangkan, batal posting hanya diberlakukan pada berkas pemilu terakhir yang sudah ter-posting. Tujuan pengelolaan berkas pemilu seperti ini adalah untuk menghindari tercecernya data DPT sehingga apabila dibutuhkan cross-check dengan data DPT pemilu sebelumnya dapat dilakukan dengan cepat dan mudah. Pada Gambar 4.14, gambar sidik jari yang tampil dapat disesuaikan dengan mengganti parameter tangan dan jari. Pada Gambar 4.15 bagian face detection, parameter source digunakan untuk menentukan sumber gambar wajah (webcam/file gambar). Size dan Level merupakan parameter face-tracking engine milik Luxand FaceSDK terkait dengan resolusi webcam/file gambar. Selain itu, Arbitary Rotations dan Rotation Angle merupakan parameter yang menentukan sejauh mana rotasi posisi
13
wajah ditolerir. Sedangkan pada bagian fingerprint detection, parameter resolusi dan image quality ditampilkan untuk membantu pengguna pada proses akuisisi sehingga didapatkan gambar sidik jari terbaik sebelum template biometrika disimpan/dikenali. Parameter Tangan dan Jari dapat diatur sesuai dengan posisi jari pengguna yang diakuisisi. Proses otentikasi biometrika sidik jari hanya akan melakukan perbandingan sidik jari pada posisi jari yang sama. Tombol Open pada panel akuisisi biometrika wajah berfungsi untuk mengaktifkan webcam atau memuat file gambar wajah bergantung pada source. Tombol Capture menjalankan perintah ekstraksi template biometrika wajah. Sedangkan pada panel akuisisi biometrika sidik jari, tombol Open hanya digunakan untuk memuat file gambar sidik jari karena proses rekam gambar dan ekstraksi template sidik jari dilakukan secara langsung sesaat jari menyentuh sensor atau file gambar berhasil dimuat. Tombol Enroll dilakukan untuk menyimpan template biometrika wajah dan sidik jari hasil akuisisi.
Gambar 14 Panel Biodata dan Biometrika Pemilih
Gambar 15 Panel Akuisisi Biometrika Wajah dan Sidik Jari
14
Gambar 16 Panel Otentikasi Biometrika Wajah dan Sidik Jari Gambar 16 merupakan implementasi GUI Panel Otentikasi Biometrika Wajah dan Sidik jari. Di bagian kiri terdapat berbagai parameter-parameter pengenalan dan nilai ambang yang dapat diatur sesuai kebutuhan sebelum melakukan proses otentikasi biometrika, antara lain: sortir gender, sortir range umur, ambang rangking, kenali wajah kemudian kenali sidik jari atau kenali wajah saja, tampilkan hasil pengenalan wajah saja atau tampilkan juga hasil pengenalan sidik jarinya, nilai ambang pengenalan wajah dan sidik jari, serta sudut maksimum rotasi jari yang ditolelir. Implementasi desain GUI lainnya, antara lain: Penampil Laporan DPS/DPTb/DPT (Gambar 17), Formulir Data Pemilih Baru (Gambar 18), Formulir Tanda Bukti Telah Terdaftar Sebagai Pemilih (Gambar 19), Kartu Pemilih (Gambar 20), Rekap Jumlah Pemilih dan TPS per Desa/Kelurahan dan per Kecamatan (Gambar 21 dan 22), dan Selancar Data (Gambar 23).
Gambar 17 Penampil Laporan DPS/DPTb/DPT
15
Gambar 18 Formulir Data Pemilih Baru
Gambar 19 Formulir Tanda Bukti telah Terdaftar sebagai Pemilih
Gambar 20 Cetak Kartu Pemilih
16
Gambar 21 Rekap Jumlah Pemilih dan TPS per Desa/Kelurahan
Gambar 22 Rekap Jumlah Pemilih dan TPS per Kecamatan
Gambar 23 Selancar Data
17
3.1 Persiapan Database Template Biometrika Uji coba menggunakan database CASIA-FACEv5 (2500 sampel wajah dari 500 individu) dan CASIA-FINGERv5 (20000 sampel sidik jari dari 500 individu) pada mesin Intel Pentium Dual-Core E5300 2.60GHz 1 Gb RAM, rata-rata waktu yang diperlukan untuk deteksi dan ektraksi fitur wajah ± 535,38 ms (parameter size 256 level 2), dengan kesalahan mencapai ± 1,08%. Sedangkan, rata-rata waktu yang diperlukan untuk ektraksi minusi sidik jari ± 68 ms (parameter resolusi 500 dpi dan rotasi maksimum 180°), dengan kesalahan mencapai ± 0,2%. Keragaman latar belakang, busana, aksesori, pose, iluminasi cahaya, jarak pengambilan gambar wajah menjadi kendala pada proses pengenalan wajah. Wajah tidak terdeteksi atau bahkan mendeteksi sesuatu yang bukan wajah seperti pada Gambar 24. Oleh karena itu, proses akuisisi wajah dilakukan dengan supervisi pada kondisi fullfrontal face, yaitu: pose diam, tegak, menghadap kamera, mencakup keseluruhan kepala termasuk rambut, leher dan bahu serta diambil dengan latar belakang, jarak dan kondisi pencahayaan yang relatif sama. Busana polos (tidak bercorak dan banyak kerutan) dengan warna yang kontras dengan latar belakang dan warna kulit. Keragaman tekanan, kelembaban, bekas luka, dan rotasi jari, serta kebersihan permukaan sensor menjadi kendala pada proses pengenalan sidik jari (Gambar 24). Oleh karena itu, proses akuisisi sidik jari dilakukan dengan supervisi pada kondisi posisi jari sejajar sesor, bersih dari debu, kotoran dan minyak (termasuk permukaan sensor), serta menggunakan jari-jari tangan kiri (kecuali untuk orang kidal).
Gambar 24 Kesalahan dalam Deteksi Wajah dan Sidik Jari 3.2 Isolation Test Pada isolation test dilakukan simulasi pengenalan oleh masing-masing SDK biometrika wajah dan sidik jari secara terpisah. Simulasi tersebut hanya membandingkan 2 template query terhadap 3 sampel target dari individu yang sama yang terdaftar sebagai pengguna asli (genuine). Total perbandingan yang dilakukan adalah 2×500 = 1.000. Isolation test digunakan untuk mengetahui karakteristik masingmasing SDK biometrika dengan harapan akan didapatkan nilai ambang dan pengaturan parameter yang optimal. Grafik hasil uji coba terisolasi untuk biometrika wajah ditunjukkan Gambar 25. Grafik hasil uji coba terisolasi untuk biometrika sidik jari ditunjukkan Gambar 26. Informasi yang didapatkan dari grafik Gambar 25 adalah sistem biometrika wajah memiliki karakteristik penerimaan dan penolakan yang sama pada titik kritis FAR antara 0,9 dan 1, tepatnya pada ± 0,93. Hal ini sejalan dengan spesifikasi teknis Luxand Face SDK 3.0 (rilis 25 Maret 2010), bahwa pada rilisan terbaru, pada kondisi pencahayaan bervariasi, FRR dapat diturunkan dari ± 35% menjadi ± 7% atau FAR dapat ditingkatkan dari ± 65% menjadi ± 93%. Informasi yang didapatkan dari grafik Gambar 26 adalah Jempol Kiri memiliki rata-rata GAR tertinggi dibanding jari lainnya. Hal ini disebabkan penampang Jempol lebih luas dari pada jari lainnya sehingga
18
memiliki potensi menghasilkan kualitas gambar sidik jari yang lebih baik dan lebih detil. Jari-jari tangan kiri lebih jarang digunakan untuk beraktifitas sehingga potensi derau lebih rendah dibanding yang lain, kecuali jika orang tersebut kidal. 100% 90%
ACCEPTED/REJECTED FACE
80% 70% 60% 50% 40% 30% 20% 10%
AC C EPT REJEC T
0% 0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
FAR
Gambar 25 Grafik Hasil Isolation Test Sistem Biometrika Wajah
100% 90%
ACCEPTED FINGER PRINT
80% 70% 60% 50% 40%
JEMPOL KIRI TENGAH KIRI TENGAH KANAN TELUNJUK KANAN TELUNJUK KIRI MANIS KANAN MANIS KIRI JEMPOL KANAN
30% 20% 10% 0% 0
10
20
30
40 50 60 FRR (%)
70
80
90 100
Gambar 26 Grafik Hasil Isolation Test Sistem Sidik Jari (Accepted)
19
Grafik karakterisik penerimaan genuine ditunjukkan Gambar 27. Informasi yang didapatkan dari kedua grafik tersebut adalah sistem biometrika sidik jari cenderung memiliki akurasi lebih baik dari pada sistem biometrika wajah. Titik kritis sistem biometrika sidik jari terjadi pada FAR ± 90/ FRR ± 10 (minimum threshold value skala 0 hingga 100). Hal ini sesuai dengan parameter matching constant Griaule Fingerprint SDK 2009, seperti pada Tabel 2. 100% 90% 80%
ACCEPTED
70% 60% 50% 40% 30% 20% 10% 0% 0,0
FAC E FINGER 0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
FAR
Gambar 27 Grafik Karakteristik Penerimaan Sistem Biomatrika Wajah dan Sidik Jari Tabel 2 Griaule Fingerprint SDK 2009 Matching Constant
Sumber: Griaule Fingerprint SDK 2009 Developer’s Manual
Berdasarkan grafik Gambar 4.21, sistem biometrika wajah mampu mencapai GAR tertinggi hingga ± 98% dengan parameter FAR ± 0,999 (skala 0 hingga 1). Berdasarkan grafik tersebut juga, sistem biometrika sidik jari mampu mencapai rata-rata GAR tertinggi hingga ± 95% untuk seluruh jari dengan parameter FRR ± 10 (skala 0 hingga 100). Parameter-parameter tersebut akan dijadikan acuan untuk uji coba tahap berikutnya yaitu assembly test.
20
3.3 Assembly Test Pada assembly test dilakukan simulasi pengenalan menggunakan gabungan SDK biometrika wajah dan sidik jari. Simulasi tersebut membandingkan 2 template query dari seorang individu terhadap 3 sampel target dari individu yang sama dan 3 sampel target untuk setiap individu yang berbeda. Individu-individu tersebut merupakan kelompok pemilih terdaftar/ pengguna asli (genuine). Total perbandingan yang dilakukan adalah 2×500×499 = 499.000. Pada assembly test akan diselidiki lebih lanjut konsistensi performa sistem biometrika wajah dan sidik jari setelah digabungkan dengan berkonsentrasi pada pengaturan pasangan parameter, sebagai berikut: 1. Wajah T1 = 0,90 dan Sidik Jari Jempol Kiri T2 = 60 2. Wajah T2 = 0,93 dan Sidik Jari Jempol Kiri T2 = 45 3. Wajah T3 = 0,99 dan Sidik Jari Jempol Kiri T2 = 30 4. Wajah T4 = 0,999 dan Sidik Jari Jempol Kiri T2 = 10
Indikator terakhir untuk menentukan keberhasilan adalah ranking template query pada daftar template target yang cocok. Jika rangking template query berada pada 20% teratas dari daftar template target yang cocok maka dinyatakan berhasil. Perbandingan rangkuman hasil assembly test ditunjukkan pada Tabel 3 dan grafik Gambar 28. Tabel 3 Rangkuman Hasil Assembly Test (N = Perbandingan dan T = Waktu Pemrosesan)
Sumber: Diolah dari Tabulasi Hasil Assembly Test
21
100% 95% 90%
Accepted
85% 80% 75% 70% 65% FACE-ONLY
60%
FACE-FINGER FINGER-ONLY
55%
FINGER-FACE
50% 1
2
Uji C oba
3
4
Gambar 28 Grafik Penerimaan Genuine pada Assembly Test Pada uji coba 1 dan 2 kinerja biometrika gabungan masih berada dibawah kinerja biometrika tunggal. Hal ini disebabkan karena pasangan T1 dan T2 pada percobaan 1 dan 2 lebih ketat melakukan seleksi dibanding ujicoba ke 3 dan 4. Pada ujicoba ke 3, akurasi cascade wajah – sidik jari lebih baik ± 4% dari biometrika wajah saja. Sedangkan, akurasi cascade sidik jari – wajah masih tertinggal ± 8% dari akurasi biometrika sidik jari saja. Di sisi lain, terjadi peningkatan rata-rata waktu pemrosesan pada cascade wajah – sidik jari hingga mencapai ± 77%. Sedangkan, peningkatan rata-rata waktu pemrosesan pada sidik jari - cascade wajah relatif kecil, yaitu: ± 0,3%. Pada uji coba 4 (T1 = 0,999 dan T2 = 10), mode operasi cascade wajah – sidik jari mampu meningkatkan akurasi hingga mencapai ± 97%, lebih tinggi ± 5% dari penggunaan biometrika wajah saja. Di sisi lain, terjadi peningkatan rata-rata waktu pemrosesan hingga mencapai ± 130%. Sebaliknya, mode operasi cascade sidik jari – wajah ternyata menurunkan akurasi hingga mencapai ± 93%, lebih rendah ± 4% dari penggunaan biometrika sidik jari saja. Di sisi lain, peningkatan rata-rata waktu pemrosesan hanya ± 4%. Hasil uji coba 4 juga menunjukkan bahwa ± 7% penolakan pada penyaringan wajah (rangkingnya berada diluar batasan) mampu diangkat peringkatnya oleh penyaringan sidik jari. Sedangkan, penyaringan sidik jari mengeleminir hanya ± 2% penerimaan wajah. Sebaliknya, hanya ± 0,8% penolakan pada penyaringan sidik jari mampu diangkat peringkatnya oleh penyaringan wajah. Sedangkan, penyaringan wajah mengeleminir ± 4% penerimaan sidik jari. Peningkatan akurasi pada mode operasi cascade wajah – sidik jari lebih disebabkan karena bantuan dari performa penyaringan pada modalitas kedua yaitu sidik jari. Penurunan akurasi pada mode operasi cascade sidik jari – wajah disebabkan karena penilaian keberhasilan bergantung pada rangking akhir, sehingga walaupun sidik jari sebagai modalilas utama memiliki performa yang sangat baik tetapi jika performa pengenalan wajah turun maka hasil akhirnya adalah ditolak.
22
Perbedaan yang signifikan pada peningkatan waktu pemrosesan antara mode operasi cascade wajah – sidik jari dan cascade sidik jari – wajah menunjukkan bahwa sebagai modalitas utama sistem biometrika sidik jari memiliki kemampuan penyaringan lebih baik, terlihat dari jumlah perbandingan dilakukan oleh biometrika wajah cenderung lebih sedikit jika dibandingkan dengan saat wajah sebagai modalitas utama. Di sisi lain, terdapat potensi yang cukup besar bagi biometrika wajah untuk memangkas waktu pemrosesan dengan mengurangi jumlah perbandingan, yaitu dengan memanfaatkan NIK pemilih. Hal ini mungkin dilakukan karena dari NIK dapat diketahui jenis kelamin dan umur seseorang, sehingga perbandingan hanya akan dilakukan pada template wajah dengan jenis kelamin dan range umur yang sama. Selanjutnya dilakukan uji coba genuine versus impostor pada sistem biometrika wajah. Sampel wajah impostor diambil dari sebagian basis data wajah COLOUR-FERET dengan proporsi yang sama dengan genuine. Sampel sidik jari impostor diambil dari sebagian basis data IDKIT_12000. Uji coba dikonsentrasikan pada pasangan parameter 3 (T1 = 0,99 | T2 = 30) dan 4 (T1 = 0,999 | T2 = 10).Uji coba dilakukan dengan tujuan untuk memperoleh gambaran penerapan parameter seleksi tambahan berupa range skor pada wajah sebagai modalitas utama karena terdapat kecenderungan pada wajah untuk menerima impostor saat parameter diatur sedemikian sehingga FRR menjadi sangat rendah. Grafik distribusi skor genuine versus impostor untuk parameter = 0,99 ditunjukkan Gambar 29 sedangkan untuk parameter = 0,999 ditunjukkan Gambar 30.
Gambar 29 Grafik Distribusi Skor Kemiripan Wajah Genuine vs. Impostor dengan Parameter = 0,99
Dengan menerapkan threshold skor dengan batas bawah 11 dan batas atas 68 pada parameter 0,99 akan didapatkan perbandingan Impostor False Positive : True Negative adalah 5,99% : 94,01% dengan Genuine True Positive : False Negative 63,90% : 36,10%. Dengan menerapkan threshold skor yang sama pada parameter 0,999 akan didapatkan perbandingan Impostor False Positive : True Negative adalah 6,16% : 93,84% dengan Genuine True Positive : False Negative adalah 75,86% : 24,14%.
23
Gambar 30 Grafik Distribusi Skor Kemiripan Wajah Genuine vs. Impostor dengan Parameter = 0,999
Hasil uji coba tersebut menunjukkan bahwa sistem biometrika wajah masih cukup rentan terhadap penyalahgunaan identitas, karena prosentase genuine yang ditolak masih cukup tinggi ketika parameter diatur sedemikian sehingga menolak sebanyak mungkin impostor. Selain itu, uji coba ini menunjukkan bahwa variasi intraclass database wajah CASIA-Face5, yaitu: pencahayaan, penggunaan kacamata, jarak pengambilan dan pose, masih belum mampu dilampaui oleh Luxand FaceSDK. 4. Kesimpulan Software SITARLIH hasil penelitian ini, mampu mengorganisir data pemilih sehingga tidak tercecer, memudahkan penelusuran kembali data lama, serta mempercepat proses penyusunan laporan dan rekapitulasi jumlah pemilih terdaftar dan TPS. Laporan dan rekapitulasi tersebut sangat diperlukan untuk perencanaan anggaran terkait kebutuhan personel dan logistik pemilu. Software SITARLIH hasil penelitian ini, selain dapat membantu KPUD Gresik dalam usaha peningkatkan efisiensi dan efektifitas proses penyusunan DPT, dapat juga dijadikan sebagai mekanisme otentikasi identitas pemilih yang mampu menekan duplikasi dan penyalahgunaan identitas melalui sistem biometrika wajah dan sidik jari. Hasil uji coba menunjukkan bahwa penggunaan sistem biometrika multimodal wajah dan sidik jari melalui penggabungan pada tingkat score/rank dengan mode operasi cascade wajah – sidik jari dapat meningkatkan akurasi identifikasi pemilih terdaftar (deteksi pemilih ganda) hingga mencapai ± 97%, lebih tinggi ± 5% dari penggunaan biometrika wajah saja dengan kompensasi peningkatan waktu pemrosesan, rata-rata hingga mencapai ± 130%. Sebaliknya, cascade sidik jari – wajah mengalami penurunan deteksi pemilih ganda hingga mencapai ± 93%, lebih rendah ± 4% dari penggunaan biometrika sidik jari saja, sedangkan peningkatan rata-rata waktu pemrosesannya hanya ± 4%. Ditinjau dari segi kecepatan, mode operasi penggabungan cascade sidik jari– wajah lebih unggul, tetapi dari segi akurasi deteksi pemilih ganda cascade wajah–sidik jari lebih baik. Di sisi lain, terdapat potensi pemangkasan waktu pemrosesan pada
24
biometrika wajah dengan membatasi perbandingan hanya pada gender dan range umur yang bersesuaian. 5. Saran Beberapa saran untuk pengembangan dan penyempurnaan penelitian tesis ini lebih lanjut, antara lain: 1. Diperlukan pengujian lebih lanjut untuk men-tunning unjuk kerja sistem biometrika melalui optimalisasi parameter-parameter pengenalan dan nilai ambang, khususnya terkait dengan identifikasi Impostor sehingga tingkat penyalahgunaan identitas dapat semakin ditekan. 2. Diperlukan penyelidikan tentang sejauh mana pengaruh klasifikasi gender dan usia terkait upaya pengurangan perbandingan untuk memangkas waktu pemrosesan pada cascade wajah – sidik jari. 3. Kemampuan aplikasi sistem biometrika wajah untuk melakukan prediksi dan klasifikasi gender dan usia secara otomatis sangat dibutuhkan sebagai upaya mengurangi fraud yang mungkin dilakukan oleh oknum pengguna sistem. 4. Diperlukan penyelidikan lebih lanjut tentang sejauh mana pengaruh penggunaan sidik jari sebagai modalitas utama (terkait potensi kecepatan pencocokannya) terhadap akurasi cascade sidik jari – wajah. 5. Penggunaan mode operasi paralel pada tingkat penggabungan skor ternormalisasi dan menerapkan bobot untuk masing-masing biometrika perlu dipertimbangkan, karena penilaian akhirnya lebih fair dibanding mode cascade yang sangat bergantung pada penerimaan modalitas utamanya. 6. Pengembangan SITARLIH hasil penelitian ini ke tingkat Nasional memerlukan pertimbangan penggunaan sistem basis data terdistribusi, server clustring, dan multithreding dalam koridor .NET framework. Hal ini terkait dengan permasalahan kecepatan, mobilitas data dan pembengkakan storage jika menerapkan sistem sentralisasi basis data. 7. Penggunaan smartcard sebagai kartu pemilih yang menyimpan profil pemilih beserta biometrika wajah dan sidik jarinya merupakan solusi alternatif yang layak untuk dipertimbangkan terkait permasalahan pembengkakan storage dan mobilitas data. 6. Daftar Pustaka Aguerrebere, C., Capdehourat, G., Delbracio, M., Mateu, M., Fernandez, A. dan Lecumberry, F. (2007), “Aguara: An Improved Face Recognition Algorithm through Gabor Filter Adaptation”, IEEE AutoID 2007 Workshops, http://iie.fing.edu.uy/publicaciones/2007/ACDMFL07. Agushinta, D.R., Suhendra, A. dan Hendra (2006) “Ekstraksi Fitur Dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah”. Proceeding of National Conference on Computer Science & Information Technology VII, Universitas Gunadarma, Depok, hal. 1-5. Al-Fatta, Hanif, (2009), Rekayasa Sistem Pengenalan Wajah, Edisi 1, Penerbit Andi, Yogyakarta. Chinese Academy of Sciences Institute of Automation (2010), CASIA Face 5.0 Database, http://biometrics.idealtest.org/dbDetailForUser.do?id=9
25
Chinese Academy of Sciences Institute of Automation (2010), CASIA Fingerprint 5.0 Database, http://biometrics.idealtest.org/dbDetailForUser.do?id=7 Crnkovic, Ivica, Larsson, Stig dan Chaudron, Michel (2005), “Component-based Development Process and Component Lifecycle”, Journal of Computing and Information Technology - CIT 13, Vol. 4, hal. 321-327. Dessimoz, D., Richiardi, J., Champod, C., Drygajlo, A. (2006), “MBIOID: Multimodal Biometrics for Identity Documents”, Research Report, Université de Lausanne, Swiss. Fahmi, A. Syed dan Choi, Ho-Jin (2008), “Life Cycles for Component-Based Software Development”, IEEE 8th International Conference on Computer and Information Technology Workshops, hal. 637-642. Griaule Tecnologia. Griaule Biometrics Fingerprint SDK 2009 Developer's Manual (2008), http://www.griaulebiometrics.com/page/en-us/manual/finggerprintsdk. Griaule
Tecnologia. Griaule Biometrics - Understanding Biometric (2008), http://www.griaulebiometrics.com/page/en-us/book/understanding-biometrics.
Heisele, Bernd, Serre, Thomas dan Poggio, Tomaso (2007), “A Component-based Framework for Face Detection and Identification”, International Journal of Computer Vision - Springer Science + Business Media, LLC., USA, Vol. 74, No. 2, hal. 167-181. Hong, Lin, dan Jain, Anil K. (1998), “Integrating Faces and Fingerprints for Personal Identification”, Ieee Transactions On Pattern Analysis And Machine Intelligence, Vol. 20, No. 12, hal. 1295-1307. ICAO (2004), Biometrics Deployment Of Machine Readable Travel Documents, International Civil Aviation Organization Technical Report v. 2.0. Jain, Anil K., (2004), ”Biometric Authentication: How Do I Know Who You Are?”, Computer Science and Engineering, Michigan State University, USA, http://www.cse.msu.edu/biometrics/Presentations/AnilJain_Biometrics_CMU0 4.pdf. KPUD Klaten, Petunjuk Teknis Penyusunan Daftar Pemilih Pemilihan Umum Bupati dan Wakil Bupati Klaten (2010), http://kpuklaten.com/wpcontent/uploads/2010/04/bimbingan-teknis_pemutakhiran.ppt. Luxand
Incorporated, Luxand FaceSDK 3.0 Developer's http://www.luxand.com/facesdk/documentation.
Guide
(2008),
Mansfield, A. J., Wayman, J. L. (2002), “Best Practices in Testing and Reporting Performance of Biometric Devices”, Center for Mathematics and Scientific Computing, Tech. Rep. Version 2.01, National Physical Laboratory, UK. Putra, IKG. Darma, (2009), Sistem Biometrika, Edisi 1, Penerbit Andi, Yogyakarta. Ross, Arun A., Nandakumar, Karthik, dan Jain, Anil K. (2006), Handbook of Multibiometrics, Edisi 1, Springer Science+Business Media, LLC, USA.
26
