BAB II LANDASAN TEORI
2.1 Biometric 2.1.1 Pengertian Biometric Kata biometric berasal dari bahasa Yunani bios, yang berarti kehidupan, dan metrics, yang berarti ukuran.Biometrics dapat didefinisikan sebagai karakteristik physiological dan atau behavioural yang dapat diutilisasi untuk memverifikasi identitas dari suatu individu, dan termasuk verifikasi sidik jari, geometri tangan, scan retina, scan iris, pengenalan wajah dan verifikasi tandatangan (Mary, 2010). Otentikasibiometric dikenal sebagai identifikasi otomatis, atau verifikasi identitas, dari suatu individu menggunakan suatu fitur biologikal yang memiliki physiologicalkarakteristik seperti sebuah sidik jari atau sesuatu yang dilakukan yang memiliki karakteristik perilaku, seperti sebuah tandatangan (Joshi, 2013 ). Dalam prakteknya, proses identifikasi dan otentikasi merupakan kemampuan untuk memverifikasi dan mengkonfirmasi suatu identitas. Dan diselesaikan dengan menggunakan satu atau suatu kombinasi dari tiga teknik identifikasi tradisional: sesuatu yang anda miliki; sesuatu yang anda ketahui; atau sesuatu yang merupakan anda (Kim, 2012).
11
12
Menurut Babich, 2012 Karakteristik Biometric dapat dipisahkan menjadi dua kategori utama:
physiological
Karakteristik
berelasi
kepada
bagian
dari
tubuh.
Ciri/karakteristik yang digunakan merupakan yang bertahan lama, seperti sidik jari; contoh lain adalah face recognition, hand geometry dan iris recognition.
Karakteristik perilaku berelasi kepada perilaku dari seseorang. Karakteristik pertama
yang
digunakan
secara
luas
pada
saat
ini
adalah
tandatangan/signature, voice dan sebagainya. Menurut Woodward, 2001, secara umum, karakteristik fisik dan perilaku yang digunakan oleh biometrics termasuk kedalam taxonomy seperti pada gambar 2.1:
Biometrics
Behavioral
Physical
Head
Hand
Signature
Voice
Hand Face
Iris Palm print Fingerprint
Gambar 2.1 Karakteristik Fisik dan Perilaku pada Biometrics
Others (Gesture, Keystroke)
13
2.1.2 Faktor Evaluasi Biometric Faktor evaluasi biometric terdiri dari beberapa hal seperti yang terlihat pada tabel 2.1 yang diambil dari Bhattacharyya (2009).
Tabel 2.1 Faktor Evaluasi Biometric
Biometric
EER
FAR
FRR
Subjects
Face Fingerprint
NA 2%
1% 2%
10 % 2%
37437 25000
Hand geometry Iris Keystrokes Voice
1%
2%
2%
129
.01 % 1.8 % 6%
.94 % 7% 2%
.99 % .1 % 10 %
1224 15 30
2.1.2.1
Comments
Varied light, indoor/outdoor Rotation and exaggerated skin distortion With rings and improper placement Indoor environment During 6 months period Text dependent and multilingual
False Accept Rate (FAR)
FAR merupakan persentase pengguna tidak sah yang diautentifikasi sebagai pengguna sah. Semakin rendah FAR, maka semakin baik tingkat keakuratan dari metode biometric tersebut (Bhattacharyya, 2009). FAR hanya dapat ditentukan berdasarkan data yang dikumpulkan berdasarkan sample dari orang lain yang bukan merupakan orang yang sebenarnya. FAR juga berhubungan langsung dengan threshold yang dipakai dalam proses identifikasi biometric, semakin rendah FAR maka dapat dipastikan threshold yang digunakan akan semakin tinggi. Threshold yang semakin tinggi menyebabkan kemungkinan orang yang tidak berhak mengakses sistem semakin sedikit, namun juga berimbas pada kenyamanan user karena user yang berhak untuk masuk kedalam sistem akansemakin sulit ketika harus melakukan identifikasi biometric. Hubungan
14
antara FAR, FRR, error dan sensitifitas dapat dilihat pada gambar 2.2
Gambar 2.2Hubungan Antara FAR, FRR. Error dan Sensitifitas
2.1.2.2
False Reject Rate(FRR)
FRR merupakan persentase pengguna yang sah yang ditolak dalam otentikasi (Bhattacharyya, 2009). FRR dapat ditentukan dari setiap pengguna baik pengguna yang berhak mengakses sistem ataupun bukan dengan cara menganalisa data yang dikumpulkan dari masing-masing user pada rentang waktu tertentu, bisa dalam minggu, bulan atau tahun. Terdapat bermacam penyebab mengapa terjadi false rejection, antara lain kualitas citra biometric yang buruk, user yang terburu-buru dalam melakukan otentikasi sehingga sistem sulit mengenali user tersebut. FRR juga tergantung kepada nilai threshold, dimana semakin tinggi nilai threshold, maka FRR juga akan meningkat dan sebaliknya (Malik, 2014).
15
2.1.2.3
Equal Error Rate (EER)
EER merupakan tingkat dimana FAR dan FRR memiliki nilai yang sama. Semakin rendah nilai EER maka sistem semakin akurat (Bhattacharyya, 2009). EER merupakan deskripsi paling tepat untuk menggambarkan tingkat kesalahan / error rate dari sebuah algoritma dikarenakan seperti yang telah dijelaskan diatas, semakin rendah tingkat EER, berarti semakin rendah pula kesalahan yang terjadi pada sebuah algoritma.
2.1.2.4
Failure to Enroll Rate (FTE atau FER)
Merupakan persentasi dari jumlah kegagalan melakukan enrollment pada sistem.Kegagalan dapat diakibatkan beberapa hal seperti data yang dihasilkan oleh sensor salah atau kualitas citranya buruk (Bhattacharyya, 2009). Kegagalan user dalam melakukan enrollment menyebabkan user tersebut tidak dapat didaftarkan pada sistem.Contoh nilai FTE sebesar 1% berarti bahwa dari 100 pendaftaran / enrollment yang dilakukan pada sistem, ada kemungkinan satu kali pendaftaran gagal.
2.1.2.5
Failure to Capture Rate (FTC)
Pada sistem otomatis, persentasi kegagalan sistem untukmendeteksi karakter atau ciri-ciri biometric disebut dengan Failure to Capture Rate (Bhattacharyya, 2009). Hal ini dapat terjadi dikarenakan adanya kesalahan pada device biometric ataupun human error. Adanya kerusakan pada device serta human error dikarenakan adanya kemungkinan user tidak di training dengan baik tentang cara melakukan
16
identifikasi pada device biometric menyebabkan device tidak mampu menangkap informasi yang dibutuhkan untuk melakukan identifikasi.
2.1.2.6
Template Capacity
Merupakan jumlah maksimum dari kumpulan data yang dapat dimasukkan kedalam sistem (Bhattacharyya, 2009). Data yang dimaksud adalah data mengenai template fitur biometric yang akan digunakan untuk dibandingkan dengan user yang melakukan identifikasi. Semakin kecil ukuran template maka akan semakin mudah metode tersebut untuk diterapkan dikarenakan template tidak membutuhkan tempat penyimpanan yang berukuran besar, ringan untuk digunakan pada device dengan memory yang terbatas dan sebagainya.
2.1.3 Perbandingan Metode Biometric Terdapat beberapa metode biometric yang sudah digunakan pada berbagai sistem saat ini, metode tersebut antara lain : ▪ Facial Recognition ▪ Iris ▪ Finger vein ▪ Fingerprint ▪ Lips ▪ Voice
17
2.1.3.1
Facial Recognition
Salah satu cara untuk melakukan verifikasi wajah adalah dengan mengevaluasi ciri-ciri wajah tertentu yang berasal dari hasil pengolahan citra dengan yang sudah disimpan pada database. Facial recognition memiliki kelebihan dan kekurangan yang dapat dilihat pada tabel 2.2 yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology Tabel 2.2Kelebihan dan Kekurangan Facial Recognition
Kelebihan
Kekurangan
Tidak memerlukan kerjasama dari Bergantung pada posisi view wajah subjek test untuk identifikasi Dapat dengan mudah mengidentifikasi Tidak efektif dilakukan pada individu pada area terbuka yang padat pencahayaan yang buruk, memakai kacamata, tertutup rambut atau tertutup objek lainnya Dapat melakukan identifikasi secara Tidak efektif pada citra dengan resolusi banyak yang tidak dapat dilakukan rendah oleh sistem biometric yang lain Sistem tidak memerlukan langsung untuk verifikasi
kontak Bergantung pada ekspresi wajah
User friendly – menerapkan metode Termasuk metode yang mahal untuk contactless diterapkan
Gambar 2.3 Contoh Facial Recognition
18
2.1.3.2
Iris
Termasuk salah satu metode teraman dalam otentikasi dan identifikasi dikarenakan keakuratannya yang tinggi dengan FAR dan FRR yang sangat rendah namun selain memiliki kelebihan, juga terdapat kekurangan pada metode ini seperti yang terlampir pada tabel 2.3 yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology Table 2.3 Kelebihan dan Kekurangan Iris Kelebihan
Kekurangan
Iris memiliki struktur yang unik yang Iris Scanner dapat diakali dengan mudah terbentuk sejak usia 10 bulan dan selalu menggunakan citra iris berkualitas tinggi stabil sepanjang hidup Iris memiliki tekstur yang unik, bahkan Keakuratan perangkat scanner dapat orang-orang yang serupa secara genetik dipengaruhi oleh efek pencahayaan memiliki tekstur iris yang berbeda Tidak membutuhkan kontak langsung Iris scanner termasuk salah satu yang dengan scanner paling mahal harganya dibandingkan dengan metode biometric yang lain Memiliki kecepatan pengenalan dan Dikarenakan ukurannya yang kecil, iris akurasi yang tinggi recognition menjadi sulit dilakukan pada jarak yang jauh Dapat mengenali iris palsu (misalnya Iris recognition rentan terhadap kualitas contact lens) gambar yang tidak memadai Memiliki FAR yang rendah
Penderita diabetes dan beberapa penyakit lain menyebabkan terjadinya perubahan pada iris mata sehingga sulit melakukan scanning iris
Gambar 2.4 Contoh Iris
19
2.1.3.3
Fingerprint
Fingerprint tersusun dari sejumlah ridges dan valley pada permukaan jari dengan susunan yang unik pada masing-masing orang. Ridges merupakan lapisan kulit teratas jari sedangkan valley adalah bagian bawah lapisan kulit.Penentuan individu melalui fingerprint dapat dilakukan melalui poin minutiae serta bentuk dari ridges tesebut. Kelebihan dan kekurangan metode ini dapat dilihat pada tabel 2.4 yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology. Table 2.4 Kelebihan dan Kekurangan Fingerprint
Kelebihan
Kekurangan
Sistem ini secara umum instalasi dan Dikarenakan fingerprint scanner penggunaannya relatif mudah melakukan scanning pada satu bagian dari jari seseorang, sehingga rentan terhadap kesalahan Peralatan relatif murah dimana Kemungkinan dapat dimanipulasi biasanya hanya memakai sumber energi menggunakan jari buatan yang sedikit Fingerprint dapat digunakan secara Fingerprint dari orang-orang yang universal, hanya 2% dari populasi bekerja pada sektor tertentu dapat manusia yang tidak dapat menggunakan terdistorsi fingerprint dikarenakan kerusakan kulit atau faktor keturunan Penggunaan mudah, hanya dengan Fingerprint sering tertinggal melakukan swipe pada fingerprint berbagai tempat, sehingga scanner dengan proses yang cepat dan kemungkinan dapat dicuri akurasi yang baik Fingerprint scanner menghasilkan sebuah metode untuk menyimpan poinpoin identitas yang sangat susah untuk dipalsukan
pada ada
20
Gambar 2.5 Contoh Fingerprint
2.1.3.4
Finger Vein
Merupakan teknologi biometric yang menentukan individu menggunakan pola vena pada bagian dalam jari.Vena merupakan pembuluh darah yang membawa darah menuju jantung.Vena masing-masing orang memiliki ciri-ciri fisik dan perilaku yang unik.Deoxyhemoglobindalam darah menyerap lampu infra merah sehingga muncul pola vena yang kelihatan seperti beberapa garis gelap. Lampu infra red yang dikombinasikan dengan kamera khusus menangkap citra dari pola finger vein. Kelebihan dan kekurangan metode ini dapat dilihat pada tabel 2.5 yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology.
21
Tabel 2.5 Kelebihan dan Kekurangan Finger vein
Kelebihan
Kekurangan
Pola finger vein secara umum berbeda Teknologi cukup mahal pada setiap orang, bahkan kembar pemakaian secara massal sekalipun, sehingga FAR yang ada sangat rendah (mendekati nol)
untuk
Dikarenakan pembuluh vena berada Keberadaan kamera khusus pada tubuh manusia, sehingga aman menyebabkan device scanner lebih dari pencurian besar ukurannya dibandingkan dengan fingerprint scanner Finger vein sangat sedikit terpengaruh Belum sepenuhnya teruji karena hanya oleh keadaan cuaca ataupun kondisi perusahaan penjual saja yang kesehatan menegaskan tingkat akurasi metode ini, sedangkan pemerintah dan lembaga pengeluar standar belum membuktikannya Ruam, retak dan kerusakan epidermis tidak berdampak pada hasil otentikasi Tingkat akurasi dari sistem pengenalan pembuluh darah / finger vein cukup tinggi Pola vena hanya membutuhkan citra beresolusi rendah
Gambar 2.6 Finger Vein
22
2.1.3.5
Voice Recognition
Voice Recognition merupakan teknologi yang menggunakan suara, frasa dan kata-kata yang diucapkan oleh seseorang dan ditransformasi menjadi sinyal elektronik,
kemudiansinyal
elektronik
ini
dikonversi
menjadi
voiceprint/spectogram. Kemudian voiceprint/spectrogram ini disimpan sebagai table berupa urutan angka-angka dimana setiap frekuensi yang dominan pada masing-masing segmen dinyatakan sebagai bilangan biner. Dari sini kita sudah memiliki template suara yang dapat digunakan untuk dicocokkan pada proses otentikasi nantinya. Untuk kelebihan dan kekurangan metode voice recognition dapat dilihat pada tabel 2.6 berikut yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology.
Tabel 2.6 Kelebihan dan Kekurangan Voice Recognition Kelebihan
Kekurangan
Sifatnya yang natural sehingga mudah Mudah terganggu oleh adanya suaradimengerti cara penggunaannya oleh suara disekitar orang yang user bersangkutan Teknik ini dapat digunakan pada orang Dapat diretas menggunakan suara yang yang kesulitan menggunakan tangannya sudah direkam Cocok digunakan untuk pengetikan Hanya dapat bekerja dengan baik jika otomatis microphone berada sangat dekat pada user Dapat dilakukan identifikasi dari jarak Terdapat kata-kata yang mirip sehingga jauh secara online bisa menimbulkan kesalahan pengenalan.
23
Gambar 2.7 Voice Identification
24
2.1.3.6
Lip Identification
Bibir manusia merupakan teknik pengenalan manusia (human recognition) yang
berasal dari proses forensik pada kejadian kriminal. Lip biometric dapat
digunakan
untuk meningkatkan potensi dari metode biometric lainnya seperti
facial recognition. Untuk kelebihan dan kekurangan metode ini dapat dilihat pada tabel 2.7 berikut yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology
Tabel 2.7 Kelebihan dan Kekurangan Lib Biometric
Kelebihan
Kekurangan
Studi membuktikan bahwa karakteristik Konsep membangun hybrid biometric bibir biasanya khas dan juga tidak membutuhkan usaha yang lebih besar berubah dibanding sistem biometric biasa Lips prints digunakan oleh ahli forensik Kelemahan utama dari metode ini dan polisi adalah bahwa atribut wajah tertentu mungkin tidak memperoleh rincian yang relevan, contohnya gigi yang terlihat dapat menimbulkan rincian tambahan yang menyebabkan kesulitan dalam identifikasi Ukuran template kecil Lips Biometric termasuk passivebiometric karena memerlukan interaksi dari bersangkutan
Sebuah senyum akan mengakibatkan kesulitan identifikasi. jenis tidak yang
Citra bibir dapat diambil dari kejauhan tanpa diketahui oleh yang bersangkutan Lips biometric dapat digunakan secara hybrid dengan sistem face biometric
25
Gambar 2.8 Contoh Lip Identification
Perbandingan masing-masing metode biometrics berdasarkan tingkat keakuratan, biaya, ukuran template, stabilitas dan tingkat keamanan dapat dilihat pada tabel 2.8 berikut yang diambil dari Saini, 2014. Comparison of Various Biometric Methods.International Journal Of Advances in Science and Technology.
Tabel 2.8 Perbandingan Metode Biometrics
Biometric
Keakuratan
Biaya
Ukuran Stabilitas jangka Tingkat Template panjang keamanan
Facial Recognition
Rendah
Tinggi
Besar
Rendah
Rendah
Iris scan
Tinggi
Tinggi
Kecil
Medium
Medium
Fingerprint
Medium
Rendah
Kecil
Rendah
Rendah
Finger vein
Tinggi
Medium
Medium
Tinggi
Tinggi
Voice recognition
Rendah
Medium
Kecil
Rendah
Rendah
Lip recognition
Medium
Medium
Kecil
Medium
Tinggi
26
Menurut Patrizio Campisi (2013) Daftar dari tingkat kekuatan, kelemahan dan aplikasi yang cocok untuk masing-masing metodologi biometrics dapat dilihat pada gambar 2.9:
Gambar 2.9 Perbandingan Kekuatan, Kelemahan dan Penerapan yang Cocok pada Masing-masing Metode Biometrics
27
2.1.4 Pemilihan Metode Biometric Berdasarkan perbandingan metode biometrics diatas dan disesuaikan dengan aplikasi yang akan dibangun, maka penulis memutuskan untuk menggunakan suara / voice recognition sebagai metode biometric yang tepat untuk penelitian ini dikarenakan hal-hal sebagai berikut : 1. Untuk perangkat mobile berbasis android, sudah tersedia microphone sebagai hardware yang digunakan untuk mengambil suara pada proses otentikasi sehingga tidak diperlukan tambahan hardware yang lain. 2. Menghasilkan ukuran template yang kecil, sehingga akan memudahkan untuk sistem absensi mobile yang dibangun nantinya dikarenakan konsep penyimpanan template fingerprint berada pada database di sisi server yang diharapkan dapat memudahkan transfer data antara mobile device pada client side dan database di server side. 3. Penggunaan yang cukup mudah dikarenakan user hanya perlu untuk mengucapkan kata-kata yang diminta sehingga tidak memerlukan training yang rumit. 4. Voice recognition termasuk metode biometric yang cocok digunakan pada mobile device berdasarkan gambar 2.9. 5. Berkaitan dengan kekurangan yang terdapat pada voice recognition, seperti adanya kerentanan diretas dengan menggunakan suara yang telah direkam sebelumnya, maka dirasa perlu untuk merancang sebuah metode pengamanan sehingga algoritma voice recognition yang digunakan nantinya akan lebih aman.
28
2.2 Komponen Penyusun Suara Manusia
Suara manusia terbentuk oleh tiga komponen utama yaitu sumber tenaga yang berasal dari paru-paru, sumber getar yang berasal pangkal tenggorokan serta resonator yang diperankan oleh tenggorokan, hidung, mulut dan sinus Tenaga suara berasal dari udara yang dikeluarkan, ketika bernafas, diafragma bagian bawah dan tulang rusuk mengembang, membawa udara ke paruparu. Pada saat kita membuang nafas, proses yang terjadi adalah sebaliknya dimana udara keluar dari paru-paru, menciptakan aliran udara menuju trakea. Aliran udara ini menghasilkan energi untuk pita suara pada pangkal tenggorokan untuk memproduksi suara. Semakin besar aliran udara, maka semakin besar pula suara. Sumber getar berasal dari larik atau kotak suara yang berada di ujung batang tenggorokan. Terdiri dari dua pita suara yang terbuka ketika bernafas dan tertutup ketika menelan dan memproduksi suara. Saat kita memproduksi suara, aliran udara melewati dua pita suara secara bersamaan. Pita suara ini lunak dan akan bergetar ketika dilewati aliran udara. Pita suara bergetar sangat cepat antara 100 sampai 1000 kali perdetik, tergantung nada suara yang kita hasilkan. Nada ditentukan oleh panjang dan ketegangan pita suara, yang dikontrol oleh otot di larik. Pita suara menghasilkan suara yang mirip dengan dengungan. Struktur pada pita suara termasuk tenggorokan, hidung, mulut adalah bagian dari sistem resonator. Struktur ini dapat dibandingkan dengan sebuah terompet. Suara dengungan yang dihasilkan oleh getaran pita suara diubah oleh bentuk dari sistem resonator untuk menghasilkan suara manusia yang unik.
29
2.3 Pengertian Suara
Suara merupakan fenomena fisik yang dihasilkan oleh getaran benda atau getaran suatu benda yang berupa sinyal analog dengan amplitudo yang berubah secara kontinyu terhadap waktu. Suara dihasilkan oleh getaran suatu benda. Selama bergetar, perbedaan tekanan terjadi di udara sekitarnya. Pola osilasi yang terjadi dinamakan sebagai “Gelombang”. Gelombang mempunyai pola sama yang berulang pada interval tertentu, yang disebut sebagai “Periode”. Hal- hal yang berkaitan dengan suara antara lain adalah frekuensi. Frekuensi merupakan banyaknya getaran dalam satu detik, satuannya adalah Hertz (Hz) atau cycles per second (CPS), sedangkan panjang gelombang suara (Wavelength) dirumuskan dengan c/f, dimana :
c = Kecepatan rambat bunyi f = Frekuensi
Berdasarkan frekuensinya, suara dibagi menjadi 4 bagian : 1. Infrasound
= 0 Hz – 20 Hz
2. Pendengaran manusia = 20 Hz – 20 KHz 3. Ultrasound
= 20 KHz – 1 GHz
4. Hypersound
= 1 GHz – 10 THz
Manusia membuat suara dengan frekuensi berkisar antara 50Hz – 10KHz.
30
Sinyal suara musik memiliki frekuensi 20Hz – 20Khz. Oleh karena itu sistem multimedia menggunakan suara yang berada dalam rentang pendengaran manusia. Suara yang berada pada rentang pendengaran manusia sebagai “Audio” dan gelombangnya sebagai “Accoustic Sinyal”. Suara diluar rentang pendengaran manusia dapat dikatakan sebagai “Noise”, merupakan getaran yang tidak teratur dan tidak berurutan dalam berbagai frekuensi. Amplitudo merupakan keras lemahnya bunyi atau tinggi rendahnya gelombang. Memiliki satuan decibel (db). Bunyi mulai dapat merusak telinga jika tingkat volumenya lebih besar dari 85 dB dan pada ukuran 130 dB akan mampu membuat hancur gendang telinga. Sedangkan velocity merupakan kecepatan perambatan gelombang bunyi sampai ke telinga pendengar dan memiliki satuan m/s. Pada udara kering dengan suhu 20 °C (68 °F) kecepatan rambat suara sekitar 343 m/s.
31
2.4 Voice Recognition
2.4.1 PengertianVoice Recognition
Voice Recognition merupakan suatu proses yang bertujuan untuk mengenali siapa yang sedang berbicara berdasarkan informasi yang terkandung dalam gelombang suara yang di-input (Sharma.,2013). Dalam hal sistem yang akan dirancang nantinya akan menggunakan perbandingan one to onedimana fitur-fitur suara dari pembicara akan dibandingkan dengan fitur-fitur suara dari seseorang yang spesifik yang ada didalam sistem dengan threshold tertentu. Menurut Aditya, 2012, alur voice recognition adalah seperti terlihat pada gambar 2.10 berikut.
Gambar 2.10 Blok diagram voice recognition
32
2.4.2 Teknik Pengenalan Suara
Teknik yang dilakukan untuk voice recognition adalah sebagai berikut : (Aditya, 2012)
1. Proses konversi sinyal analog menjadi digital Sinyal suara merupakan sinyal continue yang artinya sinyal tersebut memiliki nilai yang tidak terbatas, namun pada komputer semua sinyal yang dapat diproses merupakan sinyal discrete atau disebut sebagai sinyal digital. Agar sinyal suara dapat diproses oleh komputer, maka harus diubah terlebih dahulu dari signal continue menjadi signal discrete. Hal ini dapat dilakukan melalui tiga tahapan proses yaitu proses sampling data, proses kuantisasi dan proses pengkodean. Menurut Every, 2010, Proses sampling data merupakan proses pencuplikan sinyal analog.Contohnya ada seperti pada gambar 2.11.
Gambar 2.11 Contoh proses sampling sinyal analog ke digital
33
Titik-titik yang ada pada gambar 2.11 merupakan titik-titik yang diambil dari frekuensi aslinya yang kemudian dari titik-titik tersebut dibentuk sinyal frekuensi lagi, sehingga semakin banyak titik-titik tersebut maka kualitasnya akan semakin mendekati frekuensi aslinya namun juga berakibat pada semakin besarnya fileaudio tersebut. Proses sampling biasanya diikuti dengan satuan seperti 8 samples per second atau 16 samples per second, dimana artinya terdapat delapan atau 16 titik yang diambil dari frekuensi asli dalam setiap detiknya untuk kemudian dibentuk menjadi sinyal frekuensi lagi seperti pada gambar 2.12 berikut.
Gambar 2.12 Contoh jumlah sample per detik
Proses kuantisasi merupakan proses membulatkan nilai data ke dalam bilangan-bilangan tertentu yang telah ditentukan terlebih dahulu. Semakin banyak level yang dipakai maka semakin akurat pula data sinyal yang
34
disimpan dan juga berpengaruh pada ukuran data dan waktu proses yang dibutuhkan.
Setelah dilakukan proses kuantisasi, maka proses selanjutnya adalah menjadikan nilai hasil kuantisasi kedalam kombinasi bilangan biner sehingga terbentuklah bilangan-bilangan biner yang merupakan informasi dari sinyal untuk kemudian dapat dianalisa pada proses selanjutnya seperti dapat dilihat pada gambar 2.13.
Gambar 2.13 Proses pembentukan sinyal digital
2. Ekstraksi Ciri (Feature Extraction) Tahap ini bertujuan untuk mengubah gelombang suara menjadi parameter-parameter yang dapat diproses untuk pencocokan suara nantinya. Terdapat banyak cara untuk dapat mengubah gelombang suara menjadi parameter-parameter yang dapat diproses. Cara tersebut antara lain dengan menggunakan Linier Predictive Coding, Mel Frequency Cepstrum Coefissients (MFCC) dan lainnya, namun saat ini MFCC merupakan metode yang paling dikenal dan paling populer dan akan
35
digunakan dalam penelitian ini. MFCC merupakan teknik yang mengadaptasi sistem pendengaran manusia, dimana signal suara akan di-filter secara linear untuk frekuensi rendah (dibawah 1000 Hz) dan secara logaritmik untuk frekuensi tinggi (diatas 1000 Hz).
Gambar 2.14 Blok diagram MFCC
Menurut Mal, 2014, Terdapat lima tahapan dalam MFCC seperti dapat dilihat pada gambar 2.14 dan berikut merupakan penjelasan untuk masing-masing tahapan tersebut. a) Frame Blocking Merupakan fungsi yang diperlukan untuk memproses sinyal secara short segments (short frame).Hal ini dilakukan karena sinyal suara mengalami perubahan akibat adanya pergeseran artikulasi dari organ produksi vokal. Dalam proses frame blocking sinyal suara yang masuk akan diblok menjadi frame-frame dengan jumlah N sample dan jarak antar frame overlap dengan spasi M dimana M < N. Sedangkan untuk panjangnya waktu yang digunakan pada frame
36
blocking sendiri biasanya sekitar 10-30 milidetik. Proses frame blocking biasanya dilakukan secara overlapping pada setiap frame-nya untuk menghindari hilangnya ciri atau karakteristik suara pada perbatasan perpotongan setiap frame. Panjang overlap ini biasanya antara 30% - 50% dari panjang frame (Aditya, 2012).
Gambar 2.15 Proses frame blocking pada MFCC
b. Proses Windowing Merupakan proses yang bertujuan untuk mengurangi terjadinya kebocoran spectral atau aliasing yang mana merupakan suatu efek dari timbulnya sinyal baru yang memiliki frekuensi yang berbeda dengan sinyal aslinya. Menurut Riyanto, 2009, Efek tersebut dapat terjadi karena rendahnya jumlah sampling rate atau karena proses frame blocking yang menyebabkan sinyal menjadi discontinue atau bisa juga muncul karena frekuensi dari sinyal input bukan merupakan bilangan bulat dan N ≠ f seperti tampak pada gambar 2.16.
37
Sinyal ketika frekuensi bukan bilangan
bulat
dengan
N
Sinyal ketika N (banyaknya data penyamplingan)
tidak
sama
(banyaknya data penyamplingan)
dengan fs (sampling rate). Dalam
= 64, fs (sampling rate)=64 Hz,
hal ini N = 64, fs =128 Hz, f1=
f1=16.4 Hz, f2=20 Hz (frekuensi
16.4 Hz, f2=20 Hz (frekuensi
masukan)
masukan)
Gambar 2.16 Contoh fenomena kebocoran sinyal
Salah satu metode yang dapat digunakan untuk proses windowing adalah
metode
hamming
window.
Fungsi
window
ini
menghasilkan sidelobelevel yang tidak terlalu tinggi (sekitar -43 dB) serta noise yang tidak terlalu besar. (Aditya, 2012)
c. DFT (Discrete Fourier Transform) Merupakan gambaran karakteristik spektrum periodik dari suatu sampel data. DFT memiliki spectrum garis yang mewakili periode
sekuensial
N.
Adanya
istilah
“discrete
fourier
transform” karena DFT memberikan gambaran deret fourier untuk sekuens terbatas.
38
DFT bertujuan untuk mengubah sinyal dari kawasan waktu ke kawasan frekuensi, dimana tujuan transformasi adalah untuk memudahkan
analisis
(Mal,
2014).
Proses
DFT
secara
komputerisasi dilakukan dengan menggunakan algoritma yang dinamakan Fast Fourier Transform (FFT). Oleh karena FFT merupakan implementasi penerapan DFT, maka antara FFT dan DFT sering dianggap sama dan dapat dipertukarkan.
Pemprosesan sinyal pada DFT akan menghasilkan spectrum frekuensi yang terdiri dari spectrum magnitude dan spectrum fasa yang menunjukkan hubungan antara magnitude, fasa dan frekuensi dimana nantinya kita dapat melihat komponen penyusun sinyal tersebut dari magnitude sinyal pada rentang frekuensi.
Untuk analisis pada suara manusia, maka DFT ini digunakan untuk melihat suara seseorang tersebut memiliki magnitude besar pada frekuensi berapa saja yang menunjukkan frekuensi dominan dari suara tersebut.
DFT juga dapat digunakan untuk proses filtering dengan cara mengamati pada frekuensi berapa noise tersebut berada sehingga bisa dirancang filter untuk menghapus noise pada frekuensi tersebut.
39
Dalam
proses
ini,
DFT
dipakai
untuk
memungkinkan
dilakukannya analisa terhadap spectral propertiesdari sinyal yang diinputkan. Representasi terhadap spectral properties sering disebut
sebagai
spectrogram.Spectrogram
merupakan
representasi visual dari spectrum frekuensi pada suara atau sinyal lainnya yang divariasikan dengan waktu atau variabel yang lain. Spectrogram kadang juga disebut dengan spectral waterfall, voiceprints atau voicegrams. Biasanya spectrogram digambarkan dengan bentuk blok frekuensi secara vertikal dan garis waktu yang berada secara horizontal.
Gambar 2.17 Spectogramdari kalimat “She sells sea shells” d. Mel Frequency Wrapping Persepsi manusia tentang frekuensi berisi suara untuk sinyal
40
suara tidak mengikuti sebuah skala linier. Jadi seperti yang sudah diterangkan pada bagian penjelasan MFCC diatas, skala melfrequency terdiri dari frekuensi linear dibawah 100 Hz dan frekuensi logaritmik diatas 100 Hz. Pitch dari nada 1 kHz, 40 dB diatas nilai threshold pendengaran didefinisikan sebagai 1000 mels (Mal, 2014). Dari referensi tersebut maka didapat formula yang tepat untuk menghitung mels pada frekuensi yang diberikan dalam Hz.
mel(f) = 2595*log10(1 + f / 700)
Dimana f adalah frekuensi linier. Mel
Frequency
Wrapping
umumnya
dilakukan
dengan
menggunakan filterbank, dimana filterbank merupakan salah satu dari bentuk filter yang dilakukan dengan tujuan untuk mengetahui ukuran sinyal dari frequency band tertentu dalam sinyal suara. Pada penggunaannya dengan MFCC, filterbank harus diterapkan dalam domain frekuensi.
41
Gambar 2.18 Magnitude dari Rectangular dan TriangularFilterbank
e. Cepstrum Cepstrum
merupakan
tahapan
akhir
dimana
kita
akan
mengkonversi log mel spectrum kembali ke waktu dan hasilnya disebut dengan Mel-frequency Cepstrum Coeffisients (MFCC). Sedangkan cara untuk mengkonversinya ke domain waktu dapat mempergunakan Discrete Cosine Transform (DCT) (Sijabat, 2009). Konsep dasar DCT adalah mendekorelasikan mel spectrum sehingga menghasilkan representasi yang baik dari properti spektral lokal.
42
Sinyal suara akan berubah kedalam vektor suara yang ringkas dan hanya memuat informasi penting mengenai suara si pembaca. Pada sistem pengenalan suara biasanya hanya 13 (tiga belas) cepstrum koefisien pertama yang digunakan.
3. Teknik Pencocokan Template Suara
Setelah dilakukan ekstraksi ciri suara, maka akan didapat vektor suara yang berisi informasi penting mengenai suara si pembaca tersebut, setelah itu hal yang harus dilakukan berikutnya adalah memikirkan metode untuk mencocokkan ciri suara yang disimpan pada template dengan suara yang masuk. Terdapat beberapa metode yang dapat digunakan untuk pencocokan template suara. Metode tersebut antara lain Dynamic Time Warping (DTW), Hidden Markov Modeling (HMM), Neural Network, Vector Quantization. Salah satu tantangan dalam proses pengenalan suara adalah durasi perekaman yang berbeda walaupun kata yang diucapkan sama. Hal ini mengakibatkan proses matching antara sinyal yang akan diuji dengan template seringkali tidak menghasilkan nilai yang optimal. Dynamic Time Warping (DTW) ditujukan untuk mengakomodasi perbedaan waktu antara proses perekaman saat pengujian dengan yang tersedia pada template sinyal referensi. Cara kerja DTW adalah dengan memberikan sebuah rentang ‘steps’ dalam ruang (merupakan sebuah
43
frame waktu dalam sample, frame waktu dalam template)dan digunakan untuk mempertemukan lintasan yang menunjukkan local match terbesar (kemiripan) antara time frame yang lurus. Selanjutnya akan diperoleh total similarity costyang akan menjadi sebuah indikasi tingkat kesamaan antara sample dan template. Menurut Aditya (Aditya, 2012) Keunggulan DTW dalam menghitung jarak antara dua data berbasis waktu adalah mampu menghitung jarak dari dua vektor data dengan panjang yang berbeda. Jarak DTW diantara dua vektor dihitung dari jalur pembengkokan optimal (optimal warping path) dari dua vektor tersebut seperti diilustrasikan pada gambar 2.19.
(a)
(b)
Gambar 2.19 Pencocokan Sequence (a) alignment asli dari 2 sequence (b) alignment dengan DTW
Untuk mobile device berbasis android sendiri saat ini sedang dikembangkan metode otentikasi dengan menggunakan suara (voice recognition) yang masih dipergunakan untuk membuka kunci android device tersebut. Fitur ini diberi namaTrusted Devicepada Google Play Services 7.0 dan Android 5.1 Lollipop.
44
Namun sistem keamanan ini sendiri memiliki kekurangan dimana Google memberi peringatan bahwa sistem keamanan tersebut tidak seaman ketika pengguna menggunakan PIN atau password, sistem dapat diakali dengan berbagai cara, salah satunya dengan menggunakan rekaman suara pengguna. Pada algoritma yang dirancang nantinya salah satu hal yang ingin ditingkatkan
adalah
mengenai
keamanan
dari
metode
otentikasi
menggunakan suara, dimana akan sulit bagi si penyerang untuk menggunakan suara rekaman ketika berusaha melakukan eksploitasi pada sistem otentikasi.
2.5 Perbandingan algoritma MFCC dan algoritma sejenis Mel Frequency Cepstral Coefficients (MFCC) merupakan salah satu algoritma yang digunakan untuk ekstraksi fitur dalam pengenalan suara dengan menggunakan langkah – langkah pre-emphasis, frame blocking, windowing, filter bank analysis, logarithmic compression dan discrete cosine transformation.
PS-ZCPA (pitch-synchronous zero-crossing peak-amplitude) merupakan algoritma yang menggunakan metode pengurangan kebisingan dan prosedur penyesuaian kebisingan adaptif. Algoritma PS-ZCPA dibagi menjadi dua bagian yaitu deteksi yang mencakup bersuara dan deteksi tak bersuara / frame diam (Riyanto, 2014). Ekstraksi fitur suara pada PS-ZCPA dilakukan dengan mengsinkronisasi puncak suara dan kemudian dihitung ciri dasar suara dengan langkah-langkah mendeteksi penyebaran nol dari setiap keluaran lter(sub-sinyal pita), menghitung berturut-turut kebalikan dari panjang positive interval zero crossing yang
45
berkorespondensi ke frekuensi dominan, mengumpulkan histogram kebalikan panjang zero-crossing atas semua sinyal sub-band, meningkatkan jumlah bin histogram dengan logaritma dari puncak terdeteksi sesuai jarak zero-crossing, interpolaso linier dan dilakukan sample positif zero-crossing. Cara kerja PSZCPA dapat dilihat pada gambar berikut.
Gambar 2.20 Blok PS-ZCPA LPC (Linear Predictive Coding) merupakan algoritma yang digunakan untuk proses ekstraksi ciri, metode ini juga dapat diterapkan dalam pengenalan kata. Tujuan dari digunakannya metode ini adalah untuk mencari nilai koefisien LPC dari suatu sinyal. Langkah-langkah analisis pada LPC adalah pembagian sinyal (frame blocking) , dilanjutkan dengan windowing, metode autokorelasi dan menghasilkan parameter keluaran (Riyanto, 2014). Perbandingan tingkat pengenalan ketiga metode ekstraksi suara diatas dapat dilihat pada tabel berikut ini.
Tabel 2.9 Perbandingan Tingkat Pengenalan Metode Ekstraksi Suara (Riyanto, 2014)
Teknik Ekstraksi Ciri
Tingkat Pengenalan
MFCC
85.3
46
PS-ZCPA
38.5
LPC
82.3
Jumlah waktu ekstraksi ciri yang dibutuhkan oleh masing-masing algoritma dapat dilihat pada tabel berikut.
Tabel 2.10 Perbandingan Waktu Metode Ekstraksi Suara (Riyanto, 2014) Ekstraksi Ciri
Waktu
MFCC
0.092
LPC
0.152
PS-ZCPA
27.38
Jumlah waktu training yang dibutuhkan masing-masing algoritma dapat dilihat pada tabel berikut.
Tabel 2.11 Perbandingan Waktu Training Metode Ekstraksi Suara (Riyanto, 2014) Ekstraksi Ciri
Waktu Training
MFCC
0.345
LPC
0.213
PS-ZCPA
1.811
47
Berdasarkan data hasil penelitian diatas dapat disimpulkan bahwa MFCC merupakan pilihan yang terbaik dalam melakukan ekstraksi ciri suara dalam hal waktu dan tingkat pengenalan ciri sehingga dianjurkan untuk menggunakan MFCC dalam penelitian ini nantinya.
2.6 Sistem Absensi
Pada saat ini terdapat beberapa jenis sistem absensi yang ada dipasaran, jenis tersebut adalah sebagai berikut.
1. Sistem absensi kartu manual Sistem absensi kartu manual merupakan sistem absensi pertama kali yang digunakan di kantor sejak kurang lebih dua abad yang silam. Mesin absensi yang biasa disebut mesin ceklok adalah mesin yang digunakan pada sistem ini. Cara penggunaannya adalah dengan memasukkan kartu absen karyawan kedalam mesin dan kemudian mesin akan mencetak waktu pada kartu absen karyawan tersebut. Mesin ini terdiri dari slot untuk memasukkan kartu absen serta jam analog yang menunjukkan waktu saat ini. Kelebihan dan kekurangan sistem absensi kartu manual ini dapat dilihat pada tabel 2.9 yang diambil dari Dransfield, Robert. (2000).Human Resource Management.Heinemann Educational Publisher.
48
Tabel 2.12 Kelebihan dan Kekurangan Sistem Absensi Kartu Manual
Kelebihan
Kekurangan
Harga relatif murah
Tidak praktis karena HRD harus melakukan input manual pada data kehadiran karyawan
Pencetakan waktu secara real time Menghabiskan banyak kertas sebagai dengan mencetak tanggal, hari serta kartu absensi karyawan jam pada kartu absen Rentan terjadi kecurangan karena bisa dititipkan kepada karyawan lain
Gambar 2.21 Tampilan Mesin Absensi Kartu Manual
2.
Sistem absensi digital Merupakan sistem absensi yang menggunakan metode digital untuk
absensi karyawan dan sudah digunakan sejak tahun 1970. Mesin yang digunakan merupakan mesin absensi digital dengan tombol dan layar digital untuk
49
menunjukkan waktu atau teks yang ditampilkan. Tombol digunakan untuk memasukkan password dan ID yang bersangkutan.
Tabel 2.13 Kelebihan dan Kekurangan Sistem Absensi Digital Kelebihan
Kekurangan
Data dapat diolah secara langsung Kecurangan masih dapat terjadi karena karena sudah dalam format digital karyawan dapat menitipkan PIN kepada karyawan yang lain Tidak menggunakan kertas sehingga Proses absensi bisa antri dan lama jika lebih praktis dan ramah lingkungan mesin yang digunakan sedikit dan jumlah karyawan cukup banyak
Gambar 2.22 Contoh Mesin Absensi Digital
3. Sistem absensi magnetic card Merupakan sistem absensi yang menggunakan magnetic ID card (kartu identitas) untuk mendata absensi atau daftar kehadiran karyawan dan mulai dipergunakan sejak 1980. Mesin absensi pada sistem ini merupakan paduan dari mesin absensi manual yang menggunakan kartu namun pendataan absensinya
50
secara digital.
Tabel 2.14 Kelebihan dan Kekurangan Sistem Absensi Magnetic Card
Kelebihan
Kekurangan
Data dapat diolah langsung karena Masih dapat dicurangi karena karyawan sudah memakai format digital dapat menitipkan kartu identitasnya Identitas karyawan dapat langsung Kapasitas yang dimiliki mesin terbatas diketahui hanya dengan menggesekkan karena keterbatasan produksi kartu kartu Harga yang tidak terlampau mahal dibanding jenis absensi lainnya
Gambar 2.23 Contoh Mesin Absensi Magnetic Card
4. Sistem absensi berbasis web Sistem absensi berbasis web merupakan sistem absensi yang digunakan untuk absensi karyawan secara online melalui sebuah aplikasi web, masingmasing karyawan mempunyai username dan password untuk digunakan ketika akan mengakses sistem tersebut. Berdasarkan platformnya yang berbasis web,
51
sistem absensi ini ditujukan bagi perusahaan yang pegawainya menggunakan komputer.
Tabel 2.15 Kelebihan dan Kekurangan Sistem Absensi Berbasis Web
Kelebihan
Kekurangan
Dapat diakses dimanapun dan Jika koneksi sedang mati, maka sistem kapanpun. Perusahaan yang tidak dapat diakses mempunyai cabang di area lain atau divisi yang berlainan lokasi diberbagai daerah dapat menggunakan sistem ini Data yang masuk dapat langsung Masih mungkin timbul kecurangan jika dikelola oleh staf HR karyawan menitipkan username dan passwordnya kepada karyawan lain Jika dihubungkan secara online di internet, maka karyawan dapat melakukan absensi bukan dari tempat kerja yang seharusnya dia berada
Gambar 2.24 Sistem Absensi Berbasis Web
52
5. Sistem absensi Biometrik Merupakan sistem absensi yang menggunakan metode biometrik untuk melakukan otentikasi karyawan saat proses absensi. Metode biometrik yang digunakan dapat berupa bentuk dan karakteristik wajah, mata dan suara manusia.
Tabel 2.16 Kelebihan dan Kekurangan Sistem Absensi Biometrik
Kelebihan
Kekurangan
Penggunaan mesin absensi cukup Harga lebih mahal daripada sistem mudah dan praktis, cukup dengan absensi yang lain berdiri didepan mesin absensi (untuk wajah) atau mengeluarkan suara (untuk karakteristik suara) Proses pendataan karyawan menjadi lebih akurat karena kecenderungan untuk melakukan kecurangan menjadi lebih kecil
Kemungkinan terjadi error saat mengidentifikasi karyawan berkaitan dengan proses pendeteksi biometrik yang tidak benar
Kapasitas user yang dimiliki cukup Untuk suara cenderung dapat dicurangi banyak jika suara direkam untuk melakukan otentikasi
Gambar 2.25 Sistem Absensi Biometric
53
6. Sistem absensi fingerprint Sistem absensi fingerprint merupakan sistem absensi berbasis biometrik yang menggunakan sidik jari karyawan untuk mendata daftar kehadiran karyawan. Jenis absensi ini mulai dikenal dan digunakan sejak 1997.
Tabel 2.17 Kelebihan dan Kekurangan Sistem Absensi Fingerprint
Kelebihan
Kekurangan
Penggunaan yang praktis dan sederhana Kemungkinan mengalami error ketika hanya dengan menempelkan jari pada jari sedang dalam keadaan basah, kotor sensor atau berkeringat Pendataan lebih akurat karena Dapat menimbulkan antrian jika device karyawan tidak dapat melakukan titip yang tersedia hanya sedikit absen atau kecurangan lain Kapasitas pengguna yang banyak bisa mencapai puluhan ribu
Gambar 2.26 Mesin Absensi Fingerprint
54
2.7 Global Positioning System Global positioning system (GPS) merupakan sistem berbasis posisi, navigasi dan waktu berbasis angkasa (space based) yang dikembangkan oleh Departemen Pertahanan Amerika Serikat (Sturdevant, 2014). GPS dapat menentukan koordinat posisi benda dimana saja dibumi baik koordinat lintang, bujur, maupun ketinggiannya. Muncul pada akhir tahun 1960 sebagai penggabungan dari program sinergis angkatan laut dan angkatan udara untuk navigasi dan waktu berbasis angkasa. GPS secara luas memiliki karakteristik sebagai satelit navigasi atau positioning system yang menyediakan sinyal untuk geolocation dan untuk keamanan, keefektifan pergerakan, pengukuran jarak dan pelacakan orang, kendaraan dan objek lain dimanapun pada permukaan bumi (Sturdevant, 2014). Perhitungan waktu yang presisi dan frekuensi sinyal yang stabil yang tersedia pada GPS merupakan hal yang penting untuk navigasi dan kecepatan. Arsitektur GPS pada awalnya didesain untuk meminimalkan kelemahan pada navigasi militer dengan memindahkan alat pemroses dan transmisi elektronik ke angkasa untuk membuatnya susah dijangkau oleh musuh (Sturdevant, 2014). Cara kerja GPS dapat dilihat pada gambar 2.26
55
Gambar 2.27 Cara kerja GPS
Secara sederhana, GPS mengimplementasikan konsep perbedaan waktu tiba menggunakan posisi satelit yang akurat dan jam atomik untuk menghasilkan pesan navigasi yang secara terus menerus disiarkan dari masing-masing satelit GPS (Sturdevant, 2014). Pesan ini dapat diterima dan diproses oleh user dimanapun di dunia ini untuk menentukan posisi dan akurasi waktu dalam hitungan meter dan nanosecond (Sturdevant, 2014). Untuk menentukan koordinat suatu titik di bumi maka receiver membutuhkan setidaknya empat satelit yang dapat ditangkap sinyalnya dengan baik (Sturdevant, 2014).
56
Penentuan posisi dengan GPS dibagi menjadi dua metode yaitu :
1. Metode absolut (Point Positioning) Menentukan posisi hanya berdasarkan pada satu pesawat penerima saja dengan ketelitian posisi dalam hitungan beberapa meter (presisi rendah) dan biasanya diperuntukkan bagi keperluan navigasi.
2. Metode relatif (Differential Positioning) Menentukan posisi dengan menggunakan lebih dari satu penerima. Sebuah GPS dipasang pada lokasi tertentu dan secara terus menerus menerima sinyal dari satelit dalam jangka waktu tertentu dan dijadikan sebagai referensi bagi yang lainnya. Metode ini menghasilkan posisi berketelitian tinggi dan digunakan untuk pemetaan yang memerlukan keakuratan tinggi seperti geodesi dan sebagainya (Hedgecock et.al., 2014).
Android sendiri memiliki tiga cara untuk mendapatkan lokasi user, cara tersebut adalah : 1. Melalui WI-FI 2. Melalui network provider 3. Melalui GPS chip pada device Android
Dari ketiga cara ini, yang paling akurat adalah dengan menggunakan chip GPS pada device Android, namun selain akurat, metode ini juga lebih banyak mengkonsumsi baterai pada device tersebut. Metode inilah yang harus digunakan jika akurasi adalah tujuannya.
57
GPS juga dapat salah dalam memberikan informasi mengenai lokasi user, ada beberapa faktor yang dapat menyebabkan kesalahan pada kinerja GPS, faktorfaktor tersebut adalah sebagai berikut :
1. Referensi waktu, untuk ketepatan harus mendapat minimal empat sinyal satelit 2. Multipath, GPS receiver tidak hanya menerima sinyal dari satelit tapi bisa juga dari pantulan, dari perangkat lain didaratan dan lain sebagainya 3. Semakin tinggi sinyal satelit GPS maka akan semakin baik ketelitiannya. Bangunan dan interfensi elektronik dapat menghalangi penerimaan sinyal sehingga
dapat
menyebabkan
kesalahan
penentuan
posisi
bahkan
memungkinkan tidak dapat mendeteksi posisi sama sekali (Hedgecock et.al., 2014).
58
