BAB II TINJAUAN PUSTAKA
2.1 Biometriks 2.1.1 Definisi Biometriks Biometriks adalah bidang yang mengakui bahwa semua manusia berbeda dalam komposisi fisik mereka dan dapat mengidentifikasi individu yang didasarkan pada perbedaan-perbedaan ini. Warna rambut, tinggi dan suara suara adalah contoh bagaimana orang-orang yang berbeda. Kombinasi perbedaan-perbedaan ini menciptakan identitas kita dan membuat kita berbeda satu sama lain. Prinsip biometrik adalah dengan menggunakan karakteristik unik seseorang untuk menentukan apakah orang tersebut adalah orang yang mengaku tersebut.(Varun Kacholia & Shashank Pandit, 2005). Otentikasi biometrik adalah proses pembentukan identitas individu melalui dari karakteristik terukur, anatomi atau fisiologi perilaku mereka. Teknologi otentikasi biometrik mulai berkembang dan sistem biometrik telah dimiliki dalam aplikasi bail dalam lingkungan komersial maupun pemerintah.(Chris Riley & Kathy Buckner & Graham Johnson & David Benyon, 2009)
Karakteristik Biometric dapat dibagi dalam dua kelas utama : 1. Fisiologis : berhubungan dengan bentuk tubuh, namun tidak 12
13
terbatas pada sidik jari, pengenalan wajah, DNA, geometri tangan, Iris Recognition, yang sebagian besar telah digantikan retina, dan bau / aroma. 2. Perilaku : berkaitan dengan perilaku seseorang, namun tidak terbatas pada mengetik irama, gaya berjalan, dan suara. Beberapa peneliti telah menciptakan istilah behaviometrics istilah untuk kelas ini.
Tepatnya, suara juga merupakan sifat fisiologis karena setiap orang memiliki saluran vokal yang berbeda, tetapi pengenalan suara terutama didasarkan pada studi tentang cara seseorang berbicara, sering disebut sebagai perilaku.
Hal ini dimungkinkan untuk memahami jika karakteristik manusia dapat digunakan untuk biometrik dalam hal parameter berikut: 1. Universal - setiap orang harus memiliki karakteristik. 2. Keunikan - adalah seberapa baik biometric memisahkan individu dari yang lain. 3. Permanen - mengukur seberapa baik menolak biometrik penuaan dan varians lainnya dari waktu ke waktu. 4. Kolektibilitas - kemudahan akuisisi untuk pengukuran. 5. Kinerja - akurasi, kecepatan, dan ketahanan teknologi yang digunakan. 6. Penerimaan - derajat persetujuan teknologi.
14
7. Pengelakan - kemudahan penggunaan pengganti.
Diambil dari www.biometrics.gov Sebuah sistem biometrik dapat beroperasi dalam dua mode berikut : 1. Verifikasi - Sebuah 1-1 perbandingan suatu biometric ditangkap dengan template yang disimpan untuk memverifikasi bahwa individu adalah benar orang yang diklaimnya. Dapat dilakukan bersamaan dengan kartu pintar, nama pengguna atau nomor ID. 2. Identifikasi - Sebuah satu untuk perbandingan banyak yang ditangkap biometrik terhadap database biometrik dalam upaya untuk mengidentifikasi seorang individu yang tidak diketahui. Identifikasi hanya berhasil mengidentifikasi individu jika perbandingan sampel biometrik ke template dalam database berada dalam ambang batas yang ditetapkan sebelumnya.
Pertama kali seseorang menggunakan sistem biometrik disebut “Enter”. Selama Registrasi, informasi biometrik dari individu disimpan. Dalam menggunakan selanjutnya, informasi biometrik yang terdeteksi dan dibandingkan dengan informasi yang tersimpan pada saat registrasi. Perhatikan bahwa sangat penting bahwa penyimpanan dan pengambilan sistem seperti diri mereka aman jika sistem biometrik harus kuat. Blok pertama (sensor) adalah interface antara dunia nyata dengan sistem; pada saat ini sistem harus memperoleh semua data yang diperlukan. Sebagian besar waktu itu adalah sebuah sistem akuisisi gambar, tetapi dapat berubah
15
/ diubah sesuai dengan karakteristik yang diinginkan. Blok kedua melakukan semua yang diperlukan pra-pemrosesan: memiliki untuk menghapus artefak dari sensor, untuk meningkatkan masukan (misalnya menghilangkan kebisingan latar belakang), untuk menggunakan beberapa jenis normalisasi, dll. Dalam blok ketiga fitur yang diperlukan adalah diekstraksi. Langkah ini merupakan langkah penting sebagai fitur yang benar perlu diekstraksi dengan cara yang optimal. Sebuah vektor angka atau gambar dengan sifat khusus digunakan untuk membuat template. Template adalah sintesis dari karakteristik yang relevan diambil dari sumber. Elemen pengukuran biometrik yang tidak digunakan dalam algoritma perbandingan dibuang dalam template guna mengurangi filesize dan untuk melindungi identitas.
Jika registrasi sedang dilakukan, template hanya disimpan di suatu tempat (pada kartu atau dalam database atau keduanya). Jika fase pencocokan sedang dilakukan, template diperoleh dilewatkan ke suatu matcher yang membandingkan dengan template lain yang ada, memperkirakan jarak antara mereka menggunakan algoritma (misalnya jarak Hamming). Program pencocokan akan menganalisis template dengan input. Ini kemudian akan menjadi output untuk penggunaan tertentu atau tujuan (misalnya masuk dalam area yang hanya orang tertentu yang boleh masuk)
Berikut adalah Diagram menggambarkan langkah – langkah dari
16
sistem biometrics ketika ingin melakukan authentikasi maupun verifikasi.
Gambar 2.1 Diagram sistem Biometrics Dari gambar 2.1 dapat dilihat bahwa untuk melakukan authentikasi atau verifikasi, sistem biometrics dimulai dengan user memasukkan sample untuk memasuki sistem biometrics. Setelah user melakukan sample, sistem akan mengekstrak / melakukan pengubahan terhadap sistem tersebut sehingga menjadi data biometriks yang dapat diidentifikasi oleh sistem. Langkah selanjutnya yang dilakukan oleh sistem untuk mengidentifikasi sample tersebut adalah data tersebut menyimpan data sample tersebut kedalam database. Yang kemudian data sampel tersebut dibandingkan dengan data yang tersimpan pada database yang berperan sebagai template. Setelah dibandingkan dengan
17
data – data template, langkah selanjutnya adalah menentukan apakah sampel tersebut diidentifikasi sebagai pengguna atau sebagai intruder, apabila sistem memilih sampel tersebut sebagai intruder maka, individu tersebut akan menerima pesan bahwa akses anda tertolak dikarenakan anda tidak memiliki authoritas terhadap sistem ini, dan apabila sampel tersebut dianggap sebagai pengguna maka individu tersebut akan diperbolehkan untuk mengakses sistem/area tersebut.
2.1.2 Algoritma Biometriks Berikut adalah diagram yang menggambarkan algoritma untuk biometrics access:
Gambar 2.2 Diagram Algoritma Biometrics Access
18
Dari gambar 2.2 terlihat algoritma secara dasar bagaimana algoritma dari biometric berjalan dalam sistem tersebut. Langkah pertama adalah melakukan input terhadap sistem biometrics sesuai dengan media yang disediakan (apabila media yang digunakan adalah fingerprint maka user akan memberikan sidik jadi sebagai input dalam sistem tersebut) yang kemudian dari hasil media tersebut diubah menjadi data yang dapat dibaca oleh sistem biometric yang dapat dengan mudah membandingkan dengan sample – sample yang lain yang berperan sebagai template. Dari hasil data yang telah diubah menjadi data yang mudah dibaca tersebut disimpan kedalam database untuk menyimpan data user yang ingin memasuki sistem ini. Langkah selanjutnya adalah membandingkan data biometriks dari user dengan ada biometrics yang menjadi template pada sistem tersebut. Apabila setelah dibandingkan data biometrics tersebut tidak mencapai batas persentase persamaan yang ditentukan maka user akan mengalami penolakan terhadap sistem ini, apabila sebaliknya maka user akan diterima oleh sistem dan data dari biometrics akan diupdate sebafai data yang baru. Berikut adalah alur algoritma dari sistem biometrics untuk menentukan template untuk sistem.
19
Gambar 2.3 Diagram Algoritma Biometrics Template
Dari gambar 2.3 terlihat algoritma secara dasar bagaimana algoritma dari biometric berjalan dalam sistem tersebut untuk menyimpan sample sebagai template. Langkah pertama adalah melakukan input terhadap sistem biometrics sesuai dengan media yang disediakan (apabila media yang digunakan adalah fingerprint maka user akan memberikan sidik jadi sebagai input dalam sistem tersebut) yang kemudian dari hasil media tersebut diubah menjadi data yang dapat dibaca oleh sistem biometric yang dapat dengan mudah membandingkan dengan sample – sample yang lain yang berperan sebagai template. Dari hasil data yang telah diubah menjadi data yang mudah dibaca tersebut disimpan kedalam database untuk menyimpan data user yang ingin memasuki sistem ini yang kemudian akan
20
menjadi sebagai template untuk sistem tersebut.
2.1.3 Tabel Biometriks Berikut ini bagian tubuh yang saat ini dapat digunakan sebagai identifikasi untuk biometriks beserta metode, faktor yang memperngaruhi performa dan apakah diterima atau tidak biometriks tersebut (Steven M. Walker, 2002) : Karakteristik Metode Fingerprint Pola pada sidik jari diterima dan dibandingkan Palm Scan Pola dan bentuk pada telapak tangan diterima dan dibandingkan Hand Geometry Dimensi pada tangan dan jari dihitung dan dibandingkan Retina Pola dari pembuluh darah pada retina diterima dan dibandingkan Iris Pola pada iris diterima dan dibandingkan Face Bentuk pada muka diterima dan dibandingkan Signature Dynamic Ritme, kecepatan dan cara menekan diterima dan dibandingkan Keyboard Dynamic keceparan, tekanan dari kata yang menjadi kata kunci
CER Medium Low Low Low Low Medium High High
Faktor Performa Diterima Oleh Pengguna Kering, kebersihan dari jari tersebut Medium cedera tangan, usia dan perhiasan cedera tangan, usia dan perhiasan High Kacamata, susah digunakan Low Pergerakan dan pencahayaan High Pencahayaan, kacamata, rambut, lingkungan medium perubahan cara tanda tangan High Perubahan cara mengetik High
Tabel 2.1 Tabel Biometriks 2.1.4 Performa biometriks Berikut ini adalah yang digunakan sebagai matriks performa dari sistem biometriks (Donald R. Richard ,2002): Ó False Accept Rate or False Match Rate (FAR or FMR): Kemungkinan untuk sistem untuk mengatakan tidak sesuai antara pola input dengan pola yang berada pada template yang berada pada database. FAR ini mengukur persentase dari input yang tidak valid yang tidak diterima Ó False Reject Rate or False Non-Match Rate (FRR or FNMR): Kemungkinan untuk sistem yang gagal untuk mendeteksi kecocokan antara pola input dengan template yang sesuai yang berada pada
21
database. FRR ini mengukur persentase dari input yang valid tetepi ditolak oleh sistem Ó Receiver Operating Characteristic
or Relative Operating
Characteristic (ROC): Plot dari ROC merupakan karakteristik visuak dari trade-off antara FAR dan FRR. Secara umum algoritma pencocokan melakukan pemutusan keputusan berdasarkan batas yang menentukan seberapa mirip antara template dan pola input dapat dibilang cocok atau match. Apabila batas tersebut turunkan, maka
akan
mengurangi false non-match tetapi akan meningkatkan false accept. Sejalan dengan itu, meningkatkan batas akan menurunkan FAR tetapi meningkatkan FRR. Variasi seperti ini disebut Detection Error Trade-Off (DET), yang diperoleh dengan menggunakan skala normal yang menyimpang pada kedua sumbu. Semakin linear grafik, akan semakin terlihat perbedaannya dalam performa yang tinggi Ó Equal Error Rate or Crossover Error Rate (EER or CER): Tingkat dimana baik menerima dan menolak dalam jumlah yang sama. Nilai dari ERR dapat dengan mudah diperoleh dari kurva ROC. ERR adalah cara cepat untuk membandingkan akurasi perangkat yang digunakan dengan menggunakan kurva ROC yang berbeda. Secara umum, alat yang memiliki ERR terendah merupakan yang paling akurat.
22
Ó Failure To Enroll Rate (FTE or FER): Tingkat dimana upaya untuk membuat template dari hasil yang diinput tidak berhasil. Hal ini sering disebabkan oleh kualitas input yang rendah. Ó Failure To Capture Rate (FTC): Dalam sistem otomatis, probabilitas untuk sebuah sistem gagal untuk mendeteksi biometriks input ketika disajikan secara benar. Ó Template Capacity: Jumlah maksimum dari data set yang bisa disimpan dalam sistem.
2.1.5
Macam – Macam Biometriks Saat ini sudah banyak sistem biometriks yang sudah digunakan. Berikut ini macam – macam biometriks yang telah diaplikasikan (V. V. Arutyunov & N. S. Natkin, 2010)
2.1.5.1
Biometriks dengan Keystroke Dynamic Dinamika keystroke adalah proses menganalisis cara yang diketik oleh pengguna diterminal dengan memonitor input keyboard ribuan kali per detik dalam upaya untuk mengidentifikasi pengguna berdasarkan kebiasaan pola irama mengetik. Ini memiliki sudah menunjukkan bahwa irama keystroke adalah tanda od melepaskan identitas. Selain itu, tidak seperti sistem biometrik lainnya yang mungkin mahal untuk melaksanakan, dinamika keystroke hampir gratis | hardware yang hanya dibutuhkan adalah keyboard.
23
dinamika keystroke merupakan bagian dari kelas yang lebih besar dari biometrik dikenal sebagai biometrik perilaku; pola mereka adalah statistik di alam. Ini adalah kepercayaan umum bahwa biometrik perilaku yang tidak dapat diandalkan seperti biometrik fisik yang digunakan untuk otentikasi, misalnya sidik jari atau retina scan atau DNA. realitas di sini adalah bahwa perilaku biometrik menggunakan pengukuran kepercayaan bukan lulus tradisional / gagal pengukuran.
Dengan
demikian,
tolok
ukur
tradisional
Palsu
Penerimaan Rate (FAR) dan Suku Penolakan Salah (FRR) tidak lagi memiliki hubungan linier. Manfaat untuk dinamika keystroke (dan juga biometrik perilaku lainnya) adalah bahwa FRR / FAR dapat disesuaikan dengan mengubah ambang penerimaan pada tingkat individu. Hal ini memungkinkan untuk mitigasi resiko sesuatu secara eksplisit didefinisikan individu-teknologi biometric fisik tidak pernah bisa tercapai. Manfaat lain dari dinamika keystroke: mereka dapat ditangkap terus menerus-tidak hanya pada saat start-up time-dan mungkin cukup akurat untuk memicu alarm sistem lain atau orang untuk datang memeriksa situasi. Dalam beberapa kasus, orang di senjata-point mungkin terpaksa untuk mendapatkan start-up akses dengan memasukkan password atau memiliki sidik jari tertentu, tetapi kemudian orang bisa digantikan oleh orang lain pada keyboard yang mengambil alih untuk tujuan buruk .
24
Dalam kasus lain yang kurang dramatis, dokter mungkin melanggar aturan bisnis dengan berbagi password dengan sekretarisnya, atau dengan login ke sistem medis tetapi kemudian meninggalkan komputer log-in sementara orang lain dia tahu tentang atau tidak tahu tentang menggunakan sistem . dinamika keystroke adalah salah satu cara untuk mendeteksi masalah tersebut cukup andal untuk perlu dilakukan, karena bahkan tingkat true-positive 20% akan mengirimkan kata keluar bahwa jenis perilaku diawasi dan tertangkap.
2.1.5.2 Biometriks dengan Facial Recognition Facial Recognition system adalah sebuah aplikasi komputer yang digunakan untuk mengidentifikasi atau melakukan verifikasi secara langsung melalui gambar digital atau frame video. Salah satu caranya adalah dengan melakukan komparasi terhadap raut muka deri yang ada digambar dengan gambar yang ada di database(D. González Ortega, M. Martínez Zarzuela, F. J. Díaz Pernasa, J. F. Díez Higuera, M. Antón Rodríguez, D. Boto Giralda, and J. M. Hernández Conde, 2009). Teknik – teknik yang digunakan untuk melakukan facial recognition adalah : 1. Traditional Beberapa algoritma pengenalan wajah mengidentifikasi wajah dengan fitur dari gambar wajah subjek. Sebagai contoh, sebuah algoritma dapat menganalisis posisi relatif, ukuran, dan / atau
25
bentuk mata, hidung, tulang pipi, dan rahang. Fitur-fitur ini kemudian digunakan untuk mencari gambar lain dengan fitur yang cocok. Algoritma lain menormalkan galeri gambar wajah dan kemudian memampatkan data wajah, hanya menyimpan data dalam gambar yang berguna untuk deteksi wajah. Sebuah gambar probe kemudian dibandingkan dengan data wajah. Salah satu sistem yang sukses paling awal didasarkan pada teknik template yang cocok diterapkan pada satu set fitur wajah yang menonjol,
menyediakan
semacam
representasi
wajah
terkompresi. Algoritma pengenalan dapat dibagi menjadi 2, yang pertama geometris dimana algoritma ini melihat dari fitur yang berbeda. Yang kedua Photometrik dimana algoritma ini melakukan pendekatan melalui statistik yang merubah gambar menjadi nilai (value) dan kemudian value tersebut dibandingkan dengan template untuk menghilangkan varian.
2. 3D Teknik 3D ini menggunakan sensor 3D yang digunakan untuk menangkap
informasi
tentang
bentuk
wajah.
Kemudian
informasi ini digunakan untuk mengidentifikasi fitur – fitur yang berbeda pada permukaan wajah seperti kontur soket wajah hidung dan dagu. Salah satu keuntungan dari pengenalan 3D ini adalah tidak
26
terpengaruh oleh perubahan pencahayaan. Hal ini juga dapat mengidentifikasi wajah dari berbagai sudut padang. Kekurangan dari teknik ini adalah sensitif terhadap ekspresi dari wajah.
3. Skin Teksture analisis Teknik yang lain adalah menggunakan rincian visual dari kulit seperti yang ditangkap melalui gambar digital atau standart scan. Teknik ini disebut analisis tekstur kulit. Ternyata garis – garis unik, pola dan bintik – bintik yang terlihat pada kulit dapat diubah menjadi rumus matematika.
2.1.5.3 Biometriks dengan Fingerprint Recognition Pengenalan sidik jari atau mengacu pada metode otomatis memverifikasi perbandingan antara dua sidik jari manusia. Sidik jari adalah salah satu dari banyak bentuk biometrik digunakan untuk mengidentifikasi
individu
dan
memverifikasi
identitas
(http://www.cse.msu.edu/biometrics/fingerprint.html)
.
mereka Untuk
biometriks ini ada dua kelas utama dari algoritma (minutia dan pola) dan empat desain sensor (optik, ultrasonik, kapasitansi pasif, dan kapasitansi aktif). Ada beberapa pola tertentu pada sidik jari sehingga dapat dikenali sebuah sidik jari tersebut.
27
1. Pola Arch Suatu pola dimana seperti pegunungan, masuk dari sisi kiri kemudian naik pada bagian tengah dan keluar pada sisi kanan. 2. Pola Loop Suatu Pola dimana masuk melalui salah satu sisi jari, membentuk kurva, dan cenderung untuk keluar dari sisi yang sama mereka masuk. 3. Pola Whorl Dalam pola ini, memiliki bentuk lingkaran (melingkar) di bagian tengah jari tersebut.
Gambar 2.4 Pola Sidik Jari (dari kiri pola Arch, pola Loop, Pola Whorl)
Berikut ini adalah beberapa bentuk Minutia yang bisa digunakan untuk mengenali sebuah sidik jari : 1. Ridge Ending
28
Titik dimana Ridge berhenti/menghilang 2. Bifurcation titik dimana 1 ridge menjadi becabang menjadi 2 3. Short Ridge (Dot) merupakan ridge yang sangat pendek dibandingkan dengan ridge yang biasanya.
Gambar 2.4 Jenis Minutia (dari kiri Ridge Ending, Bifurcation, Dot)
Ada beberapa sensor – sensor yang digunakan untuk mengambil sidik jari, berikut ini adalah jenis – jenis sensor yang digunakan tersebut. 1. Optical Pencitraan sidik jari optik melibatkan menangkap gambar digital dari cetak menggunakan cahaya tampak. Jenis sensor adalah, pada dasarnya, sebuah kamera digital khusus. Lapisan atas sensor, di mana jari ditempatkan, dikenal sebagai permukaan sentuh. Di bawah lapisan ini adalah lapisan
29
pemancar cahaya fosfor yang menerangi permukaan jari. Pantulan cahaya dari jari melewati lapisan fosfor untuk sebuah array dari pixel solid state (perangkat charge-coupled) yang menangkap gambar visual dari sidik jari. Sebuah permukaan sentuhan tergores atau kotor dapat menyebabkan citra buruk sidik jari. Kerugian dari jenis sensor adalah kenyataan bahwa kemampuan pencitraan dipengaruhi oleh kualitas kulit pada jari. Misalnya, jari kotor atau ditandai sulit untuk gambar dengan benar. Juga, adalah mungkin bagi seorang individu untuk mengikis lapisan luar kulit pada ujung jari ke titik di mana sidik jari tidak lagi terlihat. Hal ini juga dapat mudah tertipu oleh sebuah gambar sidik jari jika tidak digabungkan dengan detektor "hidup jari". Namun, tidak seperti sensor kapasitif, sensor teknologi ini tidak rentan terhadap kerusakan elektrostatik.
2. Ultrasonic Sensor ultrasonik memanfaatkan prinsip-prinsip ultrasonografi medis dalam rangka untuk membuat gambar visual dari sidik jari. Tidak
seperti pencitraan optik, sensor ultrasonik
menggunakan gelombang suara frekuensi sangat tinggi untuk menembus lapisan epidermis kulit. Gelombang suara yang dihasilkan dengan menggunakan transduser piezoelektrik dan energi tercermin juga diukur dengan menggunakan bahan
30
piezoelektrik.
Karena
lapisan
kulit
dermal
pameran
karakteristik pola sidik jari yang sama, pengukuran gelombang yang dipantulkan dapat digunakan untuk membentuk sebuah gambar sidik jari. Ini menghilangkan kebutuhan untuk bersih, kulit epidermis rusak dan permukaan penginderaan bersih.
3. Capacitance Kapasitansi sensor menggunakan prinsip-prinsip yang terkait dengan kapasitansi dalam rangka untuk membentuk gambar sidik jari. Dalam metode ini pencitraan, pixel array sensor setiap tindakan sebagai salah satu pelat kapasitor pelat sejajar, lapisan kulit (yang elektrik konduktif) bertindak sebagai piring lain, dan non-konduktif lapisan epidermis bertindak sebagai dielektrik.
Ó Pasif kapasitansi Sebuah sensor kapasitansi pasif menggunakan prinsip yang digariskan di atas untuk membentuk sebuah gambar dari pola sidik jari pada lapisan dermal kulit. Setiap pixel sensor digunakan untuk mengukur kapasitansi pada titik array. Kapasitansi bervariasi antara pegunungan dan lembah sidik jari karena fakta bahwa volume antara lapisan dermal dan elemen penginderaan di lembah berisi celah udara. Konstanta dielektrik epidermis dan daerah dari elemen
31
penginderaan diketahui nilai-nilai. Nilai kapasitansi diukur kemudian
digunakan
untuk
membedakan
antara
pegunungan dan lembah sidik jari.
Ó Aktif kapasitansi Kapasitansi sensor aktif menggunakan siklus pengisian untuk menerapkan tegangan ke kulit sebelum pengukuran berlangsung. Penerapan tegangan kapasitor biaya yang efektif. Medan listrik antara jari dan sensor mengikuti pola dari pegunungan di lapisan dermal kulit. Pada siklus debit, tegangan
melintasi
lapisan
dermal
dan
elemen
penginderaan dibandingkan terhadap tegangan referensi untuk menghitung kapasitansi. Nilai jaraknya kemudian dihitung matematis, dan digunakan untuk membentuk sebuah gambar sidik jari sensor kapasitansi Aktif mengukur pola punggungan dari lapisan kulit seperti metode ultrasonik.. Sekali lagi, ini menghilangkan kebutuhan untuk bersih, kulit epidermis rusak dan permukaan penginderaan bersih.
2.1.5.4 Biometriks dengan Finger Vein Recognition finger vein recognition adalah metode otentikasi biometrik yang menggunakan teknik pengenalan pola berdasarkan gambar pola vena jari manusia di bawah permukaan kulit. finger vein recognition adalah
32
salah
satu
dari
banyak
bentuk
biometrik
digunakan
untuk
mengidentifikasi individu dan memverifikasi identitas mereka. Jari ID Vein adalah sistem otentikasi biometrik yang sesuai dengan pola pembuluh darah di jari seseorang untuk data yang sebelumnya diperoleh. Hitachi mengembangkan dan mematenkan sistem vena jari ID pada tahun 2005. Teknologi ini sedang digunakan atau pengembangan untuk berbagai macam aplikasi, termasuk otentikasi kartu kredit, keamanan mobil, waktu karyawan dan penelusuran kehadiran, otentikasi komputer dan jaringan, keamanan titik akhir dan mesin teller otomatis. Untuk mendapatkan pola untuk catatan database, individu menyisipkan jari ke terminal attester berisi dekat-infared LED (lightemitting diode) cahaya dan CCD monokrom (charge-coupled device) kamera. Hemoglobin dalam darah menyerap dekat-infared lampu LED, yang membuat sistem vena muncul sebagai pola garis-garis gelap. Kamera merekam gambar dan data mentah digital, bersertifikat dan dikirim ke database gambar terdaftar. Untuk tujuan otentikasi, jari dipindai seperti sebelumnya dan data dikirim ke database gambar terdaftar untuk perbandingan. Proses otentikasi membutuhkan waktu kurang dari dua detik. Darah pola pembuluh yang unik untuk setiap individu, sebagaimana data biometrik lainnya seperti sidik jari atau pola iris. Tidak seperti beberapa sistem biometrik, pola pembuluh darah hampir tidak mungkin untuk palsu karena mereka terletak di bawah permukaan
33
kulit. Sistem biometrik berdasarkan sidik jari bisa tertipu dengan boneka jari dilengkapi dengan sidik jari disalin, suara dan wajah karakteristik sistem berbasis dapat tertipu oleh rekaman dan gambar resolusi tinggi. Sistem vena jari ID jauh lebih sulit untuk menipu karena hanya dapat mengotentikasi jari dari orang hidup.
2.1.5.5 Biometriks dengan Iris Recognition Iris Recognition adalah metode otentikasi biometrik yang menggunakan teknik pengenalan pola yang didasarkan pada resolusi tinggi gambar dari irides mata individu (A. E. Hassanien ,2006). Tidak menjadi bingung dengan yang lain, kurang lazim, mata berbasis teknologi, pemindaian retina, Iris Recognition menggunakan teknologi kamera, dengan pencahayaan inframerah halus mengurangi refleksi specular dari kornea cembung, untuk membuat gambar detail yang kaya, struktur rumit dari iris . Dikonversi ke dalam template digital, gambar ini menyediakan representasi matematis dari iris yang menghasilkan identifikasi positif tidak ambigu individu. Iris Recognition keberhasilan jarang terhalang oleh kacamata atau lensa kontak. Iris teknologi telah salah satu kelompok outlier terkecil (mereka yang tidak dapat menggunakan / mendaftarkan diri) dari setiap teknologi biometrik. Keuntungan utama dari pengenalan iris adalah stabilitas, atau umur panjang template, seperti, pembatasan trauma, sebuah pendaftaran tunggal dapat berlangsung seumur hidup. Terobosan bekerja untuk menciptakan pengenalan iris-algoritma
34
yang diperlukan untuk akuisisi citra dan satu-ke-banyak pencocokan dirintis pada awal 2000-an oleh John G. Daugman, Ph.D, OBE (Universitas Cambridge Laboratorium Komputer) (John Daugman, 2007). Ini digunakan untuk secara efektif memulai debut komersialisasi teknologi dalam hubungannya dengan versi awal dari sistem IrisAccess dirancang dan diproduksi oleh Korea LG Electronics. Daugman algoritma adalah dasar dari hampir semua saat ini komersial dikerahkan sistem pengenalan iris. (Dalam tes dimana batas yang cocok-untuk lebih baik banding-berubah dari pengaturan default mereka untuk memungkinkan tingkat palsu-menerima di wilayah 10-4 10-3 untuk, IrisCode palsu-menolak tarif yang sebanding dengan tunggal yang paling akurat matchers-jari sidik jari.) Iris Recognition ini memiliki cara kerja, Sebuah algoritma pengenalan iris-pertama untuk mengidentifikasi batas-batas terluar sekitar konsentris melingkar dari iris dan pupil dalam foto mata. Himpunan pixel hanya mencakup iris kemudian berubah menjadi pola bit yang melindungi informasi yang sangat penting untuk perbandingan statistik bermakna antara dua gambar iris. Metode matematis yang digunakan mirip dengan modern algoritma kompresi lossy untuk gambar fotografi. Dalam kasus algoritma Daugman, sebuah Gabor wavelet transform digunakan untuk mengekstrak rentang frekuensi spasial yang berisi paling baik sinyal-to-noise rasio mempertimbangkan kualitas kamera yang tersedia fokus. Hasilnya adalah suatu himpunan bilangan kompleks yang membawa amplitudo lokal dan informasi fase
35
untuk gambar iris. Dalam algoritma Daugman, semua informasi amplitudo dibuang, dan 2048 yang dihasilkan bit yang mewakili suatu iris hanya terdiri dari bit tanda kompleks representasi Gabor-domain dari gambar iris. Membuang informasi amplitudo memastikan bahwa template tetap sebagian besar tidak terpengaruh oleh perubahan dalam pencahayaan dan hampir diabaikan oleh iris warna, yang memberikan kontribusi signifikan terhadap stabilitas jangka panjang dari template biometrik. Untuk mengotentikasi melalui identify (pencocokan template yang satu-ke-banyak) atau verifikasi (satu-ke-satu pencocokan template), template yang dibuat oleh pencitraan iris dibandingkan dengan template nilai yang disimpan dalam database. Jika jarak Hamming berada di bawah ambang batas keputusan, identifikasi positif telah efektif telah dibuat. Masalah praktis dari pengenalan iris adalah bahwa biasanya sebagian tertutup oleh kelopak mata dan bulu mata. Untuk mengurangi FRR dalam kasus tersebut, algoritma tambahan diperlukan untuk mengidentifikasi lokasi dari kelopak mata dan bulu mata dan untuk mengecualikan bit dalam kode yang dihasilkan dari operasi perbandingan.
36
2.2 Statistik 2.2.1 Definisi Statistik Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga diartikan sebagai metode yang diguna untuk mengerjakan/memanipulasi data kuantitatif agar angka berbicara. Pendekatan dengan statistik sering digunakan metode statistik yaitu metode guna mengumpulkan, mengolah, menyajikan, menganalisis & menginterpretasikan data statistik. Statistika dapat pula diartikan pengetahuan yang berhubungan dengan pengumpulan data, pengolahan data, penganalisisan dan penarikan kesimpulan berdasarkan data dan analisis. Jadi statistik adalah produk dari kerja statistika. Ada dua konsep dalam bahasa Inggris.Statistic: nilai yang dihitung dari sebuah sampel (mean, median, modus, dsb). Statistics: metode ilmiah untuk pengumpulan data atau kumpulan angka. Dalam bahasa Indonesia, statistik memiliki 3 pengertian dimuka
2.2.2 Skala Pengukuran Pengukuran adalah proses hal mana suatu angka atau simbol dilekatkan pada karakteristik atau properti suatu stimuli sesuai dengan aturan/prosedur yang telah ditetapkan (Imam Ghozali, 2005). Misal, orang dapat diganbarkan dari beberapa karakteristik: umur, tingkat pendidikan, jenis kelamin, tingkat pendapatan, dll. Ada 4 skala pengukuran : 1. Skala Nominal : Skala nominal merupakan skala yang merupakan kategori atau kelompok dari suatu subyek. Misal, variabel jenis kelamin responden
37
dikelompokkan menjadi dua, L/P, masing-masing diberi kode 1 dan 2. Angka ini hanya berfungsi sebagai label kategori, tanpa memiliki nilai instrinsik dan tidak memiliki arti apa pun 2. Skala Ordinal : lambang-lambang bilangan hasil pengukuran menunjukkan urutan atau tingkatan obyek yang diukur menurut karakteristik yang dipelajari 3. Skala Interval : Skala pengukuran mempunyai sifat seperti skala ordinal (memiliki urutan tertentu), ditambah satu sifat khas, yaitu adanya satuan skala (scale unit). Artinya, perbedaan karakteristik antara obyek yang berpasangan dengan lambang bilangan satu dengan lambang bilangan berikutnya selalu tetap. 4. Skala ratio : Skala rasio adalah skala yang menghasilkan data dengan mutu yang paling tinggi. Perbedaan skala rasio dengan skala interval terletak pada keberadaan nilai nol (based value). Pada skala rasio, nilai nol bersifat mutlak, tidak seperti pada skala interval. Data yang dihasilkan oleh skala rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik yag sesuai.
2.2.3 Statistika parametrik dan statistika non-parametrik Statistika parametrik adalah suatu uji yang modelnya menetapkan adanya syarat-syarat tertentu (asumsi-asumsi) tentang variabel random atau populasi yang merupakan sumber sampel penelitian. Sedangkan uji statistik yang tidak memerlukan adanya syarat-syarat tersebut disebut statistika non-parametrik. Statistika parametik lebih banyak digunakan untuk menganalisis data yang
38
berskala interval dan rasio dengan dilandasi asumsi tertentu seperti normalitas. Statistika non-parametik dapat digunakan untuk menganalisis data yang berskala nominal dan ordinal.
2.2.4 Hipotesis Hipotesis statistik didefinisikan sebagai pernyataan matematis tentang parameter populasi yang akan diuji sejauhmana suatu data sampel mendukung kebenaran hipotesis tersebut. Hipotesis merupakan kesimpulan sementara yang masih harus diuji kebenarannya. Ada dua rumusan hipotesis, yaitu: hipotesis null (H0) dan hipotesis alternatif (H1). Tujuan pengujian hipotesis adalah “menolak H0”, jika hal ini berhasil, maka peneliti akan mengatakan “... berhasil menolak hipotesis (H0) yang mengatakan...”. Jika pengujian ini gagal, maka meneliti akan mengatakan “... gagal menolak hipotesis (H0) yang mengatakan...”
2.2.4.1 Pengujian Hipotesis Langkah – Langkah pengujian hipotesis : 1. Menentukan Formula Hipotesis Formulasi atau perumusan hipotesis statistik dapat dibedakan atas dua jenis, yaitu sebagai berikut : 1. Hipotesis nol Hipótesis nol, disimbolkan H0 adalah hipótesis yang dirumuskan sebagai suatu pernyataan yang akan diuji. 2. Hipotesis Alternatif
39
Hipótesis alternatif disimbolkan H1 atau Ha adalah hipótesis yang dirumuskan sebagai lawan atau tandingan dari hipótesis nol. Secara umum penulisan hipotesis adalah sebagai berikut : 1. Hipotesis dua pihak (Two Tailed) H0 : Φ = Φ0 H1 : Φ ≠ Φ0 2. Hipotesis sepihak (Kanan) H0 : Φ ≤ Φ0 H1 : Φ > Φ0 3. Hipotesis sepihak (Kiri) H0 : Φ ≥ Φ0 H1 : Φ < Φ0
2. Significant Level Taraf nyata adalah besarnya batas toleransi dalam menerima kesalahan hasil hipotesis terhadap nilai parameter populasinya. Taraf nyata dilambangkan dengan α (alpha) Semakin tinggi taraf nyata yang digunakan, semakin tinggi pula penolakan hipotesis nol atau hipotesis yang diuji, padahal hipotesis nol benar. Besarnya nilai α bergantung pada keberanian pembuat keputusan yang dalam hal ini berapa besarnya kesalahan yang akan ditolerir. Besarnya kesalahan tersebut disebut sebagai daerah kritis pengujian (critical region oftest) atau daerah penolakan (region of rejection).
40
3. Menentukan Kriteria Pengujian Kriteria pengujian adalah bentuk pembuatan keputusan dalam menerima atau menolak hipotesis nol (H0) dengan cara membandingkan nilai α tabel distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai dengan bentuk pengujiannya. Ó Penerimaan H0 terjadi jika nilai uji statistiknya lebih kecil atau lebih besar daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada di luar nilai kritis. Ó Penolakan H0 terjadi jika nilai uji statistiknya lebih besar atau lebih kecil daripada nilai positif atau negatif dari α tabel. Atau nilai uji statistik berada di dalam nilai kritis.
4. Menentukan Nilai Uji Statistik Uji statistik merupakan rumus-rumus yang berhubungan dengan distribusi tertentu dalam pengujian hipotesis. Uji statistik merupakan perhitungan untuk menduga parameter data sampel yang diambil secara random dari sebuah populasi. Berikut ini adalah jenis – jenis pengujian hipotesis 1. Berdasarkan parameter 1. Pengujian hipotesis tentang rata-rata 2. Pengujian hipotesis tentang proporsi 3. Pengujian hipotesis tentang varians
41
2. Berdasarkan jumlah sample 1. Pengujian sampel besar (n > 30) 2. Pengujian sampel kecil (n ≤ 30)
3. Berdasarkan jenis distribusi 1. Pengujian hipotesis dengan distribusi Z 2. Pengujian hipotesis dengan distribusi t (t-student) 3. Pengujian hipotesis dengan distribusi χ2 (chi-square) 4. Pengujian hipotesis dengan distrbusi F (F-ratio) 5. Berdasarkan arah atau bentuk formasi hipotesis
5. Membuat Kesimpulan Pembuatan kesimpulan merupakan penetapan keputusan dalam hal penerimaan atau penolakan hipotesis nol (H0), sesuai dengan kriteria pengujiannya.Pembuatan kesimpulan dilakukan setelah membandingkan nilai uji staistik dengan nilai α tabel atau nilai kritis.
2.2.4.2 Uji Statistik Hipotesis Berikut ini adalah uji statistik yang digunakan untuk penelitian ini : 1. Uji Statistik Korelasi Korelasi merupakan hubungan antara dua buah variabel, jika nilai suatu variabel naik, sedangkan nilai variabel yang lain turun, maka dikatakan terdapat hubungan negatif serta sebaliknya. Korelasi yang biasa digunakan
42
dalam penelitian adalah: ▪
Korelasi Pearson Product Moment Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki korelasi. Jumlah pengamatan variabel X dan Y harus sama, atau kedua nilai variabel tersebut berpasangan. Semakin besar nilai koefisien korelasinya maka akan semakin besar pula derajat hubungan antara kedua variabel. Korelasi Pearson biasanya pada hubungan yang berbentuk linier (keduanya meningkat atau keduanya menurun). Koefisien korelasi ini tidak menunjukkan adanya hubungan kausal antar variabelnya.
•
Korelasi Spearman Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala ordinal, maka derajat korelasi dicari dengan koefisien korelasi spearman. Prosedurnya terdiri atas: 1. Atur Pengamatan dari kedua variabel dalam bentuk ranking. 2. Cari beda dari masing-masing pengamatan yang sudah berpasangan 3. Hitung koefisien korelasi Spearman dengan rumus: ρ = 1 = 6∑d12 / N3 – N dimana: d1= beda antara 2 pengamatan berpasangan N= total pengamatan
43
ρ =koefisien korelasi spearman Penyelesaian kasus tersebut secara manual dapat digunakan dengan langkah pemeringkatan terlebih dahulu pada kedua variabel (kematian karena sakit dan kematian karena stress). •
Corelasi Rank Kendall Analisis korelasi rank Kendall digunakan untuk mencari hubungan dan menguji hipotesis antara dua variabel atau lebih, bila datanya berbentuk ordinal atau ranking. Kelebihan metode ini bila digunakan untuk menganalisis sampel berukuran lebih dari 10 dan dapat dikembangkan untuk mencari koefisien korelasi parsial. Metode yang digunakan pada analisis koefisien korelasi rank Kendall yang diberi notasi τadalah sebagai berikut. ◦ Beri ranking data observasi pada variabel X dan variabel Y. ◦ Susun n objek sehingga ranking X untuk subjek itu dalam urutan wajar, yaitu 1, 2, 3, …, n. Apabila terdapat ranking yang sama maka ranking-nya adalah rata-ratanya. ◦ Amati ranking Y dalam urutan yang bersesuaian denga ranking X yang ada dalam urutan wajar kemudian tentukan jumlah angka pasangan concordan (Nc) dan jumlah angka pasangan discordant (Nd). •
Statistik uji yang digunakan:
44
τ = Nc – Nd / (N(N-1)/2) dimana: ◦ τ = koefisien korelasi rank Kendall ◦ Nc = jumlah angka pasangan concordant ◦ Nd = jumlah angka pasangan discordant ◦ N = ukuran sampel
2. ANOVA satu Arah Analisis variansi adalah suatu prosedur untuk uji perbedaan mean beberapa populasi.Konsep analisis variansi didasarkan pada konsep distribusi F dan biasanya dapat diaplikasikan untuk berbagai macam kasus maupun dalam analisis hubungan antara berbagai varabel yang diamati. Dalam perhitungan statistik, analisis Variansi sangat dipengaruhi asumsiasumsi yang digunakan seperti kenormalan dari distribusi, homogenitas variansi dan kebebasan dari kesalahan. Asumsi kenormalan distribusi memberi penjelasan terhadap karakteristik data setiap kelompok. Asumsi adanya homogenitas variansi menjelaskan bahwa variansi dalam masing-masing kelompok dianggap sama. Sedangkan asumsi bebas menjelaskan bahwa variansi masing-masing terhadap rata-ratanya pada setiap kelompok bersifat saling bebas. Analisis variansi adalah suatu prosedur untuk uji perbedaan mean beberapa populasi (lebih dari dua).Hipotesis ANOVA satu arah
45
H0 : μ1= μ 2 = μ 3 = … = μ k ▪ Seluruh mean populasi adalah sama ▪ Tidak ada efek treatment ( tidak ada keragaman mean dalam grup ) H1 : tidak seluruhnya mean populasi adalah sama ▪ Terdapat sebuah efek treatment ▪ Tidak seluruh mean populasi berbeda ( beberapa pasang mungkin sama ) Partisi Variansi Variansi total dapat dibagi menjadi 2 bagian : SST = SSG + SSW Ó SST = Total sum of squares (jumlah kuadrat total) yaitu penyebaran agregat nilai data individu melalui beberapa level faktor . Ó SSG/SSB = Sum of squares between-grup (Jumlah kuadrat antara) yaitu penyebaran diantara mean sampel faktor . Ó SSW/SSE = Sum of squares within-grup (jumlah kuadrat dalam) yaitu penyebaran yang terdapat diantara nilai data dalam sebuah level faktor tertentu . Rumus jumlah kuadarat total ( total sum of squares ) SST = SSG + SSW
46
Dimana Ó SST = total sum of squares ( jumlah kadarat total ) Ó k = levels of treatment ( jumlah populasi ) Ó ni = ukuran sampel dari poplasi i Ó x ij = pengukuran ke-j dari populsi ke-i Ó x = mean keseluruha ( dari seluruh nilai data ) Variansi total
Rumus
untuk
mencari
variasi
jumlah
kuadrat
dalam
Keterangan : SSW/SSE = jumlah kuadrat dalam k = levels of treatment ( jumlah populasi ) ni = ukuran sampel dari poplasi i xij = pengukuran ke-j dari populsi ke-i x = mean keseluruha ( dari seluruh nilai data ) Rumus
Keterangan
untuk
mencari
varisi
diantara
grup
47
Ó SSB/SSG = jumlah kuadrat diantara Ó k = levels of treatment ( jumlah populasi ) Ó ni = ukuran sampel dari poplasi i Ó xij = pengukuran ke-j dari populsi ke-i Ó x = mean keseluruha ( dari seluruh nilai data ) Rumus variasi dalam kelompok MSW =SSW/N-K dimana: Ó MSW = Rata-rata variasi dalam kelompok Ó SSW = jumlah kuadrat dalam Ó N-K = derajat bebas dari SSW rumus variasi diantara kelompok Ó MSG = SSG/K-1 Ó MSG/SSW = Rata-rata variasi diantara kelompok Ó SSG = jumlah kuadrat antara Ó k-1 = derajat bebas SSG
