Upload
nguyenthien
View
218
Download
2
Embed Size (px)
Citation preview
12
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
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) :
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):
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
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
Karakteristik Metode CER Faktor Performa Diterima Oleh PenggunaFingerprint Pola pada sidik jari diterima dan dibandingkan Medium Kering, kebersihan dari jari tersebut MediumPalm Scan Pola dan bentuk pada telapak tangan diterima dan dibandingkan Low cedera tangan, usia dan perhiasanHand Geometry Dimensi pada tangan dan jari dihitung dan dibandingkan Low cedera tangan, usia dan perhiasan HighRetina Pola dari pembuluh darah pada retina diterima dan dibandingkan Low Kacamata, susah digunakan LowIris Pola pada iris diterima dan dibandingkan Low Pergerakan dan pencahayaan HighFace Bentuk pada muka diterima dan dibandingkan Medium Pencahayaan, kacamata, rambut, lingkungan mediumSignature Dynamic Ritme, kecepatan dan cara menekan diterima dan dibandingkan High perubahan cara tanda tangan HighKeyboard Dynamic keceparan, tekanan dari kata yang menjadi kata kunci High Perubahan cara mengetik High
21
database. FRR ini mengukur persentase dari input yang valid tetepi
ditolak oleh sistem
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
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
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.
Failure To Capture Rate (FTC):
Dalam sistem otomatis, probabilitas untuk sebuah sistem gagal
untuk mendeteksi biometriks input ketika disajikan secara benar.
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 mereka
(http://www.cse.msu.edu/biometrics/fingerprint.html) . 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.
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.
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 (light-
emitting 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.
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.
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 asumsi-
asumsi 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
SST = Total sum of squares (jumlah kuadrat total) yaitu penyebaran
agregat nilai data individu melalui beberapa level faktor .
SSG/SSB = Sum of squares between-grup (Jumlah kuadrat antara)
yaitu penyebaran diantara mean sampel faktor .
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
SST = total sum of squares ( jumlah kadarat total )
k = levels of treatment ( jumlah populasi )
ni = ukuran sampel dari poplasi i
x ij = pengukuran ke-j dari populsi ke-i
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 untuk mencari varisi diantara grup
Keterangan
47
SSB/SSG = jumlah kuadrat diantara
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 variasi dalam kelompok MSW =SSW/N-K
dimana:
MSW = Rata-rata variasi dalam kelompok
SSW = jumlah kuadrat dalam
N-K = derajat bebas dari SSW
rumus variasi diantara kelompok
MSG = SSG/K-1
MSG/SSW = Rata-rata variasi diantara kelompok
SSG = jumlah kuadrat antara
k-1 = derajat bebas SSG