analisis penekanan kunci dinamik untuk verifikasi ... · berbasis jaringan syaraf tiruan propagasi...

ANALISIS PENEKANAN KUNCI DINAMIK UNTUK

VERIFIKASI BIOMETRIK BERBASIS JARINGAN SYARAF

TIRUAN PROPAGASI BALIK

ARIF BUDIMAN

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2006

PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI

Dengan ini saya menyatakan bahwa Tesis ANALISIS PENEKANAN KUNCI

DINAMIK UNTUK VERIFIKASI BIOMETRIK BERBASIS JARINGAN SYARAF TIRUAN

PROPAGASI BALIK, adalah karya saya sendiri dan belum diajukan dalam bentuk

apapun kepada Perguruan Tinggi mana pun. Sumber informasi yang berasal atau

dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah

disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.

Bogor, Juli 2006

Arif Budiman

NRP. G651034104

ABSTRAK ARIF BUDIMAN. Analisis penekanan kunci dinamik untuk verifikasi biometrik berbasis jaringan syaraf tiruan propagasi balik. Dibimbing oleh SUGI GURITMAN dan HERU T. NATALISA.

Penekanan kunci biometrik mempelajari pola kebiasaan pengetikan seseorang. Jurnal literatur menunjukkan prospek yang bagus sebagai sistem verifikasi dan umumnya menggunakan metode statik (yakni data pelatihan mirip dengan data verifikasi). Penelitian ini menggunakan metode analisis dinamik. Data dianalisis ke dalam pasangan karakter dominan tertentu sehingga memungkinkan data pelatihan berbeda dengan data verifikasi (pemunculan data secara acak). Pasangan karakter dominan diperoleh dari penelitian pendahuluan yang khusus diadakan untuk menganalisis 756 kata dalam bahasa Indonesia dengan berdasarkan pergerakan jari kiri-kanan. Pasangan karakter tersebut adalah an,ng,la,en,ka dan kelompok pasangan karakter yang berdekatan adalah (ng,ba,ma,na,nd), (an,am,ab), (su,au,ay,gu,di,du,di,ai), (pa,is,ia,ya,ua,us), dan (ri,ti,ru,tu,ro,to,ep). Prototipe sistem ini menggunakan tiga variabel yakni durasi (d), interkey (i) dan waktu total (T). Masing-masing mempunyai Jaringan Syaraf Tiruan (JST) yang terpisah dengan pengolahan awal input ke dalam 5 kelas fuzzy (SC,C,S,L,SL). Algoritme pelatihan adalah propagasi balik dan menggunakan dua tipe model pelatihan A (tegas) dan B (berarti dua). Data pelatihan diperoleh dari analisis statistik (rata-rata, median, modus, simpangan baku, minimum, maksimum) dan data komplemen pola kelas fuzzy untuk setiap pasangan karakter tersebut.

Penelitian ini telah dilakukan untuk menguji pengaruh layout keyboard terhadap hasil persentase False Rejection Rate (FRR), pengaruh pengulangan pengambilan data terhadap hasil % FRR, pengaruh uji verifikasi JST dalam memberikan respon terhadap data baru yang secara eksklusif tidak diikutkan dalam proses pelatihan, pengaruh uji identifikasi dalam hal persentase False Acceptance Rate (FAR) terhadap JST model pelatihan A dan B, dan pengaruh respon keseluruhan dalam % FRR terhadap deteksi penyusupan.

Kesimpulan penelitian ini menunjukkan model A memberikan hasil % FRR lebih rendah dan hasil % FAR lebih tinggi daripada model B, namun model B mempunyai nilai batas ambang keputusan yang lebih fleksibel sehingga bisa digunakan dalam model output fuzzy pada penelitian mendatang. Kestabilan sistem sangat ditentukan oleh layout keyboard dan kondisi lingkungan saat pengetikan. Namun, proses pengulangan pengambilan data lebih dari 56 hari masih memberikan hasil yang konsisten. JST mempunyai kemampuan mengenali data eksklusif dengan hasil % FRR yang relatif rendah. Penyusupan bisa dideteksi dengan mudah dengan melihat keberadaan lonjakan % FRR. Model ini mempunyai kemampuan yang bagus untuk verifikasi biometrik penekanan kunci dengan pengetikan teks dinamik, namun membutuhkan beberapa penelitian lanjutan untuk identifikasi biometrik.

Kata kunci: biometrik, perilaku, penekanan kunci, analisis dinamik, jaringan syaraf tiruan, propagasi balik.

ABSTRACT

ARIF BUDIMAN. Dynamic keystroke analysis for biometric verification based on artificial neural network backpropagation. Under the direction of SUGI GURITMAN and HERU T. NATALISA.

Biometric keystroke analysis studies the typing pattern of human behavior. Literature journals show a good prospect for a verification system and commonly use static method (where training data is similar with the verification data). This research uses dynamic analysis method. The data will be analyzed into certain dominant character pairs so that it is possible for training data to be different than the verification data (using random data display). The dominant character pairs were obtained from preliminary research which was conducted to specifically analyze 756 words in the Indonesian language. It is based on left-right finger movement. The character pairs are an, ng, la, en, ka while the cluster of close character pairs are (ng,ba,ma,na,nd), (an,am,ab), (su,au,ay,gu,di,du,di,ai), (pa,is,ia,ya,ua,us), and (ri,ti,ru,tu,ro,to,ep). The system prototype uses three variables, namely duration (d), interkey (i) and total time (T). Each variable has its own separated Artificial Neural network (ANN) by pre-processing input into five fuzzy classes (SC, C, S, L, SL). The training algorithm is backpropagation and uses two types of training models: A (crispy) and B (ambiguity). The training data were obtained by statistical analysis (mean, median, modus, standard deviation, minimum, maximum) and from fuzzy class pattern complementary data for each character pairs.

The research was conducted to study the effect of keyboard layout on False Rejection Rate (FRR) percentage, the effect of data re-taken on % FRR, the effect of ANN verification test on the responses to the new exclusive data (which had never been included in training process). It also studies the effects of identification tests in terms of False Acceptance Rate (FAR) percentage on ANN training model A and B, and the effect of overall response in % FRR on intrusion detection.

The conclusions are that model A gives lower % FRR and higher % FAR than model B while model B has a more flexible value of the decision threshold to be used as fuzzy output model in future research. The system stability is affected significantly by keyboard layout and environment conditions during typing. However, the data re-take process carried out more than 56 days afterwards still gave consistent results. ANN has the capability to recognize exclusive data with relatively lower % FRR results. Intrusion can be detected easily by spotting the existence of the % FRR spike. This model has a good capability for Biometric keystroke verification with dynamic text typing but still requires more research for Biometric identification.

Keywords: Biometric, Behavior, Keystroke, Dynamic Analysis, Artificial Neural Network, Backpropagation.

© Hak Cipta milik Institut Pertanian Bogor, tahun 2006

Hak Cipta dilindungi

Dilarang mengutip dan memperbanyak tanpa izin tertulis dari

Institut Pertanian Bogor, sebagian atau seluruhnya dalam

bentuk apapun, baik cetak, fotokopi, microfilm, dan sebagainya

ANALISIS PENEKANAN KUNCI DINAMIK UNTUK



ARIF BUDIMAN

NRP : G651034104

Tesis

Sebagai salah satu syarat untuk memperoleh gelar

Magister Sains pada

Departemen Ilmu Komputer

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2006

PRAKATA

Puji dan syukur penulis panjatkan kepada ALLAH SWT atas segala karuniaNya

sehingga karya ilmiah ini berhasil diselesaikan. Topik yang dipilih dalam penelitian yang

dilaksanakan sejak bulan Agustus 2005 ini adalah ANALISIS PENEKANAN KUNCI

DINAMIK UNTUK VERIFIKASI BIOMETRIK BERBASIS JARINGAN SYARAF TIRUAN

PROPAGASI BALIK.

Terima kasih penulis ucapkan kepada Bapak Dr. Sugi Guritman dan Bapak Ir.

Heru Triyono Natalisa, M.Math selaku Komisi Pembimbing serta Bapak Ir. Agus Buono,

M.Si, M.Kom selaku penguji luar komisi yang telah banyak memberikan masukan. Serta

teman-teman mahasiswa Pascasarjana Ilmu Komputer yang telah memberikan kritikan

dan saran baik langsung maupun tidak langsung, khususnya kepada rekan Moh. Syafii,

Risanto Darmawan, Mahyus yang telah membantu langsung dalam pengumpulan data.

Ucapan terima kasih juga disampaikan kepada istri Wahyuningsih yang telah

juga membantu langsung dalam pengumpulan data serta seluruh keluarga yang

mendukung.

Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2006

Arif Budiman

NRP. G651034104

Judul Tesis : ANALISIS PENEKANAN KUNCI DINAMIK UNTUK



(DYNAMIC KEYSTROKE ANALYSIS FOR BIOMETRIC

VERIFICATION BASED ON BACKPROPAGATION

ARTIFICIAL NEURAL NETWORK)

Nama : Arif Budiman

N R P : G651034104

Disetujui

Komisi Pembimbing

Dr. Sugi Guritman Ketua

Ir. Heru Triyono Natalisa, M.Math Anggota

Diketahui

Ketua Program Studi

Pascasarjana Ilmu Komputer

Dr. Sugi Guritman

Dekan Sekolah Pascasarjana

Dr. Ir. Khairil Anwar Notodiputro, MS

Tanggal Ujian : 9 Juni 2006

Tanggal Lulus :

RIWAYAT HIDUP

Arif Budiman dilahirkan di Tanjung Karang Lampung pada tanggal 25 Januari

1972. Putra pertama dari tiga bersaudara dari orang tua Lokman Muchsin dan Lusiana

Kawidjaja. Penulis beristrikan Wahyuningsih dan mempunyai seorang putra dan putri.

Penulis menempuh pendidikan sarjana Teknik Elektro Universitas Trisakti

Jakarta dari tahun 1990 sampai dengan tahun 1995 dan pada tahun 2004 lulus seleksi

masuk pada Program Pasca Sarjana Ilmu Komputer IPB Bogor.

Penulis mengawali pekerjaan secara konsisten di bidang Teknologi Informasi

sejak tahun 1996 di bidang jaringan, keamanan TI dan platform Microsoft serta

memegang sertikasi profesional sebagai Microsoft Certified System Engineer. Penulis

bekerja di PT Microsoft Indonesia sebagai Technical Account Manager sejak tahun 2003

dan tercatat sebagai IEEE Student Member dengan nomor 80087465.

Penulis saat ini bertempat tinggal di Jakarta dengan alamat Jl. Laut Sulawesi

BB4/32 Duren Sawit I Kecamatan Duren Sawit Jakarta Timur 13440 Telpon (021)

8620335.

DAFTAR ISI Halaman DAFTAR TABEL …………………………………………………………………… xi DAFTAR GAMBAR …………………………………………………………….….. xii DAFTAR LAMPIRAN .……………………………………………………………... xiii 1 PENDAHULUAN Latar Belakang……………………………………………………….. 1 Tujuan Penelitian ……………………………………………………. 5 Manfaat Penelitian ………………………………………………….. 5 Intisari Penelitian Sebelumnya …………………………………….. 6 Perbedaan dari Penelitian Sebelumnya ………………………….. 15 Ruang Lingkup …. ………………………………………………….. 16 2 TINJAUAN PUSTAKA Sistem Biometrik …………………………………………………….. 17 Mode Operasi Biometrik ……………………………………………. 18 Parameter Kinerja …………………………………………………… 21 Penekanan Kunci Dinamik (Dynamic Keystroke) ………………... 23 Prinsip Kerja Keyboard ……………………………………………... 25 Jaringan Syaraf Tiruan ……………………………………………… 27 Variabel Fuzzy ……………………………………………………….. 31 3 METODOLOGI Kerangka Pemikiran ………………………………………………… 34 Tata Laksana ………………………………………………………… 37 Rancangan Percobaan .... …………………………………………. 39 4 RANCANG BANGUN SISTEM Dasar Pemikiran Perancangan .................................................... 41 Perancangan Model Data ............................................................ 41 Perancangan Prototipe Aplikasi ................................................... 50 5 ANALISIS DAN PEMBAHASAN Percobaan Untuk Melihat Pengaruh Perbedaan Perangkat

Keras ………..………………………………………………………..

77 Percobaan Untuk Melihat Pengaruh Pengulangan Pengambilan

Data ……………………………………….…………………………..

79 Percobaan Untuk Melihat Kemampuan Verifikasi Dengan Data

Eksklusif .……………………..……………………………………….

81 Percobaan Untuk Melihat Pengaruh Model Data Pelatihan A

dan B – Uji Identifikasi ……………………………………………….


dan B – Uji Penyusupan (%FRR = 1 - %FAR) ………………..…..


dan B - Pengaruh % FRR dan ambang keputusan (0.5 – 0.9) ...

85 Perbandingan Kelayakan Sistem ……………..........……………... 86 Implementasi Sistem …………………………................................ 87 6 KESIMPULAN DAN SARAN Kesimpulan …………………………………………………….......... 89 Saran ……………………………………………………………......... 91 DAFTAR PUSTAKA ………………………………………………………............. 92 LAMPIRAN ......... ……………………………………………………….............. 95

DAFTAR TABEL

Halaman 1 Perbandingan Biometrik (NCSC,2005) ........……………………………… 3 2 Perkembangan Biometrik Perilaku Penekanan Kunci …………………… 14 3 Perbandingan Karakteristik Biometrik (Anil K. Jain et al, 2004)…..…….. 23 4 Nama, Jenis Dan Sumber Data Penelitian ……………………………….. 38 5 Daftar Kosakata ………………………………………………………………. 42 6 Daftar Kandungan Pasangan Karakter Dari 51 Kata ............................... 42 7 Hubungan Bobot JST Dengan Uji Data Eksklusif ………....……………... 43 8 Penyusunan Data Komplemen Untuk Variabel d, i Dan T ………….…… 45 9 Contoh Nilai Target Yang Bertentangan (Paradoks) …………………….. 46

10 Ringkasan Hasil Uji Abudiman1 dan Abudiman2 Terhadap JST Bobot Abudiman4 …………………………………………………………………….

77

11 Ringkasan Hasil Uji Wningsih1 dan Wningsih2 Terhadap JST Bobot Wningsih4 ……………………………………………………………………..

77

12 Ringkasan Hasil Uji Mahyus2 Terhadap JST Bobot Mahyus1 ..………… 78 13 Ringkasan Hasil Uji Abudiman3 Terhadap JST Bobot Abudiman4 ..…… 79 14 Ringkasan Hasil Uji Wningsih5 Terhadap JST Bobot Wningsih4 ............ 79 15 Ringkasan Hasil Uji Syafii1 Terhadap JST Bobot Syafii2 ........................ 79 16 Ringkasan Hasil Uji Risantod1 Terhadap JST Bobot Risantod2 ......…… 80 17 Cuplikan Analisis Statistik Pada Kasus Risantod ………………………… 80 18 Ringkasan Hasil Uji Data Eksklusif Terhadap JST Bobot Milik Sendiri ... 81 19 Ringkasan Uji Identifikasi Pengguna Di Notebook Nx6125 ..................... 82 20 Ringkasan Hasil Uji Penyusupan Dengan JST Model Pelatihan A ......... 83 21 Ringkasan Hasil Uji Penyusupan Dengan JST Model pelatihan B .......... 84 22 Cuplikan Bentuk Keluaran JST Model Pelatihan B ................................. 85 23 Perbandingan Kelayakan Sistem ............................................................ 86

DAFTAR GAMBAR

Halaman 1 Klasifikasi Biometrik ………………………………….. ……………………… 2 2 Perbandingan Metodologi JST (Obaidat, 1995) …………………………… 7 3 Perbandingan Fungsi Aktivasi JST Propagasi Balik (Obaidat et al,

1997)……………………………………………………………………………..

8 4 Perbandingan Pengukuran keystroke Latencies (Daw-Tung Lin, 1997)

……………………………………………………………………………………

10 5 Acuan Pengukuran Variabel d, i, Dan T ...........……………………………. 15 6 Keyboard QWERTY US English Standard (101/102 Keys) ……...……..... 16 7 Biometrik Untuk Identifikasi (Salil Prabhakar et al, 2003) ........................ 18 8 Biometrik Untuk Verifikasi (Salil Prabhakar et al, 2003) ........................... 19 9 Proses Enrollment Dalam Biometrik (Salil Prabhakar et al, 2003)............ 19

10 Blok Diagram Sistem Biometrik (Simon Liu et al, 2001) ............................ 20 11 Gabungan Metode Biometrik Dalam Satu Sistem (Anil K. Jain et al,

2004) ………………....................................................................................

21 12 Distribusi Kurva Probabilitas Terhadap Skor Pencocokan Pola (Salil

Prabhakar et al, 2003) …………..………....................................................

22 13 Blok Diagram Elektronik Keyboard …………………….……………………. 26 14 Arsitektur Lapisan Jaringan Syaraf Tiruan (JST) ….………………………. 29 15 Pemrosesan Di Satu Sel Neuron……………………………………..……… 29 16 Diagram Alur Kerangka Pemikiran ………………………………................. 34 17 Tahapan Pelaksanaan Penelitian ............................................................. 35 18 Hubungan Histogram Dengan Batas Kelas Fuzzy ....……………………… 44 19 Tujuh Kemungkinan Pola Dari 5 Kelas Fuzzy ........................................... 44 20 Hasil Verifikasi Akibat Data Pelatihan Yang Paradoks .............................. 47 21 Grafik Hubungan Laju Pembelajaran Dengan Penurunan Kesalahan ….. 48 22 Grafik Hubungan Laju Kesalahan Dengan Model Pelatihan A Dan B ….. 49 23 Pengaruh Tingkat Kesalahan (Jumlah epoch) Terhadap Verifikasi……… 50 24 Diagram Alir Aplikasi pengambilan Data …………………………….……… 51 25 Tampilan Pengguna Aplikasi Pengambilan Data ...................................... 52 26 Diagram Status Penguraian Pasangan Karakter Berurutan ...................... 54 27 Diagram Status Pengecekan Urutan Penekanan ...................................... 56 28 Tampilan Pengguna Aplikasi Analisis Data ............................................... 62 29 Struktur Jaringan Syaraf Tiruan Untuk Variabel d, i, Dan T ...................... 65 30 Hasil Uji 1 Program Jaringan Syaraf Tiruan............................................... 74 31 Hasil Uji 2 Program Jaringan Syaraf Tiruan .............................................. 75 32 Perbandingan Notebook EvoN620C Dan Nx6125 .................................... 78 33 Hubungan % FRR Dengan Ambang Keputusan (0.5 – 0.9) ..................... 85 34 Implementasi Dalam Sistem Verifikasi ...................................................... 87

DAFTAR LAMPIRAN

Halaman 1 Penelitian Pendahuluan Analisis Kata Bahasa Indonesia …………........... 96 2 Perancangan Variabel Fuzzy ..............................................……………….. 107 3 Tabel Analisis Statistik Data Biometrik (15 Data Dari 5 Pengguna) ............ 110 4 Contoh Model Data Pelatihan A Dan B – Abudiman4 ................................. 113 5 Uji Parameter Jaringan Syaraf Tiruan …………………………………….… 115 6 Tabel Lengkap Hasil Percobaan ……………………………………………… 123 7 Struktur Basis Data .................................................................................... 139

BAB I

PENDAHULUAN

1.1 Latar Belakang

Isu penting dalam keamanan komputer (computer security) adalah masalah

otentikasi (authentication) yang pada dasarnya bertujuan untuk memastikan orang yang

diberi hak yang berwenang untuk masuk ke dalam sistem. Dengan otentikasi, maka

sistem komputer mengenali (identify) dan memastikan (verify) bahwa orang yang diberi

hak (be authenticated) yang berwenang menggunakan sumber daya sesuai dengan

batasan yang diberikan. Sistem otentikasi yang populer dan lazim digunakan saat ini

adalah penggunaan user name dan password.

Ada tiga macam tipe otentikasi (Simon Liu dan Mark Silverman, 2001; William J.

Lawson, 2003), yakni :

1. Sesuatu yang kita tahu, contohnya password, pin atau sebagian informasi

pribadi;

2. Sesuatu yang kita punya, contohnya kartu pintar (smart card ) atau token seperti

SecurID;

3. Sesuatu tentang kita sendiri, yakni Biometrik.

Tipe pertama dan kedua saat ini tidak lagi cukup efisien dan efektif. Karena

password mudah sekali bocor baik sengaja maupun tidak sengaja kepada orang yang

tidak berhak dan penggunaan kartu pintar bisa dicuri atau dipalsukan dengan mudah.

Selain itu sifat otentikasinya hanya satu kali (once time authentication) ketika pertama

kali pengguna masuk ke dalam sistem dan tidak bisa memberikan jaminan yang bersifat

terus menerus (kontinyu) selama pengguna berada di dalam sistem.

Hal ini mendorong orang untuk mengembangkan konsep yang lebih luas yang

menekankan bagaimana caranya memastikan bahwa benar si A yang melakukan akses

bukan si B atau yang lainnya. Motivasi penelitian untuk mencari apa yang bisa

membedakan individu manusia mendorong perkembangan biometrik. Walaupun

demikian biometrik dengan segala kekurangan dan kelebihannya belum bisa digunakan

untuk sepenuhnya menggantikan sistem otentikasi yang ada melainkan hanya sebagai

pelengkap.

Sesuatu tentang kita sendiri dalam biometrik adalah sesuatu yang ada pada kita

atau sesuatu yang kita lakukan atau hasilkan. Sesuatu yang ada pada kita dikenal

dengan istilah Biometrik Fisiologis (Physiological Biometrics) dan sesuatu yang kita

hasilkan dikenal dengan istilah Biometrik Perilaku (Behavioral Biometrics) (Javier Ortega

Garcia et al, 2004).

Gambar 1 Klasifikasi Biometrik

Teknologi biometrik yang populer digunakan adalah Biometrik Fisiologis sebagai

contoh, sidik jari, iris/retina mata, geometri tangan dan pengenalan wajah. Karakteristik

fisiologis membutuhkan perangkat yang tidak murah untuk tingkat akurasi dan

kestabilan yang tinggi dan kesukaran dalam mengenali tanda kehidupan dan insiden

kesalahan pembacaan. Sebagai contoh, scan sidik jari mempunyai kesulitan mengenali

sidik jari yang kotor dan kesukarannya membedakan replika jari plastik.

Biometrik dengan karakteristik perilaku mempunyai kelemahan dalam hal

akurasi dan kestabilan, namun tidak membutuhkan piranti keras khusus dan cukup

dengan menerapkan sistem program terhadap piranti keras yang tersedia. (Umut

Uludag, et al 2004). Sebagai contoh, menurut William J. Lawson (2003) bahwa

penekanan kunci (keystroke) berdasarkan pada analisis ritme pengetikan dengan cara,

gaya dan kecepatan pengetikan seseorang di papan ketik ( keyboard) bisa menunjukkan

ciri khas perilaku orang tersebut. Kemudian ditegaskan lagi oleh Enzhe Yu et al (2004)

yang mengatakan bahwa ciri khas perilaku pengetikan tersebut menunjukkan pola yang

konsisten.

Penelitian penekanan kunci banyak dipublikasikan di media jurnal internasional

seperti IEEE dan Konsorsium Biometrik (Umut Uludag, et al 2004). Metode dan

kesimpulan yang diperoleh bersifat unik di tiap negara karena cara, gaya dan kecepatan

pengetikan seseorang dipengaruhi oleh bahasa, budaya dan ciri kejiwaan/kecerdasan

orang tersebut. Bagaimana pengaruh ini terjadi adalah topik penelitian di bidang

psikologi dan sosial antropologi bukan objek penelitian di bidang Ilmu Komputer.

Berbagai referensi menyebutkan metode penekanan kunci mempunyai beberapa

keunggulan, tiga di antaranya sebagai berikut.

1. Berbasis piranti lunak dan tidak memerlukan piranti khusus sehingga mudah

diimplementasikan.

2. Sulit ditiru, karena masalah mendasar Biometrik Fisiologis adalah data yang

digunakan bersifat bukan rahasia (terbuka atau bisa diperoleh dengan mudah)

dan perangkat biometrik harus bisa mengenali tanda kehidupan. Sedangkan

penekanan kunci adalah perilaku yang tersembunyi di dalam otak manusia.

3. Dapat meningkatkan keamanan, karena bersifat sebagai pelengkap (bukan

pengganti) sistem otentikasi yang sudah ada dengan kemampuan mem-

verifikasi secara terus menerus (kontinyu).

Namun, metode penekanan kunci juga mempunyai beberapa kekurangan. Hal ini

dapat dilihat dari perbandingan dengan teknologi biometrik lainnya menurut National

Center for State Courts pada tabel 1 sebagai berikut.

Tabel 1 Perbandingan Biometrik (NCSC, 2005)

Biometric Verify ID Accuracy Reliability Error Rate Errors False Pos.

False Neg.

Fingerprint 1 in 500+ dryness, dirt, age

Ext. Diff.

Ext. Diff.

Facial Recognition no data lighting, age,

glasses, hair Difficult Easy

Hand Geometry 1 in 500 hand injury,

age Very Diff. Medium

Speaker Recognition 1 in 50

noise, weather,

colds Medium Easy

Iris Scan 1 in

131,000 poor lighting Very Diff.

Very Diff.

Retinal Scan 1 in

10,000,000 Glasses Ext. Diff.

Ext. Diff.

Signature Recognition 1 in 50 changing

signatures Medium Easy

Keystroke Recognition no data hand injury,

tiredness Difficult Easy

DNA no data None Ext.

Diff.

Ext. Diff.

Biometric Security Level

Long-term Stability

User Acceptance Intrusive Ease of

Use Low Cost Hardware Standards

Fingerprint Somewhat Special, cheap Yes

Facial Recognition Non

Common, cheap ?

Hand Geometry Non

Special, mid-price ?

Speaker Recognition Non

Common, cheap ?

Iris Scan Non Special,

expensive ?

Retinal Scan Very

Special, expensive ?

Signature Recognition Non

Special, mid-price ?

Keystroke Recognition Non

Common, cheap ?

DNA Extremely Special,

expensive Yes

Tabel 1 menunjukkan bahwa penekanan kunci hanya cocok untuk verifikasi;

mempunyai tingkat akurasi yang rendah; tidak mempunyai data standar laju kesalahan;

kesalahan mengidentifikasi yang mudah; stabilitas jangka panjang yang rendah; serta

belum adanya acuan standar yang bisa diterima.

Dari beberapa kekurangan yang telah disebutkan diatas, tidak berarti metode ini

kurang berkembang. Perusahaan yang pertama kali menerapkan metode ini dalam

bentuk produk jadi adalah Biopassword, Inc (http://www.biopasswod.com) yang didirikan

pada tahun 1989 oleh James R. Young dan Robert W. Hammon (Alen Peacock et al ,

2004). Sedangkan registrasi paten pertama kali dilakukan oleh John D. Garcia di tahun

1986. Penyempurnaan lebih lanjut di tahun 1996 oleh Marcus E. Brown dan Samuel J.

Rogers berupa perbaikan dengan menggunakan Jaringan Syaraf Tiruan dan Jarak

Euclidean. Paten terkini di tahun 2002 oleh Zilberman dengan perangkat papan ketik

khusus dan mikrokontroler untuk menyimpan data karakteristik waktu.

Beberapa penelitian jurnal ilmiah internasional menunjukkan penekanan kunci

dengan metode soft computing mempunyai potensi yang layak sebagai metode

verifikasi. Algoritme yang lazim digunakan adalah algoritme klasifikasi pola (pattern

classification). Umumnya, berbagai penelitian menggunakan Jaringan Syaraf Tiruan

(JST) seperti JST propagasi balik yang berfungsi sebagai sarana pengingat dan

pembelajar pola (Machine Learning). Prinsip kerja JST adalah untuk mengingat pola

yang pernah diajarkan dan kemampuannya merespon pola baru berdasarkan atas

kemiripan pola baru tersebut dengan pola yang sudah ada.

Penelitian dalam tesis ini melibatkan sejumlah sampel data yang cukup dari

beberapa partisipan. Hasil penelitian menunjukkan kelayakan sistem prototipe ini dalam

memenuhi sifat penerimaan umum teknologi biometrik, sebagai berikut.

1. Universality, setiap orang mempunyai karakteristik dan kemungkinan-

kemungkinan tidak terpenuhinya harus bisa diantisipasi.

2. Uniqueness, seberapa unik sehingga bisa me mbedakan dua orang yang

berbeda.

3. Permanent, tidak berubah terhadap waktu untuk rentang waktu tertentu/bukan

sekejap.

4. Collectability, dapat diukur secara kuantitatif dan mudah.

5. Performance, akurasi yang ingin dicapai dan kondisi lingkungan yang dibutuhkan

untuk mencapai akurasi tersebut.

6. Acceptability, seberapa luas bisa diterima oleh masyarakat umum.

7. Circumvention, seberapa susah untuk membodohi sistem sehingga bisa

ditembus dan cukup tahan terhadap kemungkinan penyimpangan.

1.2 Tujuan Penelitian

Penelitian ini bertujuan untuk mengembangkan prototipe model Biometrik

Penekanan Kunci berbasis Jaringan Syaraf Tiruan Propagasi Balik dengan pengolahan

input dalam variabel Fuzzy dan analisis terhadap input teks dinamik bahasa Indonesia

sebagai alternatif verifikasi bagi pengguna komputer.

1.3 Manfaat Penelitian

Penelitian ini setidaknya memberikan dua manfaat, yakni :

1. menambah khasanah pengetahuan bidang Biometrik Penekanan Kunci yang

belum semaju bidang Biometrik lainnya, dan

2. memberikan sumbangan pemikiran terhadap perkembangan penelitian bidang

Biometrik Penekanan Kunci pada Ilmu Komputer IPB.

1.4 Intisari Penelitian Sebelumnya

Penelitian dengan tema penekanan kunci telah banyak dipublikasikan dalam

jurnal ilmiah. Antara lain dilakukan oleh Ron Luman II (2002) yang menggunakan

algoritme genetika. Dia menyarankan penelitian selanjutnya untuk analisis dengan

jumlah sampel besar dalam bentuk teks bebas. Daw-Tung Lin (1997) menggunakan

JST Propagasi balik (Backpropagation) dan Keystroke Latencies untuk memperbaiki

hasil penelitian sebelumnya. Sajjad Haider (2000) menggunakan perbandingan metode

Fuzzy, JST dan metode statistik. Leenesh Kumar (1999) membandingkan penggunaan

JST dengan Analisis Kluster (Cluster Analysis) dan menyimpulkan bahwa “pola

pengetikan individu tertentu dapat dinyatakan dalam bobot-bobot hasil pelatihan JST

Multilayer Perceptron.” Jank Mantyjarvis (2002) membandingkan JST dengan metode

K-Nearest Neighbor (K-NN) pada virtual keyboard. Enzhe Yu (2004) menggunakan

algoritme genetika SVM (Support Vector Machine) dengan mengkarakterisasikan vektor

waktu berupa lama dan selang waktu. Dia menyarankan pentingnya pengolahan data

awal untuk mengurangi noise. Fadhli Wong et al (2001) membandingkan JST dengan K-

NN dan menyimpulkan bahwa JST lebih adaptif, namun mempunyai FAR lebih besar

yang bisa dikurangi dengan cara memperbesar jumlah himpunan data pelatihan.

Berikut ini disajikan 13 contoh intisari penelitian sebelumnya yang berkaitan erat

dengan penelitian ini.

1. A Multi -Technique Approach for User Identification through Keystroke Dynamics

oleh Sajjad Haider, Ahmed Abbas dan Abbas K. Zaidi (2000).

Penelitian ini membandingkan penggunaan Logika Fuzzy, JST, metode statistik

dan kombinasinya. Data pelatihan yang digunakan bersifat statik dengan

maksimum panjang 7 karakter. Pengguna mengetik password yang sama

sebanyak 15 kali berturut-turut dengan benar karena tidak ada mekanisme

deteksi kesalahan pengetikan. Parameter yang diukur adalah waktu tunda di

antara pengetikan karakter. Logika Fuzzy menggunakan fungsi keangotaan

segitiga. JST menggunakan algoritme Propagasi Balik dengan 3 lapisan dengan

jumlah sel pada lapisan input ada enam yakni sama dengan jumlah waktu tunda

untuk keseluruhan 7 karakter yang digunakan. Metode statistik menggunakan

rataan deviasi standar serta kurva distribusi normal untuk menghitung selang

kepercayaan setiap waktu tunda. Kesimpulan penelitian ini mengatakan bahwa

kombinasi Logika Fuzzy, JST dan metode statist ik secara bersama-sama bisa

memberikan tingkat kesalahan FRR dan FAR yang paling kecil. Namun, ada

peluang buat penyusup untuk sukses masuk jika diberi kesempatan sampai dua

kali pengetikan. Saran untuk perbaikan metode ini dengan menggunakan waktu

penekanan kunci (key-hold time). Metode ini diterapkan pada sistem rangkaian

pengunci ruangan laboratorium berupa keyboard panel untuk penekanan dengan

satu jari.

2. A Verification Methodology for Computer System Users oleh M.S Obaidat (1995).

Penelitian ini merupakan kelanjutan dari penelitian sebelumnya yang hanya

menggunakan variabel Interkey Time. Data diperoleh dari 15 orang dan karakter

yang dimasukkan adalah User ID dengan panjang maksimum 7 karakter.

Rentang waktu pengumpulan data dilakukan selama 8 minggu. Masing-masing

melakukan penyusupan dengan memasukkan User ID pengguna lain sebanyak

15 kali. Variabel yang digunakan adalah selang waktu penekanan (Interkey time)

dan waktu lama penekanan (Hold Time).

Gambar 2 Perbandingan Metodologi JST (Obaidat, 1995)

Penelitian ini membandingkan beberapa metode JST Backpropagation (BP),

Self Organizing Feature mapping (SOM), Adaptive Resonance Theory 2 (ART-

2), Radial Basis Function (RFBN), Learning Vector Quantization (LVQ),

Reinforcement Neural Network (RNN) dan metode algoritme pengenalan pola

yakni K-Means Algorithm, Cosine measure Algorithm, Minimum Distance

Algorithm dan Bayes’ Decision Rule. Kesimpulan yang diperoleh bahwa dengan

menggunakan dua variabel sebagai penciri klasifikasi adalah pendekatan yang

sangat sukses. Gambar 2 membandingkan untuk tipe kesalahan I (False

Rejection Rate) dengan warna hitam dan tipe kesalahan II (False Acceptance

Rate) dengan warna putih, dan secara keseluruhan metode JST memberikan

hasil yang lebih baik dibandingkan metode lainnya.

3. Verification of Computer Users Using Keystroke Dynamics oleh M.S. Obaidat

dan Balqies Sadoun (1997).

Ini merupakan kelanjutan penelitian yang dilakukan Obaidat. Kesimpulan yang

diperoleh bahwa Hold Time lebih efektif daripada Interkey Time dan kinerja

terbaik didapatkan dengan menggunakan kedua variabel tersebut. Penelitian ini

masih menggunakan data yang dikumpulkan dari 15 orang dengan panjang

maksimum 7 karakter. Setiap pengguna memasukkan 225 kali secara berturut

setiap hari selama 8 minggu. Penelitian ini menggunakan beragam fungsi

aktivasi JST Propagasi Balik dengan hasil grafik pada gambar 3. Kesimpulan

yang diperoleh menunjukkan fungsi sigmoid delta memberikan hasil yang paling

baik.

Gambar 3 Perbandingan Fungsi Aktivasi JST Propagasi Balik(Obaidat et al, 1997)

4. Biometric Identification System based in keyboard Filtering oleh Oscar Coltell,

Jose M. Badia, dan Guillermo Torres (1999).

Penelitian ini menggunakan sampel 20 macam password yang diketik oleh 10

orang berbeda sehingga diperoleh 200 macam pola. Penelitian ini menekankan

pada upaya yang bisa dilakukan untuk mendapatkan pola tertentu dari setiap

user untuk pengetikan tiap password. Penelitian ini menjelaskan konsep

pengaruh derajat kesukaran (difficulty degree). Derajat yang paling mudah

adalah kata yang disusun dari karakter yang lokasinya saling berdekatan pada

jari seorang pengetik yang handal, sebagai contoh, asdf-jkln. Derajat menengah

adalah kata yang disusun dengan 6 karakter dan mempunyai sedikitnya 2 nomor

atau 2 karakter khusus. Derajat yang paling sukar adalah kata yang disusun dari

karakter tidak berarti ditambah dengan kombinasi karakter bilangan dan simbol.

Kesimpulan penelitian ini menunjukkan bahwa untuk password yang sederhana

dan dengan pengetikan yang berulang-ulang memungkinkan diperoleh pola yang

mirip untuk pengguna yang berbeda. Namun pada pengetikan pertama kali, tiap

pengguna menghasilkan pola yang berbeda satu sama lain. Dengan menaikkan

derajat kesukaran, maka peluang sukses untuk pengguna yang tidak sah

menjadi lebih rendah, namun di sisi lain mengakibatkan peluang gagal untuk

pengguna yang sah menjadi semakin besar. Validitas metode ini sangat besar

jika password yang digunakan relatif mudah diketik yang dalam hal ini

menggunakan password dari kata bermakna (intelligible word) dan dengan

menambahkan bilangan sebelum atau sesudahnya. Namun, jika password

tersebut berupa kata, bilangan, atau simbol yang tidak bermakna, maka metode

ini menjadi kurang efektif sehingga diperlukan pengulangan data pelatihan yang

cukup banyak.

5. GA-SVM Wrapper Approach for feature Subset selection in Keystroke Dynamics

Identity Verification oleh Enzhe Yu, Sungzoon Cho (2003).

Penelitian ini menggunakan algoritme Genetika untuk pencarian acak dan

menggunakan Support Vector Machine sebagai pendeteksi perbedaan (Novelty

Detector). Pengumpulan data pelatihan bersifat lebih dinamis dengan panjang 6

sampai 10 karakter. Data diperoleh dari 21 partisipan dengan memasukkan

password yang berbeda-beda hingga 150 sampai 400 kali. Ujicoba penyusupan

dilakukan oleh 15 orang yang telah diberitahukan sebelumnya password yang

dipakai dan diberi kesempatan untuk latihan sebanyak 21 password dengan

masing-masing melakukan 5 kali ujicoba penyusupan. Penelitian ini menghitung

penggunaan tombol enter dan bisa menghitung waktu negatif (Negative

Keystroke interval Time) yang terjadi bila tombol berikutnya sudah ditekan

sementara tombol sebelumnya belum dilepas. Kesimpulan yang diperoleh

menunjukkan bahwa GA-SVM Wrapper ini cukup baik dari sisi akurasi dan

kecepatan belajar.

6. Computer-Access Authentication with neural Network based Keystroke Identity

Verification, oleh Daw-Tung Lin (1997).

Penelitian ini menggunakan JST Propagasi Balik dengan arsitektur 3 lapisan

dengan menggunakan jumlah sel Hidden beragam dari H=2I, H=I, H=(I+O)/2,

H=(I+O)/3, H=(I+O)/4. I menyatakan jumlah sel input dan O menyatakan jumlah

sel output. Hasil yang paling optimum dari sisi kecepatan konvergensi pelatihan

adalah H=(I+O)/2. Penelitian ini menggunakan 90 user sah dan 61 user tidak sah

yang telah diberitahukan sebelumnya password yang dipakai. Password yang

digunakan bersifat statik. Penelitian ini melihat persentase kesalahan False

Acceptance Rate dan Impostor Pass Rate dan mengaitkannya dengan Root

Mean Square Error (RMSE) hasil pelatihan JST. Hal menarik dalam penelitian ini

adalah menggunakan pengukuran baru untuk Keystroke latencies (sebelumnya

Interkey Time), yakni diukur dari karakter ke-i ditekan sampai dengan karakter

ke-i+1 ditekan. Ini bertujuan untuk meningkatkan ketelitian akibat kecepatan

pengetikan yang sangat cepat oleh pengguna tertentu. Gambar 4

memperlihatkan perbedaan L12 dan L21 sebagai berikut.

Gambar 4 Perbandingan Pengukuran Keystroke Latencies (Daw-Tung Lin, 1997)

7. Enhanced user Authentication through Typing Biometrics with Artificial Neural

Networks and K-Nearest Neighbor Algorithm, oleh Fadhli Mohd hasan Wong,

Ainil Sufreena Mohd Supian dan Ahmad Faris Ismail (2001).

Penelitian ini membandingkan penggunaan JST dengan K-Nearest Neighbors

(KNN). Data yang digunakan berasal dari 10 pengguna yang bebas memilih

password yang digunakan dan pengetikan yang dilakukan secara berulang-ulang

selama 1 bulan (bersifat statik). Kemudian sistem dibuka untuk ujicoba umum

untuk melakukan intrusi sehingga didapatkan 100 macam pola tidak sah.

Kesimpulan yang diperoleh menunjukkan bahwa penggunaan JST lebih

adaptif dan toleran terhadap noise. Dengan jumlah data pelatihan yang lebih

besar memungkinkan JST mencapai ketelitian yang lebih tinggi. Penelitian ini

dilakukan selama 1 bulan sehingga terlihat adanya faktor keletihan, stress dan

gangguan fisik dari 10 pengguna tersebut.

8. Identity Verification through dynamic Keystroke Analysis oleh F. Bergadano, D.

Gunetti, dan C. Picardi (2003).

Penelitian ini menjelaskan perbedaan konsep Static Keystroke Analysis dengan

Dynamic Keystroke Analysis dan memfokuskan penelitian pada Dynamic

Keystroke Analysis dengan menggunakan metode Sequential Statistic Analysis.

Penelitian ini menekankan pada analisis teks yang panjang. Data diperoleh dari

dua macam teks berbeda dengan panjang 300 karakter dan melibatkan 40 orang

partisipan. Teks tersebut diketik setidaknya masing-masing satu kali dalam satu

hari hingga diperoleh 137 contoh untuk masing-masing teks tersebut.

Teks pertama dijadikan sebagai model dan teks kedua digunakan untuk test.

Kemudian dilibatkan lagi 90 orang partisipan dan mengetikan teks kedua untuk

dilakukan ujicoba penyusupan. Partisipan diberi keleluasan untuk melakukan

pengetikan secara bebas dan normal. Kedua teks dipilih sedemikian rupa

penggunaan kata dan kalimatnya dalam bahasa Italia. Penelitian ini

menyebutkan istilah digraph , trigraph dan N-graph. Teks yang diperoleh

dilakukan ekstraksi (analisis) berupa pasangan-pasangan karakter. Digraph

mengukur selang di antara satu pasang (dua karakter) yang saling berturutan.

Trigraph mengukur durasi di antara tiga karakter yang saling berturutan

sekaligus dan N-graph berarti ada N karakter yang saling berturutan sekaligus.

Bila teks tersebut panjang, maka digraph yang diperoleh lebih dari satu dan

keseluruhannya kemudian dilakukan perataan secara statistik. Jadi penelitian ini

melakukan analisis terhadap teks yang digunakan.

Kesimpulan penelitian ini memberikan saran untuk peluang penelitian lebih lanjut

untuk verifikasi identitas dengan menggunakan teks bebas dan panjang.

Penyusup (26%) bisa diketahui setelah melakukan beberapa kali pengetikan

(dalam 40 kali pengetikan) dan 82.5 % dalam 150 kali pengetikan dengan FAR

tetap dijaga 0%.

9. Dynamic Keystroke Analysis Using AR Mode oleh Wasil Elsadig Eltahir, M.J.E

Salami, Ahmad Faris Ismail dan W.K. Lai (2004)

Penelitian ini menggunakan disain piranti keras khusus dengan sensor

penekanan sebagai BAS (Biometric Authentication System) daripada keyboard

biasa untuk memberikan hasil yang lebih akurat dan menggunakan metode

Autoregressive Signal Modelling (AR) sebagai pengelompok pola. Penelitian

menggunakan data pengguna yang memasukkan password yang sama hingga

20 kali sehingga didapatkan pola tertentu dan dengan menggunakan AIC (Aikake

Information Criteria) dan FPE (Final Prediction Error) dihasilkan AR Model

sebagai template profile yang sesuai untuk pengguna tersebut. AR Model

digunakan untuk menghasilkan Linear Prediction Model sebagai sistem verifikasi.

Keunggulan yang diungkapkan dalam penelitian ini adalah profil pengguna

dibangun dengan Koefisien AR dan bukan dengan data sehingga lebih hemat

dalam penggunaan memori dan basis data.

10. Applying Hidden Markov Models to Keystroke pattern Analysis for password

Verification, oleh Wendy Chen dan Weide Chang (2004).

Penelitian ini menggunakan Hidden Markov model . Data penelitian diperoleh dari

pengetikan username, password dan nama pertama dan kedua dari pengguna

(data bersifat statik) sebanyak 8 kali.

11. A Parallel Decision Tree-Based Method for User Authentication Based on

Keystroke Patterns, oleh Yong Sheng, V. Phoha, Steven M. Rovnyak (2005).

Penelitian ini menggunakan 43 pengguna dan dua set data untuk pelatihan dan

verifikasi. Data yang digunakan bersifat statik dan diketik sebanyak 9 kali dalam

masa kurun waktu November – Desember 2002. Metode penelitian ini

menggunakan kombinasi metode Monte Carlo untuk menghasilkan data

pelatihan tambahan bersama dengan Parallel Decision Tree sehingga

memungkinkan dilakukan penambahan pengguna baru tanpa perlu melakukan

pemrograman ulang keseluruhan sistem. Kompleksitas keseluruhan algoritme

pelatihan bergantung pada jumlah User (n). Kesimpulan penelitian ini adalah

jumlah pelatihan yang dibutuhkan sejumlah 180(n-1) dan kompleksitas

keseluruhan adalan O(n2). Penelitian ini mengacu ke beberapa penelitian

sebelumnya dan menggunakan asumsi bahwa fitur pengetikan mengikuti

Distribusi Normal Gauss.

12. Deterring Password Sharing: User Authentication via Fuzzy c-Means Clustering

Applied to Keystroke Biometric Data , oleh Salvador Mandujano dan Rogelio Soto

(2004).

Penelitian ini membandingkan penggunaan Crisp Clustering dengan Fuzzy

Clustering dengan fungsi keanggotaan berbentuk segitiga. Data diperoleh dari 15

orang partisipan dengan mengetikan masing-masing password yang sama

secara berulang sebanyak 15 kali. Kesimpulan yang diperoleh menunjukkan

bahwa Fuzzy c-Means Clustering menyediakan tingkat keamanan yang lebih

baik.

13. User Authentication Through Typing Biometrics Features, oleh Livia C. F. Araujo,

Luiz H. R. Sucupira Jr. Miguel G. Lizarraga, Lee L. Ling dan Joao B.T Yabu-Uti

(2005).

Penelitian ini menggunakan 3 mesin dengan 2 keyboard layout yang berbeda

dan melibatkan 30 orang (pria dan wanita umur 20 – 60 tahun). Pelatihan

menggunakan user account masing-masing dengan pengetikan berulang-ulang

15-20 kali (bersifat statik). Kemudian ujicoba penyusupan dilakukan dengan

penyusup mencoba masuk dengan mengetikan user account peserta lain hingga

80 – 120 kali dengan sebelumnya telah mengamati cara pengetikan pengguna

yang sebenarnya. Metode yang digunakan adalah metode statistik dengan

menghitung rataan dan simpangan. Penelitian ini menggunakan beragam

rentang waktu pengukuran untuk Keystroke latencies (Interkey Time), sebagai

berikut.

1. DD (Down-Down) time : tombol ditekan hingga tombol berikutnya ditekan.

2. UD (Up-Down) time : tombol dilepas hingga tombol berikutnya ditekan.

3. DU (Down-Up) time : tombol ditekan hingga tombol berikutnya dilepas.

4. DD dan UD time : kombinasi dari 1 dan 2.

5. DD dan DU time : kombinasi dari 1 dan 3

6. UD dan DU time : kombinasi dari 2 dan 3

7. DD, UD dan DU time : kombinasi dari 1, 2 dan 3.

Kesimpulan terbaik diperoleh jika menggunakan nomor 7.

Berdasarkan intisari jurnal penelitian tersebut, maka biometrik penekanan kunci

mempunyai prospek perkembangan yang cerah (tabel 2) baik ditinjau dari sisi penelitian

Ilmu komputer dan implementasinya.

Tabel 2 Perkembangan Biometrik Perilaku Penekanan Kunci

Hal ini sejalan dengan perkembangan metode pengenalan pola dengan sifat

data yang semakin dinamik dan penggunaan teks bebas. Penggunaan piranti keras dari

berupa keyboard biasa hingga menggunakan piranti khusus dengan sensor penekanan

yang lebih sensitif sehingga bisa diimplementasikan dimana saja (Ruangan, PC, dan

perangkat bergerak). Implementasinya dimulai dari sistem kunci ruangan yang

sederhana hingga sistem verifikasi aplikasi yang kompleks dengan kemampuan

verifikasi terus menerus. Perkembangan di masa depan, metode ini bisa digunakan

sebagai sistem identifikasi identitas pengguna. Alen Peacock (2004) dalam artikel

”Typing Patterns: A Key to User Identification” mengatakan: “… para peneliti

memfokuskan pada biometrik penekanan kunci dalam rangka untuk mencari identitas

individu dari gaya pengetikannya. Namun, bidang ini masih mempunyai banyak

tantangan sebelum dapat diterima sepenuhnya.”

1.5 Perbedaan Dari Penelitian Sebelumnya

Perbedaan penelitian tesis ini dengan penelitian sebelumnya adalah sebagai berikut.

1. Variasi pengembangan penelitian Araujo (2005) dan Daw-Tung Lin (1997)

dengan tiga variabel waktu d, i dan T yang diproses menjadi besaran variabel

Fuzzy. Namun, tidak bisa dikatakan sebagai trigraph karena hanya tetap

menggunakan dua karakter (Digraf diperluas/ Extended Digraph).

Gambar 5 Acuan Pengukuran Variabel d, i Dan T

2. Teks kata yang digunakan diurai (dianalisis) ke dalam pasangan karakter

tertentu yang bersesuaian dengan belahan kanan dan kiri. Hal ini belum pernah

diacu dalam penelitian sebelumnya dan penguraian ke dalam pasangan karakter

mengacu pada penelitian Bergadano et al (2003) mengenai analisis penekanan

kunci dinamik. Pasangan karakter yang digunakan hanyalah yang

menggambarkan pergerakkan kedua belahan tersebut.

3. Variabel Fuzzy menggunakan fungsi keanggotaan segitiga dan trapesium.

Namun, rentang yang digunakan disesuaikan dengan pola data yang diperoleh

sebagai pengembangan penelitian Sajjad Haider et al (2000) dan mengacu pada

penelitian Salvador Mandujano et al (2004).

4. Kata bermakna dalam bahasa Indonesia. Penggunaan kata bermakna mengacu

pada penelitian Coltell et al (1999) mengenai pengaruh derajat kesukaran untuk

mendapatkan pola yang lebih konsisten.

5. Kemunculan kata secara acak berdasarkan waktu (Time Random) untuk

memenuhi kriteria dinamik. Umumnya penelitian sebelumnya menggunakan data

pelatihan dan verifikasi yang bersifat tetap dan selalu sama berulang.

6. Percobaan penggunaan data pelatihan yang tidak lengkap dan data pelatihan

gabungan pasangan karakter yang berkelompok (berdekatan/cluster). Ini

berdasarkan hipotesis bahwa tidak ada perbedaan yang berarti antara

pengetikan pada karakter yang lokasinya saling berdekatan (pada kolom atau

baris yang sama). Sebagai contoh, pola pengetikan an seharusnya tidak berbeda

dengan am, sehingga data pelatihan pola an bisa digabungkan dengan data

pelatihan pola am untuk menyederhanakan jumlah variasi data pelatihan.

1.6 Ruang Lingkup

Penelitian ini mempunyai batasan ruang lingkup sebagai berikut.

1. Kata pendek (maksimum 20 huruf ) dan 26 huruf abjad (bukan huruf besar).

Penggunaan karakter lainnya seperti tanda baca dan angka tidak digunakan

karena tidak menimbulkan makna dan untuk mempersempit ruang lingkup pola.

Gambar 6 Keyboard QWERTY US English Standard (101/102 Keys)

2. Keyboard pada gambar 6 dibagi dalam belahan kanan baris pertama : ”y u i o

p“, baris kedua : ”h j k l“, barisan ketiga : ” b n m“. Belahan kiri baris pertama : ”

q w e r t“, barisan kedua : “a s d f g“, dan barisan ketiga : ” z x c v“. Ini bertujuan

untuk melihat pengaruh pergerakan jari kanan dan kiri.

3. Penekanan dua tombol harus mengikuti urutan ”tombol 1 ditekan – tombol 1

dilepas – tombol 2 ditekan – tombol 2 dilepas”. Urutan lain sebagai contoh,

”tombol 1 ditekan – tombol 2 ditekan – tombol 1 dilepas – tombol 2 dilepas” akan

memberikan data input yang tidak sah (Invalid).

4. Ujicoba untuk melakukan verifikasi dengan target 5 orang berbeda. Verifikasi

bertujuan untuk memastikan memang benar si A (bukan si B) dan bukan untuk

menemukan siapakah si A (identifikasi).

5. Uji kondisi kualitatif sederhana dengan tiga kondisi yakni keletihan, cukup tidur

dan ketrampilan pengetikan (bukan uji Psikologis lengkap) serta hari dan jam

pengambilan data.

BAB II

TINJAUAN PUSTAKA

Sistem Biometrik

Biometrik berasal dari bahasa Yunani yang artinya Bios yakni kehidupan dan

metrikos yakni mengukur. Manusia secara intuitif mengenali karakteristik manusia lain

berdasarkan raut muka, suara, dan aroma. Hal inilah yang mendorong perkembangan

teknologi informasi dan keamanan komputer untuk dapat mengenali karakteristik

manusia sehingga dikenal dengan istilah Biometrik.

Sistem Biometrik pada dasarnya adalah sistem pengenalan pola yang mengenali

individu manusia berdasarkan sejumlah vektor yang diturunkan dari karakteristik

fisiologis atau karakteristik perilaku yang dimiliki seseorang. Kresimir Delac, et al (2004)

dan Javier Ortega-Garcia, et al (2004) mengemukakan bahwa Biometrik memberikan

dimensi baru dengan mengaitkan identitas seseorang dengan sesuatu tentang dia

sendiri atau yang dia hasilkan.

Metode biometrik dibagi dalam dua kategori sebagai berikut.

1. Metode otentikasi berdasarkan perilaku (Behavioral-based authentication methods),

yakni proses otentikasi dengan pengenalan terhadap pola perilaku seseorang.

2. Metode otentikasi berdasarkan fisiologis (Physiological -based authentication

methods), yakni proses otentikasi berdasarkan karakteristik fisiologis seseorang.

Karakteristik fisiologis ini lebih stabil dan tinggi akurasinya dibandingkan dengan

karakteristik perilaku kecuali bila terjadi cacat/kerusakan fisik pada orang tersebut.

Pada dasarnya, menurut Kresimir Delac, et al (2004) bahwa setiap fisiologis dan

perilaku manusia bisa digunakan untuk biometrik asalkan memenuhi kriteria sebagai

berikut.

1. Universality, setiap orang mempunyai karakteristik dan kemungkinan-

kemungkinan tidak terpenuhinya harus bisa diantisipasi.

2. Uniqueness, seberapa unik sehingga bisa membedakan dua orang yang

berbeda.

3. Permanent, tidak berubah terhadap waktu untuk rentang waktu tertentu/bukan

sekejap.

4. Collectability, dapat diukur secara kuantitatif dan mudah.

5. Performance, akurasi yang ingin dicapai dan kondisi lingkungan yang dibutuhkan

untuk mencapai akurasi tersebut.

6. Acceptability, seberapa luas bisa diterima oleh masyarakat umum dan tidak

membahayakan pemakai.

7. Circumvention, seberapa susah untuk membodohi sistem sehingga bisa

ditembus dan cukup tahan terhadap kemungkinan penyimpangan.

Mode Operasi Biometrik

Menurut Salil Prabhakar, et al (2003), operasi biometrik mempunyai dua macam

mode, yakni mode identifikasi dan mode verifikasi. Mode identifikasi bertujuan mencari

jawaban identitas siapa orang tersebut sedangkan mode verifikasi bertujuan

memastikan apakah benar orang yang dimaksud (bukan orang lain).

Sistem dengan mode identifikasi akan mengenali suatu individu dengan mencari

keseluruhan template dalam basis data untuk karakteristik yang cocok dengan

pencocokan satu-ke-banyak (1:M). Identifikasi cocok dibangun untuk sistem aplikasi

pengenalan negatif yang bertujuan untuk menolak/mencegah seseorang menggunakan

lebih dari satu identitas. Untuk sistem pengenalan positif yakni untuk memastikan hanya

pengguna yang benar yang bisa akses. Metode tradisional non Biometrik seperti

password hanya untuk pengenalan positif dan hanya Biometrik yang bisa digunakan

untuk pengenalan negatif.

Gambar 7 Biometrik Untuk Identifikasi (Salil Prabhakar et al, 2003)

Sistem dengan mode verifikasi akan mem-verifikasi identitas seseorang dengan

membandingkan dengan karakteristik Biometrik dari suatu template yang telah disimpan

dalam basis data dengan pencocokkan satu ke satu (1:1). Verifikasi identitas lazimnya

dipakai sebagai pengenalan positif.

Gambar 8 Biometrik Untuk Verifikasi (Salil Prabhakar et al, 2003)

Proses pengambilan template karakteristik Biometrik dan penyimpanannya

dinamakan proses Enrollment. Proses ini melibatkan serangkaian pengecekan kualitas

fitur dan melakukan ekstraksi fitur ke dalam template karakteristik Biometrik untuk

disimpan ke dalam basis data.

Gambar 9 Proses Enrollment Dalam Biometrik (Salil Prabhakar et al, 2003)

Proses ini dalam Biometrik fisiologis melibatkan sejumlah sensor bio-elektronik

yang mampu melakukan proses pembacaan (scanning) fisiologis untuk diubah ke dalam

serangkaian template karakteristik biometrik dan kemudian disimpan ke dalam basis

data. Sensor bioelektronik ini yang menentukan ketepatan sistem Biometrik fisiologis.

Biometrik perilaku lebih menekankan pada algoritme pengenalan pola seperti Jaringan

Syaraf Tiruan (JST) dengan kemampuannya untuk membedakan pola yang kompleks.

Implementasi sistem biometrik secara umum dapat digambarkan dalam gambar

blok diagram berikut ini :

Gambar 10 Blok Diagram Sistem Biometrik (Simon Liu et al, 2001)

Menurut Anil K. Jain, et al (2004), modul komponen yang penting dalam sistem

biometrik sebagai berikut.

1. Feature Extraction Module : modul ini berfungsi sebagai Biometric enrollment untuk

mempersiapkan data biometrik mentah yang dibaca oleh blok Biometric devices dan

dilakukan penyaringan sehingga bisa didapatkan karakteristik Biometrik yang sesuai

untuk disimpan dalam Template storage.

2. Matching Module : modul ini berfungsi sebagai Biometric verification untuk melakukan

pencocokan karakteristik Biometrik dengan informasi yang tersimpan dalam Template

storage. Proses ini melakukan query dan Template storage akan memberikan template

karakteristik yang sesuai.

3. Fusion Module : modul ini merupakan tambahan dan berfungsi sebagai modul

penggabungan beberapa metode Biometrik yang digunakan dengan tujuan untuk

mendapatkan hasil yang lebih teliti dengan cara melakukan penggabungan beberapa

metode sekaligus dalam satu Fusion Module sebagaimana dijelaskan dalam gambar

berikut.

4. Decision Module : modul ini merupakan tambahan dan berfungsi sebagai pembuat

keputusan akhir hasil yang diinginkan apakah diterima atau tidak.

Gambar 11 Gabungan Metode Biometrik Dalam Satu Sistem

(Anil K. Jain et al, 2004)

Gambar 11 (a) memperlihatkankan Fusion Module dilakukan setelah Feature Extraction

Module; Gambar 11 (b) memperlihatkan Fusion Module dilakukan setelah Matching

Module; Gambar 11 (c) memperlihatkan Fusion Module dilakukan setelah Decision

Module.

Parameter Kinerja

Secara umum, pengguna awam beranggapan bahwa dengan sistem biometrik

maka ketelitian 100% akan mudah diperoleh. Seperti halnya sistem password yang

memberikan ketelitian sangat tinggi dengan hanya kesalahan satu bit, maka hasilnya

akan ditolak. Namun, tidak demikian halnya dengan biometrik. Biometrik sidik jari dan

DNA mempunyai jaminan ilmiah bahwa tidak ada satu orang pun yang mempunyai

karakteristik fitur biometrik yang 100% identik walaupun demikian ada ketidaktelitian

yang terjadi akibat ketidakakuratan pembacaan karakteristik biometrik. Sebagai contoh,

pembacaan sidik jari yang tidak jelas akibat permukaan kotor atau tergores sehingga

menimbulkan goresan nyata atau cacat menetap. Jadi kemampuan mengidentifikasi

perbedaan identitas individu (distinctiveness) tidak bisa dikatakan sama dengan

ketelitian (accuracy).

Oleh karena sifat kinerja tersebut, maka dalam sistem biometrik diperlukan

perimbangan toleransi akurasi yang diinginkan. Jika terlalu tinggi, akan berakibat

pembacaan berulang-ulang sehingga tidak efisien. Jika terlalu rendah, akan berakibat

kekeliruan dalam pengambilan keputusan. Perimbangan toleransi akurasi tersebut

dinyatakan dalam ambang keputusan (Decision threshold) dalam kurva distribusi

probabilitas dalam gambar 12 dibawah ini :

Gambar 12 Distribusi Kurva Probabilitas Terhadap Skor Pencocokan Pola

(Salil Prabhakar et al, 2003)

Kurva distribusi probabilitas pencocokan yang asli (Genuine) beririsan dengan

kurva distribusi probabilitas pencocokan yang palsu (Imposter). Daerah irisan False

Match menyatakan probabilitas sistem keliru mengenali pola yang asli sebagai palsu.

Sedangkan False nonmatch menyatakan probabilitas sistem keliru mengenali pola yang

palsu sebagai asli. Banyak istilah yang digunakan dengan maksud yang sama dan agar

tidak membingungkan, maka digunakan acuan sebagai berikut.

1. False Rejection Rate (FRR): persentase dari pengguna yang sah (asli), namun

dikenali oleh sistem sebagai penyusup (imposter). Ini disebut juga False

Positive/False Match/False Alarm Rate.

2. False Acceptance Rate (FAR): persentase dari pengguna yang tidak sah

(penyusup), namun dikenali oleh sistem sebagai pengguna yang sah (asli). Ini

disebut juga False Negative/False Nonmatch.

Kinerja biometrik ditentukan berdasarkan kedua parameter tersebut. Jika tingkat

kesalahannya tinggi, maka sistem biometrik harus ditinjau apakah memang ada

kesalahan algoritme atau kesalahan pembacaan sensor atau memang tipe biometrik itu

sendiri tidak bisa memenuhi kriteria Distinctiveness.

Berdasarkan hal tersebut, maka sistem Biometrik dapat dipahami bukan ditujukan

untuk menggantikan sistem keamanan IT yang sudah ada saat ini, melainkan sebagai

pelengkap untuk memberikan nilai tambah terhadap keamanan.

Penekanan Kunci Dinamik (Dynamic Keystroke)

Keystroke artinya penekanan tombol/kunci (key). Beberapa penelitian Biometrik

perilaku menemukan bahwa ada pola-pola tertentu dalam cara pengetikan seseorang

terhadap suatu kata/kalimat. Sebagaimana halnya orang berbicara mengucapkan kata-

kata, ada intonasi, nada dan warna suara khas, maka demikian halnya dengan pola

pengetikan tombol/kunci. Parameter yang biasa diukur dalam hal ini adalah waktu, yakni

waktu lamanya suatu tombol ditekan dan selang waktu antar penekanan dua tombol

yang berturutan.

Menurut Kresimir Delac et al (2004) bahwa tiap orang dalam mengetik keyboard

mempunyai cara karakteristik tertentu. Namun, tabel 3 menjelaskan bahwa metode ini

tidak terlalu bisa membedakan individu (Distinctiveness), serta dianggap cukup sebagai

informasi untuk membedakan dalam hal proses verifikasi saja.

Tabel 3 Perbandingan Karakteristik Biometrik (Anil K. Jain et al, 2004).

H, M dan L menyatakan Tinggi (baik), Sedang dan Rendah (Jelek)

Penelitian Bergadano et al (2003) menjelaskan lebih lanjut perbedaan

penekanan kunci statik (static keystroke) dengan penekanan kunci dinamik (dynamic

keystroke ). Penekanan kunci statik berdasarkan pada pola pengetikan tombol/kunci dari

kata-kata yang selalu sama (fixed string) dalam proses enrollment maupun dalam

proses verifikasi. Sedangkan penekanan kunci dinamik berdasarkan pada pola

pengetikan tombol/kunci dari kata-kata yang tidak selalu sama saat proses enrollment

maupun saat proses verifikasi.

Pendekatan metode penekanan kunci statik cukup mudah dengan menggunakan

statistik maupun algoritme soft computing. Namun bukan tidak mungkin, pola pengetikan

kata seseorang bisa ditiru dengan mudah. Sebagaimana halnya orang yang bisa meniru

suara orang lain. Walaupun tidak harus sama persis, namun akibat sifat parameter

kinerja Biometrik ada peluang kemungkinan seseorang bisa menerobos masuk ke

dalam sistem. Penekanan kunci dinamik memungkinkan teks kata yang digunakan

berbeda sehingga akan menyusahkan orang yang tidak berhak karena orang tersebut

harus meniru setiap kata-kata yang ada di dalam sistem. Penekanan kunci dinamik

memerlukan adanya analisis sehingga bisa mengambil pola-pola karakteristik

pengetikan yang khas dari keseluruhan kata tersebut.

Penelitian Oscar Coltell , et al (1999) menyebutkan bahwa kestabilan yang lebih

baik bisa diperoleh dengan pengetikan kata-kata yang bermakna daripada pengetikan

kata-kata sembarang. Secara logis memang demikian, seseorang akan lebih mengetik

secara konsisten untuk kata-kata yang dia tahu maknanya dibandingkan dengan kata-

kata yang dia tidak tahu maknanya. Kebanyakan orang mengetik sambil melihat kata

yang diketik dengan letak huruf di keyboard. Sedikit orang yang bisa mengetik tanpa

sama sekali melihat huruf di keyboard dan hanya fokus pada kata yang diketik. Namun

demikian, yang bersangkutan tetap akan mengalami kesulitan saat dia diharuskan

mengetik kata-kata dengan huruf acak dan tidak bermakna. Akibatnya pola pengetikan

yang dihasilkan menjadi tidak konsisten.

Penelitian ini dilakukan untuk pengguna di Indonesia, maka kata-kata bermakna

yang digunakan harus dalam bahasa Indonesia. Bahasa Indonesia mempunyai ciri khas

berbeda dibandingkan bahasa lainnya dalam pemilihan karakter baik vokal maupun

konsonan dalam penyusunan kata. Sebagai contoh, jika bahasa Inggris banyak

menggunakan huruf e, maka bahasa Indonesia banyak menggunakan huruf a.

Penelitian pendahuluan telah dilakukan (lampiran 1) dengan tujuan untuk

mengetahui pasangan karakter apakah yang frekwensinya paling sering muncul dalam

bahasa Indonesia. Penelitian pendahuluan melakukan analisis terhadap kata-kata yang

dipilih acak dan berjumlah 756 kata yang terdiri atas kata-kata bermakna tumbuhan,

tempat, hewan dan perkakas. Analisis dilakukan sedemikian rupa sesuai dengan ruang

lingkup penelitian untuk memperoleh pasangan karakter yang menggambarkan

pergerakan jari kanan dan kiri saja. Kesimpulan penelitian pendahuluan me njelaskan

bahwa pasangan karakter tertentu yang paling sering muncul dalam bahasa Indonesia

adalah pasangan karakter an, ng, la,en, ka (dalam lima besar terbanyak dengan

persentase total 25%).

Berdasarkan kesimpulan tersebut, maka penelitian analisis penekanan kunci

dinamik terhadap pengguna berbahasa Indonesia difokuskan hanya pada kata-kata

yang mengandung pasangan karakter terbanyak dalam lima besar diatas dan tidak perlu

difokuskan pada penggunaan karakter yang jarang atau tidak pernah ditemui sebagai

contoh, zy, xh, cb. Disatu sisi, ini berarti memperkecil ruang lingkup kemungkinan

penggunaan semua pasangan karakter yang mungkin (yakni 26x26) dan secara teknis

akan memperkecil ukuran basis data dan kecepatan pemrosesan saat pelatihan

maupun verifikasi.

2.5 Prinsip Kerja Keyboard

Gambar 13 menerangkan lebih lanjut blok diagram elektronik sebagai berikut.

Ketika kunci keyboard ditekan atau ketika dilepaskan, keyboard Controller

mengirimkan scancode secara serial ke keyboard Interface dalam PC. keyboard

interface mencek jika keyboard diaktifkan dan jika aktif akan melakukan Hardware

Interrupt (IRQ0) ke Programmable Interrupt Controller (PIC). PIC kemudian mengirimkan

scancode yang dikonversikan secara parallel ke Programmable Peripheral Interface

(PPI). PIC yang menerima interupsi hardware IRQ0 dari keyboard kemudian

mengirimkan interupsi hardware IRQ ke CPU agar CPU melakukan penempatan alamat

9h ke dalam bus data. CPU kemudian segera lompat ke proses untuk segera melayani

prosedur Interrupt Services routine 9h didalam BIOS. Proses tersebut akan mengambil

scancode dari I/O port 60h yang dimiliki oleh PPI.

Gambar 13 Blok Diagram Elektronik Keyboard

Scancode tersebut diubah ke dalam kode ASCII dan disimpan dalam keyboard

Buffer dalam BIOS di tempat sementara yang sudah dialokasikan (0000:041E). Setiap

masukan dalam antrian terdiri atas dua nilai 8-bit berupa ASCII (di Low Byte) dan

SCANCODE (di High Byte). Ketika User Program akan membaca sebuah key, maka

program tersebut akan melakukan interrupt 16h. Interrupt 16h ini akan mencek antrian

keyboard pada BIOS untuk melihat jika sebuah tombol telah ditekan atau dilepaskan.

Kapan terjadinya Interrupt 9h (INT 09h) saat tombol ditekan dan dilepas akan

direkam waktunya dan data ini kemudian diolah untuk mendapatkan data input yang

diinginkan. Contoh kutipan kode program dalam MS Visual C++ dengan Microsoft

Foundation Class (MFC) sebagai berikut.

BOOL CMyApp::PreTranslateMessage(MSG* pMsg) {

BOOL ok=FALSE;

if (pMsg->message == WM_KEYDOWN) {

if (pMsg->wParam == your codes here) // look for specific codes you are interested

in

{

pMsg->time ... // do something with the time } }

else if (pMsg->message == WM_KEYUP) {

if (pMsg->wParam == your codes here) // look for specific codes you are interested

in

{

pMsg->time ... // do something with the time }}

return CWinApp::PreTranslateMessage(pMsg); }

Dari hasil penelitian sebelumnya dan penelitian pendahuluan diketahui bahwa

disain piranti keras keyboard lebih menekankan pada perekaman karakter yang masuk

daripada informasi waktu kapan tombol ditekan atau dilepas. Ini merupakan kendala

tersendiri dalam mendesain program sesuai dengan sifat piranti keras tersebut.

Dalam pengetikan yang dilakukan cepat, seringkali urutan tombol tekan dan

lepas sedemikian cepatnya sehingga perekaman waktu menjadi tidak tepat. Oleh karena

itu, pembatasan diperlukan sehingga pembacaan yang tepat dan sah adalah apabila

urutan pengetikan dipatuhi yakni tombol 1 ditekan – tombol 1 dilepas – tombol 2 ditekan

– tombol 2 dilepas. Jika urutan tersebut tidak diikuti, maka pembacaan oleh program

menjadi tidak tepat dan harus dilakukan pengulangan kembali.

2.6 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (Artifical Neural Network) adalah salah satu metode soft

computing yang perkembangannya diinspirasikan dari cara kerja syaraf manusia.

Implementasi dan riset Jaringan syaraf tiruan (JST) berjalan pesat di berbagai bidang

seperti pemetaan pola dan klasifikasi pola, analisis citra dan pengkodean, pengolahan

sinyal, optimisasi, manipulasi grafis, pengenalan karakter, robotik, pengolahan

pengetahuan dan sistem pakar, diagnosis kesehatan, peredaman kebisingan, dan

sebagainya.

Di bidang Biometrik, JST berperan dalam pengklasifikasian pola bersama

dengan metode soft computing lainnya seperti fuzzy logic dan algoritme genetika hingga

bisa diimplementasikan secara nyata saat ini. Peranan JST sebagai Machine Learning

dalam sistem Biometrik sangat penting untuk mengatasi masalah pengenalan dan

klasifikasi pola yang kompleks (S. Y. Kung et al , 2004).

2.6.1 Mengapa JST Propagasi Balik

Metode algoritme JST banyak variasinya dari yang paling sederhana seperti

Perceptron, kemudian berkembang menjadi Adaline (Adaptive Linear) dan Madaline

(Multi -Adaline) di bidang pengolahan sinyal. Metode paling terkenal hingga saat ini

adalah algoritme Propagasi balik (Backpropagation) yang dikembangkan secara formal

oleh Werbos, dan kemudian Parker serta Rummelhart dan McClelland (James A.

Freeman at al, 1992). Kemudian dikenal juga Bidirectional Associative Memory (BAM)

dan Hopfield Memory, Simulated Annealing, Counterpropagation Neural network (CPN),

Self Organizing Maps (SOM), dan Adaptive Resonance Theory (ART) .

JST Propagasi balik dipilih karena metode algoritme JST ini sering dijadikan

acuan dalam beberapa penelitian sebelumnya. M.S. Obaidat, et al (1994) melakukan

perbandingan JST Propagasi Balik, JST Sum-of-Products (Sigma-pi) dan JST Hybrid

Sum-of-Products sebagai kombinasi keduanya. Ketiga JST tersebut mempunyai jumlah

sel input dan output yang sama serta sel lapisan antara yang sama dengan jumlah dan

data pelatihan yang sama. Kesimpulan menunjukkan bahwa JST Propagasi balik

mempunyai hasil ketelitian sebesar 97.5%, dan JST Sum-of-Products menghasilkan

93.7% serta JST Hybrid Sum-of-Products memberikan 96.2% dan waktu

pembelajarannya yang lebih cepat dibandingkan lainnya. Penelitian tersebut

menunjukkan bahwa kinerja jaringan yang lebih baik diperoleh dengan ukuran jumlah

pelatihan yang lebih banyak, namun memerlukan waktu pelatihan dan memori yang

lebih besar.

JST Propagasi balik menggunakan pelatihan terarah (supervised training) yang

memudahkan dalam melakukan pembelajaran. Dengan merancang data pelatihan yang

berupa pasangan pola input dan target output yang diinginkan, maka JST Propagasi

balik akan melakukan pembelajaran sedemikian rupa sehingga diperoleh hasil yang

paling mendekati data pelatihan.

JST bersifat lebih adaptif dan fleksibel jika dibandingkan dengan metode soft

computing lainnya sehingga memudahkan dalam melakukan ragam variasi dan

kombinasi percobaan tanpa memerlukan banyak perubahan pada kode program.

2.6.2 Arsitektur JST Propagasi Balik

Arsitektur JST Propagasi balik cukup sederhana dan terdiri atas lapisan input

dan lapisan output serta di antaranya terdapat satu atau lebih beberapa lapisan antara

yang disebut Hidden Layer. Di setiap lapisan terdapat unit-unit sel yang saling

berhubungan satu sama lain membentuk seperti gambar 14 dibawah ini.

Gambar 14 Arsitektur Lapisan Jaringan Syaraf Tiruan (JST)

Arsitektur JST Propagasi balik untuk tiap sel unitnya mengacu pada algoritme

JST Propagasi balik dalam buku Neural Networks Algorithm, Applications, and

Programming Techniques (James A. Freeman et al, 1992) dan telah diimplementasikan

dalam penekanan keyboard dalam jurnal A Multilayer Neural Network System for

Computer Access Security oleh M.S. Obaidat, et al (1994)

Inputs

Output

Hidden

Gambar 15 Pemrosesan Di Satu Sel Neuron

Setiap koneksi antar sel mempunyai bobot W. Output O adalah fungsi f dari

perkalian bobot W dengan input V yang merupakan output dari sel neuron sebelumnya

yang dinyatakan sebagai berikut.

Bias diikutsertakan dalam penjumlahan dan diasumsikan bernilai 1. Namun, bias ini

bersifat pilihan atau bisa digunakan bisa tidak (Freeman, 1992, hal.105).

f adalah fungsi aktivasi dan yang sering digunakan adalah fungsi sigmoid :

Bobot W akan menentukan besarnya nilai output dan nilai bobot W selalu

berubah selama tahapan pembelajaran. Awalnya bobot diberi inisialisasi nilai acak pada

rentang nilai tertentu. Akhirnya setelah pembelajaran selesai, bobot W mencapai nilai

yang sedemikian rupa, sehingga untuk setiap input yang diberikan maka output bernilai

sesuai dengan pola pembelajaran yang telah dilakukan. Bobot W adalah pengetahuan

yang disimpan dalam JST sebagaimana halnya informasi yang disimpan dalam jaringan

syaraf otak.

Jumlah sel neuron di hidden layer akan menentukan jumlah bobot W yang dapat

disimpan. Beberapa literatur JST mengatakan bahwa :

• Jumlah sel neuron NH terlalu besar mengakibatkan training error menjadi

kecil, namun test error menjadi tinggi.

• Jumlah sel neuron NH terlalu sedikit berakibat training error menjadi tinggi

dan test error menjadi tinggi

Dengan mencari nilai optimum, yakni jumlah sel neuron NH tidak terlalu besar

atau terlalu kecil sedemikian rupa sehingga training error dan test error mencapai nilai

optimum yang cukup memadai. Jika jumlah sel neuron terlalu banyak akan berakibat

pada lamanya waktu pembelajaran dan pemakaian sumber daya memori serta

prosessor untuk proses komputasi (Penelitian Daw-Tung Lin, 1997).

2.6.3 Algoritme Pembelajaran JST Propagasi Balik

Algoritme JST Propagasi balik menggunakan metode training yang diarahkan

(Supervised Training). JST diarahkan dalam proses pembelajaran dengan nilai yang

diinginkan (target) sedemikian rupa sehingga JST akan melakukan perubahan bobot W

dan nilai output akan mendekati nilai target. Nilai kesalahan target dengan output

dinyatakan dalam persamaan berikut.

Nilai kesalahan pada hidden unit akan ditentukan secara berulang (rekursif) sedemikian

rupa oleh unit dan bobot lain yang saling berhubungan secara langsung sebagai berikut.

Fungsi f harus differensiabel dan dengan fungsi sigmoid dinyatakan dalam fungsi

sebagai berikut.

Nilai kesalahan akan menentukan perubahan bobot dalam persamaan berikut :

Laju pembelajaran (Learning rate ?) adalah parameter untuk menentukan seberapa

cepat JST mencapai nilai target yang diinginkan (Convergen). Laju pembelajaran

berupa konstanta atau variabel yang berubah setiap kali terjadi perulangan. Bila laju ini

terlalu besar, maka JST bisa terjebak ke dalam kondisi Local Minima yaitu suatu

keadaan dima na JST mengira sudah konvergen dengan tingkat kesalahan pelatihan

yang kecil, namun masih menghasilkan tingkat kesalahan pengujian yang besar.

Bobot W dalam JST disimpan dan akan dipanggil kembali saat dibutuhkan untuk

melakukan pengenalan pola.

2.7 Variabel Fuzzy

Metode yang populer digunakan dan banyak dibahas dalam beberapa penelitian

sebelumnya adalah Logika Kabur (Fuzzy Logic). Logika Fuzzy pertama kali

dikemukakan oleh Lotfi Zadeh yang mempunyai peranan penting dalam klasifikasi pola

bidang Biometrik, karena karakteristik utama Biometrik adalah adanya unsur yang

menyangkut aspek manusia secara fisiologis maupun perilaku yang bersifat kabur

(Fuzzy) sehingga sukar untuk direpresentasikan secara pasti (Crisp).

Variabel yang bersifat tegas (Crisp) menyatakan bahwa nilai keanggotaan suatu

item x dalam himpunan A (dinyatakan dengan simbol µA[x] ) hanya ada dua

kemungkinan nilai, yakni satu (anggota himpunan) dan nol (bukan anggota himpunan).

Sebagai contoh, kecepatan pengetikan seseorang dinyatakan dalam lima kategori

kecepatan sebagai berikut.

Sangat Cepat (SC) berkisar di antara 210 – 259 ms.

Cepat (C) berkisar di antara 260 – 299 ms.

Sedang (S) berkisar di antara 300 – 359 ms.

Lambat (L) berkisar di antara 360 – 419 ms.

Sangat Lambat (SL) berkisar di antara 420 – 499 ms.

Jika ada perubahan sedikit, sebagai contoh dari 259 ke 261 ms, maka berakibat

perbedaan kategori yang signifikan dan mengakibatkan perubahan keputusan akhir

yang signifikan juga.

Representasi dalam pemahaman bahasa alami (Natural Language), seperti

istilah cepat, sedang, dan lambat untuk tiap kebudayaan, lingkungan dan faktor kondisi

manusia bersifat sangat relatif. Untuk kasus penelitian ini, faktor perbedaan piranti keras

keyboard atau faktor kondisi pengguna bisa berpengaruh terhadap ketepatan

keputusan akhir sehingga variabel kecepatan akan susah sekali bila direpresentasikan

dalam bentuk tegas (Crisp).

Himpunan Fuzzy dapat digunakan untuk mengantisipasi hal tersebut. Kecepatan

pengetikan seseorang dapat masuk ke dalam dua himpunan yang berbeda. Sebagai

contoh, Sangat Cepat (SC) dan Cepat (C) dengan masing-masing mempunyai nilai

fungsi keanggotaan yang berbeda (rentang 0 hingga 1). Apabila bernilai 0, maka x tidak

menjadi anggota himpunan dan bila bernilai 1, maka x menjadi anggota penuh

himpunan.

Nilai keanggotaan Fuzzy tidak sama dengan probabilitas walaupun keduanya

mempunyai rentang yang sama 0 hingga 1. Keanggotaan Fuzzy menyatakan ukuran

terhadap pendapat atau keputusan sedangkan probabilitas menyatakan proporsi

terhadap frekwensi sesuatu bernilai benar untuk jangka yang panjang.

Himpunan Fuzzy mempunyai dua atribut, yakni :

a. Atribut Linguistik : Nama yang mewakili suatu keadaan. Sebagai contoh, Sangat

Cepat, Cepat, Sedang, Lambat, Sangat lambat.

b. Atribut Numeris : Nilai yang menunjukkan ukuran dari variabel tersebut.

2.7.1 Mengapa Digunakan Variabel Fuzzy

Variabel Fuzzy mempunyai banyak keunggulan dalam representasi data

dibandingkan variabel dalam bentuk tegas (crisp). Data yang diperoleh dari karakteristik

pengetikan merupakan karakteristik perilaku yang tidak tegas. Adanya beberapa

penyimpangan akibat faktor perilaku dan lingkungan mengakibatkan sukar untuk ditarik

batas yang tegas. Dalam kasus ini variabel Fuzzy memberikan representasi yang lebih

sesuai dibandingkan representasi dalam himpunan yang tegas.

2.7.2 Struktur Himpunan Fuzzy, Semesta Pembicaraan, Domain dan Fungsi

Keanggotaan

Definisi variabel Fuzzy merujuk pada variabel yang digunakan yakni variabel

waktu. Himpunan Fuzzy adalah grup yang mewakili kondisi yang dibagi menjadi 5

himpunan, yakni : Sangat Cepat (SC), Cepat (C), Sedang (S), Lambat (L), Sangat

Lambat (SL)

Fungsi keanggotaan (membership function) adalah fungsi yang menunjukkan

pemetaan titik input data ke dalam nilai keanggotaan (Degree of membership) yang

memiliki interval 0 hingga 1. Bisa dikatakan tidak ada standar resmi dalam pemilihan

representasi bentuk fungsi keanggotaan dan sangat bergantung pada ruang lingkup dan

karakteristik tiap permasalahan. Namun merujuk pada penelitian sebelumnya (Sajjad

Haider et al, 2000), maka bentuk fungsi keanggotaan yang digunakan adalah fungsi

keanggotaan segitiga.

BAB III

METODOLOGI

Kerangka Pemikiran

Metodologi penelitian ini menggunakan kerangka pemikiran dalam diagram

sebagai berikut.

Gambar 16 Diagram Alur Kerangka Pemikiran

Kerangka pemikiran tersebut telah dilaksanakan dalam gambar sebagai berikut.

Gambar 17 Tahapan Pelaksanaan Penelitian

Garis besar pelaksanaan penelitian dijelaskan sebagai berikut.

a. Penelitian pendahuluan, studi pustaka dan riset jurnal yang bertujuan

untuk merumuskan masalah/tujuan, rancang bangun aplikasi dan

rencana percobaan. Ada tiga aspek yang dilakukan, yakni :

i. Penelitian pengambilan data dan pemecahan masalah yang

berkaitan dengan pemrograman. Hasilnya digunakan dalam

rancang bangun aplikasi pengambilan data.

ii. Penelitian analisis pasangan karakter dominan bahasa Indonesia.

Hasilnya digunakan sebagai basis data kosa kata yang digunakan

dalam rancang bangun aplikasi pengambilan data.

iii. Studi pustaka untuk menentukan rancang bangun parameter

kelas dan fungsi keanggotaan fuzzy dan parameter/arsitektur JST.

Hasilnya digunakan dalam rancang bangun aplikasi analisis data.

b. Rancang bangun aplikasi , yang bertujuan untuk merancang tampilan

antar muka, variabel dan tabel basis data dan meliputi langkah-langkah

pemrograman, debugging, pemecahan masalah dan penulisan kode

dalam bahasa MS Visual C#. Aplikasi yang dibangun adalah :

i. Aplikasi pengambilan data yang bertujuan sebagai alat bantu

pengambilan data Biometrik penekanan kunci sesuai dengan

tujuan dan ruang lingkup penelitian ini. Tanpa aplikasi ini, maka

penelitian tidak bisa diselesaikan.

ii. Aplikasi analisis data yang bertujuan sebagai alat bantu untuk

mempermudah melakukan analisis data dan melaksanakan

percobaan. Tanpa aplikasi ini, maka hasil kesimpulan penelitian

tidak bisa diperoleh.

iii. Keterkaitan kedua aplikasi tersebut tidak ada. Proses konversi log

masih dilakukan secara manual dari text ke MS Excell ke MS

Access.

iv. Bahasa yang digunakan MS Visual Studio.NET 2003 C#. Jenis

aplikasi adalah Windows Form dalam bentuk Managed Code

dengan .NET Framework 1.1.

c. Ujicoba pengambilan data, yang meliputi :

i. Ujicoba pada diri sendiri.

ii. Ujicoba pada orang lain dengan cara mendistribusikan aplikasi

dalam bentuk CD dan disertai petunjuk pelaksanaannya. CD yang

didistribusikan sebanyak 10 buah dan responden yang berminat

membantu pengambilan data sebanyak 4 orang.

d. Analisis data dan perancangan percobaan

i. Analisis data yang dilakukan meliputi proses statistik untuk

menghitung nilai minimum, maximum, median, modus, rata-rata

dan simpangan dari keseluruhan data yang diperoleh dari tiap

pengguna. Analisis data dilakukan menggunakan MS Excell. Hasil

analisis data akan digunakan dalam aplikasi analisis data.

ii. Perancangan percobaan yang berkaitan dengan aplikasi

pengambilan data, yakni :

1. Percobaan pengaruh perangkat keras;

2. Percobaan pengaruh pengulangan pengambilan data;

3. Percobaan kemampuan verifikasi dengan data eksklusif.

iii. Perancangan percobaan yang berkaitan dengan aplikasi analisis

data, yakni :

1. Penyusunan batas kelas fungsi keanggotan Fuzzy

(percobaan pelengkap);

2. Pembuatan dua model data pelatihan JST yang

dinamakan model A dan B (percobaan pelengkap);

3. Percobaan untuk melihat pengaruh model A dan B, yakni

berupa uji identifikasi, uji penyusupan, pengaruh %FRR

dengan ambang keputusan.

e. Pengambilan kesimpulan yang diperoleh dari hasil akhir aplikasi analisis

data dilanjutkan dengan proses statistik yang dinyatakan dalam nilai %

FRR dan % FAR. Hasil akhir berupa pembahasan kesimpulan dan saran-

saran perbaikan untuk penelitian lebih lanjut.

Tata Laksana

Alat Bantu Penelitian

Alat bantu yang digunakan meliputi :

Alat Bantu Pengembangan Perangkat Lunak dan Basis Data

MS Visual C# Versi 2003, MS Access 2003.

Alat Bantu Analisis dan Simulasi Data

MS Office Excel 2003, TextAnalysisTool.NET.

Alat Bantu Perangkat Keras

PC Desktop Intel Pentium IV 2.4 GHz RAM 1 GB

Notebook Compaq nx6125 AMD Turion64 2.19 GHz RAM 1.8 GB

Waktu dan Tempat Pelaksanaan

Penelitian telah dilaksanakan sebagai berikut.

1. Waktu : Januari hingga April 2006.

2. Tempat : Jakarta dan Bogor.

Data Penelitian

Data berasal dari 5 orang dengan jumlah keseluruhan 15 data, sebagai berikut.

a. Lama pengumpulan tiap data : 1 sampai dengan 2 jam.

b. Pengulangan data terbanyak 5 x (wningsih), 4 x (abudiman), dan 2 X

(risantod,syafii,mahyus).

c. Interval pengulangan dari 5 hari sampai dengan 57 hari tanpa adanya proses

latihan.

d. Pengambilan data menggunakan piranti keras: 2 model desktop dan 4 model

notebook yagn berbeda.

Tabel 4 Nama, Jenis Dan Sumber Data Penelitian

No. Nama Data Jenis Data Sumber Data

1. Digraf yang diperluas. Dalam tiga

variabel durasi (d), interkey (i) dan

total (T) per pasangan (2 karakter)

berturutan.

Primer

Numerik

Besaran

waktu (ms)

Pengukuran dan

Percobaan Lapangan

2. Data Kosakata dalam himpunan kata

pendek bermakna

Primer

String

Observasi dan Analisis

3. Bobot dalam bilangan nyata Primer

Numerik

Hasil komputasi

pelatihan JST

4. Nilai Keanggotaan Fuzzy

dalam bilangan nyata (0 hingga 1).

Tiap d, i dan T dalam 5 kelas fungsi

keanggotaan segitiga/trapesium.

Primer

Numerik

Analisis Data hasil

pengukuran

5. Output Verifikasi dalam bilangan

nyata (0 hingga 1). Ambang batas

0,75 atau 0,5.

Primer

Numerik

Komputasi pengolahan

JST

6. Kondisi Psikologis berupa pertanyaan

kualitatif : Apakah anda cukup tidur ?

Apakah anda merasa letih ?

Sekunder

Pilihan

Berganda

Pertanyaan

Ketrampilan pengetikan saat ini ?

(mahir, sedang, kurang)

7 Waktu pengambilan data Sekunder Tanggal/Jam

Rancangan Percobaan

Metode Percobaan

Percobaan dilaksanakan dengan tahapan metode sebagai berikut.

1. Program aplikasi pengambilan data diberikan pada peserta uji untuk diinstall dan

dijalankan.

2. Peserta uji diberi tugas untuk mengetikan kata-kata yang muncul dalam aplikasi

dengan benar. Setiap kata muncul secara acak sebanyak 5 kali untuk diketik

dengan benar.

3. Perekaman waktu dan kondisi selama pengambilan data disimpan dalam file

teks.

4. Perekaman waktu untuk tiap variabel d, i dan T selama pengetikan disimpan

dalam bentuk file-file teks dalam bentuk uraian pasangan karakter untuk tiap

kata. Beberapa file dipisahkan dan hanya digunakan sebagai data uji serta tidak

dilibatkan dalam pembuatan data pelatihan.

5. Data hasil perekaman waktu untuk tiap variabel d, i dan T keseluruhan disaring

berdasarkan pasangan karakter yang telah ditentukan dan kemudian dilakukan

analisis statistik untuk memperoleh nilai minimum, maximum, median, modus,

rataan aritmatik±simpangan baku ditambah data komplemen untuk data

pelatihan JST. Sedangkan keseluruhan 100% data digunakan sebagai data uji.

6. Membangun model data pelatihan dalam dua bentuk model. Model A

menggunakan dua nilai target yakni 0 (SALAH) dan 1 (BENAR). Sedangkan

model B menggunakan tiga nilai target yakni 0 (SALAH), dan 1 (BENAR) serta

0,5 (MUNGKIN).

7. Jaringan Syaraf Tiruan melakukan pelatihan untuk tiap model data pelatihan dan

menyimpan data bobot yang disusun untuk tiap pasangan karakter yang meliputi

tiap variabel d, i dan T untuk masing-masing pengguna dalam basis data

berbeda.

8. JST dengan data bobot hasil pelatihan untuk tiap pasangan karakter untuk

masing-masing variabel d, i dan T pengguna yang bersangkutan akan digunakan

untuk verifikasi dan dihitung hasil keluarannya. Bila hasil keluaran berada di atas

ambang batas (0,5 atau 0,75) berarti verifikasi benar dan bila di bawah ambang

batas berarti verifikasi salah. Keseluruhan berapa persentase verifikasi yang

salah padahal seharusnya benar menyatakan nilai FRR (False Rejection Rate) .

9. Pertukaran data uji antar pengguna, sebagai contoh, data uji pengguna 1 akan

digunakan untuk menguji JST bobot pengguna 5. Bila hasilnya berada di atas

ambang batas berarti verifikasi salah dan bila di bawah berarti verifikasi benar.

Keseluruhan berapa persentase verifikasi yang benar padahal seharusnya salah

menyatakan nilai FAR (False Acceptance Rate). Dalam kasus penyusupan

berlaku rumus % FRR = 1- % FAR

Secara garis besar, percobaan yang dilakukan adalah sebagai berikut.

1. Percobaan untuk melihat pengaruh perbedaan perangkat keras.

2. Percobaan untuk melihat pengaruh pengulangan pengambilan data.

3. Percobaan untuk melihat kemampuan verifikasi data eksklusif.

4. Percobaan untuk melihat Pengaruh Model Pelatihan A dan B, sebagai berikut.

• Uji Identifikasi, Uji penyusupan, Pengaruh %FRR - ambang keputusan.

Percobaan Pelengkap

Percobaan pelengkap adalah percobaan yang dilakukan dengan tujuan untuk

memberikan penalaan pada rancang bangun sistem untuk menunjang percobaan

utama. Hal ini merupakan penyesuaian/penalaan variabel yang digunakan oleh sistem

sehingga bisa digunakan dalam percobaan utama dengan hasil yang baik.

Percobaan yang dilakukan sebagai berikut.

1. Analisis statistik untuk menentukan rentang parameter yang digunakan untuk

tiap kelas Fuzzy SC, C, S, L dan SL.

2. Percobaan untuk menentukan parameter yang digunakan dalam jaringan syaraf

tiruan yakni laju pembelajaran, jumlah iterasi epoch, dan penyusunan model data

pelatihan A dan B berdasarkan analisis statistik.

BAB IV

RANCANG BANGUN SISTEM

4.1. Dasar Pemikiran Perancangan

Prinsip dasar yang digunakan dalam perancangan sistem verifikasi sebagai

berikut.

1. Sederhana (kecepatan tanggap).

Sistem harus sederhana sehingga kecepatan tanggap cukup layak diterima.

Berdasarkan hal tersebut, maka dalam rancang bangun sistem dilakukan upaya

penyederhanaan sebagai berikut.

• Penelitian pendahuluan sebagai acuan untuk menentukan daftar

kosakata dan pasangan karakter dominan dalam bahasa Indonesia

sehingga tidak diperlukan 26x26 kemungkinan pasangan karakter.

• Arsitektur JST yang sama untuk tiap variabel d, i dan T dengan 5 sel

input, 3 sel antara dan 1 sel output.

• Data pelatihan JST berjumlah tetap 15 (hasil analisis statistik) untuk tiap

pasangan karakter yang ditentukan.

• Variabel Fuzzy sebagai pengolahan awal dengan fungsi keanggotaan

segitiga dan trapesium untuk 5 kelas dengan 7 kemungkinan pola.

• Penyaringan data yang masuk (filtrasi) dengan kriteria sah bila lulus cek

urutan pengetikan tombol, cek kesesuaian karakter yang diketik, cek

lama waktu dari kata muncul hingga selesai tidak lebih dari 15 detik.

2. Akurasi (Ketepatan tanggap) dinyatakan dalam % FRR.

4.2. Perancangan Model Data

4.2.1. Perancangan Data Kosakata (Vocabulary)

Rancangan ini mengacu pada penelitian pendahuluan lampiran 1. Dari 756 kata

bermakna tumbuhan, hewan, tempat dan perkakas yang dipilah-pilah berdasarkan

kandungan pasangan karakter dominannya, yakni :

1. Pasangan karakter an, ng, la, en, dan ka;

2. Pasangan karakter yang letaknya pada kwadran kelompok (cluster) yang sama :

a. ng, ba, ma, na, nd;

b. an, am, ab;

c. su, au, ay, gu, di, du, gi, ai;

d. pa, is, ia, ya, ua, us;

e. ri, ti, ru, tu, ro, to,ep.

Sehingga keseluruhan diperoleh tabel kata-kata bahasa Indonesia sebagai

berikut.

Tabel 5 Daftar Kosakata

Masing-masing kata akan muncul sebanyak 5 kali kesempatan secara acak.

Indeks 1 hingga 51 digunakan dalam analisis statistik untuk membuat data pelatihan dan

pengujian sedangkan sisanya (kata topeng, kantong, ganggang) digunakan hanya untuk

data pengujian dan tidak diikutkan dalam data pelatihan/dipisahkan (eksklusif ).

Ke-51 kata yang digunakan dalam pelatihan mengandung pasangan karakter :

Tabel 6 Daftar Kandungan Pasangan Karakter Dari 51 Kata

Sedangkan tiga kata sisanya (topeng, kantong dan ganggang) mempunyai

kandungan pasangan karakter an, en, ka, ng dan to yang digunakan untuk menguji data

bobot pelatihan JST untuk tiap pasangan karakter yang bersesuaian. Data pasangan

karakter to digunakan sebagai data uji terhadap hasil pelatihan bobot ri-ti-ru-tu-ro-ep

karena to berada dalam kelompok (cluster) yang sama dengan ri-ti-ru-tu-ro-ep.

Tabel 7 Hubungan Bobot JST Dengan Uji Data Eksklusif

4.2.2. Model Data Variabel Input

Data input dinyatakan dalam besaran waktu untuk tiap variabel durasi (d),

interkey (i) dan Total (T) untuk uraian tiap pasangan karakternya. Nilai besaran tersebut

dikonversi oleh proses fuzzifikasi sehingga menghasilkan 5 nilai kelas fungsi

keanggotaan Fuzzy untuk tiap variabelnya.

4.2.3. Model Data Output

Bilangan nyata dari 0 hingga +1 diperoleh untuk tiap variabel d, i dan T. Ambang

batas pemisah adalah 0,50 dan 0,75 yang digunakan untuk menghitung hasil % FRR.

4.2.4. Perancangan Variabel Fuzzy

Variabel fungsi keanggotaan Fuzzy ditentukan setelah hasil pengumpulan data

diperoleh. Hasil analisis data statistik yang berasal dari 5 pengguna berbeda, yakni

Abudiman, Wningsih, Syafii, Risantod dan Mahyus (1140 pasangan karakter x 5)

dinyatakan dalam grafik histogram dan dijadikan dasar untuk membangun semesta

pembicaraan himpunan Fuzzy untuk masing-masing variabel d, i dan T. Semesta

pembicaraan berada didaerah interval waktu dengan banyak frekwensi kejadian

(kepadatan frekwensi kejadian). Bila semesta pembicaraan terlalu luas, maka

pembagian rentang pengklasifikasi Fuzzy terlalu luas sehingga hasil keseluruhan akan

berpengaruh terhadap ketelitian sistem. Keseluruhan grafik ada dalam lampiran 2.

Grafik VARd menentukan batas variabel d adalah 50 ms dan 300 ms. Grafik VARi untuk

variabel i adalah 75 ms dan 700 ms. Grafik VART untuk variabel T adalah 125 ms dan

1000 ms. Pemilihan angka juga mengacu pada pemilihan angka bulat terdekat untuk

menyederhanakan fungsi matematis dalam pemrograman.

Gambar 18 Hubungan Histogram Dengan Batas Kelas Fuzzy

Bentuk fungsi keanggotaan mengacu pada penelitian Sajjad Haider, et al (2000)

yang menggunakan bentuk fungsi keanggotaan segitiga dan ditambah sedikit modifikasi

pada kelas Fuzzy paling akhir yakni SL berupa fungsi trapesium. Kelebihannya adalah

jumlah kemungkinan pola yang dihasilkan oleh 5 kelas fungsi keanggotaan bisa

memberikan sebanyak 7 kemungkinan pola sebagai berikut.

Gambar 19 Tujuh Kemungkinan Pola Dari 5 Kelas Fuzzy

4.2.5. Model Data Pelatihan Jaringan Syaraf Tiruan

Kepintaran JST sangat ditentukan oleh kualitas data pelatihannya yakni berupa

pasangan input dan target output untuk setiap pasangan karakter. Input variabel d, i,

dan T hasil fuzzifikasi untuk tiap kelas (Lima kelas) fungsi keanggotaan, dan target nilai

output yang diinginkan (BENAR/1). Data pelatihan yang dipilih berasal dari nilai

minimum (MIN), nilai maximum (MAKS), nilai median (MED), nilai modus (MOD), rataan

aritmetik (MEAN), rataan aritmetik ditambah simpangan baku (MEAN+SD) dan rataan

aritmetik dikurangi simpangan baku (MEAN-SD) dari keseluruhan populasi data

pasangan karakter bersesuian yang dikumpulkan untuk masing-masing pengguna.

Data pelatihan yang baik haruslah mempunyai data komplemen dengan nilai

target output yang berbeda (SALAH/0). Untuk itu disusun data komplemen dengan

target output bernilai 0. Dalam percobaan juga akan dilakukan variasi penyusunan data

pelatihan lain dengan penetapan target output bernilai 0,5 yang bermakna MUNGKIN.

Himpunan data komplemen disusun sedemikian rupa sehingga mengacu pada 7

kemungkinan pola input yang masuk sebagai berikut.

Tabel 8 Penyusunan Data Komplemen Untuk Variabel d, i Dan T

Penelitian ini menggunakan dua macam model data pelatihan, sebagai berikut.

1. Model A, dengan ketentuan sebagai berikut.

a. Bila MIN, MAKS, MED,MOD, MEAN, MEAN+SD,MEAN-SD, maka target

sama dengan +1.

b. Data komplemen, dengan ketentuan sebagai berikut.

i. Bila MIN < x < MAKS, maka target sama dengan +1.

ii. Bila x < MIN atau x > MAKS, maka target sama dengan 0.

2. Model B, dengan ketentuan sebagai berikut.

a. Bila MIN,MAKS, maka target sama dengan 0,5.

b. Bila MED,MOD,MEAN,MEAN+SD,MEAN-SD, maka target sama dengan

+1.

c. Data komplemen, dengan ketentuan sebagai berikut.

i. Bila MIN< x < (MEAN-SD) atau (MEAN+SD) <x< MAKS, maka

target sama dengan 0,5.

ii. Bila x < MIN atau x > MAKS, maka target sama dengan 0.

iii. Bila (MEAN-SD) < x < (MEAN+SD), maka target sama dengan +1.

Keseluruhan model data pelatihan bisa dilihat dalam lampiran 3. Model A dilatar

belakangi keinginan untuk memberikan jawaban BENAR/SALAH (bersifat

tegas/crispy) sedangkan Model B bertujuan untuk memberikan alternatif jawaban

ketiga yakni MUNGKIN BENAR (bersifat berarti dua/ambiguity).

Konsekwensi penyusunan bentuk model data pelatihan tersebut adalah adanya

nilai target yang bersifat paradoks (bertentangan satu dengan lainnya) untuk suatu pola

nilai masukan Fuzzy yang sama.

Tabel 9 Contoh Nilai Target Yang Bertentangan (Paradoks)

Data pelatihan dengan nilai target yang bertentangan (paradoks) pada var i =

700 (kelas SL=1) dengan target = 1 dan var i =1000 (kelas SL=1) dengan target = 0.

Akibatnya, pada hasil verifikasi JST (gambar 20) adalah suatu nilai baru di tengah nilai

target yang diinginkan (0 atau 1). Ini diakibatkan bobot JST selama melakukan epoch

pelatihan mengalami pergerakan naik-turun. Naik saat menerima target = 1 untuk input

SL=1 dan kemudian harus turun kembali (dikoreksi) saat menerima target = 0 untuk

input yang sama dan demikian seterusnya hingga pelatihan selesai dan bobot berada di

kisaran daerah keseimbangan di tengah-tengah.

Gambar 20 Hasil Verifikasi Akibat Data Pelatihan Yang Paradoks

Hasil verifikasi data an oleh bobot an (pelatihan A, eta = 0,1 dan epoch = 1000)

4.2.6. Penentuan Parameter Jaringan Syaraf Tiruan

Berdasarkan referensi beberapa penelitian yang dilakukan oleh Sajjad Haider, Daw-

Tung Lin, dan Obaidat serta studi literatur tentang jaringan syaraf tiruan, maka

ditentukan sebagai berikut.

1. Algoritme pembelajaran yang digunakan adalah algoritme propagasi balik

dengan laju pembelajaran (eta) tetap (konstan);

2. Jumlah lapisan antara (hidden layer) adalah 1 dan jumlah lapisan keseluruhan

adalah 3 lapisan;

3. Jumlah sel pada lapisan antara adalah 3 unit; sel pada lapisan input adalah 5

unit dan sel pada lapisan output adalah 1 unit;

4. Inisialisi bobot awal berupa bilangan acak dengan nilai -1 hingga +1;

5. Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid;

6. Tidak menggunakan unit bias (lampiran 5);

Untuk menentukan besarnya parameter laju pembelajaran (learning rate/eta) dan

jumlah epoch, maka perlu dilakukan percobaan terhadap aplikasi Analisis Data JST

yang telah dibuat. Penelitian dilakukan untuk melihat pengaruh variasi jumlah

pembelajaran dan akibatnya terhadap hasil verifikasi sebagai berikut.

errore

epoch

Rate 0.1

errore

epoch

Rate 0.1

errore

epoch

Rate 0.1

errore

epoch

Rate 0.1

Gambar 21 Grafik Hubungan Laju Pembelajaran Dengan Penurunan Kesalahan

Penurunan kesalahan untuk tiap laju pembelajaran pada model data pelatihan A (kiri)

dan model pelatihan B (kanan) pada su-au-ay-gu-di-du-gi-ai untuk variabel d (atas),

variabel i (tengah) dan variabel T (bawah)

Grafik tersebut sesuai dengan studi literatur Jaringan Syaraf Tiruan tentang laju

pembelajaran, yakni pemilihan laju pembelajaran yang terlalu kecil (0.01 atau 0.05)

akan membutuhkan jumlah epoch yang lebih banyak untuk mencapai tingkat

kesalahan yang diinginkan. Namun, bila laju pembelajaran terlalu besar dapat

berakibat terlalu cepat mencapai tingkat kesalahan yang berakibat terjebak ke dalam

fenomena local minima. Walaupun dalam kasus penelitian ini, dengan jumlah epoch

hingga mencapai 2000X tidak ditemukan fenomena tersebut. Ini disebabkan oleh

model data pelatihan yang sudah disusun rapi dengan proses statistik dan

keberadaan data komplemen sehingga sistem bisa mencapai konvergensi dengan

baik. Berdasarkan hasil ini diputuskan untuk menggunakan laju pembelajaran 0,1

sebagai parameter acuan penelitian ini.

Grafik dibawah ini menjelaskan alasan pemilihan jumlah epoch yang digunakan.

errore

epoch

Rate 0.1 Rate 0.1

errore

epoch

Gambar 22 Grafik Hubungan Laju Kesalahan Dengan Model Pelatihan A dan B

Laju penurunan kesalahan untuk model data pelatihan A dan B untuk pasangan

karakter su-au-ay-gu-di-du-gi-ai untuk variabel d, i dan T dengan eta = 0,1

Gambar 22 memperlihatkan fenomena titik balik dengan laju kesalahan model

data A yang awalnya lebih tinggi daripada model B menjadi berbalik arah sehingga

lebih rendah. Pengambilan epoch yang terlalu kecil mengakibatkan sistem

mempunyai tingkat kesalahan yang lebih besar sedangkan secara umum bisa dilihat

bahwa epoch diatas 1000 cenderung mempunyai laju penurunan kesalahan yang

lebih kecil sehingga jumlah epoch yang terlalu besar menjadi tidak efisien (karena

menghasilkan laju penurunan kesalahan yang tidak berarti). Berdasarkan hasil ini,

maka digunakan epoch = 1000 sebagai parameter acuan penelitian ini. Walaupun

model data pelatihan B cenderung memberikan kesalahan yang lebih besar daripada

model data pelatihan A sehingga membutuhkan jumlah epoch yang lebih banyak

untuk mencapai tingkat kesalahan yang sama.

Gambar 23 memperlihatkan pengaruh tingkat kesalahan (jumlah epoch)

terhadap keakuratan verifikasi. Tingkat kesalahan yang semakin kecil membuat JST

memberikan output yang semakin mirip dengan data pelatihannya. Semakin banyak

jumlah epoch, maka cenderung akan menurunkan tingkat kesalahan tersebut.

Gambar 23 Pengaruh Tingkat Kesalahan (Jumlah Epoch) Terhadap Verifikasi

Hasil verifikasi data an terhadap bobot an untuk variabel d

(Model pelatihan B; eta = 0,1; jumlah epoch = 1000 (kiri) dan 2000 (kanan)

Gambar 23, walaupun dengan peningkatan jumlah epoch 2X lipat, namun tidak

memberikan kontribusi yang berarti terhadap persentase hasil verifikasi sistem

karena menggunakan batas ambang keputusan yang longgar (0,75) kecuali bila

menghendaki batas yang sangat ketat sekali (0,99), maka akan menunjukkan

perbedaan yang signifikan.

4.3. Perancangan Prototipe Aplikasi

Penelitian ini membutuhkan dua macam aplikasi, sebagai berikut.

1. Aplikasi Pengambilan Data Biometrik Penekanan Kunci Dinamik.

2. Aplikasi Analisis Data Fuzzy-Jaringan Syaraf Tiruan.

4.3.1. Aplikasi Pengambilan Data Biometrik Penekanan Kunci Dinamik

Aplikasi ini bertujuan sebagai alat untuk pengambilan data Biometrik penekanan

kunci dinamik yang melakukan perekaman waktu pada saat tombol ditekan dan pada

saat tombol dilepas. Output yang dihasilkan berupa log file yang berisi data perekaman

waktu dalam variabel d, i dan T untuk tiap kata yang diketik. Disertai juga dengan

informasi sekunder mengenai faktor psikologis saat pengetikan, tanggal dan jam serta

sedikit informasi tentang sistem komputer yang digunakan.

Keseluruhan cara kerja dan diagram aliran dapat dilihat dalam diagram aliran

data sebagai berikut.

0

0.2

0.4

0.6

0.8

1

140.

63

156.

25

171.

88

171.

88

171.

88

171.

88

171.

88

187.

50

187.

50

187.

50

187.

50

203.

13

203.

13

203.

13

218.

75

218.

75

234.

38

0

0.2

0.4

0.6

0.8

1

171.

88

203.

13

171.

88

187.

50

156.

25

187.

50

187.

50

171.

88

171.

88

218.

75

187.

50

171.

88

218.

75

187.

50

171.

88

203.

13

218.

75

Gambar 24 Diagram Alir Aplikasi Pengambilan Data

Aplikasi Pengambilan Data ini terdiri dari 3 bagian utama dalam program, yakni :

1. Bagian pengambilan data yang menerima data lingkungan percobaan yang

dipilih pengguna dan event dari pengetikan yang dilakukan pengguna (event

interrupt dari keyboard ) dengan dua kondisi yakni MyKeyUP atau MyKeyDOWN;

2. Bagian pemeriksaan dan perekaman data yang melakukan pengecekan

terhadap hasil event interrupt dan pencatatan waktu tekan dan waktu lepas serta

penghitungan waktu (timespan). Pengecekan yang dilakukan meliputi

pengecekan urutan penekanan, pengecekan karakter dan pengecekan interval

waktu dari kata muncul hingga kata selesai diketik. Jika ada kesalahan, maka

pesan kesalahan ditampilkan dan pengguna harus memulai kembali dari awal.

Jika selesai, maka pesan SELESAI muncul dan dilakukan penyimpanan ke file

log dan kembali ke pemilihan kata berikutnya.

Bagian Pengambilan Data

Bagian Pemeriksaan Dan Perekaman Data

Bagian Pemilihan Kata

3. Bagian pemilihan kata untuk ditampilkan yang berfungsi untuk menampilkan

kata-kata yang ada didalam basis data kosakata.mdb dengan pemilihan indeks

kata secara acak oleh waktu. Jika menerima pesan SELESAI, maka counter kata

yang bersangkutan akan dikurangi 1 dan kembali ke proses pemilihan kata

berikutnya dan seterusnya hingga semua counter kata bernilai 0.

Gambar 25 Tampilan Pengguna Aplikasi Pengambilan Data

Secara lengkap tiap bagian utama dijelaskan sebagai berikut.

Komponen utama dalam bagian pengambilan data adalah UserActivityHook.cs.

Komponen ini merupakan Komponen Kelas yang dibuat oleh George Mamaladze

dari http://www.codeproject.com/csharp/globalhook.asp tahun 2004 untuk Visual

C#.NET. Kelas ini memungkinkan mengambil event yang dibangkitkan oleh

keyboard (KeyEventArgs) dan Mouse (MouseEventArgs). Keyboard bisa

menghasilkan suatu event kapan tombol ditekan dan kapan tombol dilepas. Kelas ini

menggunakan komponen file application extension user32.dll dan bisa memecahkan

masalah urutan pengetikan.

Untuk menjalankan komponen ini, maka terlebih dulu menjalankan fungsi start

(actHook.Start()) sehingga fungsi keyboard dan mouse akan dikait (hook) ke dalam

komponen ini sebelum diterima oleh aplikasi lain. Untuk melepasnya kembali dengan

fungsi stop (actHook.Stop()). Teknik ini sama dengan teknik yang digunakan oleh

aplikasi keyboard Logger.

Proses kerja dalam bagian pemeriksaan dan perekaman data dimulai setelah

dilakukan hook, maka aplikasi akan menunggu event adanya penekanan tombol.

Tombol yang ditekan akan membangkitkan event MyKeyDown dan saat event ini

dihasilkan akan menjalankan fungsi untuk menangkap waktu (DateTime dtdown =

DateTime.Now) dan meneruskan string untuk dilakukan pengecekkan urutan

(checkorder(e.KeyData.ToString(),0)). Pada saat ini belum dilakukan pengecekkan

karakter karena menunggu event berikutnya yakni saat tombol dilepas dan

menghasilkan event MyKeyUp. Ketika event ini terjadi, maka akan kembali

menjalankan fungsi untuk menangkap waktu (DateTime dtup = DateTime.Now;)

dan dilanjutkan dengan pengecekkan urutan (checkorder(e.KeyData.ToString(),1);)

serta pengecekkan karakter (checkchar(e.KeyData.ToString(),counterc);) agar

karakter yang diketik sesuai dengan kata yang muncul. Kemudian dilakukan

perhitungan waktu dengan timespancal(), penjelasan dalam kutipan kode sebagai

berikut.

public void MyKeyDown(object sender, KeyEventArgs e) { DateTime dtdown = DateTime.Now; lbltime.Text = dtdown.ToString(); lblmsdown.Text = dtdown.TimeOfDay.ToString(); lbdebugging.Text = "KeyDown - " + e.KeyData.ToString(); checkorder(e.KeyData.ToString(),0); } public void MyKeyUp(object sender, KeyEventArgs e) { DateTime dtup = DateTime.Now; lbltime.Text = dtup.ToString(); lblmsup.Text = dtup.TimeOfDay.ToString(); lbdebugging1.Text = "KeyUp - " + e.KeyData.ToString(); checkorder(e.KeyData.ToString(),1); checkchar(e.KeyData.ToString(),counterc); if (counterc == 0) { lblbefore.Text = lblbefore.Text+ e.KeyData.ToString(); lblbeforedown.Text=lblmsdown.Text; lblbeforeup.Text=lblmsup.Text; lblswap.Text=lblbefore.Text; lblswapdown.Text=lblbeforedown.Text; lblswapup.Text=lblbeforeup.Text; } else { lblbefore.Text = lblswap.Text+ e.KeyData.ToString(); lblbeforedown.Text=lblswapdown.Text; lblbeforeup.Text=lblswapup.Text; lblswap.Text=e.KeyData.ToString(); lblswapdown.Text=lblmsdown.Text;

lblswapup.Text=lblmsup.Text; } timespancal(); checkdurationtyping(); savetextlog(); counterc ++; } Format yang diinginkan untuk perhitungan waktu dan penyimpanan adalah

dalam bentuk tiap pasangan karakter yang saling berurutan, sebagai contoh, jika

mengetik ang, maka perhitungan yang diinginkan adalah untuk pasangan an dulu

dan kemudian diikuti dengan pasangan ng. Ini dilakukan dengan menggunakan

temporary swap variable (berbentuk text label ) untuk menyimpan informasi karakter

yang ditekan, waktu tombol ditekan dan waktu tombol dilepas. Penjelasan dalam

diagram status sebagai berikut.

Gambar 26 Diagram Status Penguraian Pasangan Karakter Berurutan

Counterc=0 menunjukkan awal kata. Karakter yang didapat ditampung dalam variabel

lblbefore (status 1) dan variabel lblswap (status 2). Kemudian pada karakter berikutnya

yang diketik, variabel lblbefore akan menerima kopi dari nilai lblswap (status 3) dan nilai

lblswap akan diisi oleh karakter baru yang masuk (status 4). Perhitungan waktu

diperoleh dari selisih lblswap dengan lblbefore. Pada counterc=0, maka selisih tersebut

sama dengan 0 dan berikutnya selalu sama dengan lblswap – lblbefore.

Penjelasan dalam kutipan kode sebagai berikut. if (counterc == 0) { lblbefore.Text = lblbefore.Text+ e.KeyData.ToString(); lblbeforedown.Text=lblmsdown.Text; lblbeforeup.Text=lblmsup.Text; lblswap.Text=lblbefore.Text;

lblswapdown.Text=lblbeforedown.Text; lblswapup.Text=lblbeforeup.Text; } else { lblbefore.Text = lblswap.Text+ e.KeyData.ToString(); lblbeforedown.Text=lblswapdown.Text; lblbeforeup.Text=lblswapup.Text; lblswap.Text=e.KeyData.ToString(); lblswapdown.Text=lblmsdown.Text; lblswapup.Text=lblmsup.Text; }

Perhitungan waktu untuk mendapatkan variabel d, I dan T dilakukan dengan

fungsi timespancal . Fungsi ini memanfaatkan sintaks bawaan dengan format TimeSpan

yang khusus digunakan untuk menghitung selang waktu tanpa perlu mendefinisikan

format tanggal dan jam. Format selang waktu yang dihasilkan langsung dalam total

seperseribu detik (ts.TotalMilliseconds.ToString();). Perhitungan dilakukan dengan

fungsi ts = dtEnd.Subtract(dtStart).Duration().

Penjelasan dalam kutipan kode sebagai berikut.

private void timespancal() { try { // Create a TimeSpan instance based on // DateTime values provided on the form. TimeSpan ts; DateTime dtStart; DateTime dtEnd; // Parse the text from the text boxes. // Variabel d Calculation dtStart = DateTime.Parse(lblbeforedown.Text); dtEnd = DateTime.Parse(lblbeforeup.Text); ts = dtEnd.Subtract(dtStart).Duration(); // Display the properties of the TimeSpan // instance you've created. lblMilliseconds.Text = ts.TotalMilliseconds.ToString(); // Variabel i Calculation dtEnd = DateTime.Parse(lblmsdown.Text); ts = dtEnd.Subtract(dtStart).Duration(); lblinterval.Text = ts.TotalMilliseconds.ToString(); //Variabel T Calculation dtEnd = DateTime.Parse(lblmsup.Text); ts = dtEnd.Subtract(dtStart).Duration(); lbltotal.Text = ts.TotalMilliseconds.ToString(); //Variabel Next d Calculation dtStart = DateTime.Parse(lblmsdown.Text); dtEnd = DateTime.Parse(lblmsup.Text); ts = dtEnd.Subtract(dtStart).Duration(); lblduration.Text = ts.TotalMilliseconds.ToString(); //Total Duration Typing

dtStart = DateTime.Parse(lbltkosa.Text); dtEnd = DateTime.Parse(lblmsdown.Text); ts = dtEnd.Subtract(dtStart).Duration(); lbltkosa1.Text = ts.TotalMilliseconds.ToString(); ….

Pemeriksaan apakah urutan penekanan dan pelepasan tombol dilakukan oleh

checkorder(string txt1, int order). Fungsi ini dipanggil setiap kali terjadi event penekanan

(dengan int order = 0) dan saat terjadinya event pelepasan (dengan int order = 1). Cara

kerjanya adalah dengan membandingkan string karakter yang dihasilkan oleh event

MyKeyDown dan MyKeyUp. Pesan kesalahan muncul bila terjadi pengulangan

pengetikan (penekanan terlalu lama), urutan tidak sah bila tombol lain ditekan sebelum

tombol sebelumnya dilepas atau bila menekan dua tombol nyaris bersamaan

(kemungkinan status yang tidak mungkin). Ini dijelaskan dalam diagram alir status

sebagai berikut.

Gambar 27 Diagram Status Pengecekan Urutan Penekanan

Penjelasan dalam kutipan kode sebagai berikut.

private void checkorder(string txt1, int order) { if (order == 0) { LogWrite(txt1); if (orderchar[0]=="") orderchar[0]=txt1;

else { if (orderchar[0] == txt1) {

actHook.Stop(); MessageBox.Show("Tidak Valid : Pengulangan",orderchar[0],MessageBoxButtons.OK,MessageBoxIcon.Error);

} else { actHook.Stop(); MessageBox.Show("Tidak Valid : urutan down-up",orderchar[0],MessageBoxButtons.OK,MessageBoxIcon.Error); }

} } if (order == 1) {

if (orderchar[1]=="") orderchar[1]=txt1; if (orderchar[1] != orderchar[0]) { actHook.Stop(); MessageBox.Show("Tidak Valid : urutan down-up",orderchar[1],MessageBoxButtons.OK,MessageBoxIcon.Error); } else { lbvalid.Text="Urutan Valid"; orderchar[0]=""; orderchar[1]=""; }

} }

Untuk memantau lama waktu pengetikan tidak lebih dari 15 detik sejak kata

muncul dilakukan oleh fungsi checkdurationtyping(). Fungsi ini memantau nilai variabel

lbltkosa1.Text jika lebih dari 15000 ms. Variabel lbltkosa1.Text berasal dari

timespancal() yang menghitung selang waktu dari kata tersebut muncul (lbltkosa.Text)

hingga kejadian suatu tombol ditekan (nilai variabel lblmsdown.Text). Penjelasan dalam

kutipan kode sebagai berikut.

private void checkdurationtyping() { if (Convert.ToDecimal(lbltkosa1.Text)>15000) { actHook.Stop(); … } private void timespancal() { … //Total Duration Typing

dtStart = DateTime.Parse(lbltkosa.Text); dtEnd = DateTime.Parse(lblmsdown.Text); ts = dtEnd.Subtract(dtStart).Duration(); lbltkosa1.Text = ts.TotalMilliseconds.ToString(); … }

Pemeriksaan tombol yang ditekan sesuai dengan karakter yang muncul

dilakukan oleh fungsi checkchar(string txt1,int cc). Int cc adalah urutan pengetikan dan

kemudian dilakukan proses ekstraksi karakter dari teks kata yang tampil pada nomor

urut tersebut oleh txt2 = txtKosakata.Text.Substring(cc,1).ToUpper(). Karakter tersebut

dibandingkan dengan karakter yang diterima oleh keyboard event txt1 apakah sama

atau tidak. Ini dijelaskan dalam kutipan kode sebagai berikut.

private void checkchar(string txt1,int cc) { lblcocok.Refresh(); if (cc <= txtKosakata.Text.Length-1) { lblurutan.Text=cc.ToString(); string txt2 = txtKosakata.Text.Substring(cc,1).ToUpper(); lblurutan2.Text = txt2; lblurutan1.Text = txt1; if (txt1 == txt2) lblcocok.Text = "Karakter Cocok"; else { lblcocok.Text = "Karakter Tidak Cocok"; actHook.Stop(); MessageBox.Show("Tidak Cocok",txt1,MessageBoxButtons.OK,MessageBoxIcon.Error); } if (cc == txtKosakata.Text.Length-1) { lblcocok.Refresh(); lblcocok.Text="SELESAI"; lblguidance.Text = "Pengetikan Berikutnya"; bnStart.Text = "COBA LAGI"; actHook.Stop(); } …

Penyimpanan data ke dalam log file hanya dilakukan setelah kata yang tampil

selesai diketik dengan benar yang dinyatakan dalam kode if (lblcocok.Text ==

"SELESAI"). Nilai lblcocok.Text berasal dari fungsi checkchar(string txt1,int cc), yakni

bila nilai cc sama dengan panjang kata yang tampil pada kode (if (cc ==

txtKosakata.Text.Length-1)). Selain itu, nilai lblcocok.Text == “SELESAI” akan

menjalankan fungsi decrementcounter() untuk melakukan perubahan nilai pada tabel

table_kosakata untuk kolom counter menjadi berkurang 1. Ini dijelaskan dalam kutipan

kode sebagai berikut.

private void savetextlog() { string logfile = txtKosakata.Text+"_"+lblusername.Text+".log"; string info = psiinfo1+"|"+psiinfo2+"|"+psiinfo3; if (((lblcocok.Text == "Karakter Cocok")||(lblcocok.Text == "SELESAI"))&&(lbvalid.Text == "Urutan Valid")&&(lbltkosa2.Text == "IN RANGE")) { lblsavinglog.Text = lblsavinglog.Text+lbltime.Text+"|"+lblcounter.Text+"|"+counterc.ToString()+"|"+lblbefore.Text+"|"+lblMilliseconds.Text+"|"+lblinterval.Text+"|"+lbltotal.Text+"|"+lblusername.Text+"|"+lblcompinfo.Text+"|"+info+CRLF; lblsavinglog.Refresh(); if (lblcocok.Text == "SELESAI") { FileStream s= new FileStream(logfile,FileMode.Append); StreamWriter w = new StreamWriter(s); w.Write(lblsavinglog.Text); w.Close(); lblsavinglog.Text=""; decrementcounter(); } } } private void decrementcounter() { string sConn = "Provider=Microsoft.Jet.OLEDB.4.0;"+"Data Source=" + lbl_browser.Text+";"; lblguidance.Text = "Simpan Log dan decrement counter kosakata"; lblguidance.Refresh(); int x = Convert.ToInt16(lblcounter.Text); x--; string sQuery = "update table_kosakata set Counter_kosakata="+x.ToString()+" where indeks_kosakata = "+lblindeks.Text; try { Cursor.Current = Cursors.WaitCursor; // eksekusi data OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn); conn.Open(); int n = cmd.ExecuteNonQuery(); if (n==0) { lblguidance.Text = "Decrement counter kosakata gagal"; lblguidance.Refresh(); } conn.Close(); Cursor.Current = Cursors.Default;

….

Pemilihan indeks dalam basis data untuk kata yang ditampilkan dilakukan secara

acak (random) dengan memilih bilangan integer berkisar dari 1 hingga jumlah kata.

Ketentuan sintaks int random_number1 = rand.Next( 1, totalkosa+1 ) mengharuskan

penggunaan nilai totalkosa+1 sebagai batas atas. Jika kata yang dipilih sudah

mempunyai nilai kolom Counter_kosakata = 0, maka pemilihan indeks diulangi kembali.

Demikian seterusnya sampai semua kata selesai ditampilkan dan diketik dengan benar

(nilai kolom Counter_kosakata semuanya 0). Ini dijelaskan dalam kutipan kode sebagai

berikut.

private void Indeks_selection() { int totalkosa = Convert.ToInt32(lbltotalkosa.Text); Random rand = new Random(( int )DateTime.Now.Ticks ); int random_number1 = rand.Next( 1, totalkosa+1 ); lblindeks.Text = random_number1.ToString(); lblindeks.Refresh(); }

private void Selection_Kosa() { string sConn = "Provider=Microsoft.Jet.OLEDB.4.0;"+"Data Source=" + lbl_browser.Text+";"; bool loopk=true; lblguidance.Text = "Ketikan Sesuai dengan kata yang muncul"; lblguidance.Refresh(); for (int i = 3; i >= 0; i--) { lbltimer.Text = i.ToString(); lbltimer.Refresh(); Thread.Sleep(1000); } do { Indeks_selection(); string sQuery = "select * from table_kosakata where indeks_kosakata = "+lblindeks.Text; try { Cursor.Current = Cursors.WaitCursor; // eksekusi data OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn); conn.Open(); OleDbDataReader DataDB = cmd.ExecuteReader(); while(DataDB.Read()) { lblcounter.Text = DataDB.GetInt16(2).ToString(); lblcounter.Refresh(); if (Convert.ToInt16(lblcounter.Text) != 0) { txtKosakata.Text = DataDB.GetString(1); txtKosakata.Refresh();

lbltkosa.Text = DateTime.Now.ToString(); lbltkosa.Refresh(); loopk = false; } else loopk = true; } DataDB.Close(); …

4.3.1.1. Spesifikasi Kebutuhan

Pembuatan aplikasi tersebut memenuhi spesifikasi kebutuhan yang disebutkan

dalam usulan penelitian, sebagai berikut.

1. Kata yang ditampilkan muncul secara acak. Setiap kata mempunyai peluang

muncul sebanyak 5 kali. Ini untuk memenuhi kebutuhan kriteria dinamik.

2. Pembatasan untuk menghasilkan pembacaan yang sah (valid) oleh sistem,

sebagai berikut.

a. Interval timer 15 detik sejak kata muncul hingga selesai diketik.

b. Kata yang diketik harus persis sama.

c. Pengecekan urutan pengetikan (penekanan-pelepasan tombol).

3. Pemisahan/ekstraksi/analisis data ke dalam pasangan-pasangan karakter

beserta nilai variabel d, i dan T untuk tiap pasangan tersebut.

Adapun spesifikasi kebutuhan yang belum bisa dipenuhi adalah sebagai berikut.

1. Aplikasi dengan mode Multi-user. Aplikasi ini hanya untuk single user, jika

diinginkan oleh pengguna yang berbeda, maka perlu dilakukan upaya mengkopi

file kosakata.mdb dan tidak dilengkapi proses pengecekan user name.

2. Aplikasi dengan mode client – server, yang memerlukan penulisan ulang kode di

beberapa bagian dengan menggunakan basis data SQL.

4.3.2. Aplikasi Analisis Data Fuzzy-Jaringan Syaraf Tiruan

Aplikasi ini bertujuan sebagai alat bantu untuk melakukan analisis data ke dalam

bentuk Fuzzy dan untuk melakukan pelatihan JST serta proses verifikasi data dengan

JST. Fungsi-fungsi dalam kode aplikasi ini ditujukan untuk membantu mempercepat

pelaksanaan penelitian ini.

Gambar 28 Tampilan Pengguna Aplikasi Analisis Data

4.3.2.1. Fungsi Fuzzy

Fungsi Fuzzy digunakan untuk meng-konversi nilai dalam tabel training_nofuzzy

dan tabel validasi_nofuzzy menjadi nilai fungsi keanggotaan Fuzzy dalam tabel training_

dan validasi_ untuk tiap d, i dan T. Fungsi tersebut dinyatakan dalam penulisan kode

sebagai berikut.

private float Fuzzy_triangular(float nonFuzzy, float a, float b, float c) { if (nonFuzzy <= a)return 0f; else if ((nonFuzzy >a) & (nonFuzzy <=b)) return (float)(nonFuzzy-a)/(b-a); else if ((nonFuzzy >b) & (nonFuzzy <=c))return (float) (nonFuzzy-c)/(b-c); else if (nonFuzzy > c) return 0f; else return 0f; } private float Fuzzy_trapesium(float nonFuzzy, float a, float b) { if (nonFuzzy <= a) return 0f; else if ((nonFuzzy >a) & (nonFuzzy <=b))return (float)(nonFuzzy-a)/(b-a); else if (nonFuzzy > b) return 1f; else return 0f; } private void convert_Fuzzy(string variabel1) { // sQuery = "select * from "+tbl_nonFuzzy+"_"+variabel1; float [] var1 = new float [TR_MAX];

float [] target = new float [TR_MAX]; float [,] varFuzzy = new float [TR_MAX,INP]; int [] indeks = new int [TR_MAX]; string [] karakter = new string [TR_MAX]; int counterc = 0; try { Cursor.Current = Cursors.WaitCursor; // eksekusi data OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn); conn.Open(); OleDbDataReader DataDB = cmd.ExecuteReader(); while(DataDB.Read()) { indeks[counterc] = (int) (DataDB.GetValue(0)); karakter[counterc] = DataDB.GetValue(1).ToString(); var1[counterc] = Convert.ToSingle(DataDB.GetValue(2)); if (tbl_nonFuzzy == "training_noFuzzy") { target[counterc] = Convert.ToSingle(DataDB.GetValue(3)); } counterc++; } DataDB.Close(); conn.Close(); Cursor.Current = Cursors.Default; label2.Text=counterc.ToString(); } … for (int c=0;c < counterc ; c++) { if (variabel1 == "d") { varFuzzy[c,0] = Fuzzy_triangular(var1[c],50,100,150); varFuzzy[c,1] = Fuzzy_triangular(var1[c],100,150,200); varFuzzy[c,2] = Fuzzy_triangular(var1[c],150,200,250); varFuzzy[c,3] = Fuzzy_triangular(var1[c],200,250,300); varFuzzy[c,4] = Fuzzy_trapesium(var1[c],250,300); } else if (variabel1 == "i") { varFuzzy[c,0] = Fuzzy_triangular(var1[c],75,200,325); varFuzzy[c,1] = Fuzzy_triangular(var1[c],200,325,450); varFuzzy[c,2] = Fuzzy_triangular(var1[c],325,450,575); varFuzzy[c,3] = Fuzzy_triangular(var1[c],450,575,700); varFuzzy[c,4] = Fuzzy_trapesium(var1[c],575,700); } else { varFuzzy[c,0] = Fuzzy_triangular(var1[c],125,300,475); varFuzzy[c,1] = Fuzzy_triangular(var1[c],300,475,650); varFuzzy[c,2] = Fuzzy_triangular(var1[c],475,650,825); varFuzzy[c,3] = Fuzzy_triangular(var1[c],650,825,1000); varFuzzy[c,4] = Fuzzy_trapesium(var1[c],825,1000); }

// // if (tbl_nonFuzzy == "training_noFuzzy") sQuery = string.Format("insert into training_"+variabel1+" ("+ "karakter,_SC,_C,_S,_L,_SL,Target)"+ "values('{0}','{1}','{2}','{3}','{4}','{5}','{6}');", karakter[c],varFuzzy[c,0],varFuzzy[c,1],varFuzzy[c,2],varFuzzy[c,3],varFuzzy[c,4],target[c]); else sQuery = string.Format("insert into validasi_"+variabel1+" ("+ "karakter,_SC,_C,_S,_L,_SL)"+ "values('{0}','{1}','{2}','{3}','{4}','{5}');", karakter[c],varFuzzy[c,0],varFuzzy[c,1],varFuzzy[c,2],varFuzzy[c,3],varFuzzy[c,4]); // try { Cursor.Current = Cursors.WaitCursor; // eksekusi data insert OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn); conn.Open(); cmd.ExecuteNonQuery(); conn.Close(); Cursor.Current = Cursors.Default; } …

4.3.2.2. Fungsi Jaringan Syaraf Tiruan

Arsitektur Jaringan Syaraf Tiruan yang digunakan adalah sebagai berikut.

1. Masing-masing variabel d, i dan T mempunyai JST Propagasi balik dengan data

bobot masing-masing dan keluaran masing-masing.

2. Lapisan input masing-masing variabel ada 5 unit sel berdasarkan kelas Fuzzy

berturut untuk _SC, _C, _S, _L dan _SL.

3. Lapisan antara (hidden layer) mempunyai 3 unit sel (H= (I+O)/2).

4. Lapisan output mempunyai 1 unit sel.

5. Nilai masukan tiap sel berkisar 0 hingga 1, maka keluaran bernilai 0 hingga 1.

Ini disesuaikan dengan karakterisktik fungsi sigmoid yang dipakai yakni berkisar

0 hingga 1.

6. Fungsi Sigmoid yang digunakan dalam kode sebagai berikut.

private float activation_function (float sum) { return ((float) (1/(1 + Math.Exp(-beta*sum))));} Dengan nilai beta sama dengan 1

const float beta = 1.0f;

7. Laju pembelajaran (eta) sebesar 0.1 dan jumlah epoch yang digunakan adalah

1000 untuk tiap model data pelatihan A dan B untuk tiap pasangan karakternya.

8. Inisialisasi bobot awal dalam fungsi random dengan nilai -1 hingga 1.

9. Bias tidak digunakan karena bersifat pilihan (Freeman, 1992, p.105).

Setengah dari jumlah kumulatif dari kesalahan yang dihasilkan oleh tiap pola

pelatihan dinyatakan dalam variabel errore[e] dengan e menunjukkan urutan epoch.

Sedangkan errrord[d] menunjukkan kesalahan dari tiap pola pelatihan dengan d

menunjukkan urutan pola pelatihan. Errord[d] diperoleh dari kuadrat selisih dari nilai

target pelatihan dengan error yang dihasilkan. Ini dijelaskan dalam kutipan kode sebagai

berikut.

errord[d] = (float) (errord[d] + Math.Pow((target[k]-outputout[k]),2)); …. errord[d] = errord[d]/2; errore[e] = errore[e] + errord[d];

Struktur JST yang digunakan dijelaskan dalam gambar sebagai berikut.

Gambar 29 Struktur Jaringan Syaraf Tiruan untuk Variabel d, i, dan T

Tiap variabel d, i dan T mempunyai bobot JST masing-masing dengan arsitektur

yang berdiri sendiri. Tiap JST memberikan nilai output 0 hingga 1 sesuai dengan data

pelatihan yang digunakan saat proses pembelajaran. Tiap-tiap nilai output digunakan

dalam proses statistik untuk melihat keseluruhan persentase tiap nilai dalam %FRR

atau %FAR dalam analisis data penelitian ini. Arsitektur JST yang berdiri sendiri ini

dapat dicapai dengan variabel berstruktur array sederhana dua dimensi sebagai berikut.

float [,] neuronIH = new float [INP,HDN]; float [,] neuronHO = new float [HDN,OUT];

NeuronIH berisi data bobot koneksi lapisan input dengan lapisan antara (hidden) dan

NeuronHO berisi data bobot koneksi lapisan antara dengan lapisan output. Lapisan

input mempunyai 5 sel, lapisan tengah mempunyai 3 sel dan lapisan output mempunyai

1 sel.

Untuk perhitungan tiap variabel d, I dan T dilakukan dengan memanggil kembali

data yang bersesuaian dari tiap tabel basis data (lampiran 7) untuk disimpan ke struktur

array diatas. Ini dijelaskan dalam kutipan kode sebagai berikut.

string [] variabel = {"d","i","T"};

Variabel ini dipanggil setiap kali ada proses loop :

for (short v=0;v<VAR;v++) { tbl_variabel = variabel[v];

…

Nilai tbl_variabel tersebut diteruskan ke variabel string sQuery yang dijalankan oleh

OleDbCommand cmd. Ini dijelaskan dalam kutipan kode sebagai berikut.

private void load_wg_toann() { //Masukkan data bobot ke JST sQuery = "select * from bobot_"+tbl_variabel+tbl_bobot; … OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn); conn.Open(); OleDbDataReader DataDB = cmd.ExecuteReader(); while(DataDB.Read()) { for (short i = 0; i<INP;i++) { for (short j=0; j<HDN;j++) { neuronIH[i,j] = Convert.ToSingle(DataDB.GetValue(2+j+i*HDN).ToString()); } } for (short j = 0; j<HDN;j++) { for (short k=0; k<OUT;k++)

{

neuronHO[j,k] = Convert.ToSingle(DataDB.GetValue(2+(INP*HDN)+k+j*OUT).ToString()); …

Keseluruhan proses pelatihan JST dilakukan oleh event private void

btntraining_Click(object sender, System.EventArgs e) sebagai berikut.

ANN_init(); input_toann(true);

backpropagate_train();

ANN_init() adalah fungsi untuk melakukan inisialisasi bilangan random -1

hingga 1 ke nilai bobot sebagai nilai awal dalam kutipan kode sebagai berikut.

const float R_MIN = -1.0f; const float R_MAX = 1.0f;

… private void ANN_init() { for (short i = 0; i<INP;i++) { for (short j=0; j<HDN;j++) {

neuronIH[i,j] = R_MIN + (((float)(rand.Next(1000)))/1000f)*(R_MAX-R_MIN); } } for (short j = 0; j<HDN;j++) { for (short k=0; k<OUT;k++) { neuronHO[j,k] = R_MIN + (((float)(rand.Next(1000)))/1000f)*(R_MAX-R_MIN); …

Proses membaca data input saat pelatihan ke dalam JST dilakukan oleh fungsi

input_toann(bool training) dengan nilai training = true. Nilai training = true bertujuan

untuk memberikan tanda (flag) bahwa tabel yang diambil adalah tabel training_ (bukan

tabel validasi_). Penjelasan dalam kutipan kode sebagai berikut.

private void input_toann(bool training) { //inisialisasi data training if (!training) sQuery = "select * from validasi_"+tbl_variabel+tbl_name; else sQuery = "select * from training_"+tbl_variabel+tbl_name; try { Cursor.Current = Cursors.WaitCursor; // eksekusi data OleDbConnection conn = new OleDbConnection(sConn); OleDbCommand cmd = new OleDbCommand(sQuery,conn);

short counterd = 0; conn.Open(); OleDbDataReader DataDB = cmd.ExecuteReader(); … while(DataDB.Read()) { lvItem = listView1.Items.Add(DataDB.GetValue(0).ToString()); indeksout[counterd] = (int) (DataDB.GetValue(0)); lvItem.SubItems.Add(DataDB.GetValue(1).ToString()); for (short i = 0;i< INP;i++) { lvItem.SubItems.Add(DataDB.GetValue(2+i).ToString()); inputtr[counterd,i] = Convert.ToSingle(DataDB.GetValue(2+i).ToString()); } if (training) { for (short k = 0;k< OUT;k++) lvItem.SubItems.Add(DataDB.GetValue(INP+2+k).ToString()); targettr[counterd,k] = Convert.ToSingle(DataDB.GetValue(INP+2+k).ToString()); } } counterd++; } DataDB.Close(); conn.Close(); label1.Text=counterd.ToString(); …

Proses pelatihan JST Propagasi balik dilakukan oleh fungsi backpropagate_train()

dengan proses kerja sebagai berikut.

1. Deklarasi array yang digunakan, sebagai berikut.

float [] errore= new float[epoch]; float [] errord= new float[counterd]; float [] inputout = new float[INP]; float [] hiddenout = new float[HDN]; float [] hiddenerr = new float[HDN]; float [] outputout = new float[OUT]; float [] outputerr = new float[OUT]; float [] target = new float[OUT];

2. Proses pemasukan data dilakukan untuk setiap kali pengulangan e sampai

dengan jumlah epoch dan dilakukan untuk setiap kali pengulangan d sampai

dengan jumlah seluruh pola pelatihan, maka dilakukan pemasukan input array ke

input JST dan target array ke target JST.

for (int e=0; e< epoch;e++) { errore[e] = 0; lblepoch.Text = e.ToString(); lblepoch.Refresh();

for (short d=0; d < counterd ;d++) { lvItem2 = listView2.Items.Add(indeksout[d].ToString()); // errord[d] = 0; for (short i=0;i<INP;i++) { inputout[i] = inputtr[d,i]; } for (short k=0;k<OUT;k++) { target[k] = targettr[d,k]; }

3. Proses propagasi maju meliputi proses penjumlahan setiap bobot dikalikan nilai

input yang bersesuaian di lapisan input dan hasilnya diberikan ke dalam fungsi

aktivasi sigmoid dan diteruskan sebagai input sel pada lapisan antara. Proses

seterusnya yang sama dilakukan untuk lapisan antara dengan lapisan output.

for (short j=0;j<HDN;j++) { float sum =0; for (short i=0;i<INP;i++) { sum = sum + inputout[i]*neuronIH[i,j]; } if (bias == true) sum = sum + bias_unit; hiddenout[j] = activation_function(sum); lvItem2.SubItems.Add(hiddenout[j].ToString()); } for (short k=0;k<OUT;k++) { float sum =0f; for (short j=0;j<HDN;j++) { sum = sum + hiddenout[j]*neuronHO[j,k]; } if (bias == true) sum = sum + bias_unit; outputout[k] = activation_function(sum);

lvItem2.SubItems.Add(outputout[k].ToString());

4. Proses penghitungan kesalahan output terhadap target dengan menggunakan

turunan dari fungsi aktivasi sigmoid sebagai berikut.

outputerr[k] = outputout[k]*(1-outputout[k])*(target[k]-outputout[k]);

5. Proses kumulatif menghitung kesalahan output terhadap target sebagai

kesalahan keseluruhan pola sebagai berikut.

errord[d] = (float) (errord[d] + Math.Pow((target[k]-outputout[k]),2));

6. Proses propagasi kesalahan balik adalah proses dengan nilai kesalahan pada

proses no. 4 di-propagasi-balikkan ke lapisan antara untuk menghitung nilai

kesalahan pada lapisan antara, sebagai berikut.

//error dari Hidden Unit for (short j=0;j<HDN;j++) { hiddenerr[j] = 0; for (short k=0;k<OUT;k++) { hiddenerr[j] = hiddenerr[j] + outputerr[k]*neuronHO[j,k]; } hiddenerr[j] = hiddenerr[j]*hiddenout[j]*(1-hiddenout[j]); …

7. Proses penyesuaian bobot di tiap unit sel lapisan antara dan lapisan output

berdasarkan nilai kesalahan pada no. 4 dan no. 6 sesuai dengan laju

pembelajaran eta yang telah ditetapkan sebagai berikut.

//Update Bobot Output Unit for (short j=0;j<HDN;j++) { for (short k=0;k<OUT;k++) {

neuronHO[j,k]= neuronHO[j,k]+eta*outputerr[k]*hiddenout[j]; } } //Update Bobot Hidden Unit for (short i=0;i<INP;i++) { for (short j=0;j<HDN;j++) {

neuronIH[i,j]= neuronIH[i,j]+eta*hiddenerr[j]*inputout[i]; } }

8. Proses kumulatif keseluruhan kesalahan pola pelatihan dan separuh nilainya

adalah kesalahan kumulatif untuk tiap perulangan epoch dalam kode sebagai

berikut.

errord[d] = errord[d]/2; errore[e] = errore[e] + errord[d];

9. Setelah training dilakukan sebanyak jumlah epoch, maka bobot akhir disimpan

ke dalam tabel bobot_ untuk tiap pasangan karakter untuk tiap variabelnya.

Penyimpanan dilakukan oleh fungsi save_weight() dengan melakukan perintah

insert record ke dalam tabel bobot_. Penjelasan dalam kutipan kode sebagai

berikut.

private void save_weight() { //inisialisasi data bobot

sQuery = string.Format("insert into bobot_"+tbl_variabel+ " (karakter,WIH00,WIH01,WIH02,"+ "WIH10,WIH11,WIH12,"+ "WIH20,WIH21,WIH22,"+ "WIH30,WIH31,WIH32,"+ "WIH40,WIH41,WIH42,"+ "WHO00,WHO10,WHO20)"+ "values ('{0}','{1}','{2}','{3}',"+ "'{4}','{5}','{6}',"+ "'{7}','{8}','{9}',"+ "'{10}','{11}','{12}',"+ "'{13}','{14}','{15}',"+ "'{16}','{17}','{18}');", pasangan_kar,neuronIH[0,0],neuronIH[0,1],neuronIH[0,2], neuronIH[1,0],neuronIH[1,1],neuronIH[1,2], neuronIH[2,0],neuronIH[2,1],neuronIH[2,2], neuronIH[3,0],neuronIH[3,1],neuronIH[3,2], neuronIH[4,0],neuronIH[4,1],neuronIH[4,2], neuronHO[0,0],neuronHO[1,0],neuronHO[2,0]); ... conn.Open(); cmd.ExecuteNonQuery(); conn.Close();

Proses verifikasi JST dilakukan oleh event private void btn_JSTstart_Click(object

sender, System.EventArgs e) dalam penjelasan kode sebagai berikut.

private void btn_JSTstart_Click(object sender, System.EventArgs e) { … tbl_bobot = string.Format(" where karakter = '{0}' and indeks = {1}",pasangan_kar,textBox2.Text); … load_wg_toann(); … input_toann(false); propagate_output(); …

Fungsi load_wg_toann() melakukan pembacaan nilai bobot dari basis data ke

dalam JST. Pemilihan record ditentukan oleh perintah query sQuery = "select * from

bobot_"+tbl_variabel+tbl_bobot dengan nilai tbl_variabel dan tbl_bobot berupa string

yang diperoleh dari tbl_bobot = string.Format(" where karakter = '{0}' and indeks =

{1}",pasangan_kar,textBox2.Text) . Bobot yang dipilih berasal dari pasangan karakter

yang sama dan bisa dipilih berdasarkan nomor indeks jika data record bobot dari

pasangan karakter lebih dari satu. Penjelasan dalam kutipan kode sebagai berikut.

private void load_wg_toann() { //Masukkan data bobot ke JST

sQuery = "select * from bobot_"+tbl_variabel+tbl_bobot; … conn.Open(); OleDbDataReader DataDB = cmd.ExecuteReader(); while(DataDB.Read()) { for (short i = 0; i<INP;i++) { for (short j=0; j<HDN;j++) { neuronIH[i,j] = Convert.ToSingle(DataDB.GetValue(2+j+i*HDN).ToString()); } } for (short j = 0; j<HDN;j++) { for (short k=0; k<OUT;k++) { neuronHO[j,k] = Convert.ToSingle(DataDB.GetValue(2+(INP*HDN)+k+j*OUT).ToString()); …

Data bobot dan data input dari tabel validasi dimasukkan ke dalam JST.

Perhitungan output dilakukan oleh fungsi propagate_output() dalam penjelasan kode

sebagai berikut.

private void propagate_output() { //prepare display output JST string logfile; if (lbl_browser_lain.Text == "") { logfile= textBox1.Text+"_output_"+label5.Text+"_"+tbl_variabel+".log"; } else { logfile= textBox1.Text+"_output_"+label5.Text+"_"+tbl_variabel+"_val_lain.log"; } FileStream s= new FileStream(logfile,FileMode.CreateNew); StreamWriter w = new StreamWriter(s); if (lbl_browser_lain.Text != "")w.WriteLine(lbl_browser_lain.Text); initListView_output(); ListViewItem lvItem2 = new ListViewItem(); short counterd = Convert.ToInt16(label1.Text); float [] inputout = new float[INP]; float [] hiddenout = new float[HDN]; float [] outputout = new float[OUT]; for (short d=0; d < counterd ;d++) { lvItem2 = listView2.Items.Add(indeksout[d].ToString()); //

for (short i=0;i<INP;i++) { inputout[i] = inputtr[d,i]; } for (short j=0;j<HDN;j++) { float sum =0f; for (short i=0;i<INP;i++) { sum = sum + inputout[i]*neuronIH[i,j]; } if (bias == true) sum = sum + bias_unit; hiddenout[j] = activation_function(sum); lvItem2.SubItems.Add(hiddenout[j].ToString()); } for (short k=0;k<OUT;k++) { float sum =0f; for (short j=0;j<HDN;j++) { sum = sum + hiddenout[j]*neuronHO[j,k]; } if (bias == true) sum = sum + bias_unit; outputout[k] = activation_function(sum); w.WriteLine(d.ToString()+"|"+k.ToString()+"|"+outputout[k].ToString()); lvItem2.SubItems.Add(outputout[k].ToString()); } } w.Close(); }

Hasil yang diperoleh berupa file log teks yang akan digunakan dalam proses

analisis data secara manual dengan menggunakan MS Excell dan Text Analysis Tool.

4.3.2.3 Uji Aplikasi Analisis Data Jaringan Syaraf Tiruan

Aplikasi JST harus diuji untuk memastikan tidak ada kesalahan dalam algoritme

atau penulisan kode dengan cara sebagai berikut.

1. Uji dengan data validasi yang sama dengan data pelatihan.

2. Uji dengan data validasi keseluruhan data untuk pasangan karakter yang

bersangkutan.

Untuk Uji 1, data uji yang diambil berasal dari data pengguna abudiman1 dan

menggunakan model pelatihan A dengan epoch=1000 dan eta = 0,1 (grafik lengkap

pada lampiran 5) :

0

0.2

0.4

0.6

0.8

1

25 5090

.13 100 150

151.0

6169

.98170

.2417

0.24

188.89 200

220.3

2 250 300 450

Uji 1 d – Model A untuk an

0

0.2

0.4

0.6

0.8

1

25 5090.

13 100 150

150.7

816

9.47

170.24

170.24

188.17 200

220.3

2 250 300 450

Uji 1 d – Model A untuk an-am-ab

0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.0

0

250.3

632

5.00

419.0

345

0.00

530.7

653

3.72

575.0

058

0.84

648.4

170

0.00

931.3

4

1000.0

0

Uji 1 i – Model A untuk an

0

0.2

0.4

0.6

0.8

1

50.0

0

75.0

0

200.

00

250.

36

325.

00

426.

94

450.

00

540.

78

541.

90

575.

00

580.

84

656.

85

700.

00

931.

34

1000

.00

Uji 1 i – Model A untuk an-am-ab

Uji 1 T – Model A untuk an

Uji 1 T – Model A untuk an-am-ab

Gambar 30 Hasil Uji 1 Program Jaringan Syaraf Tiruan

Hasil uji 1 dapat disimpulkan bahwa JST memberikan respon output yang sama dengan

pola data pelatihan yang diterimanya, walaupun akibat data pelatihan paradoks

mengakibatkan JST memberikan respon output di kisaran nilai tengah sesuai dengan

yang telah diperkirakan sebelumnya.

Uji 2 menggunakan keseluruhan data yang diambil dari pengukuran sebagai data

uji untuk JST yang sama dengan hasil sebagai berikut.

0

0.2

0.4

0.6

0.8

1

75.00 125.00300.00370.53475.00538.88649.05650.00650.94650.94759.21825.001000.001041.501500.00

Akibat Data Pelatihan Paradoks

0

0.2

0.4

0.6

0.8

1

75.00125.00300.00370.53475.00532.03641.42650.00650.94680.98750.81825.001000.001041.501500.00




0

0.2

0.4

0.6

0.8

1

90.1

3

140.

20

150.

22

160.

23

160.

23

170.

24

170.

24

170.

24

180.

26

180.

26

190.

27

190.

27

200.

29

Uji 2 d – Model A untuk an

0

0.2

0.4

0.6

0.8

1

90.1

3

140.

20

150.

22

160.

23

160.

23

170.

24

170.

24

170.

24

180.

26

180.

26

180.

26

190.

27

200.

29

Uji 2 d – Model A untuk an-am-ab

0

0.2

0.4

0.6

0.8

1

250.

36

380.

55

420.

60

460.

66

480.

69

510.

73

530.

76

550.

79

570.

82

590.

85

620.

89

650.

94

771.

11

Uji 2 i – Model A untuk an

0

0.2

0.4

0.6

0.8

125

0.36

390.

56

430.

62

460.

66

490.

71

520.

75

540.

78

570.

82

590.

85

610.

88

640.

92

721.

04

Uji 2 i – Model A untuk an-am-ab

0

0.2

0.4

0.6

0.8

1

370.

53

480.

69

530.

76

560.

81

600.

86

620.

89

640.

92

660.

95

680.

98

701.

01

721.

04

751.

08

851.

22

Uji 2 T – Model A untuk an

0

0.2

0.4

0.6

0.8

1

370.

53

480.

69

540.

78

570.

82

600.

86

630.

91

650.

94

670.

96

690.

99

711.

02

731.

05

761.

09

861.

24

Uji 2 T – Model A untuk an-am-ab

Gambar 31 Hasil Uji 2 Program Jaringan Syaraf Tiruan

Keluaran hasil uji 2 mendekati nilai +1 kecuali beberapa di ujung MIN atau MAKS.

Hasil uji 2 menunjukkan hasil yang sangat baik sehingga aplikasi JST yang dibuat

bisa digunakan lebih lanjut untuk analisis data dan percobaan serta tidak ada kesalahan

dalam penulisan kode program.

4.3.2.4 Spesifikasi Kebutuhan

Aplikasi ini telah memenuhi kebutuhan sebagai alat bantu untuk melakukan

percobaan dan analisis data sehingga percobaan, analisis data dan kesimpulan akhir

penelitian dapat diperoleh. Adapun spesifikasi kebutuhan yang belum bisa dipenuhi

adalah sebagai berikut.

1. Aplikasi dengan mode client – server dan multi user.

2. Integrasi dan keterkaitan aplikasi ini dengan aplikasi pengambilan data biometrik

penekanan kunci dinamik sehingga prototip aplikasi akhir yang siap pakai bisa

dihasilkan.

3. Modul Penggabungan (Fusion Module) sebagai pembuat keputusan akhir yang

mengolah output yang dihasilkan oleh JST untuk tiap variabel d, i dan T masih

dilakukan secara manual (belum terintegrasi) untuk kepentingan kemudahan

penulisan dalam penelitian ini.

4. Pembuatan model data pelatihan dan beberapa proses statistik yang masih

dilakukan secara manual (belum terintegrasi) yang membutuhkan waktu khusus

lebih lama dalam penulisan program aplikasi akhir yang siap pakai.

BAB V

ANALISIS DAN PEMBAHASAN

5.1 Percobaan Untuk Melihat Pengaruh Perbedaan Perangkat Keras

Percobaan ini bertujuan untuk melihat bagaimana pengaruh perbedaan perangkat

keras keyboard yang dikerjakan oleh orang yang sama dalam hal apakah ada

pengaruh perbedaan ukuran dan layout keyboard terhadap hasil pengambilan data.

Hasil penelitian lengkap bisa dilihat dalam lampiran 6. Kinerja diukur dalam % FRR,

yakni semakin rendah % FRR menunjukkan data uji yang semakin mirip dengan data

pelatihan yang berarti semakin baik untuk hasil verifikasi pengguna yang sama.

Tabel 10 Ringkasan Hasil Uji Abudiman1 dan Abudiman2 Terhadap JST Bobot

Abudiman4

PPeerraannggkkaatt//DDaattaa %% FFRRRR –– VVaarr dd %% FFRRRR –– VVaarr ii %% FFRRRR –– VVaarr TT

AABBUUDDIIMMAANN11--AA EEvvooNN662200CC

3311//0011//22000066 2200::0000

77..4444%% 5511..5544%% 3311..7733%%

AABBUUDDIIMMAANN22--AA DDeesskkttoopp

77//0022//22000066 2222::0000

22..5577%% 33..8811%% 22..7777%%

JST bobot Abudiman4 (Nx6125 18/02/2006 19:52; model data pelatihan A -batas

0.75) digunakan untuk menguji data Abudiman1 dan Abudiman2. Hasil Abudiman2

memberikan %FRR lebih rendah dibandingkan hasil Abudiman1.

Hasil selanjutnya.

Tabel 11 Ringkasan Hasil Uji Wningsih1 dan Wningsih2 Terhadap JST Bobot

Wningsih4


WW NNIINNGGSSII HH11--AA EEvvooNN662200CC

11//0022//22000066 2222::0000

6622..8888%% 1188..7799%% 2211..2222%%

WW NNIINNGGSSII HH22--AA DDeesskkttoopp

66//0022//22000066 2222::0000

3355..3333%% 1100..8800%% 1122..1133%%

JST bobot Wningsih4 (Nx6125 17/02/2006 22:25; model data pelatihan A -batas

0.75) digunakan untuk menguji data Wningsih1 dan Wningsih2. Hasil Wingsih2

memberikan %FRR lebih rendah dibandingkan hasil Wningsih1. Walaupun %FRR pada

pada kasus ini lebih tinggi yang kemungkinan diakibatkan oleh faktor keletihan

(mengantuk) dan belum terbiasa menggunakan keyboard pada notebook Nx6125.

Hasil selanjutnya.

Tabel 12 Ringkasan Hasil Uji Mahyus2 Terhadap JST Bobot Mahyus1


MMAAHHYYUUSS22--AA NNxx66112255

2222//0044//22000066 1133::1144

1177..1133%% 22..7777%% 22..4499%%

JST Bobot Mahyus1 ( keyboard Desktop LABS2004 24/02/2006 08:41; model data

pelatihan A -batas 0.75 ) digunakan untuk menguji data mahyus2 dengan selisih waktu

pengambilan 57 hari. Hasil menunjukkan bahwa %FRR untuk variabel i dan T yang

rendah padahal selisih waktu pengambilan data adalah 57 hari.

Pembahasan :

1. Keyboard pada desktop/notebook umumnya mempunyai jarak lurus dari q ke p :

18 cm dan jarak diagonal dari q ke z : 5 cm;

2. Keyboard EvoN620C mempunyai posisi relatif di tengah (Kecenderungan posisi

jari berada di tengah) sedangkan desktop, Nx6125, Toshiba 5200, Satellite

mempunyai kecenderungan posisi relatif lebih ke kiri;

Gambar 32 Perbandingan Notebook EvoN620C Dan Nx6125

3. Perbedaan layout dan posisi keyboard mempunyai pengaruh menentukan

dalam kestabilan hasil pengambilan data.

Saran untuk penelitian mendatang :

1. Percobaan pada layout keyboard yang sangat berbeda ( keyboard layout

ergonomis-model melengkung dibandingkan dengan layout lurus);

EvoN620C Nx6125

2. Percobaan pada orang kidal (kecenderungan tangan kiri) karena dalam

penelitian ini semua pengguna adalah bukan kidal dan desain perangkat

keyboard secara umum dirancang bukan untuk khusus orang kidal.

5.2 Percobaan Untuk Melihat Pengaruh Pengulangan Pengambilan Data

Percobaan ini bertujuan untuk melihat bagaimana pengaruh pengulangan

pengambilan data yang dipengaruhi oleh faktor dinamik (faktor acak kemunculan kata)

dan rentang waktu pengambilan data yang cukup lama (tanpa adanya upaya mengingat

atau melatih di selang waktu tersebut).

Tabel 13 Ringkasan Hasil Uji Abudiman3 Terhadap JST Bobot Abudiman4


AABBUUDDII MMAANN33--AA NNxx66112255

99//0022//22000066 2211::4477

22..6677%% 22..0000%% 11..6633%%

JST Bobot Abudiman4 (Nx6125 18/02/2006 19:52; model data pelatihan A -batas

0.75) digunakan untuk menguji data abudiman3 dengan selisih waktu pengambilan 9

hari pada perangkat yang sama Nx6125.

Tabel 14 Ringkasan Hasil Uji Wningsih5 Terhadap JST Bobot Wningsih4


WWNNIINNGGSSII HH55--AA NNxx66112255

1144//0044//22000066 1111::5544

22..2233%% 55..2244%% 33..0044%%

JST Bobot Wningsih4 (Nx6125 17/02/2006 22:25; model data pelatihan A -batas

0.75) digunakan untuk menguji data wningsih5 dengan selisih waktu pengambilan 56

hari pada perangkat yang sama Nx6125.

Tabel 15 Ringkasan Hasil Uji Syafii1 Terhadap JST Bobot Syafii2

Perangkat/Data % FRR – Var d % FRR – Var i % FRR – Var T

SYAFII1-A

Toshiba 5200A

10-12/02/2006

1.91% 2.58% 4.49%

JST Bobot Syafii2 (Toshiba 5200A 28/02/2006 20:14; model data pelatihan A -batas

0.75) digunakan untuk menguji data syafii1 dengan selisih waktu pengambilan 17 hari

pada perangkat yagn sama Toshiba 5200A.

Ketiga data tersebut menunjukkan % FRR yang rendah (1,63% - 5,24%) yang

memperlihatkan bahwa data biometrik penekanan kunci cenderung stabil selama

rentang waktu tertentu asal diupayakan sedemikian rupa kondisi saat pengambilan data

dalam keadaan tenang/tidak tergesa-gesa dan tidak ada gangguan.

Hasil selanjutnya pada pengguna Risantod sebagai berikut.

Tabel 16 Ringkasan Hasil Uji Risantod1 Terhadap JST Bobot Risantod2


RISANTOD1-A

HIP-NB2

7-8/02/2006

1.31% 24.39% 45.85%

JST Bobot Risantod2 (HIP-NB2 7/03/2006 17:41; model data pelatihan A -batas

0.75) digunakan untuk menguji data Risantod1 dengan selisih waktu pengambilan 22

hari pada perangkat yang sama HIP-NB2. Hasil %FRR tinggi pada variabel i dan T

sedangkan %FRR variabel d tetap rendah.

Risantod mengatakan pada saat pengambilan pertama dilakukan dengan tergesa-

gesa dan sambil mengerjakan pekerjaan lain (tidak kosentrasi). Sedangkan pada

pengambilan kedua diberitahukan untuk tidak tergesa-gesa dan diusahakan sesantai

mungkin. Perbedaan hasil analisis statistik untuk Risantod (lampiran 3) dapat dijelaskan

sebagai berikut.

Tabel 17 Cuplikan Analisis Statistik Pada Kasus Risantod

Data pertama (Risantod1) mempunyai nilai-nilai statistik yang berbeda dengan data

kedua (Risantod2) sehingga secara statistik menunjukkan ketidakmiripan satu sama

lain. Nilai simpangan yang menunjukkan variasi penyebaran data terhadap rata-rata

yang terlalu besar dan nilai jangkauan yang terlalu lebar bisa jadi menunjukkan adanya

ketidakstabilan saat pengambilan data.

Pembahasan :

1. Pengulangan pengambilan data mempunyai kontribusi positif terhadap

kestabilan data dengan %FRR yang rendah (1.63% - 5.24%; rata-rata 2.87%

pada batas 0.75 dengan JST model pelatihan A);

2. Kestabilan data dengan selisih waktu pengambilan 56 hari masih menghasilkan

% FRR dibawah 5.5%.

Saran untuk penelitian mendatang :

1. Percobaan untuk melihat seberapa stabil data biometrik penekanan kunci ini

dalam diri seseorang dengan jumlah peserta yang lebih banyak dan rentang

waktu pengujian yang lebih lama (sebagai contoh, 90 hingga 180 hari).

2. Percobaan untuk membuat ragam cek kondisi yang lebih baik sehingga sistem

dapat mendeteksi kestabilan pengambilan data. Penelitian ini menggunakan

kondisi yang menolak jika pengetikan terlalu lambat dan belum menggunakan

kondisi yang menolak jika pengetikan terlalu cepat atau jika nilai simpangan dan

jangkauan terlalu lebar.

5.3 Percobaan Untuk Melihat Kemampuan Verifikasi Dengan Data Eksklusif

Percobaan ini bertujuan untuk melihat bagaimana kinerja JST dalam menerima data

eksklusif yakni data yang sama sekali tidak diikutkan dalam proses statistik

pembentukan data pelatihan. Data tersebut berasal dari tiga kata yakni ganggang,

kantong dan topeng yang telah diurai ke dalam pasangan karakter an, en, ka, ng, dan

to. Hasil terbaik (lampiran 6) dijelaskan sebagai berikut.

Tabel 18 Ringkasan Hasil Uji Data Eksklusif Terhadap JST Bobot Milik Sendiri


ABUDIMAN4-A -EXC

18/02/2006 19:20

2.38% 2.14% 0.71%

WNINGSIH4-A-EXC

17/02/2006 22:25

2.86% 10.00% 4.76%

SYAFII2-A-EXC

28/02/2006 20:14

2.86% 0.00% 0.00%

JST bobot pengguna (model data pelatihan A - batas 0.75) digunakan untuk menguji

data eksklusif pengguna yang bersangkutan sendiri. Hasil terbaik menunjukkan %FRR

antara 0.00% - 2.86% pada SYAFII2.

Pembahasan :

Percobaan ini memperlihatkan hasil sebagai berikut.

1. JST mempunyai kemampuan mengenali dengan baik data yang tidak pernah

diikut-sertakan dalam proses pelatihan asalkan data tersebut mirip, yakni yang

berasal dari pasangan-pasangan yang saling berdekatan (berkelompok).

Dengan demikian, data pelatihan bisa disederhanakan dengan membuat

kelompok data pelatihan bersama daripada menggunakan data pelatihan untuk

tiap pasangan karakter.

2. Hasil terbaik %FRR diperoleh nilai 0% - 2.86%.

5.4 Percobaan Untuk Melihat Pengaruh Model Data Pelatihan A dan B – Uji

Identifikasi

Percobaan ini bertujuan untuk melihat sejauh mana sistem mampu melakukan

identifikasi mengenali individu X berbeda dengan individu Y. Percobaan ini juga untuk

melihat dan membandingkan hasil yang diberikan oleh JST model pelatihan A dan B

terhadap kemampuan identifikasi.

Dalam uji identifikasi, data biometrik milik individu X digunakan untuk menguji JST

bobot milik individu Y. JST harus mengatakan bahwa data yang diterimanya salah

(bernilai 0). Namun, JST bisa melakukan kesalahan dengan menerima data tersebut

sebagai benar (bernilai 1). Nilai persentase kesalahan dinyatakan dalam % FAR.

Percobaan yang dilakukan memberikan hasil sebagai berikut.

Tabel 19 Ringkasan Uji Identifikasi Pengguna Di Notebook Nx6125

Perangkat/Data % FAR – Var d % FAR – Var i % FAR – Var T

ABUDIMAN4-A

>< WNINGSIH4

92.67% 82.05% 85.53%

ABUDIMAN4-B

>< WNINGSIH4

81.02% 56.79% 65.41%

Perangkat/Data % FAR – Var d % FAR – Var i % FAR – Var T

ABUDIMAN4-A

>< MAHYUS2

23.41% 84.46% 57.20%

ABUDIMAN4-B

>< MAHYUS2

0.85% 54.73% 37.13%

JST bobot Abudiman4 dengan model pelatihan A dan B (epoch=1000, batas 0.75)

masing-masing digunakan untuk menguji data Wningsih4 (atas) dan Mahyus2 (bawah)

yang diambil pada perangkat yang sama nx6125.

Model pelatihan B memberikan hasil berupa penurunan %FAR sebesar 20% hingga

30%. Studi literatur menjelaskan bahwa %FAR digunakan untuk mengukur kemampuan

identifikasi dan membuktikan bahwa Biometrik penekanan kunci ini memang belum

cocok digunakan untuk sistem identifikasi (hanya cocok untuk sistem verifikasi).

5.5 Percobaan Untuk Melihat Pengaruh Model Data Pelatihan A dan B – Uji

Penyusupan (%FRR = 1 - %FAR)

Percobaan ini pada dasarnya sama dengan percobaan 5.4 hanya dilihat dari sisi nilai

%FRR. Dalam hal ini, sistem verifikasi harus bisa mencek apakah seseorang yang

mengaku (menyusup) sebagai X adalah benar si X. Dalam uji penyusupan, berlaku

hubungan %FRR = 1-%FAR.

Percobaan ini membandingkan hasil yang diberikan oleh JST bila menguji data

pengguna yang benar dengan hasil yang diberikan bila menguji data pengguna lain

dalam nilai % FRR.

Tabel 20 Ringkasan Hasil Uji Penyusupan Dengan JST Model Pelatihan A


ABUDIMAN4-A

>< ABUDIMAN3

2.67% 2.00% 1.63%

ABUDIMAN4-A

>< MAHYUS2

76.59%

(1-23.41%)

15.54%

(1-84.46%)

42.80%

(1-57.20%)

ABUDIMAN4-A

>< WNINGSIH4

7.33%

(1-92.67%)

17.95%

(1-82.05%)

14.47%

(1-85.53%)

JST bobot Abudiman4 (model pelatihan A, epoch=1000, eta=0,1 , batas 0.75)

digunakan untuk menguji data abudiman3 (berbeda waktu pengambilan dan pada

perangkat yang sama) dan dibandingkan hasilnya dengan data hasil uji Mahyus2 dan

Wningsih4 yang diambil pada perangkat yang sama nx6125. Jadi Mahyus dan Wningsih

seolah-olah sebagai penyusup yang mengaku sebagai Abudiman.

Hasil percobaan menunjukkan bahwa ABUDIMAN4-A >< MAHYUS2 menghasilkan

lonjakan %FRR > 7X sedangkan ABUDIMAN4-A >< WNINGSIH4 menghasilkan

lonjakan %FRR >2.7X (variabel d) dan >8.9X (variabel i dan T). Kesimpulan yang

diperoleh bahwa cara efektif mengetahui telah terjadinya penyusupan adalah dengan

melihat lonjakan %FRR yang diterima dengan %FRR yang seharusnya. Jadi bukan

melihat pada batas ambang keputusan yang digunakan.

Hasil selanjutnya pada JST model pelatihan B sebagai berikut.

Tabel 21 Ringkasan Hasil Uji Penyusupan Dengan JST Model Pelatihan B


ABUDIMAN4-B

>< ABUDIMAN3

8.46% 2.87% 2.99%

ABUDIMAN4-B

>< MAHYUS2

90.41%

(1-9.59%)

22.42%

(1-77.58%)

48.98%

(1-51.02%)

ABUDIMAN4-B

>< WNINGSIH4

9.59%

(1-90.15%)

27.96%

(1-72.04%)

51.02%

(1-76.48%)

JST bobot Abudiman4 dengan model pelatihan B (epoch=1000, eta=0,1), namun

menggunakan batas ambang keputusan = 0,5.

ABUDIMAN4-B >< MAHYUS2 menghasilkan lonjakan %FRR > 7X sedangkan

ABUDIMAN4-B >< WNINGSIH4 menghasilkan Lonjakan %FRR >1.1X (variabel d) dan

>9.7X (variabel i, dan T). Model pelatihan B memerlukan batas ambang keputusan yang

lebih rendah untuk menghasilkan lonjakan %FRR yang sama dengan model pelatihan A.

Variabel i, dan T paling layak digunakan sebagai indikasi terjadinya penyusupan.

Pembahasan :

1. Jika dikaitkan dengan %FRR = 1-%FAR, maka dalam percobaan ini terlihat

adanya lonjakan %FRR pada saat terjadinya penyusupan. Variabel yang penting

sebagai indikasi adalah variabel i dan T daripada variabel d.

2. Keputusan untuk menyatakan verifikasi benar atau salah (terjadinya

penyusupan) bukan ditentukan oleh nilai ambang keputusan melainkan harus

dilihat dari lonjakan %FRR. Sistem harus menyimpan nilai %FRR yang

semestinya dan membandingkan dengan %FRR yang didapat dari pengukuran.

5.6 Percobaan Untuk Melihat Pengaruh Model Data Pelatihan A Dan B -

Pengaruh % FRR Dan Ambang Keputusan (0,5 – 0,9)

Percobaan ini membandingkan % FRR yang diperoleh JST model pelatihan A

dengan B pada ambang keputusan yang berbeda-beda 0,5 hingga 0,9. Lampiran 6

menunjukkan pada ambang keputusan yang sama (contoh 0,75), maka model pelatihan

B memberikan % FRR yang lebih besar dibandingkan model pelatihan A. Namun, nilai

% FRR pada model B bisa diperbaiki dengan menggunakan batas ambang keputusan

yang lebih rendah (contoh 0,5). Dengan demikian, ada perbedaan yang lebih lebar

dalam % FRR pada model B dibandingkan dengan model A pada batas ambang

keputusan yang berbeda-beda sebagaimana ditunjukkan dalam gambar sebagai berikut.

Gambar 33 Hubungan % FRR Dengan Ambang Keputusan (0.5 – 0.9)

Model B dalam hubungannya dengan batas ambang keputusan memberikan

rentang nilai yang lebih lebar (tidak kaku) sehingga model B bisa menghasilkan keluaran

yang dinyatakan dalam bentuk Fuzzy linguistik seperti YA, MUNGKIN, TIDAK seperti

contoh berikut.

Tabel 22 Cuplikan Bentuk Keluaran JST Model Pelatihan B

ABUDIMAN3-B Jawaban - d Jawaban - i Jawaban - T

% YA BENAR - batas = 0.75 81.47% 84.05% 89.71%

% MUNGKIN BENAR 0.5 = batas < 0.75 10.07% 13.08% 7.30%

% TIDAK BENAR batas < 0.5 8.46% 2.87% 2.99%

Pembahasan :

1. Model pelatihan B mempunyai keunggulan dibandingkan model pelatihan A

dalam hal sebagai berikut.

a. Kemampuan menurunkan %FAR untuk kemampuan identifikasi yang

lebih baik walaupun belum memberikan hasil yang paling baik.

0.5 0.6 0.7 0.8 0.9

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

% FRR - Var d - A

% FRR - Var d - B

0.5 0.6 0.7 0.80.9

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

% FRR - Var i - A

% FRR - Var i - B

0.5 0.6 0.7 0.8 0.9

0.00%

20.00%

40.00%

60.00%

80.00%

100.00%

% FRR - Var T - A

% FRR - Var T - B

b. Menghasilkan nilai rentang batas keputusan yang lebih lebar sehingga

memungkinkan sistem keluaran dalam bentuk variabel Fuzzy linguistik

seperti YA, MUNGKIN, TIDAK.

2. Model pelatihan B mempunyai kekurangan dalam hal membutuhkan jumlah

epoch yang lebih banyak untuk mencapai tingkat kesalahan yang mendekati

model pelatihan A (Penelitian ini menggunakan parameter epoch yang sama).

Perbandingan Kelayakan Sistem

Metode dalam penelitian ini merupakan variasi pengembangan atau penggabungan

dari beberapa penelitian sebelumnya dan mengingat belum adanya standar baku yang

bisa digunakan untuk menguji kelayakan sistem biometrik perilaku penekanan kunci,

maka untuk mengetahui seberapa layak prototipe sistem dilakukan perbandingan

dengan beberapa hasil penelitian sebelumnya sebagai berikut.

Tabel 23 Perbandingan Kelayakan Sistem

Penelitian % FRR % FAR Metodologi

Arif Budiman

(2006)

1,63%-5,24%;rata-rata 2,87%

(pada model A-batas 0,75);

2,87%-8,46%;rata-rata 4,80%

(pada model B-batas 0.5).

Terbaik 0.85%

Terburuk 81.02%

(pada model B-batas

0.75).

JST, Fuzzy, statistik;teks

dinamik acak; analisis;

maks selang 56 hari

(5x pengambilan data);

5 orang.

Bergadano et

al (2003)

9.49% (dari 137 koneksi sah) 4.47% (dari 3600

usaha).

Metode analisis text

panjang (2 text maks 300

kar);1X/hari ;Sequential

statistic analysis;

130 orang.

Sajjad Haider

et al (2000)

Fuzzy, JST : 13%;

Fuzzy, JST, Statistik : 2%.

Fuzzy, JST : 18%;

Fuzzy,JST, Statistik :

6%.

Perbandingan Metode

JST, Fuzzy, statistik

pada input statik (maks 7

kar) pengambilan 15X.

Lin Daw-

Tung et al

(1997)

2.22% 6.56% JST dengan input statik

untuk 90 pengguna

Fadhli Wong

et al (2001)

%FRR untuk JST : 1%

% FAR untuk

JST : 29%

Perbandingan JST

dengan KNN dengan

input statik 10X

Tabel tersebut memperlihatkan bahwa dari sisi kemampuan verifikasi dalam % FRR,

prototipe sistem ini memberikan hasil yang cukup layak dibandingkan hasil penelitian

sebelumnya dan ditambah sifat analisis dinamik yang digunakan sehingga memberikan

nilai kompleksitas lebih dibandingkan sistem lainnya yang bersifat statik. Namun, dari

sisi kemampuan identifikasi dalam % FAR, prototipe sistem ini masih memerlukan

banyak penelitian lanjutan untuk memberikan hasil yang lebih baik. Walaupun demikian,

kemampuan prototipe sistem ini dalam mendeteksi penyusupan tidak perlu diragukan

dengan cara melihat adanya lonjakan % FRR dalam mengambil keputusan.

Implementasi Sistem

Prototip sistem hasil penelitian ini dapat diimplementasikan dalam sistem komputer

yang membutuhkan verifikasi identitas pengguna secara kontinyu (terus menerus –

bukan hanya 1X). Sebagai contoh, sistem aplikasi teller perbankan untuk memastikan

bahwa teller yang benar yang berada di depan sistem (bukan orang lain) atau sistem

verifikasi identitas pemegang kartu elektronik dalam aktivasi otomatis sebagai

pelengkap sistem otentikasi klasik yang sudah ada.

Gambar 34 Implementasi Dalam Sistem Verifikasi

Proses kerja sistem verifikasi ini dapat dijelaskan sebagai berikut.

1. Sistem verifikasi akan dimulai hanya setelah pengguna yang bersangkutan

melewati sistem otentikasi klasik dengan benar. Sistem ini bertujuan untuk

memastikan pengguna yang benar yang ada di dalam sistem.

2. Sistem verifikasi akan mencek apakah pengguna telah terdaftar dalam basis

data sistem atau sebagai pengguna baru. Jika pengguna baru, maka menu

pelatihan akan muncul dan jika pengguna telah terdaftar, maka sistem verifikasi

akan mulai bekerja dengan memonitor kata-kata yang diketikkan oleh pengguna.

Kata-kata yang diketikkan telah ditentukan sebelumnya pada basis data

kosakata. Proses monitor dan perekaman data dilakukan oleh aplikasi

pengambilan data.

3. Pengguna baru harus melewati menu pelatihan dan pengguna baru harus

mengetikkan kata-kata yang muncul. Hasil pengetikan akan direkam dan

diteruskan ke proses analisis statistik untuk pembuatan data pelatihan.

4. Hasil perekaman data yang diterima akan dikonversi menjadi nilai fungsi

keanggotaan tiap kelas Fuzzy (proses fuzzifikasi).

5. Hasil konversi fuzzifikasi akan diteruskan sebagai input JST. Untuk pengguna

baru, input JST yang diterima digunakan sebagai data pelatihan dan proses

pelatihan akan dilakukan sampai dicapai tingkat kesalahan yang diinginkan.

Hasil akhir berupa bobot -bobot JST yang disimpan untuk pengguna tersebut.

Pengguna akan kembali ke sistem verifikasi untuk memulai proses verifikasi

pada no. 2.

6. Untuk pengguna yang sudah terdaftar, maka JST akan mengambil data bobot

dari basis data untuk pengguna yang bersesuaian. Kemudian JST akan mulai

menerima nilai hasil konversi fuzzifikasi dan memberikan nilai output.

7. Keseluruhan nilai output yang diterima akan dikumulatifkan dalam proses

statistik untuk menghitung nilai % FRR dan nilai % FRR yang diperoleh

dibandingkan dengan % FRR yang ada dalam basis data. Sistem akan

memberikan peringatan ke administrator bila skor nilai melewati batas ambang

yang telah ditentukan. Administrator akan memutuskan tindakan apa yang harus

dilakukan selanjutnya.

BAB VI

KESIMPULAN DAN SARAN

Kesimpulan

Kesimpulan keseluruhan yang diperoleh dari penelitian ini adalah sebagai berikut.

1. Biometrik penekanan kunci dengan analisis dinamik mempunyai potensi yang

layak digunakan lebih lanjut untuk sistem verifikasi terus-menerus, namun masih

membutuhkan beberapa penelitian lanjutan untuk implementasi sistem

identifikasi.

2. Perbedaan layout dan posisi keyboard mempunyai pengaruh menentukan

dalam kestabilan pengambilan data. Perbedaan layout dan posisi ini berkaitan

erat dengan kebiasaan dan kenyamanan pada saat pengambilan data.

3. Kestabilan pengambilan data untuk memberikan hasil yang paling baik, maka

perlu dilakukan dengan tenang dan tidak tergesa-gesa. Pengambilan data yang

dilakukan berulang akan memberikan hasil yang baik dan bisa menjamin

kestabilan data biometrik perilaku dalam diri seseorang. Ada indikasi bahwa data

biometrik perilaku ini sebenarnya bisa stabil tersimpan untuk jangka waktu lama

asalkan saat pengambilan data dilakukan dengan tenang (menambah studi

literatur perihal seberapa permanen data biometrik perilaku).

4. Kemampuan pengenalan pola JST propagasi balik memberikan hasil yang baik

dalam hal sebagai berikut.

1. Menggunakan kombinasi data pelatihan bersama dari pasangan karakter

yang mempunyai kelompok tetangga saling berdekatan. Ini

memungkinkan penggabungan data pelatihan tanpa menurunkan hasil

kinerja.

2. Memperkirakan hasil yang diperoleh dari pasangan karakter yang sama

sekali tidak diikutsertakan dalam proses pelatihan dengan menggunakan

JST bobot dari kelompok tetangganya. Ini memungkinkan penggunaan

untuk sistem verifikasi dinamik teks bebas dengan data pelatihan yang

paling efisien.

5. Kinerja prototipe sistem berbasis JST ini sangat dipengaruhi oleh pembentukan

model data pelatihannya. Model data pelatihan yang dibentuk dari hasil proses

statistik dan ditambah dengan data komplemen dari pola kelas Fuzzy

memberikan hasil yang efisien dalam hal kecepatan konvergensi pelatihan dan

keakuratan sistem.

6. Penelitian ini menggunakan dua macam model data pelatihan A (tegas/crispy)

dengan jawaban benar/salah dan model data pelatihan B (berarti dua/ambiguity)

dengan jawaban benar/mungkin/salah. Masing-masing mempunyai kelebihan

sebagai berikut.

1. Model data pelatihan A memberikan hasil verifikasi % FRR yang lebih

baik dibandingkan model data pelatihan B.

2. Model data pelatihan B bisa membantu memperbaiki hasil identifikasi %

FAR dibandingkan model data pelatihan A.

3. Model data pelatihan B mempunyai batas ambang keputusan yang lebih

lebar dibandingkan model data pelatihan A untuk mencapai tingkat

kinerja yang sama.

4. Model data pelatihan B membantu memperbaiki akibat data pelatihan

yang paradoks dibandingkan model data pelatihan A.

5. Model data pelatihan B memerlukan proses pelatihan yang lebih lama

untuk mencapai tingkat kesalahan yang sama dengan model data

pelatihan A.

Namun, tidak bisa diambil kesimpulan apakah model data pelatihan B lebih baik

daripada model data pelatihan A karena dikembalikan pada tujuan perancangan

sistem apakah menginginkan jawaban yang bersifat tegas atau menginginkan

kemungkinan jawaban yang lebih linguistik atau variasi model output Fuzzy.

Model data pelatihan ini pun bisa dikembangkan variasi lebih lanjut sesuai

dengan keinginan dalam perancangan sistem.

7. Uji penyusupan bisa diketahui lebih efektif dengan cara melihat terjadinya

lonjakan % FRR dari yang seharusnya ada daripada dengan melihat batas

ambang keputusan. Namun, kombinasi keduanya bisa memberikan hasil yang

lebih efektif dengan batas ambang keputusan bersifat sebagai deteksi lokal dan

lonjakan % FRR bersifat sebagai deteksi global.

8. Ketiga variabel d, i dan T bersifat saling terkait satu sama lain sehingga tidak

bisa ditentukan dengan mudah mana yang bisa diabaikan. Kombinasi ketiga

variabel tersebut bisa memberikan hasil yang optimum. Secara keseluruhan

variabel i dan T paling memberikan hasil yang baik dalam deteksi kestabilan

pengambilan data dan uji penyusupan.

Saran

Saran untuk penelitian lebih lanjut atau perbaikan hasil penelitian ini adalah sebagai

berikut.

1. Penelitian dengan jumlah partisipan penguji yang lebih banyak (termasuk

kebiasaan kidal) dan rentang waktu pengambilan yang lebih lama untuk meneliti

kriteria universality dan uniqueness serta kestabilan data biometrik dalam diri

seseorang.

2. Penelitian di bidang Human Computer Interaction untuk mendesain ragam

variasi kondisi sehingga pengambilan data biometrik selalu bersifat stabil dan

konsisten.

3. Penelitian dengan menggunakan arsitektur JST dan model data pelatihan yang

lebih kompleks yang mengintegrasikan ketiga variabel d, i dan T yang saling

terikat (multi variate) secara simultan untuk melihat sejauh mana kemungkinan

perbaikan hasil keseluruhan.

4. Penelitian lebih lanjut untuk analisis tiga karakter berturutan (trigraph) atau

pengetikan dengan sifat data berupa teks bebas ataupun yang bertujuan untuk

penggunaan sistem identifikasi ataupun penggunaan kombinasi algoritme

pengenalan pola lainnya.

DAFTAR PUSTAKA Araujo, L.C.F., Sucupira, L.H.R.,Jr., Lizarraga, M.G., Ling, L.L., Yabu-Uti, J.B.T. 2005.

User Authentication Through Typing Biometrics Features. Signal Processing IEEE

53(2):851-855.

Bergadano F., Gunetti D., Picardi C. 2003. Identity Verification through Dynamic

Keystroke Analysis. Intelligent Data Analysis (IDA), 7(5):469-496.

Chen,W., Chang,W. 2004. Applying Hidden Markov Models to Keystroke pattern

Analysis for password Verification. Information Reuse and Integration IRI 2004, IEEE

8-10 Nov 2004 467-474.

Coltell,O. Badfa, J.M., Torres,G. 1999. Biometric Identification system Based in

Keyboard Filtering. Security Technology IEEE 33rd Annual 1999 International

Carnahan Conference 5-7 Oct. 1999:203-209.

Daw-Tung, Lin. 1997. Computer-Access Authentication With Neural Network Based

Keystroke Identity Verification. Neural Networks, IEEE 1:174-178.

Deitel,H.M., Deitel,P.J., Nieto, T.R., Strassberger, E.T. Getting Started with Microsoft

Visual C++ 6 with an Introduction to MFC. New Jersey : Prentice Hall.

Delak, K. Grgic, M. 2004. A Survey of Biometric Recognition Methods. Electronics in

Marine 46th International Symposium IEEE, 16-18 June 2004: 184-193.

Eltahir, W.E.,Salami,M.J.E.,Ismail,A.F.,Lai,W.K. 2004. Dynamic Keystroke Analysis

Using AR Model. Industrial Technology ICIT '04, IEEE 3:1555-1560.

Enzhe Yu, Sungzoon Cho. 2003. GA-SVM Wrapper Approach for Feature Subset

Selection in Keystroke Dyanamics Identity Verification. Neural Networks, IEEE

3:2253-2257.

Fadhli Wong Moh Hasan Wong, Supian,A.S.M, Ismail, A.F. 2001. Enhanced User

Authentication through Typing Biometrics with ANN and K-Nearest Neighbor

Algorithm. Signals, Systems and Computers, Thirty-Fifth Asilomar Conference, IEEE

2:911-915.

Freeman, J. A., Skapura, D.M. 1992. Neural Networks Algorithms, Applications, and

Programming Techniques. Houston: Addison-Wesley.

Haider, S., Abbas, A., Zaidi, A.K. 2000. A Multi-Technique Approach for User

Identification through Keystroke Dynamics. Systems, Man, and Cybernetics, IEEE

2:1336-1341

Jain, Anil K., Arun Ross, Salil Prabhakar. 2004. An Introduction to Biometric

Recognition. IEEE Transactions on Circuits and Systems for Video Technology, Vol

14. No.1.

Kung, S.Y., M.W. Mak, S.H. Lin, Kailath,T, editor. 2004. Biometric Authentication A

Machine Learning Approach. New Jersey: Prentice Hall.

Lawson W.J. 2003. Enhancing Assitive Technologies: Through The Theoritical

Adaptation of Biometric Technologies To People of Variable Abilities [Disertasi]

Kennedey-Western University.

http://www.icdri.org/biometrics/THEORETICAL%20ADAPTATION%20OF%20BIOME

TRIC%20TECHNOLOGIES%20TO%20PEOPLE.pdf [24 Nov 2005]

Liu, S., Silverman,M. 2001. A Practical Guide to Biometric Security Technology. IT

Professional, IEEE 3:27-32

Luman II, R. 2002. Dynamic Keystroke Analysis via Genetic Algorithm. Stanford

University. http://www.genetic-programming.org/sp2002/Luman.pdf [14 Mar 2005]

Maisuria, L.K., Cheng Soon Ong, Wen Kin Lai. 1999. A Comparison of Artificial Neural

Networks and Cluster Analysis for Typing Biometrics Authentication. Neural

Networks IJCNN, IEEE 5: 3295-3299.

Mamaladze, George. 2004. Processing Global Mouse and Keyboard Hooks in C#

[Artikel] http://www.codeproject.com/csharp/globalhook.asp [3 Juni 2004]

Mandujano, S.,Soto,R. Deterring Password Sharing: User Authentication via Fuzzy c-

Means Clustering Applied to Keystroke Biometric Data, Computer Science ENC

2004 IEEE 20-24 Sept. 2004:181-187.

Mantyjarvis, J., Koivumaki, J., Vuori, P. 2002. Keystroke Recognition for Virtual

Keyboard. Multimedia and Expo ICME, IEEE 2:429-432.

[NCSC] National Center for State Courts http://ctl.ncsc.dni.us/biomet%20web/

BMCompare.html [4 April 2005]

Obaidat, M.S., Maccahairolo,D.T. 1994. A Multilayer Neural Network System for

Computer Access Security. Systems, Man and Cybernetics, IEEE 24:806-813.

Obaidat, M.S., 1995. A Verification Methodology for Computer System Users.

Proceedings ACM symposium on Applied computing. Nashville, Tennessee

1995:258-262

Obaidat,M.S.,Sadoun, B. 1997. Verification of Computer Users Using Keystroke

Dynamics. Systems, Man and Cybernetics, IEEE 27(2): 261-269.

Ortega-Garcia, J., Biguin,J., Reynolds, D., Gonzalez-Rodriguez,J. 2004. Authentication

Gets Personal with Biometrics. Signal Processing Magazine, IEEE 21:50-62.

Peacock A., Xian Ke, Wilkerson M. 2004. Typing Patterns: A Key to User Identification.

Security & Privacy Magazine, IEEE 2(5):40-47.

Phillips, P. J., Martin,A., Wilson, C.L.,Przybocki,M. 2000. An Introduction to Evaluating

Biometric Systems. Computer, IEEE 33:56-63.

Prabhakar, S., Pankanti, S., Jain, A.K. 2003. Biometric Recognition: Security and

Privacy Concerns. Security & Privacy Magazine, IEEE 1(2): 33-42.

Uludag,U., Pankanti,S., Prabhakar,S., Jain,A.K. 2004. Biometric Cryptosystems : Issues

and Challenges. Proceedings of the IEEE, 92:948-960.

Yong Sheng, Phoha, V.V., Rovnyak,S.M. 2005. A Parallel Decision Tree-Based Method

for User Authentication Based on Keystroke Patte rns. Systems, Man and

Cybernetics IEEE 35(4): 826- 833.

Zhang Changshui, Sun Yanhua. 2000. AR Model for Keystroker Verification. Systems,

Man, and Cybernetics, IEEE 4:2887-2890.

LAMPIRAN

Lampiran 1 Penelitian Pendahuluan Analisis Kata Bahasa Indonesia

Tujuan dan Latar Belakang

Penelitian pendahuluan ini bertujuan untuk melihat kemungkinan dilakukannya

penyederhanaan jumlah pasangan karakter dari semua kemungkinan pasangan

karakter alfabet. Penyederhanaan dilakukan dengan melihat korelasi frekwensi

pasangan karakter tersebut ditemukan dalam kosa kata umum bahasa Indonesia.

Penyederhanaan diperlukan karena jika kita memperhitungkan semua kemungkinan

karakter alfabet sebagai berikut.

Dari sisi ukuran data :

Model data input yang digunakan berupa besaran waktu (satuan ms) dalam tiga

variabel input berupa vektor tiga dimensi d, i dan T seperti dalam gambar berikut.

Secara keseluruhan bila dibuat matriks (M0 dan M1) yang merepresentasikan

keseluruhan variabel yang digunakan akan berupa matriks berukuran 2x12x14x3. Dan

jika dinyatakan dalam besaran fuzzy dengan 5 kelas keanggotaan, maka ukuran

keseluruhan menjadi 2x12x14x3x5 = 5040 data bertipe bilangan real (Float). Jika 1

bilangan real dalam tipe float berukuran 32 bit maka keseluruhannya menjadi 5040x32

bit = 20160 Byte.

y u i o p h j k l b n m

q

w

e

r

t

a

s

d

f

g

z

x

c

v

Ketikan Pertama

Ketikan Kedua

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T



[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

Gambar Matriks Pertama M0 berukuran 14x12

q w e r t a s d f g z x c v

y

u

i

o

p

h

j

k

l

b

n

m

Ketikan Kedua

Ketikan Pertama

[ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T [ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

[ d i ]T

Gambar Matriks kedua M1 berukuran 12x14

Dari sisi kecepatan proses/pencarian jika setiap pasangan karakter diurai sesuai

dengan urutan indeks akan memakan waktu proses komputasi dan meningkatkan

jumlah loop secara signifikan.

Kegiatan Penelitian

Kegiatan Penelitian yang dilakukan adalah :

1. Melakukan analisis terhadap kata-kata umum bahasa Indonesia dan kemudian

menguraikannya ke dalam pasangan-pasangan karakter yang telah ditentukan

kriterianya.

2. Penelitian ini menjadi acuan untuk membatasi lingkup permasalahan yakni

hanya 26 karakter alfabet saja dan tidak lagi menyertakan 10 karakter angka

sehingga secara signifikan mengurangi jumlah pasangan karakter yang mungkin.

a. Jumlah pasangan karakter alfabet yang mungkin adalah : 12x14x2 = 336

pasangan.

b. Jika kita juga menyertakan 10 karakter angka maka : 336+(130x2)

pasangan = 596 pasangan

3. Dari ke-336 pasangan diatas dicari pasangan karakter yang dominan yang akan

digunakan sebagai referensi untuk menentukan data pelatihan dan data

informasi karakteristik biometrik pengguna. Jadi kita tidak perlu menyimpan

informasi semua pasangan karakter kedalam database karena pada faktanya

tidak semua pasangan karakter tersebut umum ditemui dalam bahasa Indonesia.

Informasi yang disimpan hanyalah informasi dari pasangan karakter yang

dominan saja (umum ditemui).

Jika gambar layout keyboard diurai dalam bentuk tabel lengkap untuk ke-26 karakter

sebagai berikut.

Tabel Isian Analisis Kosakata

Keterangan :

Kolom pertama menyatakan karakter yang diketik sebagai urutan pertama

Baris pertama menyatakan karakter yang diketik sebagai urutan kedua.

Tanda X menyatakan pasangan yang tidak dihitung/dikutsertakan misalnya :

y-y menandakan dua kali pengetikan huruf y secara berturutan tidak dihitung.

y-u menandakan pengetikan huruf y dan huruf u yang berada dalam jalur baris yang

sama, ini juga tidak dihitung karena berada di area yang dianggap masih berdekatan

dan tidak menggambarkan pergerakan tangan kanan dan kiri sebagaimana yang

diinginkan dalam penelitian ini.

y-h menandakan pengetikan huruf y dan huruf h yang masih berada dalam jalur kolom

yang berdekatan di peta keyboard, ini juga tidak dihitung karena berada di area yang

masih/terlalu berdekatan dan tidak menggambarkan pergerakan tangan kanan dan kiri

sebagaimana yang diinginkan dalam penelitian ini.

Selanjutnya pengelompokkan kedalam 18 kwadran (sebagaimana dinyatakan

dalam bilangan 1 hingga 18 dalam gambar diatas).

Kwadran 1 menyatakan :

Kwadran 2 menyatakan :

Dan seterusnya sampai dengan 18 (2x3x3) sesuai tabel di atas.

4. Kemudian dilakukan pemilihan kata-kata kedalam kategori bermakna nama

tempat, jenis hewan, jenis tumbuhan dan nama perkakas. Jumlah kata sebanyak

756 kata yang terdiri dari :

a. Kata bermakna nama tempat : 9x27 = 243

b. Kata bermakna jenis hewan : 5x27 = 135

c. Kata bermakna jenis tumbuhan : 6x27 = 162

d. Kata bermakna nama peralatan/perkakas : 8x27 = 216

Contoh perhitungan kata yang dianalisis :

Tabel Contoh Analisis Kosakata

Hasil yang diperoleh sebagai berikut.

1. Untuk Kata bermakna nama tempat diperoleh 871 pasangan karakter yang

bersesuaian.

Tabel Hasil Analisis Kata Bermakna Nama Tempat

Dan jika dikelompokkan kedalam 18 Kwadran, maka :

Gambar Grafik Analisis Kwadran Kata Bermakna Nama Tempat

2. Kata bermakna jenis hewan diperoleh 439 pasangan karakter yang bersesuaian.

Tabel Hasil Analisis Kata Bermakna Jenis Hewan

Kwadran Jumlah

17 143

6 120

4 93

11 91

14 80

10 77

5 71

1 68

3 36

16 34

7 23

13 19

2 14

18 2

8 0

9 0

12 0

15 0

0

20

40

60

80

100

120

140

160

17 6 4 11 14 10 5 1 3 16 7 13 2 18 8 9 12 15

Jika dikelompokkan kedalam 18 kwadran :

Kwadran Jumlah

17 69

1 57

6 41

11 41

14 36

4 35

10 35

5 29

16 24

13 20

2 17

3 15

7 13

12 5

18 2

8 0

9 0

15 0

0

10

20

30

40

50

60

70

17 1 6 11 14 4 10 5 16 13 2 3 7 12 18 8 9 15

Gambar Grafik Analisis Kwadran Kata Bermakna Nama Hewan

3. Untuk Kata bermakna jenis tumbuhan diperoleh 574 pasangan karakter yang

bersesuaian.

Tabel Hasil Analisis Kata Bermakna Jenis Tumbuhan


0

10

20

30

40

50

60

70

80

90

17 6 14 4 5 1 11 10 3 13 16 2 7 18 12 8 9 15

Gambar Grafik Analisis Kwadran Kata Bermakna Jenis Tumbuhan

4. Kata bermakna nama perkakas diperoleh 569 pasangan karakter yang

bersesuaian.

Tabel Hasil Analisis Kata Bermakna Nama Perkakas

Jika dikelompokkan kedalam 18 Kwadran, maka :

0

10

20

30

40

50

60

70

80

90

17 6 1 5 14 10 4 3 11 13 16 2 7 18 12 8 9 15

Gambar Grafik Analisis Kwadran Kata Bermakna Nama Perkakas

Jika keseluruhannya dijumlahkan, maka :

Tabel Hasil Analisis Keseluruhan Pasangan

a-nn-gl-ae-nk-ab-ap-aa-lk-ea-ka-mm-ar-ie-lj-ab-ec-i

Gambar Grafik Analisis Keseluruhan Pasangan Karakter


17

6

4

11

1

14

5

10

3

16

13

2

7

18

Gambar Grafik Analisis Kwadran Keseluruhan Pasangan Karakter

Kesimpulan

1. Dari keseluruhan kemungkinan 336 pasangan karakter alfabet bisa dilakukan

pengurangan (tidak diperlukan semuanya) karena memang tidak digunakan/tidak

lazim dijumpai dalam kosa kata bahasa Indonesia.

2. Dari 336 pasangan akan menjadi 129 pasangan saja. Dan dari 18 kwadran area

menjadi hanya 15 Kwadran yang digunakan.

3. Dari 129 pasangan karakter bila dilakukan penyederhanaan dengan mengambil

beberapa pasangan karakter yang paling banyak (dominan) maka diperoleh 5

besar terbanyak (25%) yakni an, ng, la, en, ka. Serta dari 15 Kwadran, akan

digunakan 5 kwadran saja (54%) yakni 17,6,4,11,1.

Tabel Lima Kwadran Terbanyak

Kwadran Pasangan Karakter yang sesuai (diatas 0.5%)

17 ng, ba, ma, na, nd

6 an, am, ab

4 su, au, ay, gu, di, du, gi, ai

11 pa, is, ia, ya, ua, us

1 ri, ti, ru, tu, ro, to, ep

4. Penyederhanaan ini menghasilkan penyederhanaan sebagai berikut.

a. Jumlah data pelatihan, yakni kata-kata yang hanya mengandung

pasangan karakter dominan tersebut.

b. Jumlah data dalam database, data hanya berisi untuk pasangan karakter

tersebut saja.

c. Peningkatan kinerja dan kecepatan proses dalam melakukan data

pelatihan, pencarian (searching/lookup database table) dan

penyimpanan/pengambilan data.

Lampiran 2 Perancangan Variabel Fuzzy

Secara lengkap, fungsi keanggotaan disajikan sebagai berikut.

Lampiran 3 Tabel Analisis Statistik Data Biometrik (15 Data Dari 5 Pengguna)

Lampiran 4 Contoh Model Data Pelatihan A Dan B – Abudiman4

Lampiran 4 Contoh Model Data pelatihan A dan B – abudiman4

Lampiran 5 Uji Parameter Jaringan Syaraf Tiruan

0

0.2

0.4

0.6

0.8

1

25 5080.

12 10010

9.83

120.17

128.7

7130

.1914

7.72 150

170.2

4 200 250 300 450

Uji 1 d – Model A untuk en

0

0.2

0.4

0.6

0.8

1

25 5070.

1086.

55 100

100.14

100.1

410

4.15121

.75 150

150.2

2 200 250 300 450

Uji 1 d – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

25 5060.

0979.

7190.

13 100100

.1410

2.43

125.15 150

160.23 200 250 300 450

Uji 1 d – Model A untuk la

0

0.2

0.4

0.6

0.8

1

2540

.06 5092

.27 100

110.1

611

1.43

120.1

713

0.59 150

150.2

2 200 250 300 450

Uji 1 d – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

2540.

06 5090.

21 100

109.4

611

0.16

120.1

712

8.71 150

150.2

2 200 250 300 450

Uji 1 d – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

25 5050.

0778

.3890

.1390

.1395

.98 100

113.5

914

0.20 15

020

025

030

045

0

Uji 1 d – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

25 5080.

12 100

109.3

812

0.17

120.1

712

3.75

138.1

2 150

150.2

2 200 250 300 450

Uji 1 d – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

25 50

70.1

0

100

102.

45

110.

16

120.

17

129.

34 150

156.

24 200

200.

29 250

300

450

Uji 1d –Model A untuk su-au-ay-gu-di-du-gi-ai


0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.0

0

320.4

632

5.00

386.9

145

0.00

490.7

150

3.90

575.0

059

0.85

620.8

970

0.00

901.3

0

1000.0

0

Uji 1 i – Model A untuk en

0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.00

320.46

325.0

0375

.07440

.6344

6.89

450.00

450.65

518.7

1575

.00700

.0070

1.01

1000

.00

Uji 1 i – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.0

022

0.32

325.0

0

352.1

040

0.58

420.6

042

9.76

450.0

050

7.42

575.0

062

0.89

700.0

0

1000.0

0

Uji 1 i – Model A untuk la

0

0.2

0.4

0.6

0.8

1

50.00

75.00

180.2

620

0.00

309.6

232

5.00

350.5

039

0.56

418.4

645

0.00

527.2

957

5.00

700.0

0

871.2

5

1000

.00

Uji 1 i – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

50.00

75.00

180.2

620

0.0032

1.63

325.0

040

0.58

400.5

8

428.0

745

0.00

534.5

057

5.00

700.0

087

1.25

1000.0

0

Uji 1 i – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.0

023

0.3332

5.0035

4.9645

0.00

450.6

546

0.0546

0.6656

5.1357

5.00

700.0

082

1.18

1000.0

0

Uji 1 i – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

50.0

0

75.0

0

200.

00

280.

40

325.

00

362.

60

450.

00

455.

66

473.

25

490.

71

575.

00

583.

90

700.

00

851.

22

1000

.00

Uji 1 i – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

50.00

75.00

200.00

325.0

035

0.50

450.0

047

7.24

575.00

599.4

961

0.88

610.88

700.0

072

1.74

901.3

0

1000.0

0

Uji 1 i –Model A untuksu-au-ay-gu-di-du-gi-ai


0

0.2

0.4

0.6

0.8

1

75.00

125.00

300.0

0430

.62475

.0050

0.41

580.84

611.00

650.0

0711

.02721

.5882

5.00

951.37

1000.0

0

1500.0

0

Uji 1 T – Model A untuk en

0

0.2

0.4

0.6

0.8

1

75.00

125.0

030

0.0046

0.66

475.0

053

8.70

580.8

4595

.86607

.1265

0.00

675.5

582

5.00

831.2

0

1000

.00

1500

.00

Uji 1 T – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

75.0

0

125.

00

300.

00

380.

55

475.

00

521.

24

580.

84

580.

84

594.

28

650.

00

667.

32

771.

11

825.

00

1000

.00

1500

.00

Uji 1 T – Model A untuk la

0

0.2

0.4

0.6

0.8

1

75.00

125.00

290.42

300.0

043

2.90

475.0

0480

.69510

.7353

2.58

632.2

765

0.00

825.00

991.43

1000

.00

1500

.00

Uji 1 T – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

75.0

0

125.

00

290.

42

300.

00

450.

94

470.

68

475.

00

530.

76

555.

30

650.

00

659.

66

825.

00

991.

43

1000

.00

1500

.00

Uji 1 T – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

75.0

0

125.

00

300.

00

390.

56

475.

00

513.

48

600.

86

600.

86

615.

89

650.

00

718.

29

825.

00

941.

35

1000

.00

1500

.00

Uji 1 T – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

75.00

125.0

030

0.00

370.5

345

6.96

475.0

055

0.79

566.5

362

0.89

650.0

067

6.09

825.0

093

1.34

1000

.00

1500.0

0

Uji 1 T – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

75.00

125.0

030

0.00

470.6

8475

.0058

0.60

650.0

069

8.79

711.0

271

1.02

816.9

9825

.0099

1.43

1000.0

0

1500

.00

Uji 1T–Model A untuksu-au-ay-gu-di-du-gi-ai


Untuk Uji 2, data uji adalah keseluruhan data yang diambil dari pengukuran.

0

0.2

0.4

0.6

0.8

1

80.1

2

100.

14

110.

16

120.

17

120.

17

120.

17

130.

19

130.

19

140.

20

140.

20

150.

22

150.

22

170.

24

Uji 2 d – Model A untuk en

0

0.2

0.4

0.6

0.8

1

70.10

80.12

90.13

100.1

4

100.1

4

100.1

4

110.1

6

110.1

6

120.1

7

120.1

7

Uji 2 d – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

60.09

70.10

80.12

90.13

90.13

90.13

110.1

6

110.1

611

0.16

120.1

7

120.1

7

150.2

2

Uji 2 d – Model A untuk la

0

0.2

0.4

0.6

0.8

1

40.0

6

80.1

2

90.1

3

100.

14

110.

16

110.

16

110.

16

120.

17

120.

17

120.

17

130.

19

130.

19

140.

20

Uji 2 d – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

40.0

6

80.1

2

90.1

3

100.

14

100.

14

110.

16

110.

16

110.

16

120.

17

120.

17

120.

17

130.

19

140.

20

Uji 2 d – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

50.07

80.12

80.12

80.12

90.13

90.13

90.13

100.1

4

100.1

4

110.1

6

110.1

6

120.1

7

Uji 2 d – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

80.12

110.1

6

110.1

612

0.17

120.1

712

0.17

120.1

7

130.1

913

0.19

140.2

014

0.20

140.2

0

Uji 2 d – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

70.10

100.1

4

110.1

6

110.1

6

110.1

6

120.1

7

120.1

7

130.1

9

140.2

0

150.2

2

160.2

3

180.2

6

Uji 2 d –Model A untuksu-au-ay-gu-di-du-gi-ai

0

0.2

0.4

0.6

0.8

1

320.

46

350.

50

400.

58

410.

59

430.

62

450.

65

490.

71

510.

73

570.

82

590.

85

610.

88

670.

96

901.

30

Uji 2 i – Model A untuk en

0

0.2

0.4

0.6

0.8

1

320.4

6

350.5

0

400.5

8

410.5

9

420.6

0

450.6

5

450.6

5

470.6

8

510.7

3

520.7

5

Uji 2 i – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

220.3

2

350.5

037

0.53

390.5

6

400.5

841

0.59

420.6

044

0.63

450.6

5

510.7

353

0.76

560.8

1

Uji 2 i – Model A untuk la

0

0.2

0.4

0.6

0.8

1

180.

26

330.

48

340.

49

350.

50

360.

52

370.

53

390.

56

400.

58

410.

59

440.

63

480.

69

550.

79

660.

95

Uji 2 i – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

180.

26

330.

48

350.

50

360.

52

370.

53

380.

55

400.

58

410.

59

430.

62

460.

66

500.

72

570.

82

660.

95

Uji 2 i – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

230.3

335

0.50

370.5

339

0.5641

0.59

430.6

245

0.6546

0.66

480.6

950

0.7254

0.78

660.9

5

Uji 2 i – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

280.4

0

370.5

3

390.5

6

400.5

8

420.6

043

0.6246

0.66

480.6

949

0.7153

0.76

550.7

9

761.0

9

Uji 2 i – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

350.5

042

0.6046

0.6651

0.73

560.8

159

0.8561

0.8862

0.8965

0.9469

0.9973

1.0577

1.11

Uji2i –Model Auntuk su-au-ay-gu-di-du-gi-ai

0

0.2

0.4

0.6

0.8

1

430.

62

480.

69

500.

72

530.

76

540.

78

560.

81

580.

84

610.

88

650.

94

701.

01

711.

02

771.

11

951.

37

Uji 2 T – Model A untuk en

0

0.2

0.4

0.6

0.8

1

460.6

654

0.78

550.7

956

0.81

580.8

460

0.86

610.8

865

0.94

670.9

668

0.98

Uji 2 T – Model A untuk ka

0

0.2

0.4

0.6

0.8

1

380.5

5

520.7

554

0.78

550.7

9

560.8

158

0.84

590.8

561

0.88

630.9

1

660.9

567

0.96

731.0

5

Uji 2 T – Model A untuk la

0

0.2

0.4

0.6

0.8

1

290.

42

450.

65

460.

66

470.

68

480.

69

490.

71

510.

73

520.

75

530.

76

550.

79

580.

84

650.

94

761.

09

Uji 2 T – Model A untuk ng

0

0.2

0.4

0.6

0.8

1

290.

42

450.

65

470.

68

480.

69

500.

72

510.

73

530.

76

540.

78

570.

82

590.

85

630.

91

690.

99

771.

11

Uji 2 T – Model A untuk ng-ba-ma-na-nd

0

0.2

0.4

0.6

0.8

1

390.5

6

490.7

153

0.7656

0.81

570.8

259

0.85

600.8

662

0.8964

0.92

670.9

670

1.0179

1.14

Uji 2 T – Model A untuk pa-is-ia-ya-ua-us

0

0.2

0.4

0.6

0.8

1

370.5

345

0.6548

0.6950

0.72

510.7

3

530.7

655

0.79

570.8

261

0.8862

0.8965

0.94

831.2

0

Uji 2 T – Model A untuk ri-ti-ru-tu-ro-ep

0

0.2

0.4

0.6

0.8

1

470.6

852

0.7556

0.8162

0.8966

0.95

701.0

171

1.02

731.0

575

1.08

801.1

5

821.1

8

861.2

4

Uji 2 T – Model Auntuksu-au-ay-gu-di-du-gi-ai

Penentuan Parameter Jaringan Syaraf Tiruan- Pengaruh unit Bias

Pengaruh unit bias=1 terhadap laju penurunan kesalahan (Model pelatihan A –

kiri, model pelatihan B – kanan, epoch=2000, laju pembelajaran=0,1). Unit bias dapat

membantu mempercepat penurunan laju kesalahan namun relatif tidak memberikan

perbedaan berarti pada kisaran epoch=1000 sehingga merupakan alasan untuk tidak

menggunakan unit bias dalam JST di penelitian ini.

0.0000

0.5000

1.0000

1.5000

2.0000

2.5000

1 212 423 634 845 1056 1267 1478 1689 1900

Tanpa Bias

Bias=1

0.0000

0.5000

1.0000

1.5000

2.0000

2.5000

1 213 425 637 849 1061 1273 1485 1697 1909

Tanpa Bias

Bias=1

Lampiran 6 Tabel Lengkap Hasil Percobaan

JST bobot abudiman4 pelatihan A menguji abudiman1 (batas 0,75 atas; 0,5 bawah)


JST bobot wningsih4 pelatihan A menguji wningsih1 (batas 0,75 atas; 0,5 bawah)


JST bobot syafii2 pelatihan A menguji syafii1 (batas 0,75 atas; 0,5 bawah)

JST bobot risantod2 pelatihan A menguji risantod1 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan B menguji abudiman1 (batas 0,75 atas; 0,5 bawah)



JST bobot risantod2 pelatihan B menguji risantod1 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan A menguji data eksklusif diri sendiri

(batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan B menguji data eksklusif dir sendiri


JST bobot wningsih4 pelatihan A menguji data eksklusif diri sendiri


JST Bobot wningsih4 pelatihan B menguji data eksklusif diri sendiri


JST bobot risantod2 pelatihan A menguji data eksklusif diri sendiri


JST bobot risantod2 pelatihan B menguji data eksklusif diri sendiri


JST bobot syafii2 pelatihan A menguji data eksklusif diri sendiri


JST bobot syafii2 pelatihan B menguji data eksklusif diri sendiri


JST bobot mahyus1 pelatihan A menguji data eksklusif diri sendiri


JST bobot mahyus1 pelatihan A menguji data eksklusif diri sendiri


JST bobot risanto2 pelatihan A menguji data wningsih1 (batas 0,75 atas; 0,5 bawah)

JST bobot risanto2 pelatihan B menguji data wningsih1 (batas 0,75 atas; 0,5 bawah)

JST bobot risanto2 pelatihan A menguji data syafii1 (batas 0,75 atas; 0,5 bawah)

JST bobot risanto2 pelatihan B menguji data syafii1 (batas 0,75 atas; 0,5 bawah)

JST bobot risanto2 pelatihan A menguji data mahyus1 (batas 0,75 atas; 0,5 bawah)

JST bobot risanto2 pelatihan B menguji data mahyus1 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan A menguji data wningsih4 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan B menguji data wningsih4 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan A menguji data mahyus2 (batas 0,75 atas; 0,5 bawah)

JST bobot abudiman4 pelatihan B menguji data mahyus2 (batas 0,75 atas; 0,5 bawah)

Lampiran 7 Struktur Basis Data

Struktur basis data (database) kosakata.mdb (aplikasi pengambilan data)

mempunyai 1 tabel table_kosakata dengan desain sebagai berikut.

Struktur database (aplikasi analisis data) dan tabel yang digunakan dalam

bentuk yang sederhana sebagai berikut.

Desain data pelatihan (training) tiap variabel d, I dan T masing-masing dalam

tabel terpisah.

Desain Data validasi tiap variabel d, I dan T masing-masing dalam tabel terpisah.

Tabel bobot_d, bobot_i dan bobot_T sebagai berikut.

Penulisan dalam tabel basis data menggunakan format teks sedangkan saat

proses pembacaan dilakukan konversi ke format bilangan yang sesuai (integer atau float

single). Ini bertujuan untuk kemudahan dalam melakukan copy-paste tabel dari/ke MS

Excell untuk kepentingan penulisan dan analisis data penelitian ini.

Keseluruhan tabel dalam basis data sebagai berikut.

Tidak ada entity relationship antar tabel dan sifatnya berdiri sendiri.

analisis penekanan kunci dinamik untuk verifikasi ... · berbasis jaringan syaraf tiruan propagasi...

Documents