12

BAB II

TINJAUAN PUSTAKA

2.1 Biometriks

2.1.1 Definisi Biometriks

Biometriks adalah bidang yang mengakui bahwa semua manusia

berbeda dalam komposisi fisik mereka dan dapat mengidentifikasi

individu yang didasarkan pada perbedaan-perbedaan ini. Warna rambut,

tinggi dan suara suara adalah contoh bagaimana orang-orang yang

berbeda. Kombinasi perbedaan-perbedaan ini menciptakan identitas kita

dan membuat kita berbeda satu sama lain. Prinsip biometrik adalah dengan

menggunakan karakteristik unik seseorang untuk menentukan apakah

orang tersebut adalah orang yang mengaku tersebut.(Varun Kacholia &

Shashank Pandit, 2005).

Otentikasi biometrik adalah proses pembentukan identitas individu

melalui dari karakteristik terukur, anatomi atau fisiologi perilaku mereka.

Teknologi otentikasi biometrik mulai berkembang dan sistem biometrik

telah dimiliki dalam aplikasi bail dalam lingkungan komersial maupun

pemerintah.(Chris Riley & Kathy Buckner & Graham Johnson & David

Benyon, 2009)

Karakteristik Biometric dapat dibagi dalam dua kelas utama :

1. Fisiologis : berhubungan dengan bentuk tubuh, namun tidak

13

terbatas pada sidik jari, pengenalan wajah, DNA, geometri

tangan, Iris Recognition, yang sebagian besar telah digantikan

retina, dan bau / aroma.

2. Perilaku : berkaitan dengan perilaku seseorang, namun tidak

terbatas pada mengetik irama, gaya berjalan, dan suara.

Beberapa peneliti telah menciptakan istilah behaviometrics

istilah untuk kelas ini.

Tepatnya, suara juga merupakan sifat fisiologis karena setiap orang

memiliki saluran vokal yang berbeda, tetapi pengenalan suara terutama

didasarkan pada studi tentang cara seseorang berbicara, sering disebut

sebagai perilaku.

Hal ini dimungkinkan untuk memahami jika karakteristik manusia

dapat digunakan untuk biometrik dalam hal parameter berikut:

1. Universal - setiap orang harus memiliki karakteristik.

2. Keunikan - adalah seberapa baik biometric memisahkan

individu dari yang lain.

3. Permanen - mengukur seberapa baik menolak biometrik

penuaan dan varians lainnya dari waktu ke waktu.

4. Kolektibilitas - kemudahan akuisisi untuk pengukuran.

5. Kinerja - akurasi, kecepatan, dan ketahanan teknologi yang

digunakan.

6. Penerimaan - derajat persetujuan teknologi.

14

7. Pengelakan - kemudahan penggunaan pengganti.

Diambil dari www.biometrics.gov Sebuah sistem biometrik dapat

beroperasi dalam dua mode berikut :

1. Verifikasi - Sebuah 1-1 perbandingan suatu biometric ditangkap

dengan template yang disimpan untuk memverifikasi bahwa

individu adalah benar orang yang diklaimnya. Dapat dilakukan

bersamaan dengan kartu pintar, nama pengguna atau nomor ID.

2. Identifikasi - Sebuah satu untuk perbandingan banyak yang

ditangkap biometrik terhadap database biometrik dalam upaya

untuk mengidentifikasi seorang individu yang tidak diketahui.

Identifikasi hanya berhasil mengidentifikasi individu jika

perbandingan sampel biometrik ke template dalam database

berada dalam ambang batas yang ditetapkan sebelumnya.

Pertama kali seseorang menggunakan sistem biometrik disebut

“Enter”. Selama Registrasi, informasi biometrik dari individu disimpan.

Dalam menggunakan selanjutnya, informasi biometrik yang terdeteksi dan

dibandingkan dengan informasi yang tersimpan pada saat registrasi.

Perhatikan bahwa sangat penting bahwa penyimpanan dan pengambilan

sistem seperti diri mereka aman jika sistem biometrik harus kuat. Blok

pertama (sensor) adalah interface antara dunia nyata dengan sistem; pada

saat ini sistem harus memperoleh semua data yang diperlukan. Sebagian

besar waktu itu adalah sebuah sistem akuisisi gambar, tetapi dapat berubah

15

/ diubah sesuai dengan karakteristik yang diinginkan. Blok kedua

melakukan semua yang diperlukan pra-pemrosesan: memiliki untuk

menghapus artefak dari sensor, untuk meningkatkan masukan (misalnya

menghilangkan kebisingan latar belakang), untuk menggunakan beberapa

jenis normalisasi, dll. Dalam blok ketiga fitur yang diperlukan adalah

diekstraksi. Langkah ini merupakan langkah penting sebagai fitur yang

benar perlu diekstraksi dengan cara yang optimal. Sebuah vektor angka

atau gambar dengan sifat khusus digunakan untuk membuat template.

Template adalah sintesis dari karakteristik yang relevan diambil dari

sumber. Elemen pengukuran biometrik yang tidak digunakan dalam

algoritma perbandingan dibuang dalam template guna mengurangi filesize

dan untuk melindungi identitas.

Jika registrasi sedang dilakukan, template hanya disimpan di suatu

tempat (pada kartu atau dalam database atau keduanya). Jika fase

pencocokan sedang dilakukan, template diperoleh dilewatkan ke suatu

matcher yang membandingkan dengan template lain yang ada,

memperkirakan jarak antara mereka menggunakan algoritma (misalnya

jarak Hamming). Program pencocokan akan menganalisis template dengan

input. Ini kemudian akan menjadi output untuk penggunaan tertentu atau

tujuan (misalnya masuk dalam area yang hanya orang tertentu yang boleh

masuk)

Berikut adalah Diagram menggambarkan langkah – langkah dari

16

sistem biometrics ketika ingin melakukan authentikasi maupun verifikasi.

Gambar 2.1 Diagram sistem Biometrics

Dari gambar 2.1 dapat dilihat bahwa untuk melakukan authentikasi

atau verifikasi, sistem biometrics dimulai dengan user memasukkan

sample untuk memasuki sistem biometrics. Setelah user melakukan

sample, sistem akan mengekstrak / melakukan pengubahan terhadap

sistem tersebut sehingga menjadi data biometriks yang dapat diidentifikasi

oleh sistem. Langkah selanjutnya yang dilakukan oleh sistem untuk

mengidentifikasi sample tersebut adalah data tersebut

menyimpan data sample tersebut kedalam database. Yang kemudian

data sampel tersebut dibandingkan dengan data yang tersimpan pada

database yang berperan sebagai template. Setelah dibandingkan dengan

17

data – data template, langkah selanjutnya adalah menentukan apakah

sampel tersebut diidentifikasi sebagai pengguna atau sebagai intruder,

apabila sistem memilih sampel tersebut sebagai intruder maka, individu

tersebut akan menerima pesan bahwa akses anda tertolak dikarenakan anda

tidak memiliki authoritas terhadap sistem ini, dan apabila sampel tersebut

dianggap sebagai pengguna maka individu tersebut akan diperbolehkan

untuk mengakses sistem/area tersebut.

2.1.2 Algoritma Biometriks

Berikut adalah diagram yang menggambarkan algoritma untuk

biometrics access:

Gambar 2.2 Diagram Algoritma Biometrics Access

18

Dari gambar 2.2 terlihat algoritma secara dasar bagaimana

algoritma dari biometric berjalan dalam sistem tersebut.

Langkah pertama adalah melakukan input terhadap sistem

biometrics sesuai dengan media yang disediakan (apabila media yang

digunakan adalah fingerprint maka user akan memberikan sidik jadi

sebagai input dalam sistem tersebut) yang kemudian dari hasil media

tersebut diubah menjadi data yang dapat dibaca oleh sistem biometric yang

dapat dengan mudah membandingkan dengan sample – sample yang lain

yang berperan sebagai template. Dari hasil data yang telah diubah menjadi

data yang mudah dibaca tersebut disimpan kedalam database untuk

menyimpan data user yang ingin memasuki sistem ini.

Langkah selanjutnya adalah membandingkan data biometriks dari

user dengan ada biometrics yang menjadi template pada sistem tersebut.

Apabila setelah dibandingkan data biometrics tersebut tidak mencapai

batas persentase persamaan yang ditentukan maka user akan mengalami

penolakan terhadap sistem ini, apabila sebaliknya maka user akan diterima

oleh sistem dan data dari biometrics akan diupdate sebafai data yang baru.

Berikut adalah alur algoritma dari sistem biometrics untuk

menentukan template untuk sistem.

19

Gambar 2.3 Diagram Algoritma Biometrics Template

Dari gambar 2.3 terlihat algoritma secara dasar bagaimana

algoritma dari biometric berjalan dalam sistem tersebut untuk menyimpan

sample sebagai template.

Langkah pertama adalah melakukan input terhadap sistem

biometrics sesuai dengan media yang disediakan (apabila media yang

digunakan adalah fingerprint maka user akan memberikan sidik jadi

sebagai input dalam sistem tersebut) yang kemudian dari hasil media

tersebut diubah menjadi data yang dapat dibaca oleh sistem biometric yang

dapat dengan mudah membandingkan dengan sample – sample yang lain

yang berperan sebagai template. Dari hasil data yang telah diubah menjadi

data yang mudah dibaca tersebut disimpan kedalam database untuk

menyimpan data user yang ingin memasuki sistem ini yang kemudian akan

20

menjadi sebagai template untuk sistem tersebut.

2.1.3 Tabel Biometriks

Berikut ini bagian tubuh yang saat ini dapat digunakan sebagai

identifikasi untuk biometriks beserta metode, faktor yang memperngaruhi

performa dan apakah diterima atau tidak biometriks tersebut (Steven M.

Walker, 2002) :

Tabel 2.1 Tabel Biometriks

2.1.4 Performa biometriks

Berikut ini adalah yang digunakan sebagai matriks performa dari sistem

biometriks (Donald R. Richard ,2002):

False Accept Rate or False Match Rate (FAR or FMR):

Kemungkinan untuk sistem untuk mengatakan tidak sesuai antara

pola input dengan pola yang berada pada template yang berada pada

database. FAR ini mengukur persentase dari input yang tidak valid

yang tidak diterima

False Reject Rate or False Non-Match Rate (FRR or FNMR):

Kemungkinan untuk sistem yang gagal untuk mendeteksi kecocokan

antara pola input dengan template yang sesuai yang berada pada

Karakteristik Metode CER Faktor Performa Diterima Oleh PenggunaFingerprint Pola pada sidik jari diterima dan dibandingkan Medium Kering, kebersihan dari jari tersebut MediumPalm Scan Pola dan bentuk pada telapak tangan diterima dan dibandingkan Low cedera tangan, usia dan perhiasanHand Geometry Dimensi pada tangan dan jari dihitung dan dibandingkan Low cedera tangan, usia dan perhiasan HighRetina Pola dari pembuluh darah pada retina diterima dan dibandingkan Low Kacamata, susah digunakan LowIris Pola pada iris diterima dan dibandingkan Low Pergerakan dan pencahayaan HighFace Bentuk pada muka diterima dan dibandingkan Medium Pencahayaan, kacamata, rambut, lingkungan mediumSignature Dynamic Ritme, kecepatan dan cara menekan diterima dan dibandingkan High perubahan cara tanda tangan HighKeyboard Dynamic keceparan, tekanan dari kata yang menjadi kata kunci High Perubahan cara mengetik High

21

database. FRR ini mengukur persentase dari input yang valid tetepi

ditolak oleh sistem

Receiver Operating Characteristic or Relative Operating

Characteristic (ROC):

Plot dari ROC merupakan karakteristik visuak dari trade-off antara

FAR dan FRR. Secara umum algoritma pencocokan melakukan

pemutusan keputusan berdasarkan batas yang menentukan

seberapa mirip antara template dan pola input dapat dibilang cocok

atau match. Apabila batas tersebut turunkan, maka akan

mengurangi false non-match tetapi akan meningkatkan false

accept. Sejalan dengan itu, meningkatkan batas akan menurunkan

FAR tetapi meningkatkan FRR. Variasi seperti ini disebut

Detection Error Trade-Off (DET), yang diperoleh dengan

menggunakan skala normal yang menyimpang pada kedua sumbu.

Semakin linear grafik, akan semakin terlihat perbedaannya dalam

performa yang tinggi

Equal Error Rate or Crossover Error Rate (EER or CER):

Tingkat dimana baik menerima dan menolak dalam jumlah yang

sama. Nilai dari ERR dapat dengan mudah diperoleh dari kurva

ROC. ERR adalah cara cepat untuk membandingkan akurasi

perangkat yang digunakan dengan menggunakan kurva ROC yang

berbeda. Secara umum, alat yang memiliki ERR terendah

merupakan yang paling akurat.

22

Failure To Enroll Rate (FTE or FER):

Tingkat dimana upaya untuk membuat template dari hasil yang

diinput tidak berhasil. Hal ini sering disebabkan oleh kualitas input

yang rendah.

Failure To Capture Rate (FTC):

Dalam sistem otomatis, probabilitas untuk sebuah sistem gagal

untuk mendeteksi biometriks input ketika disajikan secara benar.

Template Capacity:

Jumlah maksimum dari data set yang bisa disimpan dalam sistem.

2.1.5 Macam – Macam Biometriks

Saat ini sudah banyak sistem biometriks yang sudah digunakan.

Berikut ini macam – macam biometriks yang telah diaplikasikan (V. V.

Arutyunov & N. S. Natkin, 2010)

2.1.5.1 Biometriks dengan Keystroke Dynamic

Dinamika keystroke adalah proses menganalisis cara yang

diketik oleh pengguna diterminal dengan memonitor input keyboard

ribuan kali per detik dalam upaya untuk mengidentifikasi pengguna

berdasarkan kebiasaan pola irama mengetik. Ini memiliki sudah

menunjukkan bahwa irama keystroke adalah tanda od melepaskan

identitas. Selain itu, tidak seperti sistem biometrik lainnya yang

mungkin mahal untuk melaksanakan, dinamika keystroke hampir

gratis | hardware yang hanya dibutuhkan adalah keyboard.

23

dinamika keystroke merupakan bagian dari kelas yang lebih

besar dari biometrik dikenal sebagai biometrik perilaku; pola mereka

adalah statistik di alam. Ini adalah kepercayaan umum bahwa

biometrik perilaku yang tidak dapat diandalkan seperti biometrik fisik

yang digunakan untuk otentikasi, misalnya sidik jari atau retina scan

atau DNA. realitas di sini adalah bahwa perilaku biometrik

menggunakan pengukuran kepercayaan bukan lulus tradisional / gagal

pengukuran. Dengan demikian, tolok ukur tradisional Palsu

Penerimaan Rate (FAR) dan Suku Penolakan Salah (FRR) tidak lagi

memiliki hubungan linier.

Manfaat untuk dinamika keystroke (dan juga biometrik perilaku

lainnya) adalah bahwa FRR / FAR dapat disesuaikan dengan

mengubah ambang penerimaan pada tingkat individu. Hal ini

memungkinkan untuk mitigasi resiko sesuatu secara eksplisit

didefinisikan individu-teknologi biometric fisik tidak pernah bisa

tercapai.

Manfaat lain dari dinamika keystroke: mereka dapat ditangkap

terus menerus-tidak hanya pada saat start-up time-dan mungkin cukup

akurat untuk memicu alarm sistem lain atau orang untuk datang

memeriksa situasi.

Dalam beberapa kasus, orang di senjata-point mungkin terpaksa

untuk mendapatkan start-up akses dengan memasukkan password atau

memiliki sidik jari tertentu, tetapi kemudian orang bisa digantikan oleh

orang lain pada keyboard yang mengambil alih untuk tujuan buruk .

24

Dalam kasus lain yang kurang dramatis, dokter mungkin melanggar

aturan bisnis dengan berbagi password dengan sekretarisnya, atau

dengan login ke sistem medis tetapi kemudian meninggalkan komputer

log-in sementara orang lain dia tahu tentang atau tidak tahu tentang

menggunakan sistem . dinamika keystroke adalah salah satu cara untuk

mendeteksi masalah tersebut cukup andal untuk perlu dilakukan,

karena bahkan tingkat true-positive 20% akan mengirimkan kata

keluar bahwa jenis perilaku diawasi dan tertangkap.

2.1.5.2 Biometriks dengan Facial Recognition

Facial Recognition system adalah sebuah aplikasi komputer

yang digunakan untuk mengidentifikasi atau melakukan verifikasi

secara langsung melalui gambar digital atau frame video. Salah satu

caranya adalah dengan melakukan komparasi terhadap raut muka deri

yang ada digambar dengan gambar yang ada di database(D. González

Ortega, M. Martínez Zarzuela, F. J. Díaz Pernasa, J. F. Díez Higuera,

M. Antón Rodríguez, D. Boto Giralda, and J. M. Hernández Conde,

2009).

Teknik – teknik yang digunakan untuk melakukan facial

recognition adalah :

1. Traditional

Beberapa algoritma pengenalan wajah mengidentifikasi wajah

dengan fitur dari gambar wajah subjek. Sebagai contoh, sebuah

algoritma dapat menganalisis posisi relatif, ukuran, dan / atau

25

bentuk mata, hidung, tulang pipi, dan rahang. Fitur-fitur ini

kemudian digunakan untuk mencari gambar lain dengan fitur

yang cocok. Algoritma lain menormalkan galeri gambar wajah

dan kemudian memampatkan data wajah, hanya menyimpan

data dalam gambar yang berguna untuk deteksi wajah. Sebuah

gambar probe kemudian dibandingkan dengan data wajah. Salah

satu sistem yang sukses paling awal didasarkan pada teknik

template yang cocok diterapkan pada satu set fitur wajah yang

menonjol, menyediakan semacam representasi wajah

terkompresi.

Algoritma pengenalan dapat dibagi menjadi 2, yang pertama

geometris dimana algoritma ini melihat dari fitur yang berbeda.

Yang kedua Photometrik dimana algoritma ini melakukan

pendekatan melalui statistik yang merubah gambar menjadi nilai

(value) dan kemudian value tersebut dibandingkan dengan

template untuk menghilangkan varian.

2. 3D

Teknik 3D ini menggunakan sensor 3D yang digunakan untuk

menangkap informasi tentang bentuk wajah. Kemudian

informasi ini digunakan untuk mengidentifikasi fitur – fitur yang

berbeda pada permukaan wajah seperti kontur soket wajah

hidung dan dagu.

Salah satu keuntungan dari pengenalan 3D ini adalah tidak

26

terpengaruh oleh perubahan pencahayaan. Hal ini juga dapat

mengidentifikasi wajah dari berbagai sudut padang.

Kekurangan dari teknik ini adalah sensitif terhadap ekspresi dari

wajah.

3. Skin Teksture analisis

Teknik yang lain adalah menggunakan rincian visual dari kulit

seperti yang ditangkap melalui gambar digital atau standart

scan. Teknik ini disebut analisis tekstur kulit. Ternyata garis –

garis unik, pola dan bintik – bintik yang terlihat pada kulit

dapat diubah menjadi rumus matematika.

2.1.5.3 Biometriks dengan Fingerprint Recognition

Pengenalan sidik jari atau mengacu pada metode otomatis

memverifikasi perbandingan antara dua sidik jari manusia. Sidik jari

adalah salah satu dari banyak bentuk biometrik digunakan untuk

mengidentifikasi individu dan memverifikasi identitas mereka

(http://www.cse.msu.edu/biometrics/fingerprint.html) . Untuk

biometriks ini ada dua kelas utama dari algoritma (minutia dan pola)

dan empat desain sensor (optik, ultrasonik, kapasitansi pasif, dan

kapasitansi aktif).

Ada beberapa pola tertentu pada sidik jari sehingga dapat

dikenali sebuah sidik jari tersebut.

27

1. Pola Arch

Suatu pola dimana seperti pegunungan, masuk dari sisi kiri

kemudian naik pada bagian tengah dan keluar pada sisi kanan.

2. Pola Loop

Suatu Pola dimana masuk melalui salah satu sisi jari,

membentuk kurva, dan cenderung untuk keluar dari sisi yang

sama mereka masuk.

3. Pola Whorl

Dalam pola ini, memiliki bentuk lingkaran (melingkar) di

bagian tengah jari tersebut.

Gambar 2.4 Pola Sidik Jari (dari kiri pola Arch, pola Loop,

Pola Whorl)

Berikut ini adalah beberapa bentuk Minutia yang bisa digunakan

untuk mengenali sebuah sidik jari :

1. Ridge Ending

28

Titik dimana Ridge berhenti/menghilang

2. Bifurcation

titik dimana 1 ridge menjadi becabang menjadi 2

3. Short Ridge (Dot)

merupakan ridge yang sangat pendek dibandingkan dengan

ridge yang biasanya.

Gambar 2.4 Jenis Minutia (dari kiri Ridge Ending, Bifurcation, Dot)

Ada beberapa sensor – sensor yang digunakan untuk mengambil

sidik jari, berikut ini adalah jenis – jenis sensor yang digunakan

tersebut.

1. Optical

Pencitraan sidik jari optik melibatkan menangkap gambar

digital dari cetak menggunakan cahaya tampak. Jenis sensor

adalah, pada dasarnya, sebuah kamera digital khusus. Lapisan

atas sensor, di mana jari ditempatkan, dikenal sebagai

permukaan sentuh. Di bawah lapisan ini adalah lapisan

29

pemancar cahaya fosfor yang menerangi permukaan jari.

Pantulan cahaya dari jari melewati lapisan fosfor untuk sebuah

array dari pixel solid state (perangkat charge-coupled) yang

menangkap gambar visual dari sidik jari. Sebuah permukaan

sentuhan tergores atau kotor dapat menyebabkan citra buruk

sidik jari. Kerugian dari jenis sensor adalah kenyataan bahwa

kemampuan pencitraan dipengaruhi oleh kualitas kulit pada

jari. Misalnya, jari kotor atau ditandai sulit untuk gambar

dengan benar. Juga, adalah mungkin bagi seorang individu

untuk mengikis lapisan luar kulit pada ujung jari ke titik di

mana sidik jari tidak lagi terlihat. Hal ini juga dapat mudah

tertipu oleh sebuah gambar sidik jari jika tidak digabungkan

dengan detektor "hidup jari". Namun, tidak seperti sensor

kapasitif, sensor teknologi ini tidak rentan terhadap kerusakan

elektrostatik.

2. Ultrasonic

Sensor ultrasonik memanfaatkan prinsip-prinsip ultrasonografi

medis dalam rangka untuk membuat gambar visual dari sidik

jari. Tidak seperti pencitraan optik, sensor ultrasonik

menggunakan gelombang suara frekuensi sangat tinggi untuk

menembus lapisan epidermis kulit. Gelombang suara yang

dihasilkan dengan menggunakan transduser piezoelektrik dan

energi tercermin juga diukur dengan menggunakan bahan

30

piezoelektrik. Karena lapisan kulit dermal pameran

karakteristik pola sidik jari yang sama, pengukuran gelombang

yang dipantulkan dapat digunakan untuk membentuk sebuah

gambar sidik jari. Ini menghilangkan kebutuhan untuk bersih,

kulit epidermis rusak dan permukaan penginderaan bersih.

3. Capacitance

Kapasitansi sensor menggunakan prinsip-prinsip yang terkait

dengan kapasitansi dalam rangka untuk membentuk gambar

sidik jari. Dalam metode ini pencitraan, pixel array sensor

setiap tindakan sebagai salah satu pelat kapasitor pelat sejajar,

lapisan kulit (yang elektrik konduktif) bertindak sebagai piring

lain, dan non-konduktif lapisan epidermis bertindak sebagai

dielektrik.

Pasif kapasitansi

Sebuah sensor kapasitansi pasif menggunakan prinsip yang

digariskan di atas untuk membentuk sebuah gambar dari

pola sidik jari pada lapisan dermal kulit. Setiap pixel sensor

digunakan untuk mengukur kapasitansi pada titik array.

Kapasitansi bervariasi antara pegunungan dan lembah sidik

jari karena fakta bahwa volume antara lapisan dermal dan

elemen penginderaan di lembah berisi celah udara.

Konstanta dielektrik epidermis dan daerah dari elemen

31

penginderaan diketahui nilai-nilai. Nilai kapasitansi diukur

kemudian digunakan untuk membedakan antara

pegunungan dan lembah sidik jari.

Aktif kapasitansi

Kapasitansi sensor aktif menggunakan siklus pengisian

untuk menerapkan tegangan ke kulit sebelum pengukuran

berlangsung. Penerapan tegangan kapasitor biaya yang

efektif. Medan listrik antara jari dan sensor mengikuti pola

dari pegunungan di lapisan dermal kulit. Pada siklus debit,

tegangan melintasi lapisan dermal dan elemen

penginderaan dibandingkan terhadap tegangan referensi

untuk menghitung kapasitansi. Nilai jaraknya kemudian

dihitung matematis, dan digunakan untuk membentuk

sebuah gambar sidik jari sensor kapasitansi Aktif mengukur

pola punggungan dari lapisan kulit seperti metode

ultrasonik.. Sekali lagi, ini menghilangkan kebutuhan untuk

bersih, kulit epidermis rusak dan permukaan penginderaan

bersih.

2.1.5.4 Biometriks dengan Finger Vein Recognition

finger vein recognition adalah metode otentikasi biometrik yang

menggunakan teknik pengenalan pola berdasarkan gambar pola vena

jari manusia di bawah permukaan kulit. finger vein recognition adalah

32

salah satu dari banyak bentuk biometrik digunakan untuk

mengidentifikasi individu dan memverifikasi identitas mereka.

Jari ID Vein adalah sistem otentikasi biometrik yang sesuai

dengan pola pembuluh darah di jari seseorang untuk data yang

sebelumnya diperoleh. Hitachi mengembangkan dan mematenkan

sistem vena jari ID pada tahun 2005. Teknologi ini sedang digunakan

atau pengembangan untuk berbagai macam aplikasi, termasuk

otentikasi kartu kredit, keamanan mobil, waktu karyawan dan

penelusuran kehadiran, otentikasi komputer dan jaringan, keamanan

titik akhir dan mesin teller otomatis.

Untuk mendapatkan pola untuk catatan database, individu

menyisipkan jari ke terminal attester berisi dekat-infared LED (light-

emitting diode) cahaya dan CCD monokrom (charge-coupled device)

kamera. Hemoglobin dalam darah menyerap dekat-infared lampu LED,

yang membuat sistem vena muncul sebagai pola garis-garis gelap.

Kamera merekam gambar dan data mentah digital, bersertifikat dan

dikirim ke database gambar terdaftar. Untuk tujuan otentikasi, jari

dipindai seperti sebelumnya dan data dikirim ke database gambar

terdaftar untuk perbandingan. Proses otentikasi membutuhkan waktu

kurang dari dua detik.

Darah pola pembuluh yang unik untuk setiap individu,

sebagaimana data biometrik lainnya seperti sidik jari atau pola iris.

Tidak seperti beberapa sistem biometrik, pola pembuluh darah hampir

tidak mungkin untuk palsu karena mereka terletak di bawah permukaan

33

kulit. Sistem biometrik berdasarkan sidik jari bisa tertipu dengan

boneka jari dilengkapi dengan sidik jari disalin, suara dan wajah

karakteristik sistem berbasis dapat tertipu oleh rekaman dan gambar

resolusi tinggi. Sistem vena jari ID jauh lebih sulit untuk menipu

karena hanya dapat mengotentikasi jari dari orang hidup.

2.1.5.5 Biometriks dengan Iris Recognition

Iris Recognition adalah metode otentikasi biometrik yang

menggunakan teknik pengenalan pola yang didasarkan pada resolusi

tinggi gambar dari irides mata individu (A. E. Hassanien ,2006).

Tidak menjadi bingung dengan yang lain, kurang lazim, mata

berbasis teknologi, pemindaian retina, Iris Recognition menggunakan

teknologi kamera, dengan pencahayaan inframerah halus mengurangi

refleksi specular dari kornea cembung, untuk membuat gambar detail

yang kaya, struktur rumit dari iris . Dikonversi ke dalam template

digital, gambar ini menyediakan representasi matematis dari iris yang

menghasilkan identifikasi positif tidak ambigu individu.

Iris Recognition keberhasilan jarang terhalang oleh kacamata

atau lensa kontak. Iris teknologi telah salah satu kelompok outlier

terkecil (mereka yang tidak dapat menggunakan / mendaftarkan diri)

dari setiap teknologi biometrik. Keuntungan utama dari pengenalan iris

adalah stabilitas, atau umur panjang template, seperti, pembatasan

trauma, sebuah pendaftaran tunggal dapat berlangsung seumur hidup.

Terobosan bekerja untuk menciptakan pengenalan iris-algoritma

34

yang diperlukan untuk akuisisi citra dan satu-ke-banyak pencocokan

dirintis pada awal 2000-an oleh John G. Daugman, Ph.D, OBE

(Universitas Cambridge Laboratorium Komputer) (John Daugman,

2007). Ini digunakan untuk secara efektif memulai debut komersialisasi

teknologi dalam hubungannya dengan versi awal dari sistem IrisAccess

dirancang dan diproduksi oleh Korea LG Electronics. Daugman

algoritma adalah dasar dari hampir semua saat ini komersial dikerahkan

sistem pengenalan iris. (Dalam tes dimana batas yang cocok-untuk

lebih baik banding-berubah dari pengaturan default mereka untuk

memungkinkan tingkat palsu-menerima di wilayah 10-4 10-3 untuk,

IrisCode palsu-menolak tarif yang sebanding dengan tunggal yang

paling akurat matchers-jari sidik jari.)

Iris Recognition ini memiliki cara kerja, Sebuah algoritma

pengenalan iris-pertama untuk mengidentifikasi batas-batas terluar

sekitar konsentris melingkar dari iris dan pupil dalam foto mata.

Himpunan pixel hanya mencakup iris kemudian berubah menjadi pola

bit yang melindungi informasi yang sangat penting untuk perbandingan

statistik bermakna antara dua gambar iris. Metode matematis yang

digunakan mirip dengan modern algoritma kompresi lossy untuk

gambar fotografi. Dalam kasus algoritma Daugman, sebuah Gabor

wavelet transform digunakan untuk mengekstrak rentang frekuensi

spasial yang berisi paling baik sinyal-to-noise rasio mempertimbangkan

kualitas kamera yang tersedia fokus. Hasilnya adalah suatu himpunan

bilangan kompleks yang membawa amplitudo lokal dan informasi fase

35

untuk gambar iris. Dalam algoritma Daugman, semua informasi

amplitudo dibuang, dan 2048 yang dihasilkan bit yang mewakili suatu

iris hanya terdiri dari bit tanda kompleks representasi Gabor-domain

dari gambar iris. Membuang informasi amplitudo memastikan bahwa

template tetap sebagian besar tidak terpengaruh oleh perubahan dalam

pencahayaan dan hampir diabaikan oleh iris warna, yang memberikan

kontribusi signifikan terhadap stabilitas jangka panjang dari template

biometrik. Untuk mengotentikasi melalui identify (pencocokan

template yang satu-ke-banyak) atau verifikasi (satu-ke-satu pencocokan

template), template yang dibuat oleh pencitraan iris dibandingkan

dengan template nilai yang disimpan dalam database. Jika jarak

Hamming berada di bawah ambang batas keputusan, identifikasi positif

telah efektif telah dibuat.

Masalah praktis dari pengenalan iris adalah bahwa biasanya

sebagian tertutup oleh kelopak mata dan bulu mata. Untuk mengurangi

FRR dalam kasus tersebut, algoritma tambahan diperlukan untuk

mengidentifikasi lokasi dari kelopak mata dan bulu mata dan untuk

mengecualikan bit dalam kode yang dihasilkan dari operasi

perbandingan.

36

2.2 Statistik

2.2.1 Definisi Statistik

Statistik adalah sebagai alat pengolah data angka. Stasistik dapat juga

diartikan sebagai metode yang diguna untuk mengerjakan/memanipulasi data

kuantitatif agar angka berbicara. Pendekatan dengan statistik sering digunakan

metode statistik yaitu metode guna mengumpulkan, mengolah, menyajikan,

menganalisis & menginterpretasikan data statistik. Statistika dapat pula diartikan

pengetahuan yang berhubungan dengan pengumpulan data, pengolahan data,

penganalisisan dan penarikan kesimpulan berdasarkan data dan analisis. Jadi

statistik adalah produk dari kerja statistika.

Ada dua konsep dalam bahasa Inggris.Statistic: nilai yang dihitung dari

sebuah sampel (mean, median, modus, dsb). Statistics: metode ilmiah untuk

pengumpulan data atau kumpulan angka. Dalam bahasa Indonesia, statistik

memiliki 3 pengertian dimuka

2.2.2 Skala Pengukuran

Pengukuran adalah proses hal mana suatu angka atau simbol dilekatkan pada

karakteristik atau properti suatu stimuli sesuai dengan aturan/prosedur yang telah

ditetapkan (Imam Ghozali, 2005). Misal, orang dapat diganbarkan dari beberapa

karakteristik: umur, tingkat pendidikan, jenis kelamin, tingkat pendapatan, dll.

Ada 4 skala pengukuran :

1. Skala Nominal : Skala nominal merupakan skala yang merupakan kategori

atau kelompok dari suatu subyek. Misal, variabel jenis kelamin responden

37

dikelompokkan menjadi dua, L/P, masing-masing diberi kode 1 dan 2.

Angka ini hanya berfungsi sebagai label kategori, tanpa memiliki nilai

instrinsik dan tidak memiliki arti apa pun

2. Skala Ordinal : lambang-lambang bilangan hasil pengukuran menunjukkan

urutan atau tingkatan obyek yang diukur menurut karakteristik yang

dipelajari

3. Skala Interval : Skala pengukuran mempunyai sifat seperti skala ordinal

(memiliki urutan tertentu), ditambah satu sifat khas, yaitu adanya satuan

skala (scale unit). Artinya, perbedaan karakteristik antara obyek yang

berpasangan dengan lambang bilangan satu dengan lambang bilangan

berikutnya selalu tetap.

4. Skala ratio : Skala rasio adalah skala yang menghasilkan data dengan mutu

yang paling tinggi. Perbedaan skala rasio dengan skala interval terletak

pada keberadaan nilai nol (based value). Pada skala rasio, nilai nol bersifat

mutlak, tidak seperti pada skala interval. Data yang dihasilkan oleh skala

rasio adalah data rasio. Tidak ada pembatasan terhadap alat uji statistik

yag sesuai.

2.2.3 Statistika parametrik dan statistika non-parametrik

Statistika parametrik adalah suatu uji yang modelnya menetapkan adanya

syarat-syarat tertentu (asumsi-asumsi) tentang variabel random atau populasi yang

merupakan sumber sampel penelitian. Sedangkan uji statistik yang tidak

memerlukan adanya syarat-syarat tersebut disebut statistika non-parametrik.

Statistika parametik lebih banyak digunakan untuk menganalisis data yang

38

berskala interval dan rasio dengan dilandasi asumsi tertentu seperti normalitas.

Statistika non-parametik dapat digunakan untuk menganalisis data yang berskala

nominal dan ordinal.

2.2.4 Hipotesis

Hipotesis statistik didefinisikan sebagai pernyataan matematis tentang

parameter populasi yang akan diuji sejauhmana suatu data sampel mendukung

kebenaran hipotesis tersebut. Hipotesis merupakan kesimpulan sementara yang

masih harus diuji kebenarannya. Ada dua rumusan hipotesis, yaitu: hipotesis null

(H0) dan hipotesis alternatif (H1). Tujuan pengujian hipotesis adalah “menolak

H0”, jika hal ini berhasil, maka peneliti akan mengatakan “... berhasil menolak

hipotesis (H0) yang mengatakan...”. Jika pengujian ini gagal, maka meneliti akan

mengatakan “... gagal menolak hipotesis (H0) yang mengatakan...”

2.2.4.1 Pengujian Hipotesis

Langkah – Langkah pengujian hipotesis :

1. Menentukan Formula Hipotesis

Formulasi atau perumusan hipotesis statistik dapat dibedakan atas dua

jenis, yaitu sebagai berikut :

1. Hipotesis nol

Hipótesis nol, disimbolkan H0 adalah hipótesis yang dirumuskan

sebagai suatu pernyataan yang akan diuji.

2. Hipotesis Alternatif

39

Hipótesis alternatif disimbolkan H1 atau Ha adalah hipótesis yang

dirumuskan sebagai lawan atau tandingan dari hipótesis nol.

Secara umum penulisan hipotesis adalah sebagai berikut :

1. Hipotesis dua pihak (Two Tailed)

H0 : Φ = Φ0

H1 : Φ ≠ Φ0

2. Hipotesis sepihak (Kanan)

H0 : Φ ≤ Φ0

H1 : Φ > Φ0

3. Hipotesis sepihak (Kiri)

H0 : Φ ≥ Φ0

H1 : Φ < Φ0

2. Significant Level

Taraf nyata adalah besarnya batas toleransi dalam menerima kesalahan

hasil hipotesis terhadap nilai parameter populasinya. Taraf nyata

dilambangkan dengan α (alpha) Semakin tinggi taraf nyata yang

digunakan, semakin tinggi pula penolakan hipotesis nol atau hipotesis

yang diuji, padahal hipotesis nol benar. Besarnya nilai α bergantung pada

keberanian pembuat keputusan yang dalam hal ini berapa besarnya

kesalahan yang akan ditolerir. Besarnya kesalahan tersebut disebut sebagai

daerah kritis pengujian (critical region oftest) atau daerah penolakan

(region of rejection).

40

3. Menentukan Kriteria Pengujian

Kriteria pengujian adalah bentuk pembuatan keputusan dalam menerima

atau menolak hipotesis nol (H0) dengan cara membandingkan nilai α tabel

distribusinya (nilai kritis) dengan nilai uji statistiknya, sesuai dengan

bentuk pengujiannya.

Penerimaan H0 terjadi jika nilai uji statistiknya lebih kecil atau

lebih besar daripada nilai positif atau negatif dari α tabel. Atau nilai

uji statistik berada di luar nilai kritis.

Penolakan H0 terjadi jika nilai uji statistiknya lebih besar atau

lebih kecil daripada nilai positif atau negatif dari α tabel. Atau nilai

uji statistik berada di dalam nilai kritis.

4. Menentukan Nilai Uji Statistik

Uji statistik merupakan rumus-rumus yang berhubungan dengan distribusi

tertentu dalam pengujian hipotesis. Uji statistik merupakan perhitungan

untuk menduga parameter data sampel yang diambil secara random dari

sebuah populasi.

Berikut ini adalah jenis – jenis pengujian hipotesis

1. Berdasarkan parameter

1. Pengujian hipotesis tentang rata-rata

2. Pengujian hipotesis tentang proporsi

3. Pengujian hipotesis tentang varians

41

2. Berdasarkan jumlah sample

1. Pengujian sampel besar (n > 30)

2. Pengujian sampel kecil (n ≤ 30)

3. Berdasarkan jenis distribusi

1. Pengujian hipotesis dengan distribusi Z

2. Pengujian hipotesis dengan distribusi t (t-student)

3. Pengujian hipotesis dengan distribusi χ2 (chi-square)

4. Pengujian hipotesis dengan distrbusi F (F-ratio)

5. Berdasarkan arah atau bentuk formasi hipotesis

5. Membuat Kesimpulan

Pembuatan kesimpulan merupakan penetapan keputusan dalam hal

penerimaan atau penolakan hipotesis nol (H0), sesuai dengan kriteria

pengujiannya.Pembuatan kesimpulan dilakukan setelah membandingkan

nilai uji staistik dengan nilai α tabel atau nilai kritis.

2.2.4.2 Uji Statistik Hipotesis

Berikut ini adalah uji statistik yang digunakan untuk penelitian ini :

1. Uji Statistik Korelasi

Korelasi merupakan hubungan antara dua buah variabel, jika nilai suatu

variabel naik, sedangkan nilai variabel yang lain turun, maka dikatakan

terdapat hubungan negatif serta sebaliknya. Korelasi yang biasa digunakan

42

dalam penelitian adalah:

▪ Korelasi Pearson Product Moment

Korelasi ini dilakukan jika sepasang variabel kontinu, memiliki

korelasi. Jumlah pengamatan variabel X dan Y harus sama, atau kedua

nilai variabel tersebut berpasangan. Semakin besar nilai koefisien

korelasinya maka akan semakin besar pula derajat hubungan antara

kedua variabel. Korelasi Pearson biasanya pada hubungan yang

berbentuk linier (keduanya meningkat atau keduanya menurun).

Koefisien korelasi ini tidak menunjukkan adanya hubungan kausal antar

variabelnya.

• Korelasi Spearman

Jika pengamatan dari 2 variabel X dan Y adalah dalam bentuk skala

ordinal, maka derajat korelasi dicari dengan koefisien korelasi

spearman. Prosedurnya terdiri atas:

1. Atur Pengamatan dari kedua variabel dalam bentuk ranking.

2. Cari beda dari masing-masing pengamatan yang sudah berpasangan

3. Hitung koefisien korelasi Spearman dengan rumus:

ρ = 1 = 6∑d12 / N3 – N

dimana:

d1= beda antara 2 pengamatan berpasangan

N= total pengamatan

43

ρ =koefisien korelasi spearman

Penyelesaian kasus tersebut secara manual dapat digunakan dengan

langkah pemeringkatan terlebih dahulu pada kedua variabel

(kematian karena sakit dan kematian karena stress).

• Corelasi Rank Kendall

Analisis korelasi rank Kendall digunakan untuk mencari hubungan

dan menguji hipotesis antara dua variabel atau lebih, bila datanya

berbentuk ordinal atau ranking. Kelebihan metode ini bila digunakan

untuk menganalisis sampel berukuran lebih dari 10 dan dapat

dikembangkan untuk mencari koefisien korelasi parsial.

Metode yang digunakan pada analisis koefisien korelasi rank

Kendall yang diberi notasi τadalah sebagai berikut.

◦ Beri ranking data observasi pada variabel X dan variabel Y.

◦ Susun n objek sehingga ranking X untuk subjek itu dalam

urutan wajar, yaitu 1, 2, 3, …, n. Apabila terdapat ranking yang

sama maka ranking-nya adalah rata-ratanya.

◦ Amati ranking Y dalam urutan yang bersesuaian denga ranking

X yang ada dalam urutan wajar kemudian tentukan jumlah

angka pasangan concordan (Nc) dan jumlah angka pasangan

discordant (Nd).

• Statistik uji yang digunakan:

44

τ = Nc – Nd / (N(N-1)/2)

dimana:

◦ τ = koefisien korelasi rank Kendall

◦ Nc = jumlah angka pasangan concordant

◦ Nd = jumlah angka pasangan discordant

◦ N = ukuran sampel

2. ANOVA satu Arah

Analisis variansi adalah suatu prosedur untuk uji perbedaan mean

beberapa populasi.Konsep analisis variansi didasarkan pada konsep

distribusi F dan biasanya dapat diaplikasikan untuk berbagai macam kasus

maupun dalam analisis hubungan antara berbagai varabel yang diamati.

Dalam perhitungan statistik, analisis Variansi sangat dipengaruhi asumsi-

asumsi yang digunakan seperti kenormalan dari distribusi, homogenitas

variansi dan kebebasan dari kesalahan.

Asumsi kenormalan distribusi memberi penjelasan terhadap karakteristik

data setiap kelompok. Asumsi adanya homogenitas variansi menjelaskan

bahwa variansi dalam masing-masing kelompok dianggap sama.

Sedangkan asumsi bebas menjelaskan bahwa variansi masing-masing

terhadap rata-ratanya pada setiap kelompok bersifat saling bebas.

Analisis variansi adalah suatu prosedur untuk uji perbedaan mean

beberapa populasi (lebih dari dua).Hipotesis ANOVA satu arah

45

H0 : μ1= μ 2 = μ 3 = … = μ k

▪ Seluruh mean populasi adalah sama

▪ Tidak ada efek treatment ( tidak ada keragaman mean

dalam grup )

H1 : tidak seluruhnya mean populasi adalah sama

▪ Terdapat sebuah efek treatment

▪ Tidak seluruh mean populasi berbeda ( beberapa pasang

mungkin sama )

Partisi Variansi

Variansi total dapat dibagi menjadi 2 bagian :

SST = SSG + SSW

SST = Total sum of squares (jumlah kuadrat total) yaitu penyebaran

agregat nilai data individu melalui beberapa level faktor .

SSG/SSB = Sum of squares between-grup (Jumlah kuadrat antara)

yaitu penyebaran diantara mean sampel faktor .

SSW/SSE = Sum of squares within-grup (jumlah kuadrat dalam)

yaitu penyebaran yang terdapat diantara nilai data dalam sebuah

level faktor tertentu .

Rumus jumlah kuadarat total ( total sum of squares )

SST = SSG + SSW

46

Dimana

SST = total sum of squares ( jumlah kadarat total )

k = levels of treatment ( jumlah populasi )

ni = ukuran sampel dari poplasi i

x ij = pengukuran ke-j dari populsi ke-i

x = mean keseluruha ( dari seluruh nilai data )

Variansi total

Rumus untuk mencari variasi jumlah kuadrat dalam

Keterangan :

SSW/SSE = jumlah kuadrat dalam

k = levels of treatment ( jumlah populasi )

ni = ukuran sampel dari poplasi i

xij = pengukuran ke-j dari populsi ke-i

x = mean keseluruha ( dari seluruh nilai data )

Rumus untuk mencari varisi diantara grup

Keterangan

47

SSB/SSG = jumlah kuadrat diantara

k = levels of treatment ( jumlah populasi )

ni = ukuran sampel dari poplasi i

xij = pengukuran ke-j dari populsi ke-i

x = mean keseluruha ( dari seluruh nilai data )

Rumus variasi dalam kelompok MSW =SSW/N-K

dimana:

MSW = Rata-rata variasi dalam kelompok

SSW = jumlah kuadrat dalam

N-K = derajat bebas dari SSW

rumus variasi diantara kelompok

MSG = SSG/K-1

MSG/SSW = Rata-rata variasi diantara kelompok

SSG = jumlah kuadrat antara

k-1 = derajat bebas SSG