Biometrik

Biometrik (berasal dari bahasa Yunani bios yang artinya hidup dan metron yang artinya mengukur). Maka, dapat disimpulkan bahwa biometrik adalah pengukuran dan perhitungan tubuh yang berkaitan dengan karakteristik manusia. Dalam dunia teknologi informasi, biometrik relevan dengan teknologi sebagai otentikasi biometrik (atau otentikasi realistis) yang digunakan dalam mempelajari ilmu komputer sebagai suatu bentuk identifikasi dan kontrol akses. Pengukuran tersebut juga, dapat digunakan dalam mengidentifikasi individu dalam kelompok yang berada di bawah pengawasan.

Pengidentifikasi biometrik sangat karakteristik khas dan terukur yang digunakan untuk memberi tanda dan menggambarkan individu. Pengidentifikasi biometrik sering kali dikategorikan sebagai karakteristik fisiologis yang terkait dengan bentuk tubuh. Contohnya termasuk, tetapi tidak terbatas pada sidik jari, urat telapak tangan, pengenalan wajah, DNA (deoxyribonucleic acid), sidik telapak tangan, geometri tangan, pengenalan iris ataupun retina dan bau/aroma. Karakteristik perilaku berkaitan dengan pola perilaku seseorang, termasuk namun tidak terbatas pada ritme mengetik, gaya berjalan, penekanan tombol, tanda tangan, profil perilaku dan suara . Sebagian peneliti menciptakan istilah "behaviometrics" dengan tujuan sebagai pengambaran kelas biometrik yang terakhir.^[1]

Sejarah

Teknologi biometrik mengalami perkembangan pesat setelah diimplementasikan secara meluas dalam kerja pemerintahan elektronik. Pemerintahan elektronik digunakan oleh pemerintah sebagai salah satu langkah untuk meningkatkan efisiensi dan efektivitas kinerja pemerintahan dalam relasi internal dan eksternal negara. Selain itu, penggunaan pemerintahan elektronik ini juga dimaksudkan untuk menunjang pelayanan publik kepada masyarakat. Banyak negara kemudian mengadopsi sistem pemerintahan elektronik ini untuk peningkatan kinerjanya. Berawal dari pusat katalog sidik jari yang dimulai pada tahun 1881 ketika Juan Vucetich memulai pengumpulan sidik jari para penjahat di Argentina. Josh Ellenbogen dan Nitzan Lebovic berpendapat bahwa biometrik berasal dari sistem identifikasi terhadap aktivitas kriminal yang dikembangkan oleh Alphonse Bertillon (1853–1914) dan oleh teori sidik jari dan fisiognomi Francis Galton.^[2] Menurut Lebovic, karya Galton "mengarah pada penerapan model matematika untuk sidik jari, frenologi, dan karakteristik wajah, sebagai bagian dari identifikasi mutlak dan kunci untuk memasukkan dan mengecualikan populasi.^[3] Dengan demikian, sistem biometrik adalah senjata politik mutlak zaman kita dan bentuk kontrol lunak.^[4] Ahli teori David Lyon menunjukkan bahwa selama dua dekade terakhir sistem biometrik telah menembus pasar sipil dan mengaburkan garis antara bentuk kontrol pemerintah dan kontrol perusahaan swasta.^[5] Kelly A. Gates mengidentifikasi 9/11 sebagai titik balik untuk bahasa budaya masa kini di mana objek atau peristiwa yang tidak memiliki hubungan yang diperlukan datang bersamaan dalam pembentukan wacana baru didirikan berupa pengenalan wajah otomatis sebagai teknologi keamanan dalam negeri.^[6]

Fungsi

Banyak aspek yang berbeda dari fisiologi manusia, kimia atau perilaku dapat digunakan untuk otentikasi biometrik. Pemilihan biometrik bertujuan untuk digunakan dalam aplikasi tertentu melibatkan pembobotan beberapa faktor. Jain dkk. (1999)^[7] mengemukakan bahwa ada tujuh faktor yang digunakan ketika menilai kesesuaian sifat apapun untuk digunakan dalam otentikasi biometrik.

Universalitas (Universality) diartikan bahwa setiap orang yang menggunakan sistem harus memiliki sifat tersebut.
Keunikan (Uniqueness) diartikan bahwa sifat harus cukup berbeda untuk individu dalam populasi yang relevan sehingga mereka dapat dibedakan satu sama lain.
Keabadian (Permanence) dikaitkan dengan cara di mana suatu sifat bervariasi dari waktu ke waktu. Lebih khusus lagi, sifat dengan keabadian "baik" akan cukup invarian dari waktu ke waktu sehubungan dengan algoritma pencocokan tertentu .
Measurability atau kolektabilitas (Collectability) dikaitkan dengan kemudahan perolehan atau pengukuran sifat. Selain itu, data yang diperoleh harus dalam bentuk yang memungkinkan pemrosesan dan ekstraksi selanjutnya dari kumpulan fitur yang relevan.
Performa (Performance) dikaitkan dengan akurasi, kecepatan, dan kekokohan teknologi yang digunakan.
Akseptabilitas (Acceptability) dikaitkan dengan seberapa baik individu dalam populasi yang relevan menerima teknologi sedemikian rupa sehingga mereka bersedia agar sifat biometrik mereka ditangkap dan dinilai.
Pengelakan (Circumvention) dikaitkan dengan kemudahan yang dengannya suatu sifat dapat ditiru menggunakan artefak atau pengganti.

Performa

Kekuatan pembanding dari semua teknologi biometrik bergantung pada jumlah entropi sehingga dapat dikodekan dan digunakan dalam pencocokan. Faktor fundamental yang mendasari kekuatan identifikasi biometrik adalah entropi.^[8] Berikut ini digunakan sebagai metrik kinerja untuk sistem biometrik:^[9]

False Match Rate (FMR) atau juga disebut False Accept Rate (FAR), yaitu kemungkinan bahwa sistem salah mencocokkan pola input dengan template yang tidak cocok dalam database. Ini mengukur persentase input tidak valid yang diterima secara tidak benar. Dalam kasus skala kesamaan, jika orang tersebut adalah penipu dalam kenyataan, tetapi skor kecocokan lebih tinggi dari ambang batas, maka ia diperlakukan sebagai asli. Hal ini meningkatkan FMR, yang dengan demikian juga tergantung pada nilai ambang batas.^[10]
False Non-Match Rate (FNMR) atau juga disebut False Reject Rate (FRR), yaitu kemungkinan sistem gagal mendeteksi kecocokan antara pola input dan template yang cocok dalam database. Ini mengukur persentase input valid yang ditolak secara tidak benar.
Receiver Operating Characteristic atau Relative Operating Characteristic (ROC), yaitu karakterisasi visual dari trade-off antara FMR dan FNMR. Secara umum, merupakan pencocokan algoritma dalam melakukan keputusan berdasarkan ambang batas yang menentukan seberapa dekat dengan format yang dibutuhkan input agar dianggap cocok. Jika ambang batas dikurangi, akan ada lebih sedikit ketidakcocokan palsu tetapi lebih banyak penerimaan palsu. Sebaliknya, ambang batas yang lebih tinggi akan mengurangi FMR tetapi meningkatkan FNMR. Varian umum adalah Detection Error Trade-off (DET) diperoleh dengan menggunakan skala deviasi normal pada kedua sumbu. Grafik yang lebih linier ini menjelaskan perbedaan untuk kinerja yang lebih tinggi (kesalahan yang lebih jarang).
Equal Error Rate atau Crossover Error Rate (EER atau CER), yaitu tingkat di mana kesalahan penerimaan dan penolakan sama. Satu nilai EER dapat dengan mudah diperoleh dari kurva ROC. EER adalah cara cepat untuk membandingkan tingkatan akurasi dari perangkat dengan kurva ROC yang berbeda. Secara umum, perangkat dengan EER terendah adalah yang paling akurat.
Failure To Enroll Rate (FTE or FER), yaitu tingkat di mana upaya untuk membuat template dari input tidak berhasil. Ini paling sering disebabkan oleh input berkualitas rendah.
Failure To Capture Rate (FTC), yaitu tingkat di mana kemungkinan sistem gagal mendeteksi input biometrik ketika disajikan dengan benar pada sistem otomatis.
Template Capacity, yaitu jumlah maksimum set data yang dapat disimpan dalam sistem.

Sistem biometrik multimodal

Sistem biometrik multimodal menggunakan biometrik untuk mengatasi ketidakmampuan sistem biometrik unimodal.^[11] Misalnya, sistem pengenalan iris dapat dikompromikan oleh iris yang menua^[12] dan pengenalan sidik jari elektronik dapat diperburuk oleh sidik jari yang aus atau terpotong. Lain halnya dengan sistem biometrik unimodal yang dibatasi oleh integritas pengidentifikasinya, tidak mungkinkan bahwa sistem unimodal akan mengalami keterbatasan yang identik. Sistem biometrik multimodal diperoleh dengan mengumpulkan informasi dari penanda yang sama yaitu, beberapa gambar iris, atau pemindaian jari yang sama ataupun informasi dari biometrik yang berbeda yang memerlukan pemindaian sidik jari dan, menggunakan pengenalan suara, kode sandi yang diucapkan.^[13]^[14]

Secara berurutan, bersamaan, saling berkombinasi atau seri, sistem biometrik multimodal digabungkan dengan sistem unimodal dengan mengacu pada mode integrasi berurutan, paralel, hierarkis, dan serial. Penggabungan informasi biometrik dapat terjadi pada bagian tahap sistem pengenalan. Dalam kasus fusi tingkat fitur, data itu sendiri atau fitur yang diekstraksi dari sebagian biometrik yang digabungkan. Tingkat skor fusi yang cocok mengkonsolidasikan skor yang dihasilkan oleh beberapa pengklasifikasi berkaitan dengan modalitas yang berbeda. Akhirnya, dalam kasus tingkat keputusan fusi, hasil akhir dari beberapa pengklasifikasi digabungkan dengan teknik seperti pemungutan suara mayoritas . Fusi level fitur diyakini lebih efektif dibandingkan dengan level fusi lainnya karena set fitur berisi informasi yang lebih kaya mengenai data biometrik input daripada skor yang cocok atau keputusan output dari pengklasifikasinya. Oleh karena itu, fusi pada level fitur dianggap perlu dalam memberikan hasil pengenalan yang lebih baik.^[11]

Bidang Kesehatan

Untuk keperluan diagnostik dan pengobatan,studi biometrik diurai menjadi

Bahan biometrik adalah bagian-bagian alat dari alat tubuh yang terlihat ataupun sensorik motorik tubuh manusia seperti: sidik jari, tulisan tangan, wajah, struktur rambut dan tulang, pigmentasi kulit, sklera mata, motorik dan sensorik jari, dan lain sebagainya
Kode biometrik adalah tanda-tanda spesifik atau unik pada bahan-bahan biometrik seperti garis-garis pada sidik jari, warna pada sklera mata, hambatan pada sensorik motorik dan lain sebagainya.
Pengindraan atau membaca kode biometrik adalah metode untuk mengenali atau menerjemahkan berbagai kode biometrik yang ada. teknik pembacaannya bisa menggunakan indra-indra manusia atau peralatan teknologi. Saat ini bidang kesehatan dan psikologi telah mengembangkan berbagai studi seputar membaca kode biometrik, antara lain:

Mengetahui struktur daya tahan tubuh (imuno) melalui lunula kuku ibu jari.
Mengetahui struktur ikatan batin (emo) melalui sidik jari cleft 1 dan cleft 2
Mengetahui struktur alur imunitas (visera) melalui sidik jari sekitar cleft 1
Memahami struktur ritme sefalografi (relaksasi dan stress) melalui cleft kapiler telapak tangan (palmar)
Mengetahui pola pertum-buhan tulang (osteo) melalui lingkar ibu jari dan telunjuk
Mengetahui kondisi paru-paru dan nafas (pulmonal) melalui ujung jari & kuku
Mengetahui kondisi ginjal dan kandung kemih dengan lekukan jari
Memahami pola pertumbuhan jaringan tubuh (plasmo) melalui grafologi lingkaran
Memahami pola interaksi sosial melalui grafologi sudut kemiringan.
Mengetahui potensi psiko-pat dan sosiopat serta struktur ekstra sensoric perception (ESP) melalui Sklera mata, dan lain sebagainya

Keuntungan

Beberapa keuntungan biometrik sebagai berikut:

Berlaku Umum

Setiap individu memiliki garis-garis pada sidik jari, retina, struktur guratan wajah dan lain-lain.

Memiliki Unsur Unik

Setiap individu memiliki sidik jari, retina, struktur guratan wajah yang berbeda-beda.

Tingkat Keamanan Tinggi

Pemalsuan Identifikasi sangat sulit dilakukan.

Penerapan

Contoh penerapan biomtrik pada pemindaian sidik jari diuraikan sebagai berikut.^[15]

Pemindaian sidik jari menggunakan perangkat khusus yang menangkap informasi tentang sidik jari seseorang, di mana informasi ini akan digunakan untuk otentikasi orang di lain waktu. Masing-masing jari terdiri dari pola garis yang unik. Pemindai sidik jari tidak menangkap seluruh sidik jari; sebaliknya, mereka merekam detail kecil tentang sidik jari yang disebut minutiae. Misalnya, scanner akan memilih titik pada sidik jari lalu merekam seperti apa bentuk pola/lekukan pada titik tersebut, ke mana ia mengarah, dan sebagainya.

Dengan memilih beberapa titik tersebut, pemindai ini dapat menjadi sangat akurat. Meskipun identifikasi minutiae bukan satu-satunya faktor yang cocok untuk perbandingan sidik jari, ia merupakan fitur utama yang digunakan dalam sistem pemindaian sidik jari. Jumlah minutiae pada sidik jari dapat bervariasi, tetapi pemindai sidik jari berkualitas tinggi akan dapat berisi antara 60 hingga 80 minutiae.

Sebuah sistem biometrik dapat mengidentifikasi sidik jari dari pola aliran lekukannya; jumlah lekukan; jenis, arah, dan lokasi kunci dari titik yang ada; serta lokasi dari pori-pori pada jari. Mengingat simpel serta luasnya penggunaan teknologi ini, pemindaian sidik jari merupakan teknologi biometrik yang paling banyak digunakan saat ini.

Satu poin penting yang harus diingat adalah bahwa ada banyak kerentanan proses otentikasi sidik jari yang menjadikannya tidak sepenuhnya aman. Kerentanan ini dapat terjadi pada saat proses pemindaian, proses pentransferan serta penyimpanan data hasil pemindaian sidik jari. Melalui cara yang relatif sederhana, orang yang tidak sah dapat memperoleh akses ke sistem pemindaian sidik jari. Alat pemindai mungkin tertipu dengan hanya meniup permukaan scanner karena bekas sidik jari masih tersimpan pada alat pemindai, atau bisa juga menggunakan jari buatan dari lilin (wax).

Kelemahan lain teknologi sidik jari adalah proses penyimpanan dan transmisi informasi sidik jari. Data kecil sidik jari harus disimpan sebagai template dalam database pada server; dengan demikian, ia menjadi rentan dikarenakan lemahnya keamanan jaringan komputer tersebut. Data sidik jari juga harus dikirimkan ke server, maka proses transmisi data tersebut juga dapat menjadi sasaran empuk para hacker. Selain itu, template sidik jari pada server harus dilindungi oleh firewall, enkripsi, dan langkah-langkah keamanan jaringan dasar lainnya untuk menjaga template tetap aman.

Ukuran organisasi adalah komponen penting lain dalam menentukan efektivitas sistem sidik jari. Organisasi yang lebih besar membutuhkan lebih banyak waktu dan sumber daya untuk membandingkan data sidik jari. Meskipun ini bukan masalah bagi banyak organisasi, itu bisa menjadi masalah bagi organisasi pemerintah yang besar dan kompleks seperti FBI.

Variasi dalam pemindaian juga dapat menjadi masalah karena minutiae palsu dapat muncul sedangkan minutiae yang asli malah tidak terpindai, hal ini akan meningkatkan kesulitan dalam usaha membandingkan dua scan yang berbeda. Setiap hasil scan dari sidik jari yang sama dapat memiliki representasi yang sedikit berbeda. Variasi ini mungkin disebabkan oleh beberapa faktor, termasuk posisi jari selama proses pemindaian serta tekanan jari yang ditempatkan pada alat pemindai.

Referensi

^ Alzubaidi, Abdulaziz; Kalita, Jugal (2016). "Authentication of Smartphone Users Using Behavioral Biometrics". IEEE Communications Surveys & Tutorials. 18 (3): 1998–2026. arXiv:1911.04104  . doi:10.1109/comst.2016.2537748. ISSN 1553-877X.
^ Ellenbogen, Josh (2012), Reasoned and Unreasoned Images: The Photography of Bertillon, Galton, and Marey, University Park
^ Ellenbogen, Nitzan (2015), Biometrics or the Power of the Radical Center, University of Chicago, hlm. 841–868
^ Ellenbogen, Nitzan (2015), Biometrics or the Power of the Radical Center, University of Chicago, hlm. 853
^ Lyon, David (2001), Surveillance Society: Monitoring Everyday Life, University Press, hlm. 853, ISBN 0-33520546-1
^ Gates, Kelly A. (2011), Our Biometric Future: Facial Recognition Technology and the Culture of Surveillance (PDF), New York: University Press, hlm. 100, ISBN 978-0-8147-3279-3
^ Jain, A. K.; Bolle, R.; Pankanti, S., ed. (1999). Biometrics: Personal Identification in Networked Society. Kluwer Academic Publications. ISBN 978-0-7923-8345-1.
^ M. Cover, Thomas; A. Thomas, Joy (1991), Elements of Information Theory (PDF), New York: John Wiley & Sons, Inc, hlm. 1–2, ISBN 0-471-20061-1
^ "Characteristics of Biometric Systems". Cernet. Diarsipkan dari versi asli tanggal 17 Oktober 2008.
^ Sahoo, Soyuj Kumar; Choubisa, Tarun; Prasanna, SR Mahadeva (1 Januari 2012). "Multimodal Biometric Person Authentication : A Review". IETE Technical Review. 29 (1): 54–75. doi:10.4103/0256-4602.93139. Diarsipkan dari versi asli tanggal 16 Januari 2014. Diakses tanggal 16 November 2021.
^ ^a ^b Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061.
^ "Questions Raised About Iris Recognition Systems". Science Daily. 12 Juli 2012. Diarsipkan dari versi asli tanggal 22 Oktober 2012.
^ Saylor, Michael (2012). The Mobile Wave: How Mobile Intelligence Will Change Everything. Perseus Books/Vanguard Press. hlm. 99. ISBN 9780306822988.
^ Bill Flook (3 oktober 2013). "This is the 'biometric war' Michael Saylor was talking about". Washington Business Journal. Diarsipkan dari versi asli tanggal 7 Oktober 2013.
^ Juliandi, Reza. "Sains Ph.D: Teknologi Biometrik: dari Sidik Jari, Iris Mata, hingga Suara". Sains Ph.D (dalam bahasa Inggris). Diakses tanggal 2018-05-08. ^{[pranala nonaktif permanen]}

Lihat juga

Pemindai biometrik

[1] Alzubaidi, Abdulaziz; Kalita, Jugal (2016). "Authentication of Smartphone Users Using Behavioral Biometrics". IEEE Communications Surveys & Tutorials. 18 (3): 1998–2026. arXiv:1911.04104  . doi:10.1109/comst.2016.2537748. ISSN 1553-877X.

[2] Ellenbogen, Josh (2012), Reasoned and Unreasoned Images: The Photography of Bertillon, Galton, and Marey, University Park

[3] Ellenbogen, Nitzan (2015), Biometrics or the Power of the Radical Center, University of Chicago, hlm. 841–868

[4] Ellenbogen, Nitzan (2015), Biometrics or the Power of the Radical Center, University of Chicago, hlm. 853

[5] Lyon, David (2001), Surveillance Society: Monitoring Everyday Life, University Press, hlm. 853, ISBN 0-33520546-1

[6] Gates, Kelly A. (2011), Our Biometric Future: Facial Recognition Technology and the Culture of Surveillance (PDF), New York: University Press, hlm. 100, ISBN 978-0-8147-3279-3

[Jain2-7] Jain, A. K.; Bolle, R.; Pankanti, S., ed. (1999). Biometrics: Personal Identification in Networked Society. Kluwer Academic Publications. ISBN 978-0-7923-8345-1.

[8] M. Cover, Thomas; A. Thomas, Joy (1991), Elements of Information Theory (PDF), New York: John Wiley & Sons, Inc, hlm. 1–2, ISBN 0-471-20061-1

[9] "Characteristics of Biometric Systems". Cernet. Diarsipkan dari versi asli tanggal 17 Oktober 2008.

[Choubisa-10] Sahoo, Soyuj Kumar; Choubisa, Tarun; Prasanna, SR Mahadeva (1 Januari 2012). "Multimodal Biometric Person Authentication : A Review". IETE Technical Review. 29 (1): 54–75. doi:10.4103/0256-4602.93139. Diarsipkan dari versi asli tanggal 16 Januari 2014. Diakses tanggal 16 November 2021.

[dca2-11] Haghighat, Mohammad; Abdel-Mottaleb, Mohamed; Alhalabi, Wadee (2016). "Discriminant Correlation Analysis: Real-Time Feature Level Fusion for Multimodal Biometric Recognition". IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/TIFS.2016.2569061.

[12] "Questions Raised About Iris Recognition Systems". Science Daily. 12 Juli 2012. Diarsipkan dari versi asli tanggal 22 Oktober 2012.

[13] Saylor, Michael (2012). The Mobile Wave: How Mobile Intelligence Will Change Everything. Perseus Books/Vanguard Press. hlm. 99. ISBN 9780306822988.

[14] Bill Flook (3 oktober 2013). "This is the 'biometric war' Michael Saylor was talking about". Washington Business Journal. Diarsipkan dari versi asli tanggal 7 Oktober 2013.

[15] Juliandi, Reza. "Sains Ph.D: Teknologi Biometrik: dari Sidik Jari, Iris Mata, hingga Suara". Sains Ph.D (dalam bahasa Inggris). Diakses tanggal 2018-05-08. ^{[pranala nonaktif permanen]}

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]