Subscribe to DeepL Pro to translate larger documents.

Visit www.DeepL.com/pro for more information.

IOSR Journal of Electronics and Communication Engineering (IOSR-JECE)

e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org

Teknologi Biometrik Modern: Masalah Teknis dan

Peluang Penelitian
Mandeep Singh Walia
(Teknik Elektronika dan Komunikasi, Pusat Regional SSG Universitas Panjab,
India)

Abstrak: Sistem biometrik adalah sistem pengenalan pola yang mengenali seseorang dengan menentukan
keaslian karakteristik tertentu sebagai fisiologis dan/atau perilaku yang dimiliki oleh orang tersebut. Definisi
umum sistem biometrik yang diberikan di atas dapat memiliki interpretasi yang luas yang belum tentu
membantu ketika mempertimbangkan sifat aplikasi biometrik modern dan penggunaannya. Aplikasi biometrik
memiliki potensi untuk menawarkan keamanan otentikasi/identifikasi yang jauh lebih kuat daripada sistem
tradisional. . Faktanya, adopsi solusi biometrik yang meluas memiliki implikasi yang mendalam terhadap cara
kita memandang hubungan antara individu dan negara. Namun, seperti halnya teknologi apa pun, faktor unik
dan keterbatasan dipertimbangkan dalam konteks domain aplikasi. Penelitian terhadap beberapa bidang yang
saling terkait akan membawa perbaikan yang berkelanjutan. Dalam makalah ini, isu-isu teknis dan rekayasa
dibahas dengan beberapa peluang teknologi biometrik modern.
Kata kunci: DNA, wajah, sidik jari, iris mata, suara

I. PENDAHULUAN
Sistem biometrik modern dapat ditelusuri melalui evolusi penyelidikan ilmiah, evaluasi empiris, dan
klasifikasi sifat fisik atau perilaku tertentu ke dalam sub-jenis. Konsep komputasi dasar yang menjadi inti dari
biometrik modern meliputi pemrosesan gambar, pengenalan pola, statistik, pensinyalan dasar, dan beberapa
model pembelajaran mesin seperti sistem berbasis pengetahuan dan jaring saraf. Sistem biometrik modern
adalah pengukuran otomatis dan pengenalan ciri-ciri tersebut dengan cara elektronik. Hingga akhir tahun 1980-
an, teknologi sidik jari dalam bentuk AFIS mendominasi industri biometrik dengan aplikasi khusus di bidang
kriminologi forensik dan keamanan pemerintah. Namun, berlanjut pada pengembangan pemrosesan gambar dan
pengenalan pola sebagai pengenalan otomatis atau mesin untuk membedakan pola yang menarik dari latar
belakang mereka dan membuat keputusan yang sesuai tentang kategori pola. Di mana pola adalah deskripsi
kuantitatif atau struktural dari suatu objek atau entitas lain yang menarik (seperti sinyal ucapan, gambar
intensitas PCB, DNA, gambar multi spektral, gambar dokumen, gambar sidik jari, gambar wajah, gambar iris
mata, dll.) [1].

II. MASALAH TEKNIS

Setiap sistem biometrik bergantung pada satu atau beberapa modalitas biometrik. Pilihan modalitas
adalah pendorong utama bagaimana sistem dirancang, bagaimana sistem disajikan kepada pengguna, dan
bagaimana keputusan kecocokan vs. ketidakcocokan dibuat. Setiap karakteristik fisiologis atau perilaku manusia
dapat digunakan untuk Sistem biometrik selama memenuhi Universalitas (Setiap orang harus memilikinya),
Kekhasan (Tidak boleh sama), Keabadian (Tidak boleh berubah-ubah dalam jangka waktu tertentu),
Pengumpulan, Performa (Harus memiliki keakuratan, kecepatan, dan kebutuhan sumber daya), Akseptabilitas
(Tidak boleh berbahaya bagi pengguna), dan Penyangkalan (Harus cukup kuat untuk berbagai metode penipuan)
[2]. Masalah teknis dalam hal metrik kinerja, akurasi, dan kegunaan diberikan di bawah ini.

2.1. Metrik Kinerja

Karena posisi yang berbeda pada sensor pemerolehan, kondisi pencitraan yang tidak sempurna, perubahan
lingkungan, deformasi, noise dan interaksi pengguna yang buruk dengan sensor, tidak mungkin dua sampel
dengan karakteristik biometrik yang sama, yang diperoleh dalam sesi yang berbeda, persis sama. Metrik kinerja
berikut ini digunakan untuk sistem pengenalan:
• Tingkat penerimaan yang salah atau tingkat kecocokan yang salah (FAR atau FMR) - probabilitas bahwa
sistem salah mencocokkan pola input dengan templat yang tidak cocok dalam database. Ini mengukur
persentase input yang tidak valid yang diterima secara tidak benar.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & Manajemen 1|

(AETM'15)" Halaman
• Tingkat penolakan palsu atau tingkat ketidakcocokan palsu (FRR atau FNMR) - probabilitas bahwa sistem
gagal mendeteksi kecocokan antara pola input dan templat yang cocok dalam database. Ini mengukur

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & Manajemen 2|

(AETM'15)" Halaman
IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
persentase input valid yang ditolak secara salah.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 3|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
• Karakteristik operasi Relatif atau Penerima (ROC) - Plot ROC adalah karakterisasi visual dari pertukaran
antara FAR dan FRR. Secara umum, algoritme pencocokan melakukan keputusan berdasarkan ambang
batas yang menentukan seberapa dekat input harus dengan template agar dapat dianggap cocok. Jika
ambang batas dikurangi, maka akan ada lebih sedikit false non-match tetapi lebih banyak false accept.
Sejalan dengan itu, ambang batas yang lebih tinggi akan mengurangi FAR tetapi meningkatkan FRR.
Variasi yang umum adalah Detection error trade-off (DET), yang diperoleh dengan menggunakan skala
deviasi normal pada kedua sumbu. Grafik yang lebih linier ini menerangi perbedaan untuk kinerja yang
lebih tinggi (kesalahan yang lebih jarang).
• Tingkat kesalahan yang sama atau tingkat kesalahan persilangan (EER atau CER) - tingkat di mana
kesalahan menerima dan menolak sama. Nilai EER dapat dengan mudah diperoleh dari kurva ROC. EER
adalah cara cepat untuk membandingkan akurasi perangkat dengan kurva ROC yang berbeda. Secara
umum, perangkat dengan EER terendah adalah yang paling akurat. Diperoleh dari plot ROC dengan
mengambil titik di mana FAR dan FRR memiliki nilai yang sama. Semakin rendah EER, semakin akurat
sistem tersebut.
• Kapasitas dan skala template - Dengan bertambahnya ukuran basis data, diperlukan penskalaan sistem
untuk mengontrol tingkat kesalahan pencocokan yang salah. Penskalaan mencakup beberapa unit
perangkat keras dan klasifikasi pola kasar. Perangkat keras yang berbanding lurus dengan ukuran basis
data akan menjadi mahal. Klasifikasi pola kasar hanya terjadi ketika beberapa ukuran tersedia dan
algoritma pengindeksan yang efisien diperlukan, bukan pendekatan umum yang dapat diterapkan untuk
semua ukuran biometrik.
• Kinerja biometrik dalam hal metrik adalah False Acceptance Rate (FAR) dan False Rejection Rate (FRR).
Penggunaan metrik tersebut adalah bahwa fitur biometrik yang sama tidak akan pernah dapat
menghasilkan dua template yang identik. Hal ini disebabkan oleh faktor lingkungan (kelembaban dan
intensitas cahaya), kinerja perangkat keras y a n g t i d a k konsisten, dan penuaan manusia dengan variasi
postur biometrik. Tantangannya adalah merancang sistem biometrik yang aman yang tidak akan pernah
tertipu oleh pengukuran palsu yang disuntikkan ke dalam sistem yang menghasilkan pengidentifikasi yang
dikompromikan. Sistem biometrik berkaitan dengan privasi karena ada kekhawatiran bahwa penggunaan
biometrik yang meluas akan berdampak pada privasi individu. Penggunaan biometrik yang terjadi
dikhawatirkan dapat membahayakan kesehatan karena penggunaan sinar inframerah untuk memindai pola
retina mata.

2.2. Akurasi
Akurasi dipengaruhi oleh sampel yang diambil dalam kondisi dekat atau jauh selama proses
pendaftaran. Seperti pada pengenalan suara, suara sistem lain (kipas angin, sistem pendingin udara) menyala
saat pengambilan sampel selama proses pendaftaran. Dalam pemindaian jari, mungkin gagal jika tekanan
penempatan jari berbeda selama proses pendaftaran. Faktor lain yang menyebabkan kegagalan sistem biometrik
adalah penggunaan kacamata, intensitas cahaya, dan lensa kontak berwarna.

2.3. Kegunaan
Biometrik yang efektif harus memiliki kemudahan penggunaan, kesehatan, privasi, dan keamanan.
Keuntungan biometrik dibandingkan kata sandi dan token adalah bahwa pengguna tidak perlu lagi membawa
atau mengingat apa pun. Akan sulit bagi biometrik untuk mendapatkan popularitas, jika sulit digunakan.
Kemudahan sistem biometrik dapat dinilai dari waktu pelatihan dan pendaftaran/identifikasi, pemeliharaan dan
skalabilitas sistem dan untuk melindungi kesehatan pengguna. Ketersediaan penting dalam hal kegunaan karena
sistem yang tidak tersedia untuk layanan tidak berguna untuk sebagian besar waktu, terlepas dari kemudahan
penggunaannya. Kenyamanan dicapai dengan menskarifikasi sejumlah keamanan. Nilai ambang batas yang
rendah diperlukan untuk mengurangi jumlah waktu yang dibutuhkan untuk meminta pengguna mengirimkan
ulang sampel dan menurunkan keamanan sistem.

III. PELUANG PENELITIAN

Dalam beberapa tahun terakhir, beberapa agenda penelitian untuk teknologi dan sistem biometrik
telah menetapkan tantangan penting untuk bidang ini. Dalam beberapa tahun terakhir, biometrik telah menjadi
teknologi yang layak secara komersial dan tentunya akan membawa perubahan besar dalam kehidupan kita
sehari-hari seiring dengan perkembangannya. Namun, kesalahpahaman tentang sisi teknis dan kinerja serta
dampak sosial dari sistem biometrik, telah menyebabkan distorsi fakta. Bagian ini memberikan peluang

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 4|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
penelitian terhadap pengidentifikasi biometrik yang paling umum dan sistem biometrik yang khas.

3.1. Wajah
Pengenalan wajah dianggap sebagai salah satu metodologi biometrik yang paling tidak mengganggu
karena kami
secara alami menggunakan karakteristik wajah yang berbeda untuk membedakan orang setiap hari. Otak kita
memiliki sel saraf khusus yang merespons fitur lokal tertentu dan korteks visual kita harus menggabungkan

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 5|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
sumber-sumber informasi ke dalam pola-pola yang berguna. Dalam pengenalan otomatis, mengekstraksi fitur
yang berarti, mewakili fitur-fitur tersebut dan kemudian melakukan klasifikasi pada fitur-fitur tersebut.
Pengkodean gambar dapat dilakukan secara lokal atau global. Model lokal didasarkan pada pembentukan
hubungan antara sejumlah fitur wajah, seperti jarak antara mata, atau jarak antara setiap mata dan hidung, dll.
Model global berbasis template, seperti pendekatan eigenface [3]. Setiap wajah manusia dapat dianggap sebagai
kombinasi dari sub-set standar eigenfaces ini. Setiap eigenface mewakili pola evaluasi untuk fitur wajah yang
berbeda dan teknik lain, fisherfaces, dikatakan kurang sensitif terhadap variasi cahaya dan sudut wajah [4].
Pengenalan wajah merupakan tugas yang mudah bagi manusia, bahkan bayi berusia satu hingga tiga
hari sudah dapat membedakan wajah yang dikenalnya [5]. Ada beberapa pertanyaan yang muncul untuk
pengenalan wajah adalah menganalisis gambar dan bagaimana otak mengkodekannya, fitur dalam atau fitur luar
untuk pengenalan wajah yang sukses. Peluang yang sedang berlangsung untuk pengenalan wajah adalah
segmentasi-membedakan fitur wajah dari informasi di sekitarnya. Tantangan lain yang signifikan adalah
representasi invarian-yaitu menemukan representasi yang kuat dan persisten bahkan ketika ada perubahan pose,
ekspresi, pencahayaan, dan jarak pencitraan.
Untuk pengambilan gambar, pemindai optik standar dapat digunakan sebagai foto diam dan
pengambilan gambar langsung. Teknologi tertentu yang lebih baru memperoleh gambar 3D wajah menggunakan
stereo, cahaya terstruktur atau rentang berbasis fase dan inframerah dekat dapat digunakan untuk melengkapi
pendeteksian wajah dalam kondisi pencahayaan yang buruk.
Karena tidak tersedianya jumlah sampel pelatihan yang cukup, tidak terkontrol atau varians dalam
kondisi, pencocokan mungkin tidak memodelkan hubungan invarian dengan benar yang mengakibatkan akurasi
pencocokan yang buruk.

3.2. Sidik jari

Identifikasi berbasis sidik jari adalah sistem biometrik tertua dalam hal aplikasi praktis yang berhasil.
Sidik jari adalah biometrik yang paling dikenal luas untuk aplikasi peradilan pidana, keamanan perbatasan, dan
pemeriksaan identitas. Aspek sidik jari yang tidak berubah-ubah dan tidak dapat diubah seharusnya terletak pada
pola punggung dan alur, serta karakteristik punggung yang terjadi pada percabangan punggung atau ujung
punggung - yang disebut sebagai titik-titik kecil. Tiga teknik utama diidentifikasi dalam literatur untuk
representasi dan pencocokan sidik jari, yaitu - teknik gambar atau korelasi, metode berbasis minutiae, dan
pendekatan berbasis fitur hibrida atau punggungan.
Masalah yang terkait dengan pengembangan perangkat penangkap bergerak dan masalah pemindai
termasuk noise artefak dan kesalahan ekstraksi fitur. Untuk batasan representasi, representasi yang ideal harus
dirancang untuk mempertahankan invariansi dalam pengukuran yang dirasakan. Kualitas gambar yang buruk
yang tidak dapat diproses dengan sistem pengenalan sidik jari tradisional sehingga representasi konvensional
membatasi diskriminasi di antara gambar.
Apabila mengambil gambar sidik jari, harus mempertimbangkan kualitas resolusi gambar yang
disediakan oleh pemindai. Kualitas gambar yang bervariasi menyebabkan variasi dalam kisaran dan jenis fitur
yang tersedia untuk analisis. Pertimbangan unik lainnya untuk biometrik sidik jari adalah bahwa pengguna,
ketika mendaftar atau mengautentikasi, harus menyentuh perangkat pemindaian. Artefak dapat terkumpul pada
pelat dalam bentuk noda dan kotoran dari minyak kulit alami atau pelat dapat tergores akibat kontak. Oleh
karena itu, kualitas pemindai (intensitas piksel), dan penggunaan, berpadu untuk menciptakan keragaman yang
besar pada tayangan yang berbeda dari jari yang sama. Dalam istilah representasi, hal ini disebut sebagai variasi
intra-kelas yang tinggi, yaitu, gambar jari yang sama mungkin terlihat berbeda. Sebaliknya, variasi antar-kelas
yang rendah menyebabkan gambar dari jari yang berbeda terlihat sangat mirip. Idealnya adalah menciptakan
variasi intra-kelas yang rendah, dengan menemukan ruang fitur terukur yang memungkinkan pengelompokan
gambar jari yang sama, sementara gambar untuk jari yang berbeda menempati area yang berbeda dari ruang
tersebut, (variasi antar-kelas yang tinggi).
Oleh karena itu, implikasi untuk pencocokan yang ideal adalah bahwa kemiripan antara dua
representasi dari jari yang sama haruslah besar, atau secara bergantian, jarak dalam ruang fitur di antara gambar-
gambar tersebut haruslah kecil. Dengan kata lain, sifat-sifat metodologi representasi harus, sebisa mungkin,
tidak berubah-ubah terhadap masalah utama variasi intra-kelas. Metode berbasis fitur ridge merupakan
gabungan dari teknik representasi lokal dan global dalam upaya untuk mengatasi kelemahan utama masing-
masing. Ekstraksi minutiae lokal mungkin tidak mungkin dilakukan untuk gambar sidik jari berkualitas rendah.
Fitur lain dari pola ridge seperti orientasi lokal, frekuensi, dan informasi tekstur dapat diekstraksi dengan lebih
andal daripada minutiae. Memahami modalitas tertentu dan cara terbaik untuk menggunakan modalitas tersebut

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 6|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
sangat penting untuk efektivitas sistem secara keseluruhan. Tantangan khusus yang berkaitan dengan sidik jari
termasuk mengurangi tingkat kegagalan pendaftaran (FTE) dan kegagalan akuisisi (FTA), mungkin melalui
desain sensor baru, deteksi artefak, definisi dan peningkatan kualitas gambar, dan pencocokan sidik jari
beresolusi tinggi.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 7|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
3.3. Iris
Pola iris sangat kompleks dan kombinasi antara kerumitan dengan keacakan memberikan
keunikan matematis pada pola iris yang diberikan. Iris mata dibedakan berdasarkan beberapa karakteristik
termasuk ligamen, alur, tonjolan, kriptus, cincin, korona, dan bintik-bintik. Gagasan untuk menggunakan iris
mata sebagai biometrik sudah berusia lebih dari 100 tahun. John Daugman dari laboratorium komputer
Universitas Cambridge mengembangkan algoritme kunci untuk pengambilan gambar, ekstraksi fitur, dan
pencocokan [6] dan memberikan penjelasan yang komprehensif mengenai aspek teknis dan kinerja
algoritmanya.
Masalah utama selama ekstraksi fitur adalah iris mata yang tersumbat, bayangan pada iris mata, dan
pantulan cahaya seperti yang ditunjukkan pada Gbr.1. Tantangan lainnya adalah mendeteksi pupil, (yang dapat
bervariasi hingga 15% dari posisi pusat mata) dan menghilangkan noise yang disebabkan oleh kacamata atau
pantulan cahaya pada kornea serta bagian iris yang dikaburkan oleh bulu mata atau kelopak mata yang terkulai.
Hal ini dicapai dengan menggunakan deteksi tepi untuk membuat zona tekstur di seluruh iris dengan
membedakan antara sklera, bagian putih mata, pada zona luar dan pelebaran pupil yang bervariasi pada zona
dalam.

Gbr.1. iris mata tersumbat, bayangan pada iris mata dan pantulan cahaya

Alasan utama yang mendasari kinerja akurasi yang tidak sempurna dari sistem biometrik adalah keterbatasan
informasi, keterbatasan representasi, dan keterbatasan invarian [7]. Sampel pola dengan informasi yang invarian
dan berbeda mungkin terbatas karena kapasitas sinyal intrinsik dari pengenal biometrik. Keterbatasan informasi
mungkin disebabkan oleh akuisisi sinyal terkontrol yang tidak diawasi. Sistem pengenalan iris mata memberikan
peluang R&D di bidang-bidang berikut: sensor; optimalisasi spektrum iluminasi; mengurangi tingkat FTE dan
FTA; menangkap dan mengenali iris mata pada jarak yang lebih jauh dan dengan pergerakan subjek; dan
mengurangi ukuran perangkat keras.
Untuk memajukan kemajuan yang telah dicapai dalam pengenalan iris mata selama dekade terakhir,
para peneliti harus memecahkan masalah seperti menangkap gambar mata dengan kualitas yang memadai dalam
kondisi yang kurang ideal dan secara akurat melokalisasi cakupan spasial iris mata pada gambar yang
berkualitas buruk. Namun demikian, janji pengenalan iris mata - yang ditimbulkan oleh kerumitan pola dan
stabilitas yang diasumsikan - merupakan motivasi yang kuat untuk memecahkan masalah ini dan memfasilitasi
penggunaan sistem pengenalan iris mata yang lebih luas. Metode yang meningkatkan sistem pengenalan iris
mata tradisional untuk bekerja pada situasi yang tidak ideal, tidak hanya mempertimbangkan efek kualitas
gambar, tetapi juga akurasi segmentasi.
Teknik pemrosesan gambar berbasis video dengan cepat diidentifikasi dan menghilangkan gambar
berkualitas buruk dari video iris untuk diproses lebih lanjut. Efek dari keburaman fokus, keburaman gerakan,
tampilan off-angle, oklusi, spekularitas, pencahayaan, dan jumlah piksel pada kualitas gambar dipertimbangkan
[8]. Perkiraan faktor individu digabungkan menjadi metrik kualitas keseluruhan menggunakan pendekatan
Dempster-Shafer. Hal ini menunjukkan bahwa metrik kualitas dapat memprediksi kinerja pengenalan dengan
cukup baik. Juga dicatat bahwa perhitungan metrik kualitas membutuhkan segmentasi awal, dan bahwa -
kegagalan lokalisasi/segmentasi akan menghasilkan skor kualitas yang tidak akurat.
Untuk menghilangkan ketidakteraturan yang ada dalam gambar iris, fungsi penyempurnaan global
yang sesuai diterapkan pada gambar iris masukan. Meskipun algoritme ini menyempurnakan bagian gambar
yang kualitasnya buruk, namun algoritme ini juga mengubah karakteristik gambar yang kualitasnya dapat
diterima atau berkualitas tinggi. Selain itu, kualitas gambar yang buruk mungkin disebabkan oleh beberapa
ketidakteraturan, seperti noise yang berlebihan, pencahayaan yang buruk, atau artefak gerakan yang muncul
sewaktu pengambilan gambar.
Tantangan dalam menyempurnakan gambar semacam itu adalah menyegmentasikan secara lokal
wilayah yang terpengaruh dari gambar dan menerapkan algoritme penyempurnaan yang sesuai. Sejauh ini,
sudah ada banyak pendekatan yang berbeda untuk segmentasi gambar iris mata. Namun demikian, tidak satu
pun dari metode segmentasi iris mata ini yang dapat mencapai akurasi 100%. Untuk meningkatkan akurasi
pengenalan iris mata, maka diperlukan sistem evaluasi segmentasi iris mata. Pengurangan kompleksitas dengan

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 8|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
pengkodean dan efisiensi algoritma pencocokan juga akan menjadi lebih penting karena aplikasi pengenalan
digunakan untuk populasi yang besar. Area lain yang belum mendapat banyak perhatian adalah bagaimana
menggabungkan beberapa gambar untuk meningkatkan kinerja dan untuk melihat bagaimana pengenalan dapat
ditingkatkan untuk orang yang memakai kacamata.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 9|

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
3.4. Suara
Suara adalah biometrik yang dapat diterima oleh banyak orang dan pada kenyataannya merupakan
satu- satunya biometrik yang memungkinkan untuk sebagian besar teknologi audio. Penting untuk diperhatikan
bahwa ada perbedaan antara verifikasi suara atau pengenalan pembicara, (yaitu mengidentifikasi pembicara
tertentu) dan pengenalan ucapan, (yaitu mengidentifikasi apa yang dikatakan). Suara, seperti biometrik lainnya,
tidak dapat dilupakan atau salah tempat, tidak seperti metode kontrol akses berbasis pengetahuan (misalnya kata
sandi) atau berbasis kepemilikan (misalnya kunci). Metode lama untuk mengidentifikasi pembicara adalah
identifikasi melalui spektogram. Tetapi metode ini memiliki banyak masalah dan kesulitan. Untuk mengatasi
kekurangan dari teknik sebelumnya, ide identifikasi pembicara otomatis disarankan. Dalam hal ini, fitur-fitur
diekstraksi terlebih dahulu dari sampel ucapan dan kemudian setelah pemodelan, sampel tersebut disimpan
dalam basis data pembicara seperti yang ditunjukkan pada Gbr.2. Untuk identifikasi pembicara, ketika
pencocokan diperlukan, fitur-fitur diekstraksi lagi dari sampel ucapan dan dibandingkan dengan database yang
tersimpan. Keputusan diambil berdasarkan pencocokan ini untuk menerima atau menolak sampel.

Gbr.2. Sinyal ucapan, spektrum, dan spektrum yang diperhalus

Umumnya, sistem pengenalan pembicara harus terlebih dahulu mengubah sinyal ucapan analog yang ditangkap
menjadi digital dan memprosesnya lebih lanjut menggunakan prinsip-prinsip analisis spektral. Biasanya,
transformasi Fourier dapat digunakan untuk memperoleh koefisien untuk fungsi gelombang audio yang
kompleks yang pada gilirannya dapat digunakan untuk mengisolasi vektor fitur ceptstral untuk
merepresentasikan suara manusia. Penelitian mengenai pengenalan pembicara sudah ada sejak lebih dari empat
puluh tahun yang lalu dan bergantung pada ciri-ciri perilaku dan fisik. Ciri-ciri fisik mencakup sifat-sifat seperti
ukuran dan bentuk pita suara, saluran suara, langit-langit mulut, dan perilaku yang dipelajari termasuk gaya
bicara, nada suara, dan warna suara. Fakta bahwa perilaku dan ciri-ciri fisik digabungkan dalam template sistem
speaker yang dihasilkan atau -sidik jari suara‖, membuat metode ini diklasifikasikan sebagai biometrik perilaku
secara umum. Keberadaan teknologi akustik seperti telepon membuat pengenalan pembicara menjadi pilihan
keamanan yang menarik. Hal ini karena sering kali memungkinkan untuk memanfaatkan perangkat keras audio
yang ada saat menerapkan sistem tersebut.
Identifikasi Pembicara dapat ditingkatkan dengan pemisahan pembicara, menormalkan saluran, dan
menggunakan informasi tingkat yang lebih tinggi. Selain itu, ketahanan dan ketekunan yang dibutuhkan akan
menawarkan peluang untuk meningkatkan pengenalan suara. Selain itu, ketahanan dan ketekunan diperlukan
dalam menghadapi perubahan bahasa dan perilaku serta terbatasnya jumlah sampel ucapan. Identifikasi
pembicara secara real time memiliki banyak ruang lingkup untuk bekerja di masa depan. Untuk implementasi
identifikasi pembicara, prosesor DSP [9] dapat digunakan.

3.5. DNA
DNA saat ini digunakan untuk melakukan identifikasi forensik. Kemajuan teknologi untuk
pengembangan ini adalah mesin DNA cepat portabel. Mesin ini dapat mengidentifikasi agen perbatasan untuk
mengonfirmasi identifikasi secara individu dan/atau hubungan keluarga dan menyediakan alat baru untuk
identifikasi cepat. Hal ini dapat menjadi kemajuan yang signifikan dalam penggunaan biometrik untuk aplikasi
kriminal dan antiterorisme.

3.6. Peluang Teknologi dari Sistem Pengenalan Biometrik yang Khas

Sistem pengenalan biometrik pada dasarnya adalah sistem yang beroperasi dengan mengakuisisi data
dari seorang individu dan kemudian melakukan prapemrosesan, segmentasi, mengekstraksi kumpulan fitur, dan
membandingkan kumpulan fitur dengan kumpulan templat dalam database. Tantangan dan peluang sistem
biometrik dibahas di bawah ini:
• Sensor - Biaya perangkat keras sensor; meningkatkan rasio signal-to-noise, kemudahan penggunaan dan
keterjangkauan, serta pengulangan pengukuran; dan memperpanjang usia pakai.
• Segmentasi - Meningkatkan keandalan dalam mengidentifikasi suatu wilayah yang diminati ketika
pengguna menunjukkan karakteristik biometriknya kepada sistem-misalnya, menemukan wajah dalam
Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 10 |
Manajemen (AETM'15)" Halam
IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
gambar atau memisahkan sinyal ucapan dari kebisingan sekitar.
• Representasi invarian - Menemukan cara yang lebih baik untuk mengekstrak representasi invarian (fitur)
dari sinyal biometrik yang secara inheren bervariasi-yaitu, representasi digital seperti apa yang harus
digunakan untuk wajah (atau sidik jari atau fitur lainnya) sehingga ciri-ciri tersebut dapat dikenali meskipun
terjadi perubahan pose, pencahayaan, ekspresi, penuaan, dan sebagainya.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 11 |

Manajemen (AETM'15)" Halam
 IOSR Journal of Electronics and Communication Engineering (IOSR-
JECE) e-ISSN: 2278-2834, p-ISSN: 2278-8735.
PP 07-12
www.iosrjournals.org
• Pencocokan yang kuat - Meningkatkan performa algoritma pencocokan dengan adanya segmentasi
yang tidak sempurna, fitur berisik, dan varians sinyal yang melekat.
• Privasi- Teknologi canggih untuk memungkinkan solusi mendapatkan manfaat dari keunggulan
unik sekaligus membatasi risiko terhadap privasi.
• Pengujian- Untuk memberikan fokus untuk melanjutkan kemajuan dari periode tantangan sebelumnya.

IV. KESIMPULAN
Biometrik bukanlah masalah yang sepenuhnya terpecahkan dan akurasi sistem biometrik saat ini belum
sempurna, sementara pengenalan pribadi yang dapat diandalkan sangat penting untuk banyak proses bisnis. Ciri-
ciri dan sensor baru, representasi yang menonjol, pencocokan yang kuat, sistem multi biometrik, dan biometrik
lunak adalah arah penelitian baru. Keterbatasan sistem biometrik adalah kurangnya keunikan dalam ciri
biometrik, kesalahan pengenalan, serangan administratif / orang dalam, infrastruktur dan keamanan yang tidak
aman (template, saluran, dan keamanan perangkat lunak). Pengorbanan antara keamanan dan privasi mungkin
diperlukan. Area teknis dan rekayasa dari penelitian berkelanjutan dibahas dan diselidiki untuk ruang lingkup
masa depan.

REFERENSI
[1] A.K. Jain, R.P.W. Duin, dan J. Mao, Pengenalan pola statistik: Sebuah tinjauan, IEEE Transactions
on Pattern Analysis and Machine Intelligence, 22(1), 2000, 4-37.
[2] A.K. Jain, A. Ross, dan S. Prabhakar, Pengantar pengenalan biometrik, IEEE Transactions on
Circuits and Systems for video Technology, 14(1), 2004, 4-20.
[3] M. Turk, dan A. Pentland, Eigenfaces for recognition, Journal of Cognetive Nueroscience, 3, 1991,
71- 86.
[4] P.N. Belhumeur, J. Hespanha, dan D. Knegman, Eigenfaces vs Fisherfaces: Pengenalan menggunakan
Proyeksi Linier Spesifik Kelas, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7),
1997, 711-720.
[5] T. Chiara, MC Viola, dan I. Leo, Pengenalan wajah bayi yang baru lahir: Peran fitur wajah bagian
dalam dan luar, Perkembangan Anak, 77(2), 2006, 297-311.
[6] J. Daugman, Pengenalan visual dengan kepercayaan tinggi t erhadap orang dengan uji
independensi statistik, IEEE Transactions on Pattern analysis and Machine Intelligence, 15(11),
1993, 1148-1161.
[7] Y. Du, C. Belcher, Z. Zhou, dan R. Ives, Pendekatan evaluasi korelasi fitur untuk ukuran kualitas fitur
iris mata, Elsevier, Signal Processing, 90, 2010.
[8] Z. Zhou, Y. Du, dan C. Belcher, Mengubah sistempengenalan iris mata tradisionaluntuk bekerja
dalam situasi yang tidak ideal, IEEETransactions on Industrial Electronics, 56(8), 2009
[9] E. Lupu, P. G. Pop, dan M. Patras, Sistem pengenalan pembicara dengan kompleksitas rendah yang
dikembangkan pada prosesor DSP, Proc. 9th Conference Speech and Computer, St. Petersburg, 2004,
20- 22.

Konferensi Nasional tentang Kemajuan Teknik, Teknologi & 12 |

Manajemen (AETM'15)" Halam