Multimodal Biometrik pada Keystroke User-Adaptive Feature dan Mahalanobis Distance
Kata Kunci:
Penelitian ini menganalisis efektivitas kombinasi metode User-Adaptive dan Mahalanobis Distance dalam sistem autentikasi keystroke biometrics. Menggunakan Biomey Keystroke Dataset dengan 40 responden, studi ini bertujuan meningkatkan akurasi dan keandalan autentikasi berbasis KD. Sistem yang dikembangkan terdiri dari tahap enrollment dan authentication, dengan User-Adaptive sebagai metode feature extraction dan Mahalanobis Distance untuk feature matching. Teknik decision level fusion diterapkan untuk mengintegrasikan hasil dari berbagai fitur keystroke. Hasil yang diperoleh menunjukkan bahwa teknik fusion dengan Mahalanobis Distance menunjukkan hasil yang lebih baik dibandingkan dengan fitur non-fusion dengan rata-rata penurunan nilai error sebesar 8,73%. Panjang vektor optimal (Fn) ditemukan pada n = 5 dengan nilai error 12,07%. Pencarian threshold terbaik menghasilkan FAR 15,6% dan FRR 6% pada n sebanyak 5. Hasil yang diperoleh pada penelitian ini menunjukkan nilai error rate lebih rendah dengan rata-rata penurunan nilai error sebesar 9,9% dengan penelitian sebelumnya. Penelitian ini membuktikan potensi Mahalanobis Distance dan teknik fusion dalam meningkatkan akurasi sistem autentikasi keystroke biometrics, membuka peluang pengembangan sistem keamanan yang lebih handal. Studi lebih lanjut disarankan untuk mengeksplorasi pattern tertentu pada layar sentuh dan penggunaan dataset yang lebih bervariatif serta menggunakan data testing real-time. Kata kunci— autentikasi, biometrik, digraf, keystroke dynamic, user-adaptive, mahalanobis distanceAbstrak
Penelitian ini menganalisis efektivitas kombinasi metode User-Adaptive dan Mahalanobis Distance dalam sistem autentikasi keystroke biometrics. Menggunakan Biomey Keystroke Dataset dengan 40 responden, studi ini bertujuan meningkatkan akurasi dan keandalan autentikasi berbasis KD. Sistem yang dikembangkan terdiri dari tahap enrollment dan authentication, dengan User-Adaptive sebagai metode feature extraction dan Mahalanobis Distance untuk feature matching. Teknik decision level fusion diterapkan untuk mengintegrasikan hasil dari berbagai fitur keystroke. Hasil yang diperoleh menunjukkan bahwa teknik fusion dengan Mahalanobis Distance menunjukkan hasil yang lebih baik dibandingkan dengan fitur non-fusion dengan rata-rata penurunan nilai error sebesar 8,73%. Panjang vektor optimal (Fn) ditemukan pada n = 5 dengan nilai error 12,07%. Pencarian threshold terbaik menghasilkan FAR 15,6% dan FRR 6% pada n sebanyak 5. Hasil yang diperoleh pada penelitian ini menunjukkan nilai error rate lebih rendah dengan rata-rata penurunan nilai error sebesar 9,9% dengan penelitian sebelumnya. Penelitian ini membuktikan potensi Mahalanobis Distance dan teknik fusion dalam meningkatkan akurasi sistem autentikasi keystroke biometrics, membuka peluang pengembangan sistem keamanan yang lebih handal. Studi lebih lanjut disarankan untuk mengeksplorasi pattern tertentu pada layar sentuh dan penggunaan dataset yang lebih bervariatif serta menggunakan data testing real-time.
Kata kunci— autentikasi, biometrik, digraf, keystroke dynamic, user-adaptive, mahalanobis distance
Referensi
A. K. Jain and A. Ross, “Introduction to Biometrics,” in Handbook of Biometrics, A. K. Jain, P. Flynn, and A. A. Ross, Eds., Boston, MA: Springer US, 2008, pp. 1–22. doi: 10.1007/978-0-387-71041-9_1.
B. Ayotte, J. Huang, M. K. Banavar, D. Hou, and S. Schuckers, “Fast Continuous User Authentication Using Distance Metric Fusion of Free-Text Keystroke Data,” in 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Jun. 2019, pp. 2380–2388. doi: 10.1109/CVPRW.2019.00292.
Y. M. Alginahi and M. N. Kabir, Eds., Authentication Technologies for Cloud Computing, IoT and Big Data. Institution of Engineering and Technology, 2019. doi: 10.1049/PBSE009E.
H. Kalita, E. Maiorana, and P. Campisi, “Keystroke Dynamics for Biometric Recognition in Handheld Devices,” in 2020 43rd International Conference on Telecommunications and Signal Processing (TSP), Jul. 2020, pp. 410–416. doi: 10.1109/TSP49548.2020.9163524.
A. Rahman et al., “Multimodal EEG and Keystroke Dynamics Based Biometric System Using Machine Learning Algorithms,” IEEE Access, vol. 9, pp. 94625–94643, 2021, doi: 10.1109/ACCESS.2021.3092840.
A. Ross and A. K. Jain, “Multimodal biometrics: An overview,” in 2004 12th European Signal Processing Conference, Sep. 2004, pp. 1221–1224. Accessed: Jun. 23, 2024. [Online]. Available: https://ieeexplore.ieee.org/document/7080214.
Y. Zhong and Y. Deng, “A Survey on Keystroke Dynamics Biometrics: Approaches, Advances, and Evaluations,” 2015, pp. 1–22. doi: 10.15579/gcsr.vol2.ch1.
Y. Amankar, S. Gangurde, A. Khachane, and P. Y. Itankar, “User Authentication using Keystroke Analysis,” vol. 07, no. 04, 2020.
B. Ayotte, M. Banavar, D. Hou, and S. Schuckers, “Fast and Accurate Continuous User Authentication by Fusion of Instance-based, Free-text Keystroke Dynamics,” 2019 International Conference of the Biometrics Special Interest Group (BIOSIG), Sep. 2019, Accessed: Apr. 24, 2024. [Online]. Available: https://www.semanticscholar.org/paper/Fast-andAccurate-Continuous-User-Authentication-byAyotteBanavar/66249aca2610910caa80d71154db9396ac54 f771.
J. Kim, H. Kim, and P. Kang, “Keystroke dynamicsbased user authentication using freely typed text based on user-adaptive feature extraction and novelty detection,” Applied Soft Computing, vol. 62, pp. 1077–1087, Jan. 2018, doi: 10.1016/j.asoc.2017.09.045.
I. M, I. Karunanithi, and S. B. U, “Enhancing User Authentication through Keystroke Dynamics Analysis using Isolation Forest algorithm,” in 2024 Second International Conference on Emerging Trends in Information Technology and Engineering (ICETITE), Feb. 2024, pp. 1–5. doi: 10.1109/icETITE58242.2024.10493648.
B. Ayotte, M. Banavar, D. Hou, and S. Schuckers, “Fast Free-Text Authentication via Instance-Based Keystroke Dynamics,” IEEE Transactions on Biometrics, Behavior, and Identity Science, vol. 2, no. 4, pp. 377–387, Oct. 2020, doi: 10.1109/TBIOM.2020.3003988.
J. Kim and P. Kang, “Freely typed keystroke dynamics-based user authentication for mobile devices based on heterogeneous features,” Pattern Recognition, vol. 108, p. 107556, Dec. 2020, doi: 10.1016/j.patcog.2020.107556.
Z. Qin, P. Zhao, T. Zhuang, F. Deng, Y. Ding, and T. Chen, “A survey of identity recognition via data fusion and feature learning - ScienceDirect,” Information Fusion, vol. 91, pp. 694–712, Mar. 2023, doi: 10.1016/j.inffus.2022.10.032.
A.-C. Iapa and V.-I. Cretu, “Modified Distance Metric That Generates Better Performance For The Authentication Algorithm Based On Free-Text Keystroke Dynamics,” in 2021 IEEE 15th International Symposium on Applied Computational Intelligence and Informatics (SACI), May 2021, pp. 000455–000460. doi: 10.1109/SACI51354.2021.9465601.
R. Shadman, A. A. Wahab, M. Manno, M. Lukaszewski, D. Hou, and F. Hussain, “Keystroke Dynamics: Concepts, Techniques, and Applications,” Mar. 08, 2023, arXiv: arXiv:2303.04605. doi: 10.48550/arXiv.2303.04605.
I. R. Arrazaan, Sistem Autentikasi Pengguna Berbasis Keystroke Biometrics Dinamis Menggunakan Metode FACT. Universitas Telkom, S1 Informatika, 2023. Accessed: Aug. 23, 2024. [Online]. Available: https://openlibrary.telkomuniversity.ac.id/pustaka/19 7049/sistem-autentikasi-pengguna-berbasiskeystroke-biometrics-dinamis-menggunakanmetode-fact.html
File Tambahan
Diterbitkan
Terbitan
Bagian
Lisensi
Authors who publish with this journal agree to the following terms:
(1) Copyright of the published articles will be transferred to the journal as the publisher of the manuscripts. Therefore, the author confirms that the copyright has been managed by the publisher.
(2) Publisher of TELKATTKA is Openlibrary Telkom University
(3) The copyright follows Creative Commons Attribution–ShareAlike License (CC BY SA): This license allows to Share — copy and redistribute the material in any medium or format, Adapt — remix, transform, and build upon the material, for any purpose, even commercially.
