Keystroke Dynamic Authentication Dengan Pembobotan Gain Ratio Untuk Sistem Login

Chandranegara, Didih Rizki (2016) Keystroke Dynamic Authentication Dengan Pembobotan Gain Ratio Untuk Sistem Login. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 5115201025-Master_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Biometric Authentication memanfaatkan apa yang dimiliki oleh seseorang seperti face, finger, retina, dan kebiasaan untuk klasifikasi user legal dan attacker dalam mengakses sebuah sistem. Autentikasi face, finger dan retina membutuhkan perangkat mahal dan pengoperasiannya tidak mudah. Sedangkan kebiasaan adalah autentikasi yang memanfaatkan kebiasaan seseorang dalam melakukan sesuatu dan hanya memanfaatkan apa yang biasa digunakan. Penelitian ini mengambil salah satu metode autentikasi kebiasaan yaitu Keystroke Dynamic Authentication (KDA). KDA memanfaatkan kebiasaan seseorang dalam mengetik pola/teks pada keyboard. Oleh karena itu, biaya untuk penerapan KDA lebih murah dari autentikasi face, finger, dan retina. Salah satu metode KDA yang masih sedikit pengembangannya adalah metode Joyce dan Gupta. Metode ini memanfaatkan standar deviasi sebagai penentu klasifikasi user legal dan attacker. Metode ini memiliki hasil yang bagus jika data yang digunakan memiliki distribusi normal. Pada kenyataannya, tidak semua data KDA memiliki distribusi normal dan akibatnya dapat mempengaruhi hasil klasifikasi user legal dan attacker. Oleh sebab itu, penelitian ini mengusulkan mengganti standar deviasi sebagai penentu klasifikasi user legal dan attacker pada KDA dengan pembobotan Gain Ratio. Jika digabungkan dengan metode klasifikasi, pembobotan Gain Ratio dapat meningkatkan akurasi dari metode klasifikasi yang digunakan. Selain distribusi data, dalam KDA juga terdapat fitur yang banyak. Sehingga dibutuhkan metode seleksi fitur untuk memilih fitur yang cocok dan dapat mengurangi waktu komputasi saat proses klasifikasi user legal dan attacker. Metode seleksi fitur yang digunakan adalah Information Gain. Berdasarkan hasil ujicoba yang dilakukan menggunakan pembobotan Gain Ratio, baik dengan seleksi fitur ataupun tanpa seleksi fitur memberikan hasil yang memuaskan daripada metode sebelumnya. Penambahan seleksi fitur dengan pembobotan Gain Ratio dapat meningkatkan akurasi dari metode sebelumnya. Hal ini terjadi apabila data keystroke user legal memiliki fitur yang banyak. Jika fitur yang diperoleh sedikit, maka dapat digunakan KDA dengan pembobotan Gain Ratio tanpa seleksi fitur. User legal akan merasa aman dan nyaman dalam menggunakan sistem KDA dengan metode usulan. User legal dapat menggunakan password yang biasa digunakan tanpa perlu khawatir ketika password tersebut telah diketahui oleh orang lain. Hal ini dikarenakan kecepatan pengetikan setiap orang berbeda-beda. Semakin panjang dan susah password yang diketikkan, maka akan semakin mudah bagi sistem KDA dengan metode usulan untuk membedakan user legal dan attacker berdasarkan data keystroke yang tersimpan.
=================================================================================================================================
Biometric Authentication is using what people have such as face, finger, retina and behavioral for classifying the legal user and the attacker in a system. The authentication of face, finger, and retina still using expensive tools and not easy to operate. But, behavioral is using the habit of people and only using what people used every day. This research using one of the habit authentication is Keystroke Dynamic Authentication (KDA). KDA is using the habit of people in typing text on the keyboard. Because of that, this authentication is cheaper than face, finger, and retina. One of the methods in KDA which less of development is Joyce and Gupta methods. This method is using standard deviation as the classify of legal user and attacker. And this method is better if the data is a normal distribution. In fact, not all of data in KDA has a normal distribution and can affect to classify the legal user and attacker. Because of that, this research has proposed a method in KDA using gain ratio weighting. If combined with another classified method, this method can increase the accuracy of the classify method. Besides the distribution data, the features in KDA has many features. So, needed the feature selection methods to choose suitable features and can affect the computation of classifying legal user and attacker. The feature selection is used Information Gain. Based on the results, the gain ratio weighting with feature selection or without feature selection can give the results than the previous methods. An adding of feature selection in gain ratio weighting can increase the accuracy than the previous methods. If the KDA data has many features, the using of feature selection can give the results. And if the KDA data has a few feature, the suitable method does not use features selection. The legal user can feel secure and comfortable using KDA system with proposed method. The legal user can use the password which they want without worried if the password is known by people. This is because the speed of typing people is different. The more length and difficult the password, the system can easy to classify the legal user and attacker based on keystroke data in the system.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	biometric authentication, keystroke dynamic authentication, pembobotan gain ratio, seleksi fitur, information gain
Subjects:	Z Bibliography. Library Science. Information Resources > ZA Information resources > Z699.5 Information storage and retrieval systems
Divisions:	Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Didih Rizki Chandranegara
Date Deposited:	27 Jul 2026 06:31
Last Modified:	27 Jul 2026 06:31
URI:	http://repository.its.ac.id/id/eprint/43167

Actions (login required)

View Item