Proses Bisnis Penerbitan KTP Elektronik

Sumber artikel :  http://ptik.bppt.go.id/berita-ptik/66-bisnis-proses-penerbitan-ktp-elektronik

KTP Elektronik atau KTP-el merupakan program pemerintah yang didukung oleh Kementrian Dalam Negeri, Badan Pengkajian dan Penerapan Teknologi (BPPT), dan berbagai instansi pemerintah yang lain untuk merealisasikan amanat Undang-Undang. Yang menjadi dasar hukumnya adalah Undang-Undang Administrasi Kependudukan No. 23 Tahun 2006 Pasal 64 Ayat 3 yang menyatakan bahwa “Dalam KTP sebagaimana dimaksud pada ayat (1) disediakan ruang untuk memuat kode keamanan dan rekaman elektronik pencatatan Peristiwa Penting”.

Tujuan penerapan KTP elektronik adalah untuk mewujudkan dokumen identitas penduduk yang tunggal dan absah melalui proses identifikasi ketunggalan biometrik secara terpusat (nasional), dan penyimpanan dan pengamanan data dengan menggunakan chip. Manfaat yang diperoleh dari penerapan KTP-el adalah

  1. Tertib administrasi kependudukan
  2. Menjamin ketunggalan dan keabsahan identitas penduduk
  3. Mendukung keberhasilan pemilu dan pemilukada (penyusunan DP4)
  4. Meningkatkan efektifitas layanan publik
  5. Meningkatkan keamanan negara

Dalam pelaksanaannya, banyak masyarakat yang mengalami kendala dalam memperoleh KTP elektronik tersebut. Adakalanya masyarakat menunggu lebih dari 1 bulan untuk memperoleh KTP-elektroniknya, bahkan ada pula yang lebih dari 1 tahun, walaupun ada juga yang dapat memperolehnya dalam hitungan hari. Mengingat pentingnya KTP elektronik bagi penduduk sebagai syarat mengakses pelayanan publik, dalam rapat terbatas penataan administrasi kependudukan 4 April 2018 yang lalu, Kepala Negara menginstruksikan jajaran terkait untuk melakukan percepatan pelayanan KTP elektronik sehingga semua warga negara mendapatkan pelayanan yang cepat dan memiliki akses terhadap layanan publik lainnya.

Ada dua hal yang dibahas dalam tulisan ini.

  • Pertama adalah bagaimana sebenarnya proses bisnis penerbitan KTP elektronik ? Apakah bedanya dengan KTP lama ?
  • Kedua, mengapa proses penerbitan KTP elektronik tidak bisa langsung jadi di tempat layanan kependudukan sebagaimana KTP di masa lalu ? Berapa waktu yang diperlukan dan bagaimana menghitung waktu yang diperlukan untuk menerbitkan KTP-el seorang penduduk ?

Penerbitan KTP elektronik memiliki proses bisnis yang berbeda dengan KTP sebelumnya, karena ada proses penunggalan NIK penduduk. Proses penunggalan ini tidak dilakukan di lokasi layanan administrasi kependudukan, melainkan di Data Center Kementrian Dalam Negeri. Sehingga wajar kalau masyarakat tidak mengetahui apa yang terjadi setelah mereka mengikuti perekaman sidik jari, iris mata dan wajah, mengapa mereka tidak dapat menerima KTP-elektroniknya langsung pada saat perekaman, melainkan harus menunggu panggilan.

20180407-gambar-1 bisnis proses ktp-el

Gambar 1      Proses bisnis penerbitan KTP elektronik dari perekaman hingga personalisasi dan penyampaian ke penduduk

Proses bisnis penerbitan KTP elektronik secara sederhana (low level granularity) ditampilkan pada Gambar 1, mulai dari perekaman KTP elektronik hingga pada tahap penerbitannya. Penjelasan masing-masing tahapan adalah sebagai berikut:

  1. Pertama-tama penduduk datang ke tempat pelayanan di kantor kecamatan/kelurahan dengan membawa surat panggilan, kemudian melakukan verifikasi datanya dengan data penduduk yang dimiliki oleh Dukcapil. Selanjutnya dilakukan perekaman data biometrik yang meliputi 10 sidik jari, 2 iris mata dan wajah. Data yang direkam ini selanjutnya dikirimkan ke Data Center I yang berada di Jakarta, dan dilakukan “proses penunggalan” atau biasa disebut deduplikasi. Tujuan proses penunggalan adalah untuk memastikan identitas penduduk tadi tunggal atau tidak (misalnya pernah merekam sebelumnya).
  2. Di Data Center (lokasi tidak disebutkan sesuai kaidah keamanan informasi) dilakukan proses penunggalan dengan memanfaatkan teknologi biometrik. Teknologi biometrik bertujuan mengenali identitas seseorang berdasarkan ciri khas fisik atau perilaku. Dalam implementasi KTP elektronik, data biometrik yang direkam dikategorikan ciri khas fisik, yaitu sidik jari, iris mata dan wajah. Dalam proses penunggalan tersebut, data biometrik penduduk dicocokkan dengan algoritma tertentu dengan seluruh data yang telah lebih dahulu tersimpan pada database biometrik nasional. Jika dalam proses pencocokan tersebut ternyata tidak ada satu pun yang cocok, berarti penduduk yang melakukan perekaman tersebut dinyatakan tunggal atau unik. Yaitu pertama kali melakukan perekaman KTP elektronik, sehingga baginya berhak diterbitkan KTP elektronik. Proses nomer 2 inilah yang membedakan KTP elektronik dengan KTP lama, dan dilakukan tidak di tempat layanan kependudukan di Kecamatan/Kelurahan, sehingga biasanya tidak diketahui oleh penduduk. Proses ini sangat penting karena menjadi kunci utama diperolehnya identitas penduduk yang tunggal (single identity number) sebagai basis layanan publik yang prima.
  3. Selanjutnya bagi penduduk yang sudah dinyatakan tunggal dan siap cetak (Print Ready Record), dan blangko telah tersedia, akan dilakukan proses personalisasi. Dalam proses personalisasi tersebut, sidik jari telunjuk kanan dan sidik jari telunjuk kiri disimpan ke dalam chip KTP-el. Apabila kualitas perekaman sidik jari telunjuk kanan dan telunjuk kiri kurang baik untuk verifikasi sidik jari, maka sidik jari lain, yang memiliki kualitas lebih baik, yang akan disimpan di chip KTP-el untuk verifikasi sidik jari pemegang KTP-el. Informasi sidik jari mana yang direkam ini juga ikut disimpan di dalam chip. Selanjutnya kartu tersebut disampaikan kepada penduduk.

 

Bagaimanakah menghitung waktu yang diperlukan dalam proses penerbitan KTP elektronik ?

Waktu yang diperlukan dalam proses penerbitan tersebut secara sederhana dapat dihitung dengan menjumlahkan waktu yang diperlukan di 3 komponen : (i) tahap verifikasi data dan perekaman biometrik (ii) proses deduplikasi/penunggalan biometrik (iii) personalisasi.  Pada gambar 1 di atas, waktu yang diperlukan untuk masing-masing tahap dinotasikan sebagai t1, t2 dan t3.

Komponen (i) dan (iii) dilakukan di Kecamatan dan Kabupaten/Kota. Sedangkan komponen (ii) berlangsung di Data Center Kementrian Dalam Negeri. Apabila proses perekaman dan verifikasi data (i) berjalan lancar, mungkin memerlukan waktu sekitar 15 menit (t1=15 menit). Akan tetapi dalam proses perekaman biometrik, adakalanya tidak bisa sekali rekam langsung berhasil. Ketika sidik jari dipindai, ada indikator kualitas pada aplikasi perekaman yang menunjukkan layak tidaknya hasil pemindaian sidik jari tersebut. Jika ternyata hasil pemindaian tersebut tidak baik, proses pemindaian harus diulang, sesuai dengan Prosedur Operasional Standar (SOP). Hal ini yang kadang dapat menyebabkan proses perekaman berlangsung lebih lama. Sedangkan waktu yang diperlukan untuk (iii) personalisasi, mungkin bisa diselesaikan dalam waktu 10-15 menit (t3 = 15 menit)

Tinggal komponen (ii), yaitu proses deduplikasi biometrik yang sangat tergantung pada state-of-the-art teknologi biometrik dan skala database biometrik penduduk di Data Center (disebut sebagai gallery), semakin besar database penduduk yang di gallery, semakin lama waktu yang diperlukan. Dengan jumlah setidaknya 172 juta record, maka proses deduplikasi 10 jari dan 2 iris mata akan makan waktu yang tidak sebentar, belum lagi kalau terdapat dua data biometrik dengan tingkat kemiripan yang cukup tinggi. Untuk memutuskan tunggal tidaknya diperlukan proses ajudikasi yang dilakukan manual, ahli akan memeriksa dan membandingkan data biometrik yang diperoleh untuk membuat keputusan akhir status ketunggalannya. Angka 172 juta record ini dalam pengetahuan penulis adalah nomer dua terbesar di dunia setelah program UID di India. Karena itu dalam penerbitan KTP elektronik, biasanya tidak bisa selesai dalam 1 hari karena walaupun t1+t3 mungkin bisa kurang dari 1 jam, tetapi ada waktu t2 yang diperlukan oleh proses deduplikasi yang merupakan proses kunci dalam memperoleh identitas tunggal, yang tergantung pada state-of-the-art teknologi penunggalan dan skala gallery. Diperlukan pengukuran secara teknis untuk mengetahui berapa rata-rata waktu t2 sebenarnya yang diperlukan dalam proses deduplikasi, sehingga bisa menjadi acuan dalam menetapkan batas waktu penerbitan KTP elektronik bagi penduduk.

Tanpa pengukuran teknis ini, dikhawatirkan penetapan batas waktu maksimal menjadi tidak realistis dan sulit diimplementasikan di lapangan. Jangan sampai batas waktu yang ditetapkan tidak dapat diimplementasikan, dan terpaksa harus mem-bypass proses deduplikasi yang berlangsung di Data Center. Karena kalau proses deduplikasi di-bypass (dilewati), proses perekaman hingga penerbitan mungkin bisa berlangsung kurang dari satu jam. Tetapi akibatnya ketunggalan identitas penduduk yang selama ini diperjuangkan akan menjadi sia-sia, karena proses penunggalan tersebut dihentikan.

Iklan
Dipublikasi di research, Uncategorized | Meninggalkan komentar

Memahami kurva Receiver Operating Characteristics (ROC) dan Pengujian Biometrik KTP-elektronik di PTIK BPPT

Pada tulisan sebelumnya, telah dijelaskan dua tipe error biometrik : False Match (error tipe I) dan False Non Match (error tipe II). Kedua error tersebut berelasi trade-off.

Ketika threshold pemadanan diset rendah, semua upaya otentikasi akan diloloskan, termasuk impostor sekalipun. Sehingga nilai False Match Rate (FMR) tinggi, sedangkan False Non Match Rate (FNMR) nya rendah. Dalam aplikasi sekuriti, hal ini menyebabkan semua orang bisa lolos otentikasi, dan mengakses informasi yang sifatnya harus diamankan.

Sebaliknya, jika threshold diset sangat tinggi (misalnya saja infinite), maka nilai False Match akan minimal, sebaliknya nilai False Non Match akan maksimal. Sangat susah untuk lolos otentikasi, sehingga jika dipakai dalam aplikasi subsidi, orang yang berhak mendapatkan subsidi akan selalu tertolak dan kehilangan haknya.
Relasi antara FMR dan FNMR ini kalau diplot, akan diperoleh gambar seperti gambar berikut

Kurva ini disebut Receiver Operating Characteristics (ROC) curve. Dalam beberapa literatur, disebut sebagai Detection Error Tradeoff (DET) curve. Angka di atas sekedar ilustrasi untuk memudahkan memahami korelasi keduanya. Salah satu titik pada kurva tersebut berada pada saat nilai FMR sama dengan FNMR, yaitu 25%. Tingkat error seperti ini disebut Equal Error Rate (EER). Pada contoh ini EER pada threshold kedua adalah 25%.

Gambar di atas memperlihatkan kinerja suatu software biometrik, akan tetapi tingkat EER nya jauh lebih besar, yaitu 70%. Sistem biometrik seperti ini, kinerjanya akan lebih buruk dibandingkan kinerja software yang diulas sebelumnya. Walaupun threshold diset sedemikian hingga FMR sangat tinggi (90%), tingkat FNMR tidak bisa ditekan menjadi sangat rendah. Pada gambar tersebut, FNMR terendah sekitar 65%. Sebaliknya, ketika FMR ditekan (dengan mengubah nilai threshold pemadanan) agar menjadi sangat rendah, ternyata mentok di angka 60%, walaupun FNMR sudah maksimal. Hal ini menyebabkan software biometrik kedua sering gagal di lapangan, karena tingkat error tipe I maupun tipe II sangat tinggi.

Gambar di atas menggabungkan dua kurva sebelumnya. Software biometrik pertama (kurva merah) performanya lebih unggul dibandingkan software biometrik kedua. Upaya untuk memperbaiki kinerja algoritma biometrik bertujuan untuk meningkatkan akurasinya, sedemikian hingga yang awalnya seperti kurva biru bisa ditekan sedemikian hingga menjadi kurva merah. Tentu saja bukan hanya aspek akurasi, tapi juga faktor kecepatan menjadi aspek yang sangat penting. . Proses ini kadang makan waktu berpuluh tahun, untuk bisa menghasilkan algoritma terbaik di dunia, yang bisa dipakai pada data dengan skala besar. (Contoh perlunya waktu lama dalam riset komputasi misalnya : Fourier Transformation dikenalkan sekitar tahun 1800, tetapi baru bisa dipakai di dunia industri digital, setelah Fast Fourier Transformation atau FFT dikembangkan sekitar tahun 1960-an)

Nilai threshold yang dipakai dalam aplikasi biometrik berbeda-beda tergantung pada kebutuhannya.  Aplikasi di bidang forensik misalnya, cenderung menginginkan tingkat FNMR yang rendah walaupun agak mengorbankan nilai FMR. Sebaliknya, aplikasi sekuriti, demi keamanan, lebih menginginkan agar FMR rendah, walaupun agak mengorbankan tingkat FNMR.

Dalam pengujian KTP-el reader yang dilakukan di laboratorium biometrik Pusat Teknologi Informasi & Komunikasi BPPT,  sekitar 3 ribu data biometrik penduduk dipakai untuk mengukur tingkat FMR dan FNMR. Kami memakai 3 ribu records, sehingga dilakukan 9 juta matching. Kemudian karena ada dua jari : kiri dan kanan, untuk satu skenario akan dilakukan 9 juta x 2 = 18 juta matching. Total ada dua skenario dalam pengujian memakai data 3 ribu, sehingga total jumlah pemadanan pada saat menguji satu device adalah 36 juta matching. Dari data yang diperleh, kemudian diplot kurva ROC seperti pada gambar di atas. Kemudian sesuai dengan peraturan menteri dalam negeri no.34 tahun 2014, dilakukan pengukuran tingkat error. Syarat lolos uji adalah ketika FMR 0.01%, maka FNMR maksimum adalah 3%. Hingga saat ini, lab. biometrik (Pusat Teknologi Informasi & Komunikasi BPPT) bersama lab. smart card (Pusat Teknologi Elektronika BPPT)  telah melakukan pengujian perangkat pembaca KTP-el, dan diantaranya melakukan pengukuran  error terhadap sekitar 20 perangkat uji (disebut dengan DUT yang merupakan singkatan dari Device Under Test) yang dikembangkan oleh industri dalam negeri.

Dipublikasi di research | Meninggalkan komentar

Data ganda/duplikat dan KTP-el ganda adalah dua hal yang berbeda

Sore ini, seorang sahabat menanyakan ke saya mengenai berita di https://www.jpnn.com/news/ada-sebanyak-45304-duplikat-e-ktp-di-bekasi

Berita tersebut belum jelas bagi saya, apakah yang dimaksud “duplikat” itu maksudnya terjadi pada saat proses pemadanan berlangsung, sehingga diketahui ada upaya org membuat KTP-el lebih dari satu, dan sempat dicegah oleh sistem. Ataukah duplikasi terjadi, dan sistem tidak mengetahuinya, sehingga terlanjur dierbitkan dua KTP-el bagi orang yang sama.

Pemahaman saya, perlu dibedakan antara data ganda dan KTP-el ganda. KTP-el ganda terjadi karena  sistem deduplikasi tidak bekerja dengan baik sehingga seseorang yang merekam data biometrik lebih dari satu kali,  tidak tertangkap oleh sistem (baca penjelasan di bawah). Sedangkan data ganda/duplikat terjadi ketika sistem bekerja dengan baik dan berhasil mendeteksi fraud ketika penduduk berupaya merekam lebih dari 2 kali. Dua kata tersebut sepertinya sering dianggap bermakna sama, padahal secara teknis bertolak belakang.

Untuk memahami apa yang terjadi, perlu analisis yang lebih dalam, agar bisa mengetahui penyebabnya. Tetapi saya coba tuliskan penjelasan umum dari sisi teknologi biometrik, mengenai dua tipe error yang mungkin terjadi sebagai karakteristik yang melekat pada proses pemadanan biometrik.

Ada 2 error yg mungkin terjadi pada proses deduplikasi yaitu tipe I dan tipe II.  Tipe I terjadi ketika dua orang yang berbeda, data biometrik-nya dinyatakan match, karena memiliki tingkat similarity yang tinggi. Ketika A melakukan perekaman, datanya dinyatakan match dengan data penduduk B (org yang berbeda) & sudah pernah merekam. Matching scorenya lebih tinggi dari threshold. akibatnya A dinyatakan pernah merekam dan baginya tidak diterbitkan KTP-el. Ini disebut dalam statistika sbg error tipe I atau false match. Penduduk A akan protes, karena dia tidak pernah merekam sebelumnya. Dalam hal tsb petugas akan memakai ajudikator untuk memastikan apakah A dan B orang yang sama atau berbeda. Yaitu dg mencocokkan data kedua penduduk scr manual.

Tipe error kedua terjadi ketika orang yang sama, sebut saja C, sebelumnya pernah melakukan perekaman biometrik KTP-el dan dinyatakan tunggal. Kemudian dia melakukan perekaman ulang, dan sistem deduplikasi ketika mencocokkan data pada perekaman kedua tersebut dengan jutaan records yang telah merekam, ternyata tidak ada satu pun yang nilai matching scorenya melebihi threshold pemadanan. Bahkan ketika dicocokkan dengan data C sendiri yang sebenarnya sudah tersimpan di database, ternyata tidak cukup tinggi nilai similarity nya, sehingga pada perekaman kedua tersebut data C (perekaman kedua) dinyatakan unik. Kepada si C akan diterbitkan KTP-el, sehingga C memiliki lebih dari satu identitas sah. Tipe error seperti ini dalam statistika disebut error tipe II, atau false non match. berbeda dengan error tipe I, error tipe II ini tidak akan ketahuan selama tidak ada pelaporan dari ybs. Ilustrasi kasus ini dapat dilihat pada Gambar berikut

Rangkuman proses pemadanan dan kemungkinan yang muncul dapat dilihat pada gambar berikut:

Screen Shot 2018-03-30 at 11.10.23

Jumlah data ganda (ingat : bukan KTP-el ganda !) menurut kemendagri ada 2 juta [3]. Pada gambar di atas, angka ini mengacu pada hasil “True Match”, yang menunjukkan keberhasilan sistem dalam menangkal upaya pembuatan identitas ganda.

Ilustrasi besarnya peluang kedua tipe error dapat dilihat pada Gambar berikut.

Screen Shot 2018-04-11 at 08.10.44

Error dalam proses deduplikasi : area merah + area biru dalam relasi tradeoff. Apabila yang satu diperkecil, yang lain akan menjadi lebih besar. Mengkontrolnya melalui threshold, menyesuaikan resiko yang harus ditanggung oleh sistem (error cost). Pemahaman awam bahwa teknologi biometrik itu error free, maksudnya antara kedua distribusi tersebut terpisah, tidak ada overlapping area nya.

Apakah kedua error itu benar dan mungkin terjadi ?

Ada ! Contoh error tipe I adalah kasus Brandon Mayfield, seorang lawyer Oregon yang ditangkap oleh FBI dan dituduh sbg pelaku pengeboman kereta di Madrid pada 11 Maret 2014. Terry Green, ahli sidik jari FBI menemukan kesamaan lebih dari 15 titik sidik jari Mayfield dengan sidik jari laten yang tertinggal di tas detonator. Sindicato Nacional de Policía (SNP, yang artinya Kepolisian Nasional Spanyol) tidak setuju dengan analisis FBI dan belakangan disimpulkan bahwa pemillik sidik jari di TKP adalah Ouhnane Daoud. Brandon Mayfield akhirnya bebas dari tuduhan menyeramkan tsb. Simon A. Cole menuliskan laporan di journal of criminal law & criminology : “More than zero : accounting for error in latent fingerprint identification”, vol.95, no.3, pp.985-1078 (2005). Dilaporkan pada tulisan tsb kompilasi 22 kasus misidentifikasi sidik jari sebagaimana yang dialami Mayfield

Contoh tipe II error misalnya ketika pelaku kriminal berusaha merusak jarinya agar tidak terdeteksi ketika melakukan kejahatan. Misalnya seorg gangster, teman Al Capone, yaitu Gus Winkler, mengubah pattern sidik jarinya dari twin loop menjadi left loop. John Dillinger mengaburkan bagian pusat sidik jarinya dengan memakai cairan asam agar polanya rusak. Contoh lain adalah operasi plastik dan pemakain Hormon Replace Therapy pada kasus transgender akan membuat wajah seseorg berubah sehingga tidak dikenali sistem.

Bagaimana kaitannya dengan multimodal biometrics ?

Penjelasan mengenai error tipe I dan II di atas memakai asumsi bahwa proses deduplikasi dilakukan dengan single modality (1 sidik jari). Pada program KTP-el, selain 10 sidik jari, juga dilakukan perekaman 2 iris mata dan wajah. Tentunya akan lebih meningkatkan kinerja sistem (error lebih rendah) dibandingkan kalau memakai single modality.

Misalnya sebagaimana hasil pengukuran kinerja identifikasi multimodal biometrik pada UID. Sumbu vertikal merepresentasikan FNIR (sama dengan FNMR) sedangkan sumbu mendatar memperlihatkan log FPIR (sama dengan FMR). Grafik tersebut memperlihatkan bahwa 2 iris mata lebih unggul dibandingkan 10 jari yang terlihat dari garis putus-putus (iris mata) yang lebih rendah daripada garis putus titik (10 jari).  Akan tetapi gabungan keduanya paling unggul, yang terlihat dari garis solid yang merapat ke sumbu horizontal  [2].

Screen Shot 2018-03-30 at 08.05.04

Image source :   Introduction to Biometrics, Anil K. Jain, Arun A. Ross, Karthik Nandakumar, Springer, 2011, page 221.

Apakah penyebab kedua error tersebut ? Mengapa bisa demikian ?

Penyebab error tipe I dan II tidak selalu berasal dari biometric trait (jari, iris mata, wajah dsb) ybs. Tetapi bisa juga berasal dari sensor, perilaku ketika dipindai, environment yg mungkin kotor, basah, bisa juga berasal dari malpraktek operator yang tidak memenuhi SOP, maupun faktor software biometrik itu sendiri (akurasinya tidak baik, atau operating threshold terlalu tinggi atau terlalu rendah). Fish-bone diagram berikut saya buat untuk menjelaskan titik-titik yang harus dianalisis ketika terjadi biometrics failure.

Ketika terjadi salah satu dari dua error tsb. maka analisis mendalam diperlukan untuk menentukan sumber terjadinya. Tidak selalu sistem yang salah dan sebaliknya. Jangan sampai terjadi : kesalahan pada operasional (SOP dilanggar) dipakai untuk menyimpulkan bahwa sistemnya lah yang salah, desainnya yang salah. Sama saja dengan kamar yang aksesnya diamankan dengan password yang sulit, tapi bisa ditembus karena passwordnya dibocorkan. Bukan salah teknologinya tapi salah orangnya.

Biometrics, spam filter, OCR, Google translation, SIRI dan berbagai teknologi lain adalah berbasis proses statistika. Tidak bisa peluang error tipe I dan error tipe II dibuat menjadi nol semua. Seperti biometrik, misalnya, ketika threshold dibuat infinite maka semua proses otentikasi tertolak (error tipe I : 0% error tipe II : 100%). Sebaliknya ketika error dibuat sangat rendah, misalnya minus infinite, maka semua akan lolos. Tidak ada yg direject tetapi maling pun bisa lenggang kangkung masuk dan bersiul siul. error tipe I menjadi 100% sedangkan error tipe II menjadi 0%. kedua tipe error tsb berelasi trade off.

Untuk mendapatkan hasil optimal, antara lain dilakukan hal-hal sbb. :

  1. Pilih software yang baik kinerjanya
  2. Pilih operational threshold yang optimal sesuai dengan karakteristik aplikasi yang diinginkan, dan biasanya operational threshold ini disesuaikan mengikuti skala data di gallery
  3. Kawal prosesnya dengan pemilihan operator yang baik dan dipercaya, diberikan pelatihan dan sosialisasi atau kalau mungkin sertifikasi
  4. Kawal proses dengan SOP yang baik.

Teknologi, Proses dan People tidak bisa dipisahkan agar implementasi IT di dunia nyata dapat berhasil dg baik.

PS : ulasan di atas mengasumsikan software biometrics memakai similarity sbg proximity metrics. Data yg mirip karakteristiknya akan menghasilkan score yang nilainya besar. Hal ini perlu ditulis sbg asumsi awal, karena ada juga software biometrics yang memakai dissimilarity sbg proximity metrics, yaitu dua data yang mirip/sama akan menghasilkan nilai pemadanan yang rendah. Pemakaian hamming distance pada iris recognition misalnya adalah contoh pemakaian dissmilarity metrics.

Referensi dan Link ke artikel terkait :

  1. Simon A. Cole, More than Zero: Accounting for Error in Latent Fingerprint Identification, 95 J. Crim. L. & Criminology 985. ( 2004-2005) Artikel dapat didownload dari https://pdfs.semanticscholar.org/e445/d4e23e616fc06871ea433455cc4d067eab35.pdf
  2. Introduction to Biometrics, Anil K. Jain, Arun A. Ross, Karthik Nandakumar, Springer, 2011, page 221
  3. https://news.okezone.com/read/2018/03/10/337/1870691/kemendagri-sebut-ada-2-juta-penduduk-datanya-ganda
  4. https://asnugroho.wordpress.com/2017/12/05/menghindari-salah-kaprah-pemahaman-teknologi-ktp-el/
  5. https://www.bppt.go.id/teknologi-informasi-energi-dan-material/3028-ktp-elektronik-ktp-el-dtinjau-dari-aspek-teknologi
  6. https://asnugroho.wordpress.com/2017/02/10/perlunya-memahami-error-tipe-ii-seandainya-ktp-el-reader-dipakai-di-pilkada/
  7. https://asnugroho.wordpress.com/2013/10/01/memahami-false-match-false-non-match/
  8. https://asnugroho.wordpress.com/2016/01/26/dua-jenis-error-pada-mesin-presensi/
Dipublikasi di research | Meninggalkan komentar