<![CDATA[Penggunaan biometrik sebagai metode autentikasi mempunyai kelebihan dari sisi personalisasi dan minimnya resiko pemalsuan dibandingkan metode autentikasi tradisional. Salah satu metode biometrik yang banyak diteliti dan dikembangkan adalah photoplethysmography atau PPG yang populer digunakan karena biaya sensornya yang relatif rendah, implementasi yang sederhana, serta keamanannya yang tinggi. Akan tetapi, PPG memiliki beberapa kelemahan di antaranya adalah kesulitan mengidentifikasi pengguna di luar kondisi steril, rentan terhadap motion artifacts, serta kesulitan untuk mengidentifikasi user baru. Salah satu cara untuk menanggulangi berbagai kekurangan dalam PPG adalah dengan mengolah data PPG yang masuk menggunakan machine learning atau deep learning. Salah satu metode deep learning yang layak untuk dipertimbangkan adalah Conditional Variational Autoencoder atau CVAE. Dalam paper ini, penulis menggagas sebuah metode autentikasi berbasis sinyal PPG yang diproses dengan CVAE untuk membentuk representasi biometrik. Hasil representasi ini kemudian akan disimpan di database dan akan dilakukan pengujian dengan sistem autentikasi yang kemudian diukur dengan berbagai matrik. Hasil penelitian menunjukkan CVAE mampu mengekstraksi karakteristik biometrik individu secara efektif pada kondisi pengujian yang terkontrol. Akan tetapi, hasil pengujian pada sistem autentikasi menunjukkan performa yang jauh lebih rendah, menunjukkan implementasi autentikasi secara real-time masih menghadapi tantangan signifikan. Hasil penelitian mengindikasikan bahwa performa sistem sangat dipengaruhi oleh kualitas sinyal, konsistensi preprocessing, serta perbedaan pipeline pemrosesan data. Penelitian selanjutnya disarankan untuk menerapkan pipeline preprocessing yang benar-benar konsisten antara pemrosesan data offline dan pemrosesan data real-time.]]>
