<![CDATA[Autentikasi berbasis kata sandi memiliki kelemahan inheren terhadap serangan siber seperti phishing dan keylogging, sehingga diperlukan lapisan keamanan tambahan. Penelitian ini bertujuan untuk mengevaluasi kinerja keystroke dynamics, sebuah metode biometrik perilaku, sebagai sistem autentikasi yang efektif dan non-intrusif. Penelitian ini menggunakan dataset publik CMU Keystroke Dynamics dengan pendekatan model user-specific. Fitur diekstraksi dalam dua tingkatan (orde pertama dan kedua) dan diuji pada empat jenis model machine learning: XGBoost, SVM, Random Forest, dan Ensemble Voting Classifier (EVC). Untuk mengatasi masalah ketidakseimbangan kelas yang ekstrem pada data, diterapkan metode hybrid sampling yang menggabungkan undersampling dan SMOTE. Kinerja model dievaluasi menggunakan metrik F1- Score dan Equal Error Rate (EER). Hasil pengujian menunjukkan bahwa pendekatan Ensemble Voting Classifier memberikan kinerja paling unggul. Konfigurasi terbaik berhasil mencapai F1-Score sebesar 0.9318 dan EER serendah 0.10%. Analisis komparatif membuktikan bahwa Ensemble Voting Classifier secara signifikan mengungguli model tunggal, diikuti oleh XGBoost, Random Forest, dan SVM. Penelitian ini menyimpulkan bahwa keystroke dynamics, jika diimplementasikan dengan metode Ensemble Voting Classifier dan strategi penanganan data yang tepat, merupakan solusi yang sangat andal dan aman untuk sistem autentikasi modern.]]>
Copyrights © 2025
