Abstrak – Visual Hacking merupakan sebuah isu data dan informasi berupa data login, informasi finansial,
keamanan dan privasi data yang perlu diperhatikan dokumen istimewa dan rahasia, dan infromasi lainnya. Dr.
saat ini, dimana visual hacking berfokus pada Larry Ponemon, Ph. D dan tim [1] menyimpulkan bahwa
pencurian informasi yang terpampang pada tampilan 52% informasi yang sensitif dapat dilihat pada layar
elektronik, seperti layar monitor komputer. Isu ini komputer karyawan sebuah perusahaan, dan 68% aktifitas
dapat terjadi ketika pengguna membiarkan informasi visual hacking tidak diberhentikan atau disadari dari
terpampang pada layar komputer sehingga dapat karyawan.
dilihat oleh siapa saja. Pada penelitian ini, dibuatlah Visual hacking terjadi ketika karyawan membuat
sebuah aplikasi berbasis computer vision dengan keputusan yang buruk dari bagaimana cara mereka
tujuan mengimplementasikan algoritma pengenalan mengakses data dan menampilkan informasi yang sensitif,
wajah eigenface untuk mendeteksi visual hacking. yang kemudian dilihat dan dibaca oleh individu yang
Penelitian ini menggunakan framework Viola-Jones penasaran atau hacker yang berbahaya. Secara umum
dan fitur Local Binary Pattern (LBP) untuk mendeteksi komputer rentan terkena visual hacking karena kurangnya
wajah. Aplikasi yang dibuat dapat mengenali wajah kontrol dari pengguna dan komputer berada pada keadaan
pengguna dan akan mengeluarkan jendela peringatan monitor yang sedang menyala, tidak berada dalam posisi
jika terdeteksi wajah pengintip. Jika tidak terdeteksi lock session login, brightness monitor yang mati atau
wajah atau yang terdeteksi bukan wajah pengguna, blank window. Posisi dimana komputer digunakan juga
aplikasi akan mengeluarkan jendela peringatan besar menentukan rentan atau tidaknya informasi dari komputer
untuk menutupi informasi pada monitor. Aplikasi diuji dapat dicuri melalui visual hacking.
pada ruangan dengan kondisi eksperimen terkontrol. Untuk itu perlu adanya kajian mengenai solusi untuk
Hasil pengujian menunjukkan bahwa aplikasi berhasil mendeteksi visual hacking yang lebih mendalam, dengan
mendeteksi ancaman visual hacking dengan waktu memanfaatkan algoritma tertentu dalam ilmu computer
kecepatan deteksi wajah 2.7003 detik serta tingkat vision pada aplikasi, sebagai suatu solusi alternatif.
akurasi pengenalan wajah 94%. Algoritma pengenalan wajah merupakan salah satu
algoritma yang cocok untuk diterapkan.
Kata kunci : Visual Hacking, Pengenalan Wajah,
Computer Vision, Eigenface, Viola-Jones, Local Binary II. LANDASAN TEORI
Pattern
A. Visual Hacking
I. PENDAHULUAN Visual hacking merupakan pengembangan dari
shoulder surfing dimana visual hacking berfokus pada
Teknologi membuat pekerjaan manusia menjadi lebih pencurian informasi yang terpampang pada barang
efisien, dan saat ini komputer telah menjadi bagian dari elektronik, seperti layar monitor komputer/laptop atau
masyarakat perkotaan sebagai alat bantu pekerjaan, begitu gadget dan lainnya seperti pada Gambar 1.
pula hampir setiap perusahaan telah menerapkan dan Menurut Dr. Larry Ponemon dan tim [1][2][3], Visual
menyediakan komputer untuk karyawannya sebagai alat hacking didefinisikan sebagai “A low tech method of
bantu kerja demi mendapatkan hasil kerja yang optimal. capturing sensitive, confidential and private information
Pastinya data-data penting perusahaan, data karyawan, for unauthorized use”. Sesuai dengan penelitian dan
data pelanggan, dan data lainnya disimpan pada komputer eksperimen yang dilakukan oleh Dr. Larry Ponemon dan
yang digunakan masing-masing personal. Harapan dari tim pada tahun 2015 (Amerika) dan tahun 2016 (Beberapa
amannya data yang tersimpan di dalam teknologi negara/global) di 46 perusahaan menghasilkan bahwa
merupakan suatu keharusan dari pengguna itu sendiri. visual hacking hampir tidak disadari oleh para karyawan.
Visual hacking merupakan sebuah isu keamanan dan Tingkat kesuksesan percobaan visual hacking mencapai
privasi data yang harus diperhatikan saat ini, karena 91%, 27% data dan informasi yang berhasil diretas
berdasarkan penelitian dan eksperimen di berbagai negara mencakup login credentials, dokumen istimewa, dan
berupa Tiongkok, Perancis, Jerman, India, Jepang, Korea
Selatan, Inggris, dan Amerika oleh Dr. Larry Ponemon,
Ph. D dan tim [1], dapat dilihat bahwa data rahasia
personal dan perusahaan dapat terungkap melalui aktifitas
visual hacking, dimana tingkat kesadaran akan aktifitas
tersebut pada saat ini masih rendah. Rata-rata waktu yang
diperlukan untuk melakukan aktifitas visual hacking
hanya membutuhkan waktu kurang dari 15 menit, dengan
tingkat kesuksesan mencapai 91%. Tingkat kesuksesan
yang dimaksudkan dalam hal ini berhasil mendapatkan Gambar 1. Ilustrasi percobaan visual hacking
E-Journal Teknik Informatika Vol 11, No. 1 (2017) ISSN: 2301-8364
informasi finansial, 52% dari informasi yang sensitif wajah dengan eigenvector, pendekatan pendeteksian dan
berhasil diretas melalui pengelihatan secara visual di layar pengenalan wajah dengan eigenface ini dibangun dengan
komputer karyawan dan visual hacking terjadi dengan tujuan agar proses pendeteksian dan pengenalan wajah
sangat cepat kurang dari 15 menit dengan 68% percobaan menjadi cepat, simpel, dan akurat di dalam lingkungan
visual hacking tidak diberhentikan oleh karyawan. yang terbatas seperti ruang kantor atau ruangan pada
rumah. Konsep dari pendekatan dengan eigenface ini ialah
B. Viola-Jones Framework dengan mengekstrak informasi relevan dari citra wajah
Viola-Jones framework merupakan framework dengan cara encoding, kemudian membandingkan hasil
pendeteksian objek yang dipublikasikan pada tahun 2001 encoding citra wajah tersebut dengan citra wajah yang
[4], algoritma dari framework pendeteksian Viola-Jones telah di-encode sebelumnya, dalam pendekatan ini
terdiri dari : informasi yang di-encode dari citra ialah eigenvector dari
1. Membuat integral image matriks kovarian citra-citra wajah.
2. Adaboost training M. Turk dkk [6] merangkum 5 langkah dari proses
3. Cascade Classifiers pengenalan wajah dengan eigenface, yaitu :
Pendeteksian objek berdasasrkan Viola-Jones 1. Inisialisasi : membutuhkan dataset dari citra-
framework mengklasifikasikan citra berdasarkan fitur citra wajah yang nantinya akan di-train dan
yang sederhana, tidak menggunakan piksel secara menghasilkan perhitungan eigenfaces yang akan
langsung untuk mengklasifikasikan citra. Alasan kuat mendefiniskan “face-space”.
menggunakan fitur sebagai pengklasifikasi karena fitur 2. Ketika citra wajah baru dimasukkan, citra wajah
dapat mengkodekan atau membentuk domain ad-hoc yang tersebut dikalkulasi bobot vektornya dengan
sukar untuk dipelajari dengan menggunakan kuantitas memproyeksikan citra tersebut ke dalam sub-
training data yang terbatas, alasan kedua Viola dan Jones ruang yang disebut dengan (“face space”) yang
menggunakan fitur sebagai pengklasifikasi citra karena dibentangi seluruh permukaannya oleh
membuat proses komputasi lebih cepat dibandingkan eigenfaces.
dengan pengklasifikasian menggunakan piksel. 3. Tahap selanjutnya, menentukan apakah citra
masukan tersebut adalah wajah dengan
C. Local Binary Pattern melakukan pengecekan yang melihat apakah
Local Binary Pattern (LBP) diperkenalkan oleh Ojala citra tersebut cukup menyerupai dengan yang
dkk [5] pada tahun 1996. Konsep dasar dari LBP yaitu ada dalam “face space”.
menyimpulkan struktur lokal dari citra dengan 4. Jika itu adalah wajah, dilakukan
membandingkan setiap piksel dengan piksel sekelilingnya. pengklasfikasian citra wajah sebagai wajah yang
Cara perbandingan ini dilakukan dengan mengambil satu dikenali atau tidak.
piksel tengah kemudian membandingkan nilainya dengan 5. (Opsional) jika wajah yang tidak diketahui
piksel sekelilingnya, jika nilai piksel yang mengelilingnya dideteksi berkali-kali, maka kalkulasi bobot
lebih besar atau sama dengan nilai pada piksel tengah karakteristik wajah tersebut kemudian hasil
maka piksel tersebut akan diberi nilai 1, sedangkan jika kalkulasi tersebut dihitung sebagai wajah yang
nilai dari piksel yang mengelilinginya kurang dari nilai dikenali.
piksel tengah maka diberi nilai 0, kemudian nilai dari Gambar 3 adalah citra eigenface pada penelitian [6].
setiap piksel pada citra akan menjadi angka biner.
Operator LBP yang diperkenalkan pertama kali E. Deteksi Wajah (Face Detection)
bekerja dengan satu piksel tengah dengan delapan piksel Face Detection merupakan teknologi komputer yang
yang mengelilinginya (lihat Gambar 2), nilai biner yang digunakan beberapa sistem dan atau aplikasi untuk
dihasilkan setelah perbandingan akan membentuk pola mendeteksi wajah. Teknologi face detection dibangun
tekstur lokal. Setelah melakukan perbandingan nilai piksel dengan algoritma tertentu yang berfokus pada deteksi dari
keliling dengan nilai piksel tengah selajutnya dilakukan wajah manusia. Di dalam teknologi pengenalan wajah,
penyusunan delapan nilai biner searah jarum jam dan face detection merupakan tahap awal pemrosesan untuk
merubah nilai biner tersebut kedalam nilai desimal untuk mengenali wajah seseorang, dimana face detection
menggantikan nilai piksel tengah. menentukan dimana bagian wajah yang muncul pada citra
masukan. Keberhasilan dari face detection memiliki
D. Eigenface tingkat pengaruh yang tinggi dalam performa dan
M. Turk dkk [6] mendefinisikan eigenfaces sebagai kegunaan dari suatu sistem pengenalan wajah [7].
hasil transformasi citra-citra wajah menjadi sebuah set
fitur karakteristik wajah dalam bentuk eigenvector dari
matirks kovarian citra-citra wajah tersebut. Dalam
pendekatan dan pengenalan wajah dari [6], dijelaskan
bahwa eigenfaces tidak melihat fitur-fitur tertentu pada
wajah seperti mata, mulut, hidung, dan lain-lain untuk
mendeteksi dan mengenali wajah, melainkan mengenal
Gambar 2. Operator LBP 3 x 3 Pixel Gambar 3. Citra eigenface pada penelitian M. Turk
E-Journal Teknik Informatika Vol 11, No. 1 (2017) ISSN: 2301-8364
V. PENUTUP
A. Kesimpulan
Gambar 12. Tidak Terdeteksi Wajah Karena Putar Kepala Algoritma pengenalan wajah berhasil
diimplementasikan dan berhasil mendeteksi ancaman
visual hacking dalam pengujian berdasarkan desain
eksperimen dan 5 skenario, dengan waktu kecepatan
deteksi 2.7003 detik dan akurasi pengenalan wajah 94%.
B. Saran
Perlu adanya penelitian lanjutan untuk menentukan
teknik atau metode terbaik, dalam menentukan citra
dataset pengenalan pemilik komputer, penggunaan
algoritma, maupun perangkat keras yang digunakan,
dalam hal mendeteksi visual hacking.
Gambar 13. Gagal Deteksi Karena Kemiringan Kepala
DAFTAR PUSTAKA