Putri, IkaKusumaning (2016) Optimized Active Learning For User’s Behavior Modelling Based On Non-Intrusive Smartphone Authentication. Magister thesis, Universitas Brawijaya.
Abstract
Untuk melindungi data di smartphone, ada beberapa mekanisme perlindungan yang telah digunakan. Otentikasi saat ini menggunakan metode PIN, kata sandi, dan berbasis biometrik. Metode otentikasi ini tidak cukup karena masalah kenyamanan dan keamanan. Otentikasi non-intrusi lebih nyaman karena hanya mengumpulkan perilaku pengguna untuk mengautentikasi pengguna ke smartphone. Beberapa mekanisme otentikasi non-intrusif diusulkan tetapi mereka tidak peduli dengan sampel pelatihan yang memiliki waktu pengumpulan data yang panjang. Pembelajaran aktif berbasis ambang batas telah mengusulkan metode yang mengurangi data pelatihan tetapi membuat tingkat kesalahan meningkat. Penelitian ini mengusulkan metode untuk mengumpulkan data yang lebih efisien menggunakan pembelajaran aktif yang dioptimalkan. Mesin Dukungan Vektor (SVM) digunakan untuk mengidentifikasi efek dari sejumlah kecil data pelatihan. Sistem yang diusulkan ini memiliki dua fungsi utama. Pertama, untuk mengurangi data pelatihan menggunakan aturan berhenti yang dioptimalkan. Kedua, pertahankan tingkat kesalahan menggunakan analisis model yang dimodifikasi untuk menentukan data pelatihan yang cocok untuk setiap pengguna. Akhirnya, setelah menyelesaikan percobaan, kita dapat menyimpulkan bahwa sistem kita yang diusulkan lebih baik daripada pembelajaran aktif berbasis ambang batas. Waktu yang diperlukan untuk mengumpulkan data dapat dikurangi menjadi 41% dari 17 hingga 10 menit dengan tingkat kesalahan yang sama.
English Abstract
In order to protect the data in the smartphone, there is some protection mechanism that has been used. The current authentication uses PIN, password, and biometric-based method. These authentication methods are not sufficient due to convenience and security issue. Non-Intrusive authentication is more comfortable because it just collects user`s behavior to authenticate the user to the smartphone. Several non-intrusive authentication mechanisms were proposed but they do not care about the training sample that has a long data collection time. The Threshold-based active learning has proposed the method that reduce the training data but it makes the error rate increase. This research propose a method to collect data more efficient using Optimized Active Learning. The Support Vector Machine (SVM) used to identify the effect of some small amount of training data. This proposed system has two main functionalities. First, to reduce the training data using optimized stop rule. Second, maintain the Error Rate using modified model analysis to determine the training data that fit for each user. Finally, after finish the experiment, we can conclude that our proposed system is better than Threshold-based Active Learning. The time required to collect the data can reduced to 41% from 17 to 10 minutes with the same Error Rate.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/005.8/PUT/o/2016/041702257 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data > 005.8 Data security |
| Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
| Depositing User: | Nur Cholis |
| Date Deposited: | 21 Apr 2017 08:49 |
| Last Modified: | 21 Apr 2017 08:49 |
| URI: | http://repository.ub.ac.id/id/eprint/155415 |
Actions (login required)
 |
View Item |