Jurnal KHARISMA Tech | ISSN:1907-2317 | e-ISSN: 2810-0344 https://jurnal.
id/kharismatech published by: Pusat Penelitian STMIK KHARISMA Makassar Volume: 21 no.
01 Ae Maret 2026- hlm.
AUTENTIKASI BERKELANJUTAN BERBASIS POLA KEYSTROKE
MENGGUNAKAN METODE DEEP LEARNING
Oleh:
Dedi Haryanto1*.
Muhammad Eldi Agustian2.
Kemas Muhammad Wahyu Hidayat3
1,2,3
Teknologi Informasi.
Universitas Muhammadiyah Palembang e-mail: 1dedi.
haryanto@um-palemabng.
id, 2eldimuhammad55@gmail.
wahyu_hidayat@um-palembang.
Abstrak: Penelitian ini mengembangkan sistem autentikasi berkelanjutan berbasis pola pengetikan untuk meningkatkan keamanan identitas digital.
Permasalahan muncul karena autentikasi konvensional hanya memverifikasi pengguna di awal sesi sehingga rentan terhadap penyusupan.
Pendekatan yang digunakan memanfaatkan dinamika pengetikan pada teks bebas dengan menganalisis waktu tekan tombol, jeda antar tombol, dan kecepatan mengetik sebagai biometrik perilaku.
Data diproses melalui normalisasi, segmentasi berbasis jendela geser, ekstraksi fitur, pelatihan model pembelajaran mendalam gabungan Convolutional Neural Network dan Bidirectional Long Short-Term Memory, serta evaluasi menggunakan tingkat penerimaan salah, penolakan salah, dan kesalahan seimbang.
Hasil menunjukkan sistem mampu mendeteksi identitas pengguna secara konsisten dengan akurasi tinggi, respons cepat, dan kesalahan rendah.
Penelitian ini menyimpulkan bahwa autentikasi berbasis dinamika pengetikan efektif sebagai solusi keamanan adaptif, efisien, dan non intrusif.
Kata kunci: continuous authentication, keystroke dynamics.
CNN-BiLSTM, deep learning, behavioral biometrics.
Abstract: This study developed a continuous authentication system based on keystroke patterns to enhance digital identity security.
The problem arose because conventional authentication only verified users at the beginning of a session, making it vulnerable to session The proposed approach utilized free-text keystroke dynamics by analyzing key press duration, inter-key latency, and typing speed as behavioral biometric features.
Data were processed through normalization, sliding window segmentation, feature extraction, training of a hybrid deep learning model combining Convolutional Neural Network and Bidirectional Long Short-Term Memory, and evaluation using False Acceptance Rate.
False Rejection Rate, and Equal Error Rate.
The results showed that the system consistently identified legitimate users with high accuracy, fast detection response, and low error rates.
It was concluded that keystroke-based continuous authentication provided an effective, adaptive, efficient, and nonintrusive security solution.
Keywords: continuous authentication, keystroke dynamics.
CNN-BiLSTM, deep learning, behavioral biometrics.
Corresponding author : Dedi Haryanto .
haryanto@um-palemabng.
Diterima : Februari, 2026
Disetujui : Maret, 2026
Dipublikasikan : Maret, 2026
Jurnal Ilmu Komputer KHARISMA TECH
PENDAHULUAN
Perkembangan teknologi digital meningkatkan intensitas interaksi daring sekaligus memperbesar risiko kebocoran data dan pencurian identitas.
Sistem autentikasi konvensional seperti kata sandi dan nomor identifikasi pribadi dinilai kurang memadai karena hanya melakukan verifikasi di awal sesi serta rentan terhadap serangan penyusupan.
Dalam konteks ini, autentikasi berkelanjutan menjadi pendekatan yang lebih relevan karena mampu memverifikasi identitas pengguna secara terus-menerus tanpa mengganggu aktivitas.
Salah satu pendekatan yang berkembang adalah biometrik perilaku melalui dinamika pengetikan, yang memanfaatkan pola unik tiap individu sebagai karakteristik autentikasi.
Pendekatan ini dinilai lebih adaptif dibandingkan biometrik statis, meskipun masih terdapat keterbatasan pada implementasi berbasis teks bebas dan kondisi penggunaan nyata yang dinamis .
, .
, .
, .
, .
Beberapa penelitian sebelumnya telah mengkaji autentikasi berkelanjutan berbasis keystroke dynamics dengan pendekatan yang beragam.
Kiyani dkk.
mengusulkan model "robust recurrent confidence berbasis ensemble learning" untuk meningkatkan stabilitas autentikasi, namun pengujiannya masih terbatas pada skenario semi-terkontrol sehingga validitasnya pada kondisi penggunaan nyata belum sepenuhnya terkonfirmasi.
Yang dkk.
mengembangkan metode "short keystroke sequence" untuk lingkungan tidak terkontrol guna meningkatkan efisiensi verifikasi, tetapi belum mengintegrasikan arsitektur deep learning hibrida yang mampu menangkap karakteristik spasial dan temporal secara simultan.
Sementara itu.
Lu dkk.
menerapkan kombinasi CNN dan RNN pada autentikasi berbasis free-text dan menunjukkan peningkatan akurasi, namun evaluasinya belum dianalisis secara komprehensif menggunakan metrik kesalahan seperti False Acceptance Rate (FAR).
False Rejection Rate (FRR), dan Equal Error Rate (EER) yang lazim digunakan pada sistem Berdasarkan kajian tersebut, masih terdapat celah penelitian pada integrasi arsitektur hibrida yang mampu mengoptimalkan ekstraksi fitur spasial dan pemodelan dependensi temporal dua arah serta dievaluasi menggunakan metrik kesalahan yang terukur untuk skenario real-time, sehingga penelitian ini mengusulkan model CNNAeBiLSTM dengan segmentasi sliding window guna meningkatkan robustness dan stabilitas autentikasi berkelanjutan dalam kondisi dinamis.
Berdasarkan celah tersebut, penelitian ini bertujuan mengembangkan sistem autentikasi berkelanjutan berbasis dinamika pengetikan yang mampu membedakan pengguna sah dan penyusup secara konsisten dengan akurasi tinggi serta respons deteksi cepat.
Pendekatan yang diusulkan menggabungkan kekuatan ekstraksi fitur spasial dan analisis temporal melalui arsitektur pembelajaran mendalam hibrida, sehingga sistem dapat mempelajari pola perilaku pengetikan secara lebih komprehensif dan adaptif terhadap variasi pengguna .
, .
, .
Permasalahan utama penelitian berfokus pada bagaimana merancang model autentikasi berkelanjutan yang efektif, adaptif, dan efisien dalam mengenali identitas pengguna berdasarkan pola pengetikan pada teks bebas.
Untuk menjawab permasalahan tersebut, penelitian ini menggunakan pendekatan eksperimental dengan tahapan pengumpulan data Dedi Haryanto.
Muhammad Eldi Agustian.
Kemas Muhammad Wahyu Hidayat Jurnal Ilmu Komputer KHARISMA TECH dinamika pengetikan, pra-pemrosesan melalui normalisasi dan segmentasi berbasis jendela geser, ekstraksi fitur perilaku, pelatihan model pembelajaran mendalam berbasis Convolutional Neural Network dan Bidirectional Long Short-Term Memory, serta evaluasi menggunakan metrik tingkat penerimaan salah, penolakan salah, dan kesalahan seimbang guna mengukur keandalan sistem autentikasi yang dikembangkan .
, .
, .
Kontribusi utama penelitian ini meliputi: .
perancangan arsitektur hybrid CNNAeBiLSTM untuk autentikasi berkelanjutan berbasis free-text, .
penerapan segmentasi sliding window untuk mendukung verifikasi realtime, dan .
evaluasi sistem menggunakan metrik FAR.
FRR, dan EER guna memastikan keandalan autentikasi dalam skenario dinamis.
METODE PENELITIAN
Penelitian ini menggunakan pendekatan eksperimental kuantitatif yang berfokus pada pengembangan model Continuous Authentication berbasis Keystroke Dynamics dengan arsitektur CNN-BiLSTM.
Tahapan penelitian disusun secara sistematis mulai dari pengumpulan data hingga evaluasi performa model sehingga membentuk alur proses yang logis dan terukur.
Diagram alir penelitian digunakan untuk menggambarkan keseluruhan tahapan penelitian secara terstruktur .
Arsitektur model CNNAeBiLSTM yang digunakan dalam penelitian ini ditunjukkan pada Gambar 1.
Gambar 1.
Arsitektur Model CNN-BiLSTM Data keystroke dikumpulkan menggunakan simulasi pengetikan teks yang mencatat dwell time, flight time, dan typing speed sebagai representasi dinamika perilaku mengetik Data kemudian melalui tahap preprocessing berupa pembersihan anomali, z-score normalization, serta segmentasi menggunakan sliding window agar data dapat diproses sebagai time-series.
Pendekatan ini memungkinkan model melakukan verifikasi identitas secara berulang selama aktivitas pengetikan berlangsung tanpa bergantung pada isi teks yang diketik pengguna .
, .
, .
, .
, .
Fitur utama yang digunakan meliputi dwell time, flight time, dan inter-key latency yang merepresentasikan karakteristik unik pola pengetikan setiap individu.
Proses feature extraction dilakukan menggunakan pipeline berbasis NumPy dan Pandas untuk menjaga efisiensi pemrosesan data serta konsistensi representasi fitur sebelum masuk ke tahap pelatihan model .
Model yang digunakan menggabungkan Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM).
CNN berperan dalam mengekstraksi fitur spasial dari pola keystroke, sedangkan BiLSTM menangkap hubungan temporal dua arah dari urutan pengetikan sehingga konteks perilaku pengguna dapat dipelajari secara lebih akurat .
Dedi Haryanto.
Muhammad Eldi Agustian.
Kemas Muhammad Wahyu Hidayat Jurnal Ilmu Komputer KHARISMA TECH Pelatihan dan pengujian model dilakukan dengan pembagian data training dan testing serta menerapkan early stopping untuk menghindari overfitting.
Proses pelatihan memonitor validation loss sebagai indikator kestabilan pembelajaran.
Evaluasi performa sistem dilakukan menggunakan FAR (False Acceptance Rat.
FRR (False Rejection Rat.
, dan EER (Equal Error Rat.
untuk mengukur tingkat keandalan autentikasi berbasis keystroke, di mana nilai kesalahan yang rendah menunjukkan kemampuan sistem dalam membedakan pengguna sah dan impostor secara konsisten .
, .
, .
, .
, .
, .
Grafik hasil pelatihan dan evaluasi model ditampilkan pada Gambar 2 untuk menunjukkan stabilitas proses pembelajaran.
Gambar 2.
Grafik Persentase Hasil Training & Evaluasi Model Melalui rangkaian tahapan tersebut dihasilkan model Continuous Authentication berbasis Keystroke Dynamics yang adaptif, efisien, dan stabil sesuai dengan tujuan penelitian .
HASIL DAN PEMBAHASAN
Bagian ini menyajikan hasil eksperimen yang telah dilakukan serta pembahasan terkait performa model autentikasi yang dikembangkan.
Analisis meliputi deskripsi dataset, hasil pelatihan model, evaluasi berbasis metrik kesalahan, serta interpretasi visualisasi performa Deskripsi Data Penelitian ini menghasilkan model autentikasi berbasis deep learning CNNAeBiLSTM yang mampu mengidentifikasi pola ketikan pengguna secara akurat menggunakan CMU Keystroke Dynamics Benchmark Dataset.
Dataset ini berisi data keystroke dari lebih dari 3.
pengguna, yang mencakup durasi penekanan tombol .
old tim.
dan jeda antar-tombol .
light Setelah dilakukan preprocessing berupa normalisasi dan penghapusan outlier, sebanyak 80% data digunakan untuk pelatihan dan 20% untuk pengujian.
Model CNN digunakan untuk mengekstraksi fitur spasial dari pola ketikan, sedangkan BiLSTM berperan menangkap hubungan temporal antar-keystroke.
Model dilatih selama 50 epoch dengan batch size 32 menggunakan optimizer Adam dan learning rate 0.
Dedi Haryanto.
Muhammad Eldi Agustian.
Kemas Muhammad Wahyu Hidayat Jurnal Ilmu Komputer KHARISMA TECH Hasil terbaik dicapai dengan akurasi 97.
4%, precision 96.
8%, dan recall 97.
menunjukkan performa yang sangat baik untuk autentikasi berbasis perilaku pengguna.
Pembahasan Berikut merupakan visualisasi hasil evaluasi model secara komprehensif ditunjukkan pada Gambar 3.
Gambar 3.
Dashboard Summary Model Continuous Authentication Berikut merupakan rincian dari hasil pengujian model :
Real-Time Authentication Score Grafik Real-Time Authentication Score menunjukkan bagaimana sistem memantau identitas pengguna secara terus-menerus selama proses pengetikan.
Hampir semua skor berada sangat dekat dengan 1.
0, yang berarti pola mengetik konsisten dikenali sebagai pengguna asli.
Sesekali ada penurunan skor, namun masih berada di atas batas aman.
Hanya satu titik yang turun signifikan, tetapi tetap tidak melewati ambang warning.
Ini menggambarkan bahwa sistem sangat stabil dalam menjaga autentikasi selama sesi berlangsung.
Dwell and Flight Time Distribution Histogram ini menggambarkan persebaran waktu penekanan tombol .
dan jarak antar-penekanan .
Polanya terkonsentrasi pada area tertentu, menandakan gaya mengetik pengguna cukup konsisten.
Stabilitas distribusi ini penting karena model keystroke dynamics sangat bergantung pada ritme pengetikan, bukan isi teksnya.
Dedi Haryanto.
Muhammad Eldi Agustian.
Kemas Muhammad Wahyu Hidayat Jurnal Ilmu Komputer KHARISMA TECH Confusion Matrix Pada grafik Confusion Matrix hasilnya sangat bersih, semua data pengguna asli diklasifikasikan sebagai authorized dan semua data impostor diklasifikasikan sebagai impostor.
Tidak ada kesalahan deteksi sama sekali sehingga FAR dan FRR berada di 0%.
Ini menunjukkan performa model yang sangat kuat dalam memisahkan pola pengetikan pengguna asli dan penyamar.
Decision Summary Panel ini merangkum keputusan yang diambil sistem dimana hampir semua aktivitas termasuk kategori No Action, artinya sistem yakin bahwa pengguna yang mengetik adalah pemilik akun, ada sejumlah kecil Soft Challenge .
isalnya 2FA) sebagai bentuk kehati-hatian, dan hanya segelintir kasus yang berpotensi memicu Lock Session, dan angka ini sangat Gambaran ini menunjukkan bahwa sistem responsif, tetapi tetap tidak berlebihan dalam memberikan alarm palsu.
System Status Status keseluruhan menunjukkan SYSTEM STABLE, dengan akurasi 100% dan lock rate sekitar 1,22%.
Angka ini menunjukkan bahwa sistem tidak terlalu agresif, namun tetap tegas ketika pola mengetik mulai menyimpang dari kebiasaan pengguna.
User Clustering (PCA) Plot clustering menggunakan PCA ini memberi gambaran visual perbedaan antarpengguna.
Tiap titik mewakili sampel keystroke, dan terlihat bahwa kumpulan titik dari pengguna tertentu mengelompok pada area yang serupa.
Ini menegaskan bahwa pola timing memang unik untuk setiap individu, dan model mampu mempelajari keunikan tersebut.
Kelebihan dan Kelemahan Model Model yang dikembangkan memiliki sejumlah keunggulan utama, yaitu tingkat akurasi yang tinggi berkat kombinasi CNN dan BiLSTM yang efektif dalam menangkap karakteristik unik pola keystroke pengguna.
Selain itu, waktu respons sistem relatif cepat dengan rata-rata di bawah dua detik, sehingga layak diterapkan pada skenario login dan autentikasi real-time.
Model juga bersifat adaptif dan robust karena mampu menyesuaikan diri terhadap variasi gaya mengetik pengguna yang berbeda, sehingga tetap stabil pada kondisi penggunaan yang Di sisi lain, terdapat beberapa keterbatasan yang perlu diperhatikan, antara lain ketergantungan model terhadap kondisi perangkat input yang berbeda sehingga dapat menimbulkan variasi data dan memerlukan normalisasi timing antar-perangkat, penggunaan model adaptif, serta retraining ringan ketika terjadi perubahan perangkat.
Keterbatasan juga berasal dari penggunaan dataset publik CMU yang belum sepenuhnya merepresentasikan Dedi Haryanto.
Muhammad Eldi Agustian.
Kemas Muhammad Wahyu Hidayat Jurnal Ilmu Komputer KHARISMA TECH populasi pengguna dalam jumlah besar maupun variasi budaya mengetik, serta kebutuhan kapasitas komputasi yang relatif tinggi pada tahap pelatihan awal.
KESIMPULAN
Berdasarkan hasil penelitian menggunakan CMU Keystroke Dynamics Benchmark Dataset, dapat disimpulkan bahwa kombinasi Convolutional Neural Network (CNN) dan Bidirectional Long Short-Term Memory (BiLSTM) mampu mengenali pola unik pengetikan setiap pengguna melalui analisis fitur timing seperti hold time dan flight time.
CNN berperan dalam mengekstraksi karakteristik spasial dari data keystroke, sedangkan BiLSTM memodelkan dinamika temporal dua arah, sehingga hubungan antar-keystroke dapat dipelajari secara lebih stabil dan representatif.
Hasil pelatihan dan pengujian menunjukkan bahwa arsitektur hybrid CNNAeBiLSTM menghasilkan tingkat akurasi yang tinggi dalam membedakan karakteristik individu.
Pendekatan keystroke dynamics dengan arsitektur ini terbukti efektif sebagai metode autentikasi perilaku yang adaptif dan non-intrusif.
Integrasi BiLSTM juga meningkatkan sensitivitas model terhadap perubahan ritme mengetik, yang merupakan aspek penting dalam menjaga keberlanjutan autentikasi selama sesi berlangsung.
Penelitian ini berhasil menjawab rumusan masalah terkait efektivitas deep learning dalam autentikasi berbasis perilaku serta menunjukkan bahwa pendekatan berbasis kebiasaan pengguna mampu meningkatkan keamanan sistem.
Kontribusi utama penelitian ini adalah pengembangan model awal .
autentikasi berkelanjutan yang dapat menjadi dasar perancangan sistem autentikasi perilaku pada tahap pengembangan selanjutnya, khususnya menuju implementasi sistem real-time sebagai plugin keamanan lapisan kedua.
Sebagai tindak lanjut, penelitian lanjutan disarankan untuk melakukan pengujian menggunakan data keystroke real-time agar model mampu beradaptasi dengan variasi pola mengetik pada kondisi nyata, mengoptimalkan proses ekstraksi fitur dan penalaan hiperparameter untuk meningkatkan akurasi serta mengurangi risiko overfitting, serta menggunakan dataset yang lebih beragam guna memperkuat kemampuan generalisasi model.
Selain itu, diperlukan pengujian lintas platform dan pengembangan antarmuka pengguna yang efisien agar sistem autentikasi berkelanjutan dapat diintegrasikan secara andal pada lingkungan website maupun aplikasi mobile tanpa mengurangi kenyamanan pengguna.
DAFTAR PUSTAKA