Sidik jari selama ini dianggap sebagai “raja” dalam teknologi biometrik. Tapi tahukah kamu bahwa cara kamu berjalan menyimpan informasi yang jauh lebih kaya, jauh lebih sulit ditiru, dan jauh lebih sulit dipalsukan? Setiap kali kamu melangkah, lebih dari 100 otot bekerja bersamaan dalam pola yang terbentuk selama bertahun-tahun dan nyaris tidak bisa direplikasi oleh orang lain secara sempurna. Para ilmuwan menyebutnya gait, dan teknologi untuk membacanya sedang berkembang dengan sangat cepat.

Apa Itu Gait?

Gait adalah istilah ilmiah untuk cara atau pola seseorang berjalan. Kata ini sering digunakan di dunia medis, biomekanika, dan kini semakin akrab di ranah teknologi. Dalam konteks ilmu komputer, gait termasuk kategori behavioral biometrics, yaitu identifikasi berbasis perilaku, berbeda dari sidik jari atau iris mata yang bersifat fisik dan tidak berubah.

Yang membuat gait begitu istimewa adalah kompleksitasnya. Saat seseorang berjalan, lebih dari 100 otot bekerja secara bersamaan, dikendalikan oleh sistem saraf yang unik pada setiap individu. Panjang langkah, ritme, sudut pergelangan kaki, cara pinggul berayun, hingga distribusi berat badan saat tumit menyentuh tanah semuanya membentuk sebuah “tanda tangan” biologis yang sangat sulit ditiru secara sempurna.

Bagaimana Mesin Bisa Membaca Cara Berjalan?

Ada dua pendekatan utama dalam teknologi gait recognition.

Pendekatan pertama adalah berbasis kamera. Sistem ini menggunakan rekaman video dari CCTV atau kamera khusus untuk menganalisis siluet seseorang saat bergerak. Algoritma computer vision mengekstrak informasi seperti proporsi tubuh, panjang langkah, dan gerakan anggota tubuh, bahkan dari jarak jauh dan dalam kondisi pencahayaan yang tidak ideal. Penelitian dari University of Southampton menjadi salah satu tonggak awal pendekatan ini melalui proyek GAIT (Gait Analysis for Identification and Tracking) pada awal 2000-an (Nixon et al., 2006).

Pendekatan kedua adalah berbasis sensor IMU (Inertial Measurement Unit). Smartphone yang kita bawa sehari-hari memiliki akselerometer dan giroskop yang merekam getaran dan gerakan saat kita berjalan. Data mentah ini kemudian diolah oleh model machine learning untuk mempelajari pola unik tiap individu. Sprager dan Juric (2015) dalam tinjauan mereka di jurnal Sensors mencatat bahwa pendekatan berbasis sensor ini semakin populer karena tidak memerlukan infrastruktur kamera khusus dan dapat berjalan secara pasif di perangkat yang sudah ada di tangan pengguna.

Apa yang Dibaca oleh Sistem?

Saat mesin menganalisis gait seseorang, ada banyak parameter yang diekstrak dari data sensor maupun video. Beberapa di antaranya adalah:

Cadence, yaitu jumlah langkah per menit. Stride length, yaitu jarak antara dua titik kontak kaki yang sama dengan tanah. Step width, yaitu lebar langkah lateral. Swing time, yaitu durasi satu kaki berada di udara. Stance time, yaitu durasi kaki menyentuh tanah. Selain itu ada juga pola akselerasi pada tiga sumbu (X, Y, Z) dan variabilitas ritme antara langkah satu dengan berikutnya.

Ngo et al. (2013) membangun salah satu basis data gait terbesar berbasis sensor IMU dengan lebih dari 700 subjek dan membuktikan bahwa kombinasi fitur-fitur di atas menghasilkan akurasi identifikasi yang sangat kompetitif dibanding modalitas biometrik lainnya.

Gait di Dunia Nyata

Di bidang kesehatan, analisis gait sudah lama digunakan oleh fisioterapis dan ahli neurologi untuk mendeteksi kondisi seperti Parkinson, stroke, dan gangguan keseimbangan. Perubahan halus dalam pola berjalan bisa menjadi indikator awal penurunan kondisi neurologis sebelum gejala klinis lain muncul. Muro-de-la-Herran et al. (2014) mendokumentasikan bagaimana parameter gait seperti variabilitas langkah dan asimetri bisa membedakan pasien Parkinson dari individu sehat dengan akurasi yang signifikan.

Di bidang keamanan publik, beberapa kota besar di Asia dan Eropa sudah mengujicoba sistem kamera yang mampu mengidentifikasi individu dari pola jalannya di tengah kerumunan, bahkan ketika wajah tertutup masker atau topi. Ini memunculkan diskusi etika yang serius terkait privasi publik.

Di bidang olahraga dan performa, pelatih atlet menggunakan analisis gait untuk mengoptimalkan teknik lari, mendeteksi risiko cedera lebih awal, dan memantau pemulihan pasca cedera.

Mengapa Gait Sulit Dipalsukan?

Berbeda dari kata sandi yang bisa dicuri atau kartu yang bisa hilang, gait adalah sesuatu yang melekat pada tubuh dan tidak mudah direplikasi. Muaaz dan Mayrhofer (2017) dalam studi mereka di IEEE Transactions on Mobile Computingmenunjukkan bahwa meskipun seseorang secara sadar mencoba mengubah cara berjalannya, pola-pola mikro yang dikendalikan oleh sistem saraf bawah sadar tetap bocor ke dalam data sensor. Ini yang membuat gait secara inheren lebih tahan terhadap upaya peniruan dibandingkan karakteristik yang bisa diamati secara visual semata.

Tantangan yang Masih Ada

Variasi kondisi adalah tantangan terbesar. Seseorang berjalan berbeda saat mengenakan sepatu hak tinggi, membawa tas berat, kelelahan, atau berjalan di permukaan tidak rata. Sistem yang baik harus mampu menangani variasi ini tanpa kehilangan akurasi.

Isu privasi juga tidak bisa diabaikan. Data gait termasuk data biometrik yang sensitif. Di banyak negara termasuk Indonesia melalui UU Perlindungan Data Pribadi Nomor 27 Tahun 2022, data biometrik mendapat perlindungan hukum khusus. Penggunaan teknologi pengenalan gait di ruang publik memerlukan kerangka regulasi yang jelas agar tidak disalahgunakan.

Terakhir, kondisi medis dan perubahan fisik seperti cedera, pertambahan berat badan, atau proses penuaan bisa mengubah pola gait seseorang secara signifikan, sehingga sistem perlu diperbarui secara berkala.

Masa Depan Gait Recognition

Para peneliti sedang mengembangkan sistem yang robust terhadap variasi kondisi, menggunakan pendekatan deep learning seperti recurrent neural network dan transformer untuk menangkap pola temporal yang lebih kompleks. Kombinasi gait dengan modalitas biometrik lain seperti suara atau gerakan tangan juga sedang dieksplorasi untuk meningkatkan reliability sistem secara keseluruhan.

Yang menarik, arah penelitian terbaru juga semakin memperhatikan dimensi etika dan privasi. Pendekatan seperti Federated Learning, di mana data tidak perlu dikirim ke server pusat, mulai banyak diusulkan sebagai solusi agar teknologi ini bisa berkembang tanpa mengorbankan hak privasi penggunanya (McMahan et al., 2016).

Kesimpulan

Cara berjalanmu menyimpan informasi biologis yang kaya, jauh lebih dari yang terlihat oleh mata. Dari diagnostik kesehatan hingga keamanan publik, gait recognition membuka kemungkinan yang luas sekaligus menghadirkan tanggung jawab besar. Memahami teknologi ini bukan hanya urusan para peneliti, tetapi juga masyarakat luas yang setiap harinya hidup berdampingan dengan kamera dan sensor yang semakin cerdas.

Referensi

McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. a. Y. (2016). Communication-Efficient Learning of Deep Networks from Decentralized Data. arXiv (Cornell University), 1273–1282. https://doi.org/10.48550/arxiv.1602.05629

Muaaz, M., & Mayrhofer, R. (2017). Smartphone-Based GAIT Recognition: From Authentication to Imitation. IEEE Transactions on Mobile Computing, 16(11), 3209–3221. https://doi.org/10.1109/tmc.2017.2686855

Muro-De-La-Herran, A., Garcia-Zapirain, B., & Mendez-Zorrilla, A. (2014). GAIT Analysis Methods: An overview of Wearable and Non-Wearable systems, highlighting clinical applications. Sensors, 14(2), 3362–3394. https://doi.org/10.3390/s140203362

Ngo, T. T., Makihara, Y., Nagahara, H., Mukaigawa, Y., & Yagi, Y. (2013). The largest inertial sensor-based gait database and performance evaluation of gait-based personal authentication. Pattern Recognition, 47(1), 228–237. https://doi.org/10.1016/j.patcog.2013.06.028

Nixon, M. S., Tan, T., & Chellappa, R. (2006). Human identification based on GAIT. https://doi.org/10.1007/978-0-387-29488-9

Sprager, S., & Juric, M. (2015). Inertial Sensor-Based GAIT Recognition: A review. Sensors, 15(9), 22089–22127. https://doi.org/10.3390/s150922089

Undang-Undang Republik Indonesia Nomor 27 Tahun 2022 tentang Perlindungan Data Pribadi.

 

Penulis

  • 2602077736 – Dave Tjong
  • D3690 – Prof. Derwin Suhartono