Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Jurnal Telematika

Model Deep Learning untuk Face Anti-Spoofing dalam Mengatasi Domain Generalization dengan Depth Estimation dan Generative Adversarial Network Sunoto, Tio Dewantho; Setiadikarunia, Daniel; Saragih, Riko Arlando; Moses, Elia
Jurnal Telematika Vol. 20 No. 1 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i1.730

Abstract

Penggunaan biometrik wajah untuk memperoleh akses suatu sistem keamanan adalah hal yang lazim ditemukan dalam perangkat komunikasi/komputasi. Walaupun demikian, kemudahan ini berakibat kepada kerentanan terjadinya penerobosan ke dalam sistem keamanan, di mana citra wajah dapat dipalsukan dengan memanfaatkan foto atau video seseorang yang memiliki hak akses. Hal ini dapat diperburuk dengan tersedianya foto atau video seseorang di media sosial. Sistem face anti-spoofing (FAS) adalah suatu sistem yang penting untuk mendeteksi apakah citra masukan adalah citra riil atau citra palsu dalam suatu sistem biometrik yang menggunakan informasi citra wajah. Banyak metode yang sudah digunakan untuk merealisasikan sistem ini, baik dengan pendekatan berbasis metode hand-crafted maupun deep learning (DL). Walaupun demikian, penelitian mengenai perbedaan distribusi antara dataset uji dengan dataset latih masih jarang dilakukan. Artikel ini membahas penggunaan model berbasis deep learning (DL) untuk aplikasi face anti-spoofing (FAS). Penelitian ini mengimplementasikan model menggunakan estimasi peta kedalaman untuk menemukan fitur diskriminatif dan generative adversarial network (GAN) untuk mengatasi isu perbedaan distribusi yang menggunakan pendekatan berupa pembangkitan (pembentukan) data. Untuk model yang diimplementasikan dengan skenario simulasi intraset, hasil pengujian untuk dua dataset publik, yaitu NUAA dan CASIA, memberikan hasil terbaik dari segi metrik half total error rate (HTER), berturut-turut 2,97% dan 2,7%. Sementara simulasi untuk adanya perbedaan antara karakteristik dataset uji dengan dataset latih, hasil dengan menerapkan GAN untuk meningkatkan kemampuan generalisasi model, dapat menurunkan bonafide presentation classification error rate (BPCER) sebesar 9,75%.
Analisis Watermarking Citra Digital Berbasis Contourlet Transform dan DCT dalam Ruang Warna RGB, YCbCr, dan YIQ Setiadikarunia, Daniel; Setiawan, Agus
Jurnal Telematika Vol. 20 No. 2 (2025)
Publisher : Yayasan Petra Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61769/telematika.v20i2.741

Abstract

This article discusses watermarking techniques for contourlet transform (CT)-based digital images, combined with the discrete cosine transform (DCT). Watermarks are inserted into one of the colour components of the host image's colour space, namely RGB, YCbCr, or YIQ. Level 2 contourlet transformation is applied to the colour component used for watermark insertion. The upper-right subband of the contourlet transform result is selected, divided into 4×4 blocks, and then DCT and zigzag scanning are applied to each block. The watermark used is a black-and-white (binary) image. To improve security and reduce spatial correlation, the watermark is scrambled using Arnold scrambling. The watermark is embedded in the host image by inserting a PN sequence corresponding to each watermark bit into the midband DCT coefficients of the 4×4 block. Test results show that the inserted image has a high level of imperceptibility (PSNR> 30 dB). The watermark is robust against JPEG compression with a minimum quality factor of 8, scaling of 75% and 125%, rotation of 180°, cropping of 20% with different cropping positions, and the addition of up to 5% Gaussian noise, but is not robust against 90° rotation and median filtering. Watermarks embedded in the YCbCr colour space in the Cb or Cr components, or in the YIQ colour space in the I or Q components, achieve optimal imperceptibility and robustness.