<![CDATA[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%.]]>
Copyrights © 2025
