cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Tin budi Utami
Contact Email
Tinbudiutami@mercubuana.ac.id
Phone
+628151860196
Journal Mail Official
Tinbudiutami@mercubuana.ac.id
Editorial Address
Pusat Penelitian Universitas Mercu Buana Jakarta, Gedung D Lantai 1, Jalan Meruya Selatan No. 01, Kembangan, Jakarta Barat 11650
Location
Kota adm. jakarta barat,
Dki jakarta
INDONESIA
Jurnal Ilmu Teknik dan Komputer
Published by Universitas Mercu Buana
ISSN : 2548740X     EISSN : 26211491     DOI : https://dx.doi.org/10.22441/jitkom
Core Subject : Science, Engineering,
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering
Ilmu Teknik Ilmu komputer komputasi mekanik control dan system engineering industrial dan manufacturing engineer civil engineer, building, construction dan architecture electrical dan electronics engineering
Arjuna Subject : Teknik (semua kategori) - Teknik (Lain-Lain)
Articles 1 Documents
 1 
Search results for , issue "vol. 9 no. 2 (2025)" : 1 Documents clear
Deteksi Pemalsuan Wajah Berbasis ResNet-50 dengan Fitur LBP-HOG-CTA CbCr: Kinerja Intra-Dataset dan Generalisasi Antar-Dataset Aldhi Fadillah Qosasih
Jurnal Ilmu Teknik dan Komputer Vol. 9 No. 2 (2025)
Publisher : Universitas Mercu Buana

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Sistem pengenalan wajah masih menghadapi kerentanan terhadap serangan pemalsuan, khususnya dalam kondisi pencahayaan yang buruk, yang dapat mengancam keandalan proses verifikasi identitas. Tantangan utama terletak pada kesulitan sistem dalam membedakan wajah asli dan tiruan, yang semakin kompleks akibat mudahnya akses terhadap citra wajah melalui media sosial serta permasalahan domain shift pada data dunia nyata. Penelitian ini mengusulkan metode Face Spoofing Detection (FSD) berbasis deep learning dengan memanfaatkan arsitektur ResNet-50 yang dikombinasikan dengan teknik ekstraksi fitur Local Binary Pattern (LBP), Histogram of Oriented Gradients (HOG), dan Chromatic Textural Analysis (CTA CbCr) diharapkan dapat menangkap perbedaan halus antara ciri asli dan palsu. Evaluasi dilakukan secara menyeluruh terhadap beberapa dataset publik (CASIA-FASD, NUAA, OULU) serta dataset pribadi yang merepresentasikan kondisi aktual di lapangan. Hasil pengujian intra-dataset menunjukkan performa yang sangat baik pada akurasi dan F1-score, di mana CTA CbCr menghasilkan performa paling optimal dalam sebagian besar skenario (EER dan HTER mencapai 0,00 pada CASIA dan OULU). Namun, hasil pengujian lintas dataset dan pada data pribadi menunjukkan penurunan kinerja yang signifikan, menandakan adanya tantangan serius terkait domain shift. Meskipun pelatihan dengan multi-dataset memberikan peningkatan generalisasi pada beberapa dataset publik, performa pada data pribadi tetap terbatas. Penelitian ini menekankan potensi kuat dari kombinasi ResNet-50 dengan fitur tekstur dan warna dalam lingkungan yang terkendali, namun juga menunjukan kebutuhan pendekatan adaptasi domain yang lebih robust untuk penerapan FSD di dunia nyata.

Page 1 of 1 | Total Record : 1

 1 

Filter by Year

2025 2025


Reset
Filter By Issues
All Issue Vol. 10 No. 2 (2026) Vol. 10 No. 1 (2026) Vol 10, No 1 (2026) Vol 9, No 2 (2025) Vol. 9 No. 2 (2025) Vol 9, No 1 (2025) Vol. 9 No. 1 (2025) Vol 8, No 2 (2024) Vol. 8 No. 2 (2024) Vol 8, No 1 (2024) Vol. 8 No. 1 (2024) Vol 7, No 2 (2023) Vol 7, No 1 (2023) Vol 6, No 2 (2022) Vol 6, No 1 (2022) Vol 5, No 2 (2021) Vol 5, No 1 (2021) Vol 4, No 2 (2020) Vol 4, No 1 (2020) Vol 3, No 2 (2019) Vol 3, No 1 (2019) Vol 2, No 1 (2018) Vol 1, No 1 (2017) More Issue