DUAL-LAYER ANTI-SPOOFING UNTUK SISTEM PRESENSI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DAN GEOFENCING HAVERSINE

Abstract

Sistem absensi berbasis web menghadapi dua vektor penipuan utama yaitu pemalsuan GPS dan pemalsuan biometrik melalui foto, video replay, atau deepfake berbasis AI. Solusi yang ada umumnya hanya mengatasi satu ancaman, meninggalkan celah keamanan yang kritis. Penelitian ini mengusulkan dan memvalidasi kerangka kerja keamanan dua lapis yang mencegah kedua ancaman secara bersamaan melalui Liveness Detection sisi klien dan geofencing sisi server. Liveness Detection menggunakan Convolutional Neural Network berbasis MobileNetV1 melalui pustaka face-api.js yang berjalan sepenuhnya di browser. Pengguna harus mempertahankan ekspresi senyum dengan probabilitas ?0,70 selama 1,5 detik sebelum absensi diaktifkan. Otentisitas lokasi diverifikasi di sisi server menggunakan Rumus Haversine dengan pengiriman melebihi radius 50 meter ditolak dengan HTTP 403. Sistem dikembangkan menggunakan metodologi Waterfall dengan backend Flask dan basis data SQLite. Evaluasi dilakukan melalui pengujian skenario keamanan terstruktur yang mengukur True Positive Rate (TPR), False Acceptance Rate (FAR), dan akurasi geofencing pada kondisi GPS stabil maupun koordinat yang dimanipulasi. Dari 40 percobaan liveness, sistem menghasilkan TPR 95%, FAR 0% terhadap serangan foto statis, dan akurasi geofencing 100% pada kondisi GPS stabil. Penelitian ini membuktikan secara nyata bahwa geofencing pada sisi klien dapat dilewati melalui Sensor Emulation browser dengan celah yang dieliminasi sepenuhnya oleh validasi sisi server. Kerangka kerja yang diusulkan memberikan ketahanan terhadap serangan presentasi dan penipuan lokasi tanpa instalasi aplikasi native. Temuan ini perlu divalidasi pada partisipan yang lebih besar, mengingat dataset terbatas pada 40 percobaan liveness dan 6 skenario geofencing. Penelitian lanjutan diprioritaskan pada ketahanan terhadap deepfake real-time dan mitigasi degradasi GPS dalam ruangan.