DETEKSI FACE LIVENESS MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DENGAN ARSITEKTUR MOBILENET
DOI:
https://doi.org/10.35145/jmapteksi.v8i2.5952Abstrak
Perkembangan teknologi pengenalan wajah saat ini banyak dimanfaatkan pada sistem keamanan digital. Namun, sistem tersebut masih rentan terhadap serangan spoofing seperti penggunaan foto, video, atau media cetak untuk memalsukan identitas pengguna. Oleh karena itu, penelitian ini bertujuan untuk membangun dan mengevaluasi sistem liveness detection sebagai metode anti-spoofing guna meningkatkan keamanan sistem autentikasi berbasis wajah. Metode yang digunakan dalam penelitian ini adalah deep learning dengan arsitektur MobileNetV2 karena memiliki performa yang baik dan ringan untuk implementasi pada perangkat dengan sumber daya terbatas. Dataset yang digunakan adalah CelebA-Spoof, yang terdiri dari citra wajah asli (live) dan palsu (spoof). Proses penelitian meliputi tahap preprocessing data, pelatihan model, pengujian model, serta evaluasi kinerja menggunakan metrik akurasi, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model MobileNetV2 mampu membedakan citra wajah live dan spoof dengan tingkat akurasi yang tinggi yaitu 96.75% serta tingkat kesalahan klasifikasi yang relatif rendah yaitu 2,32%.
Unduhan
Referensi
[1] Ardiansyah, A. C., Yulian, H., & Winardi, S. (2025). Penerapan liveness detection dengan metode nonlinear diffusion. 11(1), 1–7.
[2] Khatina Sari, Jasmir, & Arvita, Y. (2022). Perancangan Sistem Absensi Facial Recognition Menggunakan CNN dan Liveness Detector pada BPR Central Dana Mandiri. Jurnal Informatika Dan Rekayasa Komputer(JAKAKOM), 2(1),70–80. https://doi.org/10.33998/jakakom.2022.2.1.63
[3] Abdullah, F. F., & Agustin, S. (2024). Penerapan Biometric Face Recognition Menggunakan Metode Convolutional Neural Network Pada Aplikasi Berbasis Android. Indexia, 6(1), 1. https://doi.org/10.30587/indexia.v6i1.4958
[4] Hartanto, B., Yudanto, B. W., Nugroho, D., & Tomo, S. (2024). Impelementasi Convolutional Neural Network Menggunakan Model Mobilenet Dalam Aplikasi Presensi Berbasis Pengenalan Wajah. Biner : Jurnal Ilmiah Informatika Dan Komputer, 3(1), 22–26. https://doi.org/10.32699/biner.v3i1.6607
[5] Destiana, N., Aisyah, N., Sebayang, A., dan Yuniasih, I. (2024) Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Wajah. Jurnal Sistem Informasi Dan Aplikasi, 2(2), 31–34, https://doi.org/10.52958/jsia.v2i2.8560.
[6] Normawati, D., & Prayogi, S. A. (2021). Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter. Jurnal Sains Komputer & Informatika (J-SAKTI, 5(2), 697–711.
[7] Kuncoro, A. V., Ni'mah, L. M., & Faisal, E. (2025). Perbandingan Multi Algoritma Klasifikasi dan Tuning Parameter untuk Prediksi Ketergantungan Skincare Berbasis Streamlit. Building of Informatics, Technology and Science (BITS), 7(2), 1078-1089. https://doi.org/10.47065/bits.v7i2.7897
[8] Muhammad, F. A. K., & Putra, R. E. (2025). Perbandingan Analisis Sentimen Untuk Prediksi Kepuasan Pelanggan Kedai Kopi Di Kofind Menggunakan Algoritma SVM Dan Naive Bayes. Journal of Informatics and Computer Science (JINACS). 6(4), 1039–1048.
[9] Amaliah, Suci., Nusrang, M., & Aswi. (2022) Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi Di Kedai. Journal of Statistics and Its Application on Teaching and Research (Online). 4(2), 121-127
[10] Algoritme, J., Alwanda, M. R., Putra, R., Ramadhan, K., Alamsyah, D., Studi, P., & Informatika, T. (2020). Implementasi Metode Convolutional Neural Network Menggunakan Arsitektur LeNet-5 untuk Pengenalan Doodle. 1(1).
[11] Yudianto, M. R. A., Kusrini, K., & Al Fatta, H. (2020). Analisis Pengaruh Tingkat Akurasi Klasifikasi Citra Wayang dengan Algoritma Convolitional Neural Network. Jurnal Teknologi Informasi, 4(2), 182–191. https://doi.org/10.36294/jurti.v4i2.1319
