Perpustakaan Digital ITB

Sistem pendeteksi wajah telah menjadi metode pengenalan identitas sebagai prosedur keamanan yang paling umum digunakan. Dukungan kamera pada gawai memberikan keleluasaan bagi pengguna untuk memanipulasi wajah terdeteksi. Akses ini kemudian menjadi celah kejahatan dan berbagai metode pendeteksi serangan tipuan juga turut dikembangkan. Walau demikian, metode yang dikembangkan dengan basis jaringan neural tidak cukup eksploratif dalam membandingkan beragam variasi arsitektur yang berpotensi memberikan kinerja yang lebih baik. Penggunaan data latih yang berbeda juga selalu menjadi ruang optimasi potensial dan memberikan peluang untuk mengungguli model deteksi yang telah ada. Pengembangan model diawali dengan melakukan perbandingan arsitektur untuk mendapatkan variasi arsitektur paling optimal. Performa model dinilai melalui analisis kualitatif dengan map fitur dan kuantitatif dengan persebaran skor prediksi pada masing-masing model dalam kondisi data yang sama. Satu arsitektur terbaik dipilih menjadi kerangka utama yang terlibat dalam pengujian efektivitas skala arsitektur berbeda dan variasi kedalaman adaptasi parameter pada proses fine-tuning. Pengembangan model deteksi juga mencakup adaptasi metode augmentasi tanda serangan digital dalam pemrosesan data untuk memperkenalkan kondisi lingkungan yang variatif dan membantu memenuhi data dalam domain serangan berbasis topeng. Arsitektur Swin Transformer dipilih sebagai penyangga terbaik dan skala base dengan kedalaman adaptasi parameter last-stage menjadi konfigurasi model terbaik. Model ini unggul pada 5 dari 6 metrik evaluasi dalam pengujian data intraset dengan akurasi 98.24%, APCER 0.71%, BPCER 2.79%, EER 1.61%, ACER 1.51%, dan AUC 99.8%. Pada pengujian data antarset, model yang didapatkan memiliki skor AUC sebesar 94.94% untuk LCC-FASD, 74.53% untuk parsial MSU-MFSD, 83.02% untuk parsial CASIA-FASD, 86.91% untuk NUAA imposter, serta 76.99% untuk CustomSpoofFaceIF4092. Berbeda dengan implementasi metode augmentasi digital dalam pengembangan data serangan presentasi wajah, model yang dihasilkan tidak berhasil menunjukkan performa yang lebih baik dari penggunaan data latih awal.