Transfer Learning dengan MobileNetV3 untuk Deteksi Serangan Spoofing Wajah pada Foto

Abstract

Deteksi serangan spoofing wajah menjadi tantangan dalam teknologi pengenalan wajah, terutama pada sistem presensi karyawan yang rentan terhadap penyalahgunaan, seperti penggunaan foto untuk memalsukan kehadiran. Penelitian ini mengembangkan metode deteksi spoofing berbasis transfer learning dengan memanfaatkan arsitektur MobileNetV3, yang dirancang untuk efisiensi pada perangkat dengan keterbatasan sumber daya, seperti perangkat seluler. Model yang dikembangkan dilatih menggunakan dataset dengan pembagian rasio 70:15:15 untuk pelatihan, validasi, dan pengujian, menggunakan pendekatan supervised learning. Hasil eksperimen menunjukkan bahwa varian MobileNetV3-Large dengan teknik fine-tuning, yang dilakukan dengan membuka kembali lapisan setelah lapisan ke-130, mampu mencapai akurasi 99,58% pada data pelatihan, 99,94% pada validasi, dan 99,77% pada pengujian. Selain itu, model ini memperoleh HTER sebesar 0,002254791432, yang menunjukkan efektivitas tinggi dalam mengidentifikasi serangan spoofing wajah.