Implementasi Transfer Learning Menggunakan DenseNet121 untuk Deteksi Presentation Attack pada Citra Wajah
DOI:
https://doi.org/10.25077/TEKNOSI.v12i2.2026.266-275Kata Kunci:
Presentation Attack Detection, DenseNet121, Face Anti-Spoofing, Transfer Learning, Image ClassificationAbstrak
Ujian jarak jauh menjadi tulang punggung penyelenggaraan Pendidikan Jarak Jauh (PJJ) di Indonesia, terutama pada institusi berskala masif seperti Universitas Terbuka dan platform Massive Open Online Courses (MOOC), namun keandalan verifikasi wajah pada sistem proctoring komersial terus diuji oleh ancaman presentation attack atau spoofing wajah. Dengan bermodalkan foto cetak, foto pada layar perangkat lain, masker, atau manekin, joki ujian dapat mengelabui verifikasi wajah awal tanpa keahlian teknis khusus dan biaya rendah, kemudian bebas mengerjakan ujian hingga selesai tanpa terdeteksi. Skala pengawasan manual pada ratusan ribu peserta ujian PJJ membuat verifikasi satu per satu menjadi tidak mungkin dilakukan, sehingga dibutuhkan solusi deteksi otomatis yang cepat, ringan, dan andal untuk memfilter tangkapan webcam secara masal pada infrastruktur server kampus. Penelitian ini menjawab kebutuhan tersebut dengan mengembangkan model deteksi presentation attack menggunakan pendekatan transfer learning pada arsitektur DenseNet121, dilatih pada dataset citra wajah multikelas berjumlah 1.403 citra yang mencakup enam kategori: fake_mannequin, fake_mask, fake_printed, fake_screen, fake_unknown, dan realperson. Model dilatih menggunakan strategi fine-tuning parsial pada blok konvolusi akhir (denseblock4 dan norm5) dengan optimizer AdamW, penjadwal ReduceLROnPlateau, dan early stopping untuk menjaga performa sekaligus mencegah overfitting. Hasil pengujian menunjukkan akurasi 87,68%, precision tertimbang 88,79%, recall tertimbang 87,68%, dan F1-score tertimbang 87,62%, dengan performa stabil dan konsisten pada seluruh kelas serangan. Model terbaik diimplementasikan ke aplikasi antarmuka berbasis Streamlit untuk mendemonstrasikan deteksi secara interaktif dan mudah dipahami pengguna non-teknis. Hasil ini membuktikan bahwa pendekatan transfer learning berbasis DenseNet121 akurat, ringan, dan efisien untuk diadopsi sebagai lapisan pertahanan tambahan pada sistem proctoring ujian daring di lingkungan Pendidikan Jarak Jauh berskala besar, di tengah meningkatnya ancaman spoofing terhadap integritas ujian.Referensi
A. Putri Iskandar, Muhammad Ikhsan Thohir, Ivana Lucia Kharisma, Kamdan, and Anggun Fergina, “Implementasi Deteksi Langsung Pada Sistem Ujian Online Menggunakan Algoritma Convolutional Neural Network,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 5, no. 2, pp. 483–492, Sep. 2024, doi: https://doi.org/10.37859/coscitech.v5i2.7270.
Muhammad Arsal, Bheta Agus Wardijono, and D. Anggraini, “Face Recognition Untuk Akses Pegawai Bank Menggunakan Deep Learning Dengan Metode CNN,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 6, no. 1, pp. 55–63, Jun. 2020, doi: https://doi.org/10.25077/teknosi.v6i1.2020.55-63.
E. N. F. Dewi, G. N. Tarempa, A. N. Rachman, and A. Febriansyah, “Sistem Presensi Perkuliahan Mahasiswa Berbasis Face Recognition dengan Metode Liveness Detection,” Indonesian Journal Computer Science, vol. 4, no. 2, pp. 118–126, Oct. 2025, doi: https://doi.org/10.31294/ijcs.v4i2.9876.
N. Selwyn, C. O’Neill, G. Smith, M. Andrejevic, and X. Gu, “A necessary evil? The rise of online exam proctoring in Australian universities,” Media Int. Aust., vol. 186, no. 1, pp. 149–164, 2023, doi: 10.1177/1329878X211005862
M. Pooshideh, “A novel active solution for two-dimensional face presentation attack detection,” arXiv preprint, arXiv:2212.06958, 2022. Available: https://arxiv.org/abs/2212.06958
W. Yaqub, M. Mohanty, and B. Suleiman, “Image-hashing-based anomaly detection for privacy-preserving online proctoring,” arXiv preprint, arXiv:2107.09373, 2021. Available: https://arxiv.org/abs/2107.09373
Z. Boulkenafet, J. Komulainen, and A. Hadid, “Face Anti-Spoofing Based on Color Texture Analysis,” arXiv preprint, arXiv:1511.06316, 2015. Available: https://arxiv.org/abs/1511.06316
X. Tan, Y. Li, J. Liu, and L. Jiang, “Face liveness detection from a single image with sparse low rank bilinear discriminative model,” in Proc. Eur. Conf. Comput. Vis. (ECCV), Crete, Greece, 2010, pp. 504–517, doi: 10.1007/978-3-642-15567-3_37
G. Pan, L. Sun, Z. Wu, and S. Lao, “Eyeblink-based anti-spoofing in face recognition from a generic webcamera,” in Proc. IEEE Int. Conf. Comput. Vis. (ICCV), Rio de Janeiro, Brazil, 2007, pp. 1–8, doi: 10.1109/ICCV.2007.4409068
O. Nikisins, A. Mohammadi, A. Anjos, and S. Marcel, “On effectiveness of anomaly detection approaches against unseen presentation attacks in face anti-spoofing,” in Proc. Int. Conf. Biometrics (ICB), Gold Coast, Australia, 2018, pp. 75–81, doi: 10.1109/
ICB2018.2018.00022
Y. Liu, A. Jourabloo, and X. Liu, “Learning deep models for face anti-spoofing: Binary or auxiliary supervision,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Salt Lake City, UT, USA, 2018, pp. 389–398, doi: 10.1109/CVPR.2018.00048
R. A. Saragih, T. D. Sunoto, D. Setiadikarunia, and E. Moses, “Model Deep Learning untuk Face Anti-Spoofing dalam Mengatasi Domain Generalization dengan Depth Estimation dan Generative Adversarial Network,” Jurnal Telematika, vol. 20, no. 1, pp. 1–12, Aug. 2025, doi: 10.61769/telematika.v20i1.730. Available: https://journal.ithb.ac.id/index.php/telematika/article/view/730
Dzikri Maulana, Nur Salamah Azzahrah, Reiza Alithian Syach, Sopian Syauri, and Chaerur Rozikin, “IDENTIFIKASI KONTEN VISUAL BUATAN AI DENGAN RESNET DAN FINE-GRAINED FEATURE EXTRACTION,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 13, no. 3S1, Oct. 2025, doi: https://doi.org/10.23960/jitet.v13i3S1.8056.
I. Made and N. Devi, “Real Time Face Recognition for Mobile Application Based on Mobilenetv2,” Jurnal Multidisiplin Madani, vol. 3, no. 9, pp. 1855–1864, Sep. 2023, doi: https://doi.org/10.55927/mudima.v3i9.5924.
F. A. Jiwani and Bagus Satrio Waluyo Poetro, “SISTEM DETEKSI GAMBAR DEEPFAKE MENGGUNAKAN CNN DENSENET-121 DENGAN WATERMARKING LEAST SIGNIFICANT BIT (LSB),” Jurnal Rekayasa Sistem Informasi dan Teknologi, vol. 2, no. 3, pp. 1157–1170, Feb. 2025, doi: https://doi.org/10.70248/jrsit.v2i3.1939.
G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, “Densely Connected Convolutional Networks,” 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2261–2269, Jul. 2017, doi: 10.1109/CVPR.2017.243
J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei, “ImageNet: A large-scale hierarchical image database,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Miami, FL, USA, 2009, pp. 248–255, doi: 10.1109/CVPR.2009.5206848
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” J. Mach. Learn. Res., vol. 15, no. 1, pp. 1929–1958, 2014. Available: https://jmlr.org/papers/v15/srivastava14a.html
K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 770–778, doi: 10.1109/CVPR.2016.90
I. Loshchilov and F. Hutter, “Decoupled weight decay regularization,” in Proc. Int. Conf. Learn. Represent. (ICLR), New Orleans, LA, USA, 2019. Available: https://arxiv.org/abs/1711.05101
D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” in Proc. Int. Conf. Learn. Represent. (ICLR), San Diego, CA, USA, 2015. Available: https://arxiv.org/abs/1412.6980
A. Paszke et al., “PyTorch: An imperative style, high-performance deep learning library,” in Adv. Neural Inf. Process. Syst. (NeurIPS), Vancouver, BC, Canada, 2019, pp. 8024–8035. Available: https://arxiv.org/abs/1912.01703
A. Anwar and A. Raychowdhury, “Masked face recognition for secured authentication,” arXiv preprint, arXiv:2008.11104, 2020. Available: https://arxiv.org/abs/2008.11104
A. Dosovitskiy et al., “An image is worth 16x16 words: Transformers for image recognition at scale,” in Proc. Int. Conf. Learn. Represent. (ICLR), Virtual, 2021. Available: https://arxiv.org/abs/2010.11929
M. Tan and Q. V. Le, “EfficientNet: Rethinking model scaling for convolutional neural networks,” in Proc. Int. Conf. Mach. Learn. (ICML), Long Beach, CA, USA, 2019, pp. 6105–6114. Available: https://arxiv.org/abs/1905.11946
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the inception architecture for computer vision,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 2818–2826, doi: 10.1109/CVPR.2016.308
S. D. Thepade, M. Dindorkar, P. Chaudhari, and S. Bang, “Face presentation attack identification optimization with adjusting convolution blocks in VGG networks,” Intell. Syst. Appl., vol. 16, 2022, Art. no. 200107, doi: 10.1016/j.iswa.2022.200107
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 