Electronic Theses and Dissertation

Dengan berkembangnya teknologi seperti era sekarang ini, seluruh perguruan tinggi di Indonesia hampir semua sudah menerapkan absensi secara online. Sistem absensi online dengan menggunakan pengenalan wajah adalah teknologi yang mampu mengidentifikasi wajah seseorang dari gambar digital. Berdasarkan masalah yang sering dihadapi saat ini, pada saat melakukan absensi, sistem tidak mampu membedakan wajah asli atau cetakan. Berdasarkan masalah tersebut diperlukan suatu metode yang dapat membantu menghindari terjadinya face spoofing. Sehingga pada penelitian ini, dirancang suatu metode berbasis deep learning menggunakan dataset citra wajah asli dan wajah cetakan dengan memanfaatkan teknik ekstraksi fitur LBP (Local Binary Pattern) untuk membedakan wajah asli atau wajah cetakan. Dari penelitian yang sudah dilakukan, hasil pengujian menunjukkan bahwa kinerja klasifikasi face spoofing dengan metode LBP lebih unggul terhadap tiga arsitektur, yaitu pada model ResNet34 memperoleh nilai akurasi sebesar 98%, InceptionV3 memperoleh nilai akurasi 97%, dan EfficientNet memperoleh nilai akurasi 99,4%. Pada arsitektur VGG16 citra asli lebih unggul dengan nilai akurasi 99,5%. Dari hasil evaluasi diatas, dapat disimpulkan walaupun pada penelitian ini citra LBP tidak meungguli citra asli secara signifikan, namun penelitian ini menemukan bahwa pendeteksian face spoofing dengan menggunakan teknik ekstraksi fitur dapat dipertimbangkan dan dikaji lebih dalam.

With the development of technology recently ,almost all universities in Indonesia have implemented online attendance. An online attendance system using facial recognition is a technology that is able to identify a person’s face from a digital image. Based on the problems that are often faced today, during attendance the system is not able to distinguish real faces or prints. Based on these problems, we need a method that can help avoid face spoofing. So that in this study, a deep learning-based method was designed using a dataset of real face images and printed faces by utilizing the LBP (Local Binary Pattern) feature extraction technique to distinguish real faces or printed faces. From the research that has been done, the test results show that the performance of face spoofing classification with the LBP method is more superior to the three architectures, the ResNet34 model obtained an accuracy value of 98%, InceptionV3 obtained an accuracy value of 97%, and EfficientNet obtained an accuracy value of 99.4% . In the VGG16 architecture, the original image is superior with an accuracy value of 99.5%. From the evaluation results above, it can be concluded that although in this study the LBP image did not significantly outperform the original image, this study found that face spoofing detection using feature extraction techniques can be considered and studied more deeply.