HARYANTO, Arya Ajisadda (2026) Analisis Komparatif Model YOLOv8 Untuk Liveness Detection dan Model Embedding Untuk Verifikasi Wajah Pada Sistem Presensi Berbasis Web. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (173kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (868kB)
	Text 5. KATA PENGANTAR.pdf Download (105kB)
	Text 7 ABSTRAK.pdf Download (136kB)
	Text 8 ABSTRACT.pdf Download (107kB)
	Text 9 DAFTAR ISI.pdf Download (128kB)
	Text 12 BAB I PENDAHULUAN.pdf Download (180kB)
	Text 17 DAFTAR PUSTAKA.pdf Download (153kB)

Abstract

Praktik manipulasi identitas menggunakan citra wajah, seperti serangan spoofing berbasis
foto cetak maupun tampilan layar, menjadi tantangan dalam sistem autentikasi biometrik
berbasis wajah karena banyak sistem hanya melakukan verifikasi wajah tanpa mekanisme
deteksi keaslian wajah (liveness detection). Penelitian ini mengusulkan pendekatan
autentikasi wajah berbasis deep learning yang mengintegrasikan deteksi keaslian wajah dan
verifikasi wajah dalam satu pipeline inferensi berlapis. Modul liveness detection
diimplementasikan menggunakan arsitektur YOLOv8 untuk mendeteksi tiga kelas kondisi
wajah, yaitu wajah asli, spoof print, dan spoof screen, dengan komparasi tiga varian model
YOLOv8 (Nano, Small, dan Medium) untuk menganalisis trade-off antara akurasi deteksi
dan efisiensi komputasi. Hasil eksperimen menunjukkan bahwa YOLOv8-Nano mencapai
performa terbaik dengan nilai mAP50 sebesar 0,990 dan mAP50-95 sebesar 0,799 serta
latensi inferensi yang lebih rendah dibandingkan varian lainnya. Tahap verifikasi wajah
menggunakan pendekatan face embedding dengan model ArcFace yang dievaluasi secara
komparatif terhadap FaceNet512 dan VGG-Face menggunakan skema all-to-all
comparison. Hasil evaluasi menunjukkan bahwa ArcFace memperoleh performa terbaik
dengan Balanced Accuracy sebesar 93,06%, Equal Error Rate (EER) sebesar 9,11%, serta
ROC-AUC sebesar 0,9527 pada pengujian terhadap 16 subjek. Integrasi kedua modul
membentuk pipeline autentikasi wajah yang mampu memfilter serangan presentasi sebelum
proses verifikasi wajah dilakukan. Implementasi sistem pada arsitektur serverless Google
Cloud Run menghasilkan latensi rata-rata warm start sebesar ±1,55 detik dengan stabilitas
tinggi (P95 sebesar 1,61 detik), sementara latensi awal akibat cold start tercatat sebesar
34,72 detik dan dimitigasi melalui mekanisme scheduled warm-up. Hasil penelitian
menunjukkan bahwa kombinasi YOLOv8-Nano dan ArcFace mampu meningkatkan
keamanan autentikasi wajah terhadap serangan spoofing sekaligus mempertahankan
efisiensi inferensi pada implementasi sistem presensi biometrik berbasis web.
Kata kunci : E-Presensi, Deep Learning, Liveness Detection, YOLOv8-Nano, ArcFace,
Biometrik.

Actions (login required)

View Item