Tentang Sesi Ini
Ringkasan & metadata
Sesi ini membahas cara memerangi deepfake secara real time dengan membangun pipeline liveness detection — sistem yang memastikan bahwa wajah yang muncul di depan kamera saat verifikasi identitas adalah orang sungguhan yang hidup, bukan foto, rekaman video, topeng, atau wajah sintetis buatan AI. Dipandu Verihubs, penyedia verifikasi identitas (eKYC) asal Indonesia, sesi ini menyusuri ancaman deepfake, konsep liveness, hingga cara merangkai komponen-komponennya di atas AWS.
Mengapa ini mendesak? Verifikasi wajah kini menjadi gerbang untuk membuka rekening bank, mencairkan pinjaman, atau masuk ke akun bernilai tinggi. Di sisi lain, teknologi deepfake makin murah dan meyakinkan: dengan satu foto profil, penipu bisa menghidupkan wajah orang lain, membuatnya berkedip dan menoleh seolah nyata. Tanpa lapisan pengaman, sistem eKYC bisa tertipu wajah yang tidak pernah benar-benar ada di depan kamera. Di situlah liveness detection menjadi garis pertahanan pertama.
Kenapa penting untuk Anda? Jika produk Anda mengandalkan verifikasi wajah — fintech, bank digital, dompet elektronik, atau login berisiko tinggi — sesi ini menunjukkan cara membedakan "manusia hidup" dari "wajah palsu" secara cepat, akurat, dan menghargai privasi.
Verihubs adalah startup verifikasi identitas (eKYC) dan biometrik berbasis AI asal Indonesia, didirikan pada 2019 oleh Rick Firnando dan Williem Williem (peneliti AI dengan latar doktoral di bidang computer vision). Perusahaan ini tercatat sebagai startup AI Indonesia pertama yang masuk program akselerator Y Combinator, dan pada 2021 menghimpun pendanaan tahap awal (seed) sekitar US$2,8 juta yang dipimpin Insignia Venture Partners, dengan partisipasi Central Capital Ventura (lengan investasi BCA). Produknya mencakup eKYC (OCR dokumen, pencocokan wajah, dan liveness detection), face recognition, serta deteksi spoofing. Menurut angka yang dipublikasikan Verihubs sendiri, layanan face liveness-nya diklaim mendeteksi upaya pemalsuan dalam waktu ~0,3 detik dengan akurasi hingga 99,7%, dan akurasi verifikasi wajah hingga 99,95% pada tolok ukur publik LFW — angka klaim vendor, bukan hasil pengujian independen.
Sumber: situs resmi Verihubs (verihubs.com) serta liputan TechCrunch, Biometric Update, dan AsiaTechDaily tentang pendanaan seed 2021. Tidak ditemukan publikasi resmi yang merinci penggunaan AWS/Amazon Rekognition oleh Verihubs; nama layanan AWS dan detail arsitektur spesifik pada sesi ini bersifat ilustratif kecuali disebutkan lain.
Apa Itu & Bagaimana Bekerjanya
Apa itu liveness detection
Liveness detection adalah kemampuan sistem untuk menilai apakah wajah di depan kamera berasal dari orang nyata yang hadir secara langsung (live), bukan tiruan. Ini menjawab satu pertanyaan kunci: "Apakah ini benar-benar manusia hidup, sekarang, di depan kamera?" — terpisah dari pertanyaan "siapa orang ini" yang dijawab oleh pencocokan wajah (face match).
Serangan yang harus ditangkis disebut presentation attack alias spoofing. Bentuknya beragam: menodongkan foto cetak atau layar, memutar rekaman video, mengenakan topeng 3D, hingga yang tercanggih — wajah sintetis dan deepfake yang digerakkan AI secara real time saat sesi verifikasi berlangsung.
Ada dua pendekatan utama:
- Liveness pasif — sistem menganalisis satu atau beberapa gambar wajah tanpa meminta pengguna melakukan apa pun. Nyaman dan cepat; mengandalkan sinyal halus seperti tekstur kulit, pantulan cahaya, dan kedalaman.
- Liveness aktif — pengguna diminta melakukan gerakan (menoleh, berkedip, tersenyum) atau mengikuti pola cahaya di layar. Lebih tahan serangan, tetapi menambah satu langkah bagi pengguna.
Inti pekerjaan adalah menyeimbangkan keamanan dan pengalaman pengguna: pengaman terlalu longgar mengundang fraud, terlalu ketat membuat nasabah asli gagal dan berhenti di tengah jalan.
Komponen pipeline
Sebuah pipeline liveness real-time di atas AWS umumnya merangkai komponen-komponen berikut, dari kamera hingga keputusan:
Komponen ini bekerja berurutan: video wajah dialirkan (streaming), diproses model liveness (Face Liveness terkelola atau model kustom di SageMaker), menghasilkan skor liveness, lalu diputuskan lolos/tolak berdasarkan ambang batas — semuanya dengan latensi rendah, terjaga privasi-nya, dan terpantau lewat observability.
Analogi yang Mudah Dicerna
Ibarat penjaga pintu
Ibaratnya, liveness detection adalah penjaga pintu yang teliti. Tugasnya bukan sekadar mencocokkan wajah tamu dengan daftar undangan (itu tugas face match), melainkan memastikan bahwa yang datang adalah orang sungguhan yang hidup — bukan foto yang ditempel di kartu, bukan video yang diputar di tablet, bukan topeng, dan bukan wajah palsu buatan AI.
- Foto cetak / layar = potret yang diacungkan — penjaga menyorotnya, melihat permukaannya datar dan memantul, lalu menolak.
- Rekaman video = tayangan di layar — penjaga menyadari gerakannya "terlalu rapi" dan tak merespons instruksi mendadak.
- Topeng 3D = wajah tiruan — penjaga meraba tekstur dan kedalaman yang tidak wajar.
- Deepfake AI = wajah palsu yang bergerak — penjaga paling waspada di sini, mencari jejak halus manipulasi digital.
- Manusia hidup = tamu asli — kedipan spontan, kedalaman wajah, dan reaksi alami membuatnya lolos.
High-Level Architecture & Alur
High-Level Architecture (HLA)
Secara garis besar, pipeline liveness real-time bekerja seperti ini: aplikasi klien (aplikasi ponsel atau web) menangkap wajah pengguna dan mengalirkannya lewat streaming ke backend, di mana mesin liveness (Amazon Rekognition Face Liveness atau model kustom di SageMaker) menganalisis dan menghasilkan skor liveness. Skor itu dievaluasi terhadap ambang batas untuk mengambil keputusan, sementara keamanan/privasi menjaga data biometrik dan observability merekam metrik dan indikasi fraud.
Alur verifikasi satu sesi
Ketika seorang nasabah membuka rekening dan diminta "arahkan wajah ke kamera", inilah yang terjadi di balik layar:
- Tangkap. Aplikasi klien mengaktifkan kamera dan mengalirkan video wajah secara aman ke backend.
- Streaming. Bingkai wajah dikirim real-time dengan latensi rendah agar sesi terasa instan.
- Analisis liveness. Mesin liveness memeriksa sinyal kehidupan (kedalaman, tekstur, gerak spontan) dan jejak manipulasi.
- Skor. Sistem menghasilkan skor liveness — seberapa yakin bahwa ini manusia hidup.
- Keputusan. Skor dibandingkan dengan ambang batas: lolos, tolak, atau minta ulang.
- Rekam & jaga. Data biometrik disimpan terenkripsi/dihapus sesuai kebijakan; observability mencatat metrik untuk audit & deteksi fraud.
Dari Konsep ke Bisnis Nyata
Contoh nyata (konteks Indonesia)
Agar tidak berhenti di teori, berikut tiga skenario penerapan yang khas di Indonesia.
eKYC onboarding nasabah
Sebuah bank digital membuka rekening 100% online. Sebelum akun aktif, calon nasabah menjalani liveness detection — memastikan wajah di kamera adalah orang hidup, bukan foto KTP yang difoto ulang atau deepfake. Setelah lolos, wajah dicocokkan dengan foto identitas (face match). Hasilnya: onboarding cepat dari rumah, tetapi pintu tetap terjaga dari pembukaan rekening fiktif untuk pencucian uang.
Login & transaksi berisiko tinggi
Sebuah dompet elektronik meminta verifikasi wajah saat pengguna melakukan tindakan sensitif — transfer besar, ubah nomor ponsel, atau reset kata sandi. Liveness mencegah penipu yang sudah mencuri kata sandi memakai foto atau video korban untuk melewati langkah terakhir. Pengalaman tetap ringan berkat latensi rendah, sementara ambang batas dinaikkan hanya untuk transaksi berisiko.
Pencegahan fraud identitas
Sebuah platform pinjaman menghadapi gelombang sindikat yang memakai identitas curian dan wajah sintetis. Dengan pipeline liveness plus observability, tim risiko memantau skor dan pola serangan secara real-time, menandai lonjakan upaya spoofing, dan menyesuaikan aturan. Setiap keputusan terekam sebagai jejak audit yang dibutuhkan untuk kepatuhan dan investigasi.
Ringkasan Visual (Geser)
Ringkasan visual
Enam kartu berikut merangkum inti sesi. Gunakan tombol atau tombol panah keyboard (← →) untuk berpindah.
Poin yang Bisa Dibawa Pulang
Poin yang bisa dibawa pulang
- Verifikasi wajah butuh liveness. Mencocokkan wajah saja tidak cukup bila wajahnya bisa dipalsukan dengan foto, video, atau deepfake.
- Real-time itu kunci. Streaming latensi rendah membuat deteksi terasa instan sekaligus menutup celah serangan langsung.
- Bangun bertahap. Mulai dari layanan terkelola (Rekognition Face Liveness), tingkatkan ke model kustom di SageMaker saat kebutuhan tumbuh.
- Seimbangkan & hormati privasi. Setel ambang batas antara keamanan dan kenyamanan, dan jaga data biometrik dengan enkripsi serta retensi seminimal mungkin.