Face Detection vs Face Recognition: Beda di Alur KYC
Face detection hanya menemukan wajah dalam gambar, tanpa tahu siapa orangnya. Sebaliknya, face recognition adalah istilah payung untuk mengenali siapa orang itu. Istilah ini terbagi dua: face verification (1:1) untuk mencocokkan dengan satu identitas, dan face identification (1:N) untuk mencari di banyak identitas. Tidak satu pun dari keempatnya membuktikan bahwa wajah itu hidup.
Perbedaan Face Detection, Recognition, Verification, dan Identification
Keempat istilah ini sering tertukar, bahkan di dokumen vendor. Padahal tiap istilah menjawab soal yang lain.
| Operasi | Pertanyaan Utama | Membandingkan | Contoh Penggunaan |
|---|---|---|---|
| Face detection | Adakah wajah di gambar ini, dan di mana letaknya? | Tidak membandingkan | Memastikan selfie berisi satu wajah |
| Face recognition | Siapa orang ini? (istilah payung) | Wajah dengan data wajah lain | Mencakup verification dan identification |
| Face verification (1:1) | Apakah orang ini adalah orang yang ia klaim? | Satu wajah dengan satu referensi | Selfie dengan foto KTP, login |
| Face identification (1:N) | Siapa orang ini di antara banyak orang? | Satu wajah dengan seluruh database | Deduplikasi, daftar hitam |
Face Detection: Menemukan Wajah, Bukan Mengenali Orang
Secara urutan, face detection adalah langkah pertama di semua sistem wajah. Sistem mencari area di gambar yang berisi wajah, lalu menandainya dengan kotak. Jadi, hasilnya hanya lokasi dan jumlah wajah, tanpa informasi siapa pemiliknya.
Itu sebabnya face detection sering bekerja tanpa pengguna sadari. Kamera ponsel memakainya untuk fokus otomatis, sementara aplikasi eKYC memakainya untuk menolak selfie yang tidak berisi wajah atau berisi dua wajah. Penjelasan metodenya ada di artikel face detection.
Face Recognition sebagai Istilah Payung
Face recognition adalah istilah umum untuk teknologi yang mengenali identitas dari wajah. Namun di dalamnya ada dua operasi yang sangat berbeda, yaitu verification dan identification. Saat vendor atau regulasi menyebut “face recognition” saja, pembaca belum tahu operasi mana yang mereka maksud.
Bahkan lembaga standar AS, NIST, memisahkan keduanya. Sejak 18 Agustus 2023, NIST memecah program pengujian FRVT menjadi FRTE dan FATE, dan FRTE menguji jalur 1:1 dan 1:N secara terpisah. Cara kerja face recognition dari deteksi sampai pencocokan kami uraikan di artikel cara kerja face recognition.
Face Verification 1:1 vs Face Identification 1:N
Pertama, face verification membandingkan satu wajah dengan satu referensi. Pengguna mengklaim sebuah identitas, misalnya lewat NIK atau akun, lalu sistem memeriksa apakah wajahnya cocok dengan wajah milik identitas itu. Kemudian sistem memberi hasil cocok atau tidak.
Sebaliknya, face identification membandingkan satu wajah dengan seluruh database tanpa klaim identitas. Lalu sistem mengembalikan daftar kandidat yang paling mirip. Karena jumlah pembandingnya besar, risiko salah cocok juga naik seiring bertambahnya database. Konsep 1:N ini kami bahas lebih dalam di artikel face identification.
| Aspek | Verification 1:1 | Identification 1:N |
|---|---|---|
| Klaim identitas | Ada, misalnya NIK atau akun | Tidak ada |
| Jumlah perbandingan | Satu | Sebanyak isi database |
| Hasil | Cocok atau tidak | Daftar kandidat terdekat |
| Risiko utama | Ambang terlalu longgar | Salah cocok naik saat database membesar |
Di Mana Setiap Operasi Bekerja dalam Alur KYC
Dalam satu alur onboarding, keempat operasi juga bisa muncul di titik yang berbeda. Karena itu, peta ini membantu tim memilih kemampuan yang benar-benar perlu mereka beli.
- Pengambilan selfie: face detection memastikan gambar berisi tepat satu wajah yang cukup jelas.
- Pencocokan dengan KTP: face verification 1:1 menguji selfie terhadap foto KTP maupun foto dalam data kependudukan.
- Cek identitas ganda: face identification 1:N mencari apakah wajah yang sama sudah terdaftar dengan nama lain.
- Login dan transaksi: face verification 1:1 membandingkan wajah dengan template milik akun.
Langkah ketiga sering terlewat. Padahal pelaku yang membuka banyak akun dengan KTP berbeda tetap memakai wajah yang sama, sehingga hanya pencarian 1:N yang bisa menangkapnya.
Batas Keempat Operasi: Tidak Ada yang Membuktikan Liveness
Face detection, verification, dan identification sama-sama bekerja pada gambar, sehingga ketiganya punya batas yang sama. Tidak satu pun dari ketiganya bisa membedakan wajah hidup dari foto, video replay, atau topeng. Akibatnya, foto korban yang pelaku hadapkan ke kamera tetap terdeteksi sebagai wajah, dan tetap cocok dengan KTP korban.
Pemeriksaan terpisah, yaitu liveness detection, menutup celah itu. Akibatnya, spesifikasi alur KYC yang lengkap selalu menyebut liveness secara eksplisit, bukan menganggapnya bagian dari face recognition.
Mengapa Salah Istilah Merugikan Saat Memilih Vendor
Kebingungan istilah justru paling mahal saat pengadaan. Tim yang menulis “butuh face recognition” bisa menerima sistem 1:N padahal kebutuhannya 1:1, atau sebaliknya. Akibatnya, akurasi di dokumen vendor bisa tidak relevan dengan kasus penggunaannya.
Tim juga tidak bisa membandingkan angka akurasi 1:1 dan 1:N secara langsung. Karena itu, tulis kebutuhan secara spesifik: verification 1:1 untuk selfie dengan KTP, identification 1:N untuk deduplikasi, dan liveness untuk setiap pengambilan wajah.
Istilah Lain yang Sering Tertukar dengan Face Recognition
Selain empat operasi di atas, dokumen vendor sering memakai istilah lain yang maknanya tumpang tindih. Berikut padanannya agar tim tidak salah membaca spesifikasi.
- Face matching atau face comparison: biasanya sama dengan verification 1:1, yaitu membandingkan dua foto wajah. Perbedaan detailnya kami bahas di artikel face comparison.
- Face search: sebutan lain untuk identification 1:N, terutama di produk API.
- Face analysis: menebak atribut seperti perkiraan usia atau ekspresi. Karena tidak mengenali identitas, operasi ini bukan face recognition.
- Face liveness: pemeriksaan kehadiran orang hidup, sehingga terpisah dari semua operasi pengenalan.
Jadi, saat membaca proposal vendor, terjemahkan setiap istilah ke pertanyaan yang ia jawab. Cara ini lebih andal daripada mengandalkan nama fiturnya.
Contoh Penerapan di Indonesia
- Onboarding bank dan fintech: verification 1:1 untuk selfie dengan data kependudukan, lalu identification 1:N untuk menangkap satu wajah di banyak akun.
- Absensi karyawan: verification 1:1 jika karyawan memasukkan ID lebih dulu, atau identification 1:N terbatas jika karyawan hanya menghadap kamera.
- Boarding transportasi: verification wajah penumpang dengan data yang ia daftarkan, seperti pada face recognition KAI.
- Daftar hitam internal: identification 1:N, terutama untuk menemukan pelaku yang pernah terbukti curang dan kembali dengan identitas baru.
Face Recognition dan Liveness dari Verihubs
Untuk kebutuhan ini, Verihubs menyediakan kedua mode face recognition dalam satu layanan. Face recognition API Verihubs punya endpoint Enroll untuk mendaftarkan wajah, Verify dan Compare untuk pencocokan 1:1, serta Search untuk pencarian 1:N di database.
Kemudian, untuk batas yang tidak bisa face recognition tutup, liveness detection menyaring cetakan, rekaman, dan topeng wajah. API-nya bekerja pasif dari satu gambar, sementara Web SDK mendukung pemeriksaan aktif.
Pertanyaan Umum tentang Face Detection dan Face Recognition
Apa perbedaan face detection dan face recognition?
- Face detection hanya menemukan dan menandai wajah dalam gambar, tanpa tahu siapa orangnya. Face recognition mengenali identitas orang itu dengan membandingkan wajahnya dengan data wajah lain.
Apa arti face recognition?
- Face recognition artinya pengenalan wajah, yaitu teknologi yang mengenali identitas seseorang dari wajahnya. Istilah ini mencakup face verification (1:1) dan face identification (1:N).
Apa itu face verification?
- Face verification adalah pencocokan 1:1 antara wajah seseorang dengan satu referensi milik identitas yang ia klaim, misalnya foto KTP atau template akun. Hasilnya cocok atau tidak cocok.
Apa beda face verification dan face identification?
- Face verification membandingkan satu wajah dengan satu referensi saat ada klaim identitas. Face identification membandingkan satu wajah dengan seluruh database tanpa klaim, lalu mengembalikan kandidat yang paling mirip.
Apakah face recognition bisa membedakan foto dan wajah asli?
- Tidak dengan sendirinya. Karena face recognition hanya membandingkan kemiripan wajah, ia tidak tahu apakah wajah itu hidup. Untuk membedakan wajah hidup dari foto, video, atau topeng, sistem butuh liveness detection.
Face Detection dan Face Recognition Bekerja Bersama, Bukan Saling Menggantikan
Face detection menemukan wajah, verification mencocokkan klaim, identification mencari kemiripan di database, dan liveness membuktikan kehadiran. Alur KYC yang kuat memakai keempatnya di titik yang tepat.
Langkah pertamanya adalah memetakan pertanyaan yang perlu sistem jawab di setiap titik. Susun kebutuhan pengenalan wajah Anda dengan tim Verihubs sebelum memilih teknologi.
