Face Recognition: Pengertian, Cara Kerja, dan Penerapannya di Indonesia
Face recognition adalah teknologi yang digunakan untuk mencocokkan wajah seseorang dengan wajah yang sudah terdaftar di sistem. Hasilnya berupa skor kemiripan yang menunjukkan seberapa mirip kedua wajah tersebut. Jika skor melewati threshold yang sudah ditentukan, sistem dapat menganggap kedua wajah cocok. Tujuannya adalah menentukan apakah kedua wajah tersebut berasal dari orang yang sama.
Berbeda dengan face detection yang hanya mendeteksi keberadaan wajah, face recognition digunakan untuk melakukan pencocokan wajah. Dalam proses verifikasi identitas digital, teknologi ini menjadi salah satu lapisan untuk memastikan identitas pengguna.
Apa Itu Face Recognition dan Apa Bedanya dengan Face Detection?
Ada tiga istilah yang sering tertukar: face detection, face verification, dan face identification. Ketiganya punya fungsi berbeda. Padahal, perbedaan ketiganya cukup penting karena akan memengaruhi bagaimana sistem dirancang.
| Teknologi | Pertanyaan yang Dijawab | Contoh Penggunaan |
|---|---|---|
| Face detection | Apakah ada wajah di dalam gambar? | Mendeteksi posisi wajah pada foto atau video |
| Face verification | Apakah dua wajah ini berasal dari orang yang sama? | Membandingkan selfie dengan foto pada KTP |
| Face identification | Wajah ini milik siapa dari seluruh wajah yang terdaftar? | Mencari apakah satu wajah sudah pernah terdaftar di database |
Dalam konteks ini, face recognition bisa digunakan untuk face verification maupun face identification. Bedanya ada pada cara pencocokannya.
Face verification menggunakan pencocokan satu lawan satu. Sistem hanya membandingkan satu wajah dengan satu wajah lain. Ini adalah pendekatan yang umum digunakan dalam eKYC karena sistem perlu memastikan apakah selfie pengguna sesuai dengan foto pada dokumen identitas.
Sementara itu, face identification menggunakan pencocokan satu lawan banyak. Wajah pengguna dibandingkan dengan banyak wajah yang sudah tersimpan di database. Pendekatan ini lebih relevan ketika perusahaan ingin mengetahui apakah seseorang sudah pernah mendaftar sebelumnya atau menggunakan identitas lain.
Bagaimana Cara Kerja Face Recognition?
Kalau dilihat dari sisi pengguna, proses face recognition terlihat sederhana. Pengguna cukup mengambil selfie, lalu sistem memberikan hasil verifikasi. Di belakang proses tersebut ada beberapa tahap yang menentukan apakah wajah bisa dikenali dan dicocokkan dengan baik.
1. Deteksi Wajah
Sistem mencari area wajah di dalam gambar dan memisahkannya dari latar belakang. Tahap ini bisa gagal ketika wajah terlalu kecil, sebagian wajah terpotong, atau wajah tertutup.
2. Penyelarasan Wajah
Wajah diputar dan disesuaikan ukurannya ke posisi yang lebih standar agar perbandingan dilakukan dalam kondisi yang serupa. Karena proses ini, wajah yang sedikit miring tetap dapat diproses.
3. Ekstraksi Fitur
Model mengubah wajah menjadi representasi numerik yang biasa disebut template atau embedding. Representasi inilah yang digunakan untuk proses pencocokan.
4. Pencocokan Wajah
Representasi wajah baru dibandingkan dengan representasi yang sudah tersimpan untuk menghasilkan skor kemiripan.
5. Pengambilan Keputusan
Skor tersebut kemudian dibandingkan dengan threshold yang sudah ditentukan. Jika melewati ambang, wajah dianggap cocok. Jika tidak, wajah dianggap tidak cocok. Seberapa tinggi atau rendah threshold akan menentukan seberapa ketat sistem menerima hasil pencocokan.
Di sini ada satu hal penting yang sering terlewat. Face recognition sebenarnya tidak langsung menghasilkan jawaban “ya” atau “tidak”. Sistem menghasilkan skor terlebih dahulu. Keputusan akhir ditentukan berdasarkan threshold yang dipilih.
Threshold ini akan memengaruhi keseimbangan antara keamanan dan kemudahan pengguna. Threshold yang terlalu rendah dapat membuat lebih banyak wajah yang seharusnya tidak cocok menjadi lolos. Sebaliknya, threshold yang terlalu tinggi dapat membuat pengguna yang sebenarnya sah justru gagal melakukan verifikasi.
Bagaimana Cara Menilai Akurasi Face Recognition?
Angka akurasi saja sebenarnya belum cukup untuk menilai performa face recognition. Saat mengevaluasi sebuah sistem, dua metrik yang penting diperhatikan adalah False Match Rate atau FMR, yaitu seberapa sering dua orang yang berbeda dianggap sebagai orang yang sama, dan False Non-Match Rate atau FNMR, yaitu seberapa sering dua wajah dari orang yang sama dianggap berbeda.
Keduanya memiliki hubungan yang berlawanan. Ketika FMR ditekan semakin rendah, FNMR dapat meningkat. Artinya, semakin ketat sistem mencegah orang yang salah lolos, semakin besar kemungkinan pengguna yang sebenarnya sah justru gagal melakukan verifikasi dan perlu mencoba kembali atau menghubungi customer service.
Karena itu, tim Product, Risk, atau Compliance sebaiknya tidak hanya meminta angka akurasi ketika membandingkan vendor. Penting juga untuk menanyakan pada tingkat FMR dan kondisi pengujian seperti apa angka tersebut dihasilkan. Pembahasan lebih lengkap mengenai metrik ini dan cara menentukan threshold tersedia di artikel metrik akurasi face recognition.
Kondisi saat gambar diambil juga berpengaruh. Pencahayaan yang kurang, kualitas kamera yang rendah, posisi wajah terlalu menyamping, serta penggunaan kacamata atau masker dapat memengaruhi kualitas representasi wajah. Pada proses onboarding digital dengan pengguna dan perangkat yang sangat beragam, faktor seperti ini bisa memberikan dampak yang signifikan terhadap hasil verifikasi.
Apa Saja Batasan Face Recognition?
Face recognition bukan solusi yang berdiri sendiri untuk membuktikan identitas seseorang. Teknologi ini punya fungsi yang spesifik, yaitu mencocokkan karakteristik wajah. Karena itu, ada beberapa risiko yang tetap perlu ditutup dengan teknologi atau kontrol lain.
Pertama, face recognition pada dasarnya mengukur kemiripan antara dua wajah. Teknologi ini tidak otomatis membuktikan bahwa wajah yang sedang diperiksa benar-benar berasal dari orang yang ada di depan kamera. Foto cetak, gambar pada layar ponsel, atau video yang sudah dimanipulasi dapat digunakan untuk mencoba melewati proses pencocokan. Lapisan yang digunakan untuk mengatasi risiko tersebut adalah liveness detection. Dalam alur verifikasi identitas, keduanya saling melengkapi dan bukan merupakan pilihan salah satu.
Kedua, face recognition juga tidak membuktikan bahwa dokumen identitas yang digunakan sebagai pembanding benar-benar asli. Jika dokumen yang digunakan adalah dokumen palsu, hasil pencocokan wajah yang tinggi hanya menunjukkan bahwa wajah pemohon mirip dengan foto yang ada pada dokumen tersebut. Pemeriksaan keaslian dokumen dan pencocokan dengan sumber data kependudukan merupakan lapisan yang berbeda.
Ketiga, face recognition tidak otomatis mendeteksi pendaftaran berulang dengan identitas berbeda jika hanya menggunakan pencocokan satu lawan satu. Pola satu wajah yang digunakan untuk beberapa identitas baru dapat ditemukan ketika sistem melakukan pencarian satu lawan banyak ke basis data. Kasus seperti ini dibahas lebih lanjut dalam artikel deteksi akun palsu saat onboarding.
Face Recognition 1:1 vs 1:N: Kapan Menggunakan Masing-Masing?
Pilihan antara satu lawan satu dan satu lawan banyak sebaiknya ditentukan sejak awal, sebelum vendor dipilih. Keduanya memiliki kebutuhan basis data, beban komputasi, dan implikasi privasi yang berbeda. Yang paling penting, keduanya menjawab pertanyaan yang berbeda.
Pencocokan satu lawan satu membandingkan wajah pemohon dengan satu wajah pembanding, biasanya foto pada dokumen identitas yang diserahkan oleh pemohon. Mode ini cukup untuk menjawab apakah pemohon adalah orang yang sama dengan pemilik dokumen. Namun, mode ini tidak bisa mengetahui apakah orang tersebut sebelumnya sudah pernah mendaftar menggunakan identitas lain karena sistem tidak membandingkannya dengan seluruh basis data.
Pencocokan satu lawan banyak membandingkan wajah pemohon dengan kumpulan wajah yang sudah terdaftar. Mode ini berguna untuk mendeteksi pendaftaran berulang menggunakan identitas berbeda dan biasanya relevan untuk lending, pendanaan bersama, serta program yang membatasi satu orang hanya memiliki satu akun. Konsekuensinya, basis data wajah yang digunakan lebih besar dan kebutuhan perlindungan datanya juga menjadi lebih kompleks.
Dalam praktiknya, sebuah alur dapat menggunakan keduanya pada tahap yang berbeda. Satu lawan satu digunakan saat pendaftaran untuk memastikan pemohon sesuai dengan dokumen identitas, kemudian satu lawan banyak digunakan untuk mengecek kemungkinan duplikasi sebelum akun diaktifkan. Pendekatan ini juga membantu menjaga biaya tetap terkendali karena pemeriksaan yang lebih berat hanya dilakukan setelah pemohon melewati tahap awal.
Mengapa Kualitas Foto Memengaruhi Hasil Face Recognition?
Ketika hasil face recognition dianggap tidak akurat, masalahnya tidak selalu ada pada model atau algoritmanya. Kualitas foto pembanding juga punya pengaruh besar. Jika representasi wajah dibuat dari foto dokumen yang buram, rusak, atau merupakan hasil pemindaian ulang berkualitas rendah, proses pencocokan berikutnya akan bekerja dengan data awal yang kurang baik.
Beberapa kondisi yang cukup umum ditemui di Indonesia antara lain foto pada dokumen identitas yang sudah lama, dokumen yang difoto menggunakan kamera ponsel dalam kondisi minim cahaya, serta pantulan cahaya pada permukaan dokumen yang menutupi sebagian wajah. Semua kondisi tersebut dapat menurunkan kualitas data wajah sebelum proses pencocokan dimulai.
Karena itu, quality check sebaiknya dilakukan sebelum proses pencocokan. Sistem yang mendeteksi foto berkualitas rendah lalu meminta pengguna mengambil gambar kembali umumnya lebih baik daripada sistem yang menerima semua gambar kemudian menurunkan threshold hanya agar tingkat kelulusannya terlihat tinggi. Menurunkan threshold untuk menutupi masalah kualitas gambar justru dapat membuat proses verifikasi menjadi lebih longgar dari yang seharusnya.
Bagaimana Face Recognition Digunakan di Industri Indonesia?
Face recognition dapat digunakan untuk kebutuhan yang berbeda di setiap industri. Karena itu, cara implementasinya juga tidak bisa disamakan untuk semua perusahaan.
Di perbankan dan layanan keuangan, salah satu penggunaan yang umum adalah onboarding nasabah secara digital. Selfie pengguna dibandingkan dengan foto pada dokumen identitas untuk memastikan bahwa keduanya merupakan orang yang sama.
Di sini, perusahaan biasanya memperhatikan keseimbangan antara keamanan dan pengalaman pengguna. Proses yang terlalu ketat dapat meningkatkan jumlah pengguna yang gagal melakukan verifikasi, sementara proses yang terlalu longgar dapat meningkatkan risiko identitas palsu lolos.
Di lending dan pendanaan bersama, face recognition juga dapat digunakan untuk mencari pendaftaran berulang. Fokusnya bukan hanya memastikan selfie cocok dengan dokumen, tetapi juga melihat apakah wajah tersebut sudah pernah digunakan untuk identitas lain.
Sementara di marketplace, teknologi ini dapat digunakan untuk membantu proses verifikasi penjual. Di sektor bursa kripto, penggunaannya berkaitan dengan proses onboarding dan kebutuhan kepatuhan yang lebih ketat. Untuk perusahaan, face recognition juga dapat digunakan untuk absensi maupun kontrol akses.
| Sektor | Contoh Penggunaan | Mode Pencocokan | Risiko yang Diperhatikan |
|---|---|---|---|
| Perbankan dan fintech | Onboarding nasabah | 1:1 | Identitas palsu dan account takeover |
| Lending dan pendanaan bersama | Verifikasi peminjam dan deduplication | 1:N | Satu orang menggunakan beberapa identitas |
| Marketplace | Verifikasi penjual | 1:1 dengan pemeriksaan duplikasi | Penjual fiktif dan fraud |
| Bursa kripto | Onboarding dan verifikasi identitas | 1:1 | Risiko kepatuhan dan identitas palsu |
| Korporat | Absensi dan kontrol akses | 1:N pada populasi tertentu | Titip absen dan akses tidak sah |
Bagaimana Regulasi Mengatur Penggunaan Data Wajah?
Di Indonesia, data wajah termasuk data pribadi yang bersifat spesifik berdasarkan Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.
Bagi perusahaan yang menggunakan face recognition, hal ini berarti aspek kepatuhan perlu dipikirkan sejak awal. Bukan hanya ketika sistem sudah selesai dibuat. Perusahaan perlu memahami dasar pemrosesan data, tujuan penggunaan, masa penyimpanan, keamanan data, dan hak pemilik data.
Dalam implementasi tertentu, sistem dapat menggunakan representasi numerik atau embedding wajah untuk proses pencocokan. Namun, detail mengenai bagaimana data tersebut diproses, disimpan, dan dihapus tetap bergantung pada desain sistem dan kebijakan penyelenggara.
Untuk pembahasan yang lebih lengkap mengenai aspek kepatuhan, termasuk konteks sektor keuangan, lihat artikel regulasi face recognition di Indonesia. Jika sedang mengevaluasi vendor, lihat juga panduan memilih vendor face recognition tersertifikasi.
Face Recognition Verihubs
Face Recognition Verihubs memiliki tingkat akurasi 99,9% berdasarkan data resmi Verihubs 2026, dengan desain yang mengikuti ISO/IEC 19794-5 untuk kualitas citra wajah. Sistem ini juga tersertifikasi NIST FRVT 1:N, yaitu evaluasi independen untuk teknologi pencocokan wajah satu lawan banyak.
Karena face recognition sendiri tidak memastikan bahwa orang yang diperiksa benar-benar hadir di depan kamera, teknologi ini dipasangkan dengan Liveness Detection. Verihubs merupakan penyedia asal Indonesia yang tersertifikasi NIST Presentation Attack Detection, yang menguji ketahanan sistem terhadap foto cetak, tampilan pada layar, dan bentuk presentation attack lainnya.
Berdasarkan data resmi Verihubs 2026, kombinasi teknologi tersebut memproses rata-rata 500.000 verifikasi identitas per hari untuk lebih dari 400 klien dari sektor perbankan, fintech, asuransi, dan bursa kripto.
Pertanyaan yang Sering Diajukan Seputar Face Recognition
Face recognition adalah apa?
Face recognition adalah teknologi yang mencocokkan wajah seseorang dengan wajah yang sudah terdaftar untuk menentukan apakah keduanya merupakan orang yang sama. Sistem menghasilkan skor kemiripan yang kemudian diterjemahkan menjadi keputusan cocok atau tidak berdasarkan threshold yang ditetapkan.
Apa bedanya face recognition dan face detection?
Face detection hanya mendeteksi keberadaan dan posisi wajah dalam sebuah gambar tanpa membandingkannya dengan wajah lain. Face recognition melangkah lebih jauh dengan mencocokkan wajah tersebut dengan wajah yang sudah tersimpan untuk menentukan apakah keduanya cocok.
Bagaimana cara kerja face recognition?
Secara umum, prosesnya terdiri dari lima tahap: deteksi wajah, penyelarasan posisi, ekstraksi fitur menjadi representasi numerik, pencocokan dengan representasi yang tersimpan, lalu pengambilan keputusan berdasarkan threshold kemiripan.
Apakah face recognition bisa dibohongi dengan foto?
Bisa, jika tidak dilengkapi dengan liveness detection. Face recognition hanya membandingkan kemiripan wajah dan tidak secara otomatis memastikan bahwa wajah tersebut berasal dari orang yang benar-benar berada di depan kamera. Foto cetak dan tampilan pada layar merupakan contoh presentation attack yang perlu ditangani dengan lapisan liveness.
Apakah face recognition menyimpan foto wajah pengguna?
Dalam implementasi tertentu, sistem menyimpan representasi numerik wajah untuk proses pencocokan, bukan hanya foto wajah asli. Namun, cara penyimpanan dan pengelolaan data bergantung pada desain sistem dan kebijakan penyelenggara, serta harus memperhatikan ketentuan Undang-Undang Nomor 27 Tahun 2022.
Apa arti FMR dan FNMR dalam akurasi face recognition?
False Match Rate mengukur seberapa sering dua orang yang berbeda dianggap sebagai orang yang sama. Sementara False Non-Match Rate mengukur seberapa sering dua wajah dari orang yang sama dianggap berbeda. Keduanya bergerak berlawanan, sehingga angka akurasi akan lebih bermakna jika disertai konteks tingkat FMR dan kondisi pengujiannya.
Face Recognition Bukan Satu-Satunya Lapisan dalam Verifikasi Identitas
Kesalahan implementasi yang paling mahal biasanya bukan karena memilih algoritma yang sedikit lebih rendah akurasinya, tetapi karena menganggap face recognition sudah cukup untuk membuktikan identitas seseorang. Skor kemiripan yang tinggi memang terlihat meyakinkan, tetapi sebenarnya hanya menjawab satu bagian dari proses verifikasi identitas.
Ada setidaknya tiga pertanyaan yang perlu dijawab secara terpisah. Apakah dokumen yang digunakan valid, apakah wajah pengguna cocok dengan wajah pada dokumen, dan apakah orang tersebut benar-benar hadir saat proses pemeriksaan. Face recognition menjawab pertanyaan kedua. Alur verifikasi yang lebih aman perlu menutup ketiganya dengan kontrol yang sesuai.
Ingin menyusun alur verifikasi wajah untuk onboarding atau proses autentikasi di perusahaan Anda? Diskusikan kebutuhan implementasinya dengan tim Verihubs untuk menentukan teknologi dan konfigurasi yang sesuai.
