Liveness Detection Adalah: Arti, Cara Kerja, Batasan
Liveness detection adalah pemeriksaan biometrik yang mengecek apakah wajah di kamera milik orang hidup yang sedang mendaftar, bukan foto, video rekaman, topeng, atau deepfake. Dalam e-KYC, liveness detection melengkapi face recognition. Face recognition menjawab “siapa orangnya”, sedangkan liveness detection menjawab “apakah orang itu benar-benar ada saat ini”.
Apa Itu Liveness Detection? Arti dan Fungsinya dalam e-KYC
Kata liveness berarti keaktifan atau tanda kehidupan. Jadi liveness detection artinya deteksi keaktifan, yaitu pemeriksaan bahwa sampel biometrik berasal dari manusia hidup. Standar internasional menyebutnya presentation attack detection (PAD), sesuai seri ISO/IEC 30107.
Kebutuhannya muncul dari celah face recognition. Face recognition hanya membandingkan dua wajah, misalnya selfie dan foto KTP. Foto korban yang pelaku cetak atau tampilkan di layar ponsel lain bisa saja cocok dengan foto KTP tersebut. Karena itu, sistem butuh pemeriksaan kedua yang memastikan wajah itu hidup.
Ambil contoh aplikasi pinjaman online yang menerima pendaftaran lewat selfie. Pelaku punya foto KTP curian dan foto wajah korban dari media sosial. Tanpa liveness detection, kedua foto itu cukup untuk membuka akun atas nama korban. Dengan liveness detection, foto wajah tadi gagal di tahap pemeriksaan keaktifan.
Regulasi juga mengarah ke sana. Pasal 21 ayat (5) POJK Nomor 8 Tahun 2023 mewajibkan verifikasi tanpa tatap muka memakai data kependudukan dan minimal dua faktor keaslian. Salah satunya something you are, yaitu ciri khas calon nasabah seperti wajah. Faktor ini baru bermakna jika wajah yang sistem periksa memang milik orang yang hadir, bukan rekaman.
Perbedaan Liveness Detection dan Face Recognition
| Aspek | Face Recognition | Liveness Detection |
|---|---|---|
| Pertanyaan utama | Apakah wajah ini cocok dengan identitas yang diklaim? | Apakah wajah ini milik orang hidup saat ini? |
| Input | Dua wajah, misalnya selfie dan foto KTP | Satu selfie atau rekaman singkat |
| Hasil | Skor kemiripan | Status asli atau palsu, sering dengan skor |
| Tidak mampu | Membedakan wajah hidup dari foto | Memastikan identitas orang tersebut |
Keduanya saling melengkapi, bukan saling menggantikan. Sistem e-KYC yang hanya punya salah satunya masih menyisakan celah yang jelas.
Jenis Serangan yang Liveness Detection Hadapi
Serangan terhadap verifikasi wajah terbagi dua kelompok besar. Perbedaannya penting, karena keduanya butuh lapisan pertahanan yang berbeda.
Presentation Attack: Wajah Palsu di Depan Kamera
Pada presentation attack, pelaku menunjukkan artefak palsu ke kamera asli. Contohnya foto cetak, foto di layar ponsel atau tablet, video rekaman, topeng kertas, topeng silikon, atau video deepfake yang pelaku putar di layar lain. Inilah wilayah utama liveness detection, dan ISO/IEC 30107-3 menjadi acuan cara mengujinya.
Injection Attack: Wajah Palsu yang Melewati Kamera
Injection attack bekerja dengan cara lain. Pelaku tidak menunjukkan apa pun ke kamera. Sebaliknya, pelaku menyuntikkan video atau deepfake langsung ke aliran data aplikasi, misalnya lewat kamera virtual, emulator, atau aplikasi yang sudah dimodifikasi. Akibatnya, sistem menerima gambar yang tampak hidup padahal tidak pernah melewati kamera fisik.
Yang sering terlewat adalah injection attack berada di luar cakupan ISO/IEC 30107. Karena itu Eropa menyusun standar terpisah, CEN/TS 18099 tentang biometric data injection attack detection, yang CEN setujui pada Oktober 2024. Jadi vendor yang hanya menunjukkan hasil uji PAD belum tentu terlindung dari injeksi.
| Jenis Serangan | Contoh | Lapisan yang Menangkap |
|---|---|---|
| Presentation attack 2D | Foto cetak, foto di layar, video replay | Liveness detection (PAD) |
| Presentation attack 3D | Topeng silikon atau resin | Liveness detection (PAD) |
| Deepfake di layar lain | Video deepfake yang pelaku putar ke kamera | Liveness detection dan deepfake detection |
| Injection attack | Kamera virtual, emulator, aplikasi termodifikasi | Deteksi injeksi dan device intelligence |
Pembahasan deepfake dan teknik penipuan wajah lainnya bisa Anda baca di artikel serangan spoofing.
Cara Kerja Liveness Detection: Aktif dan Pasif
Alur liveness detection umumnya punya empat langkah. Pertama, aplikasi mengambil selfie atau video pendek. Kedua, sistem mengecek kualitas gambar, misalnya buram, terlalu gelap, atau wajah tertutup masker. Ketiga, model AI menganalisis tanda keaktifan. Keempat, sistem mengembalikan status asli atau palsu beserta skornya, lalu bisnis memutuskan berdasarkan ambang batas yang mereka tetapkan.
Ada dua pendekatan utama untuk langkah ketiga:
- Active liveness meminta pengguna melakukan gerakan, misalnya berkedip, menoleh, atau tersenyum. Sistem lalu mengecek apakah respons itu wajar dan tepat waktu.
- Passive liveness bekerja dari satu selfie atau klip singkat tanpa instruksi khusus. Model membaca tanda seperti tekstur kulit, pantulan cahaya, pola moire layar, dan tepi kertas.
Active liveness memberi sinyal tambahan, tetapi menambah langkah dan bisa menurunkan konversi onboarding. Sebaliknya, passive liveness lebih cepat bagi pengguna, namun kualitasnya sangat bergantung pada model. Banyak tim memakai passive sebagai lapisan default, lalu menambah langkah aktif untuk transaksi berisiko tinggi. Perbandingan lengkapnya ada di artikel liveness aktif dan pasif.
Cara Membaca Klaim Akurasi Liveness Detection
Klaim akurasi tinggi hampir tidak berarti tanpa konteks. Untuk liveness detection, ISO/IEC 30107-3 memakai dua metrik yang saling tarik-menarik:
- APCER (attack presentation classification error rate): porsi serangan yang lolos sebagai wajah asli.
- BPCER (bona fide presentation classification error rate): porsi pengguna asli yang sistem tolak sebagai serangan.
Menekan APCER biasanya menaikkan BPCER, dan sebaliknya. Karena itu standar ini menganjurkan pelaporan BPCER pada nilai APCER tertentu, bukan satu angka akurasi tunggal. Sementara itu, “level” yang sering vendor sebut berasal dari program pengujian laboratorium, bukan dari standar ISO itu sendiri.
Data publik juga menunjukkan batas teknologi ini. Menurut laporan NIST IR 8491 yang terbit September 2023, NIST menguji 82 algoritma passive PAD dari 45 pengembang. Laporan yang sama menyimpulkan bahwa tidak ada satu algoritma pun yang mampu mendeteksi semua jenis serangan, dan kombinasi beberapa algoritma memberi hasil lebih baik.
Dari situ, ada lima pertanyaan yang layak tim Anda ajukan ke setiap vendor:
- Jenis serangan apa saja yang sudah teruji, dan berapa APCER untuk masing-masing jenis?
- Berapa BPCER pada ambang batas yang vendor sarankan?
- Apa perlindungan terhadap injection attack, termasuk kamera virtual dan emulator?
- Bagaimana performanya di ponsel Android kelas bawah dan kondisi cahaya buruk?
- Di mana data wajah tersimpan, dan berapa lama?
Pertanyaan kelima penting karena data wajah termasuk kategori data pribadi spesifik dalam UU PDP. Kriteria evaluasi yang lebih rinci kami bahas di panduan memilih software liveness.
Apa yang Tidak Liveness Detection Lakukan
Liveness detection tidak membuktikan identitas seseorang. Teknologi ini juga tidak otomatis menangkap injection attack, dan tidak menentukan apakah sebuah pendaftaran merupakan fraud. Jadi liveness detection perlu berjalan bersama face recognition, verifikasi data kependudukan, dan pemeriksaan perangkat.
Penerapan Liveness Detection di Bank, Fintech, dan Asuransi
Titik pemakaian paling umum adalah onboarding nasabah baru. Namun liveness detection juga berguna di titik lain yang sering jadi celah:
- Pembukaan rekening dan pengajuan pinjaman, saat pelaku mencoba membuat akun dengan identitas curian.
- Ganti perangkat atau reset akses, saat pelaku berusaha mengambil alih akun yang sudah ada.
- Transaksi bernilai besar, sebagai pemeriksaan ulang sebelum dana keluar.
- Klaim asuransi online, untuk memastikan pemegang polis sendiri yang mengajukan klaim.
Urutan pemeriksaannya di dalam alur e-KYC kami uraikan di artikel mekanisme liveness check. Untuk contoh penerapan di sektor fintech, lihat ulasan liveness detection fintech.
Liveness Detection Verihubs untuk Onboarding Digital
Liveness detection untuk cegah spoofing dari Verihubs mendukung mode aktif dan pasif, dalam format API maupun SDK. API-nya menerima satu gambar wajah, lalu mengembalikan status asli atau palsu beserta skor probabilitas. Sistem juga mengecek kualitas gambar, seperti buram atau terlalu gelap, serta atribut yang menghalangi wajah, seperti masker dan kacamata hitam.
Untuk menutup celah injeksi, liveness detection sebaiknya berjalan bersama device intelligence untuk deteksi emulator. Lapisan ini membaca sinyal risiko perangkat, termasuk emulator, perangkat root, dan aplikasi yang termodifikasi. Verihubs juga mengikuti evaluasi PAD dari NIST, dan ringkasannya ada di berita hasil evaluasi PAD NIST.
Tapi ambang batas dan keputusan akhir tetap milik bisnis Anda. Skor liveness adalah satu sinyal di antara beberapa sinyal lain dalam keputusan onboarding.
Pertanyaan Umum tentang Liveness Detection
Liveness adalah apa?
- Liveness adalah keaktifan atau tanda kehidupan. Dalam verifikasi identitas, liveness merujuk pada pemeriksaan bahwa wajah atau sampel biometrik lain berasal dari manusia hidup, bukan foto, video, topeng, atau deepfake.
Apa arti liveness detection?
- Liveness detection artinya deteksi keaktifan. Teknologi ini memeriksa apakah wajah di kamera milik orang hidup yang sedang bertransaksi. Standar internasional menyebutnya presentation attack detection (PAD).
Apa itu biometric liveness?
- Biometric liveness adalah istilah lain untuk pemeriksaan keaktifan pada data biometrik, seperti wajah, sidik jari, atau suara. Tujuannya sama: memastikan sampel biometrik berasal dari orang hidup, bukan tiruan.
Apa arti liveness detection gagal?
- Liveness detection gagal berarti sistem tidak yakin wajah yang ia terima berasal dari orang hidup. Penyebabnya bisa serangan palsu, tetapi sering juga karena cahaya terlalu gelap, wajah tertutup, kamera buram, atau pengguna tidak mengikuti instruksi. Pengguna asli biasanya bisa lolos setelah mengulang di tempat yang lebih terang.
Apa perbedaan liveness detection dan face recognition?
- Face recognition mencocokkan wajah dengan identitas, misalnya selfie dengan foto KTP. Liveness detection memastikan wajah itu milik orang hidup saat ini. Sistem e-KYC yang aman memakai keduanya.
Apa perbedaan active dan passive liveness?
- Active liveness meminta pengguna bergerak, misalnya berkedip atau menoleh. Passive liveness bekerja dari satu selfie tanpa instruksi khusus, sehingga lebih cepat bagi pengguna. Banyak bisnis memakai passive sebagai default dan menambah langkah aktif untuk risiko tinggi.
Apakah liveness detection bisa ditembus?
- Bisa, terutama lewat injection attack yang melewati kamera fisik. Menurut evaluasi NIST tahun 2023, tidak ada satu algoritma PAD pun yang mendeteksi semua jenis serangan. Karena itu liveness detection perlu berjalan bersama pemeriksaan perangkat dan verifikasi data identitas.
Apa itu verifikasi liveness?
- Verifikasi liveness adalah langkah dalam onboarding digital yang meminta pengguna mengambil selfie atau video singkat. Sistem lalu memeriksa keaktifan wajah sebelum mencocokkannya dengan data identitas.
Liveness Detection sebagai Satu Lapis, Bukan Seluruh Pertahanan
Liveness detection menutup celah besar di e-KYC, yaitu foto dan video palsu di depan kamera. Namun pelaku kini juga menyerang dari jalur yang tidak melewati kamera sama sekali. Tim yang hanya mengandalkan satu lapis akan selalu tertinggal satu langkah.
Karena itu, evaluasi liveness detection sebaiknya berangkat dari peta serangan, bukan dari angka akurasi. Pastikan setiap jenis serangan punya lapisan yang menangkapnya, mulai dari PAD, deteksi injeksi, sampai pemeriksaan perangkat.
Ingin menguji ketahanan alur onboarding Anda terhadap spoofing dan deepfake? Jadwalkan uji coba liveness detection bersama tim Verihubs dan lihat hasilnya langsung di aplikasi Anda.
