Seorang pelaku fraud duduk di depan laptop. Di layar, sebuah wajah yang bukan miliknya, dibuat dalam hitungan detik oleh model AI, diarahkan ke kamera verifikasi. Sistem mencocokkan wajah tersebut dengan foto KTP. Hasilnya cocok. Verifikasi: lolos.
Ini bukan skenario fiksi. Teknologi deepfake sudah berkembang dari hiburan menjadi ancaman serius bagi organisasi yang mengandalkan verifikasi wajah saat onboarding. Presentation attack, di mana wajah palsu ditampilkan ke kamera. Sudah semakin murah, cepat, dan meyakinkan.
Artikel ini menjelaskan bagaimana deepfake bisa menembus verifikasi wajah tradisional, mengapa pemeriksaan selfie standar sudah tidak memadai, dan lapisan pertahanan apa yang dibutuhkan sistem modern untuk mendeteksi dan memblokir serangan ini.
Bagaimana Verifikasi Wajah Tradisional Bekerja dan Di Mana Kelemahannya
Kebanyakan sistem verifikasi wajah mengikuti proses sederhana: pengguna mengambil selfie, sistem mengekstrak fitur wajah, lalu fitur tersebut dibandingkan dengan foto referensi (biasanya dari KTP). Jika skor kecocokan melewati ambang batas, pengguna terverifikasi.
Pendekatan ini dirancang untuk dunia di mana serangan utama adalah seseorang memegang foto cetak. Terhadap foto cetak, sistem ini efektif. Terhadap ancaman berikut, tidak:
- Feed video deepfake — wajah yang dihasilkan AI dan dirender secara real-time, lalu disuntikkan langsung ke stream kamera, melewati kamera fisik sepenuhnya
- AI-generated selfie — gambar sintetis yang dibuat dari foto KTP curian, menghasilkan selfie fotorealistis yang tidak pernah ada di dunia nyata
- Replay attack — video rekaman seseorang yang asli, diputar ulang ke kamera dengan kualitas cukup untuk lolos pemeriksaan liveness dasar
- Aplikasi face swap — tools yang bisa diunduh gratis dan menempelkan wajah satu orang ke orang lain secara real-time
Kerentanan utamanya: sistem tradisional memverifikasi seperti apa wajah itu, tapi tidak memverifikasi apakah wajah itu benar-benar ada di depan kamera saat itu.
Rantai Serangan Deepfake
Memahami cara kerja serangan deepfake membantu menjelaskan mengapa langkah pencegahan sederhana gagal:
Langkah 1: Dapatkan identitas target
Pelaku memperoleh foto korban dari KTP curian, media sosial, atau kebocoran data. Dalam beberapa kasus, satu foto yang jelas sudah cukup.
Langkah 2: Buat wajah sintetis
Menggunakan model AI (banyak yang tersedia gratis), pelaku membuat gambar deepfake statis atau video deepfake real-time. Output dipetakan ke geometri wajah korban.
Langkah 3: Injeksi ke alur verifikasi
Alih-alih memegang layar ke kamera (yang bisa dideteksi beberapa sistem), pelaku canggih menyuntikkan deepfake langsung ke feed kamera perangkat menggunakan software virtual camera atau binary aplikasi yang dimodifikasi. Sistem verifikasi menerima feed palsu seolah-olah berasal dari kamera asli.
Langkah 4: Lolos verifikasi
Karena wajah yang disuntikkan cocok dengan referensi KTP dan sistem tidak bisa memverifikasi kehadiran fisik, pemeriksaan lolos. Pelaku mendapatkan akses ke akun korban atau membuat akun baru dengan identitas curian.
Mengapa Pemeriksaan Selfie Saja Tidak Cukup
Beberapa sistem menambahkan tantangan selfie, meminta pengguna berkedip, menolehkan kepala, atau tersenyum. Langkah-langkah ini efektif terhadap foto cetak dan serangan gambar statis, tetapi tidak efektif terhadap deepfake real-time yang bisa mereplikasi gerakan wajah sesuai permintaan.
Masalah mendasarnya: tantangan-tantangan ini menguji animasi wajah, bukan kehadiran fisik. Deepfake bisa beranimasi. Yang belum bisa dilakukannya, setidaknya saat ini adalah mereplikasi respons fisiologis halus dari wajah manusia asli dalam kondisi terkontrol.
Lapisan Pertahanan 1: Passive Liveness Detection
Passive liveness detection menganalisis gambar atau video yang ditangkap untuk mencari tanda-tanda kehidupan tanpa memerlukan pengguna melakukan tindakan apa pun. Yang dianalisis:
- Pola mikro tekstur kulit yang berbeda antara kulit asli dan permukaan sintetis
- Perilaku refleksi cahaya pada wajah dan mata, kulit asli memantulkan cahaya secara berbeda dari layar atau permukaan cetak
- Isyarat kedalaman dan struktur 3D wajah yang tidak bisa direplikasi oleh gambar datar dan injeksi 2D
- Artefak kompresi yang khas dari gambar yang dihasilkan AI
Passive liveness berjalan tanpa terlihat di background. Pengguna cukup mengambil selfie seperti biasa. Sistem memutuskan dalam milidetik apakah wajah itu asli atau sintetis.
Lapisan Pertahanan 2: Active Liveness dengan Challenge Acak
Active liveness menambahkan elemen interaktif tapi melampaui permintaan "berkedip" sederhana. Sistem modern menggunakan:
- Tantangan flash warna acak — layar menampilkan urutan warna tertentu sementara kamera menangkap bagaimana cahaya memantul dari wajah pengguna. Pola refleksi harus sesuai dengan urutan warna yang tepat secara real-time. Video yang sudah direkam dan deepfake tidak bisa beradaptasi dengan stimulus acak yang belum pernah mereka lihat
- Pemetaan kedalaman 3D — menggunakan structured light atau sensor perangkat untuk membangun peta kedalaman wajah, menolak permukaan datar
- Tantangan gerakan dengan entropi — urutan gerakan kepala yang tidak bisa diprediksi dan harus dilakukan dalam urutan tertentu, membuat respons deepfake yang sudah di-script gagal
Lapisan Pertahanan 3: Deteksi Anti-Injeksi
Bahkan liveness detection terbaik pun bisa dielakkan jika pelaku tidak pernah melewati kamera sama sekali. Serangan injeksi mem-bypass kamera fisik dan memasukkan data sintetis langsung ke aplikasi.
Deteksi anti-injeksi bekerja di level perangkat:
- Pemeriksaan integritas kamera — memverifikasi bahwa feed video berasal dari hardware kamera fisik perangkat, bukan dari virtual camera atau aplikasi perekam layar
- Validasi lingkungan aplikasi — mendeteksi emulator, perangkat yang di-root, framework hooking, dan alat debugging yang umum digunakan untuk menyuntikkan feed kamera palsu
- Analisis frame-level — memeriksa inkonsistensi temporal, anomali frame rate, dan manipulasi metadata yang menunjukkan bahwa video tidak ditangkap secara live
Membangun Pertahanan yang Lengkap
Tidak ada satu lapisan pun yang cukup. Sistem verifikasi wajah yang tangguh menggabungkan ketiganya:
- Passive liveness sebagai baseline yang selalu aktif — menangkap serangan sederhana tanpa menambah friction pengguna
- Active liveness dengan tantangan acak untuk transaksi berisiko tinggi — menambahkan interaksi real-time yang tidak bisa diantisipasi deepfake
- Deteksi anti-injeksi sebagai lapisan infrastruktur — memastikan seluruh pipeline dari kamera ke server tidak dikompromikan
Bersama-sama, lapisan-lapisan ini menciptakan lingkungan verifikasi di mana sistem tidak hanya bertanya "apakah wajah ini cocok?" tapi "apakah wajah ini hadir secara fisik, saat ini, di depan kamera spesifik ini, pada perangkat yang bisa dipercaya?"
Kesimpulan
Pertanyaannya bukan lagi apakah deepfake bisa menembus verifikasi wajah — sudah bisa. Pertanyaannya adalah apakah sistem Anda memiliki lapisan pertahanan untuk menangkapnya. Passive liveness, active liveness dengan challenge acak, dan deteksi anti-injeksi — ketiganya harus bekerja bersama sebagai satu kesatuan. Organisasi yang masih mengandalkan verifikasi selfie biasa sudah tertinggal dari pelaku fraud yang mereka coba hentikan.
