OPTIMASI ARSITEKTUR BACKBONE UNTUK FACE ANTI SPOOFING MULTIMODAL DENGAN METODE BAYESIAN OPTIMIZATION

WIDIWASITA, JACONIAH (2026) OPTIMASI ARSITEKTUR BACKBONE UNTUK FACE ANTI SPOOFING MULTIMODAL DENGAN METODE BAYESIAN OPTIMIZATION. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123220088_Cover - Jaconiah W.pdf Download (196kB)
	Text 123220088_Abstrak - Jaconiah W.pdf Download (223kB)
	Text 123220088_Halaman Pengesahan - Jaconiah W.pdf Download (866kB)
	Text 123220088_Daftar Isi - Jaconiah W.pdf Download (258kB)
	Text 123220088_Daftar Pustaka - Jaconiah W.pdf Download (221kB)
	Text 123220088_Fulltext - Jaconiah W.pdf Restricted to Repository staff only Download (5MB)

Abstract

Sistem pengenalan wajah saat ini masih rentan terhadap presentation attack, yaitu
upaya manipulasi identitas menggunakan media palsu seperti foto, video, atau masker. Salah
satu pendekatan yang dikembangkan untuk mengatasi permasalahan tersebut adalah face
anti-spoofing multimodal yang memanfaatkan citra RGB, depth, dan IR. Meskipun
demikian, sebagian besar penelitian masih menggunakan arsitektur backbone yang sama
untuk seluruh modalitas, padahal setiap modalitas memiliki karakteristik visual yang
berbeda. Pendekatan tersebut berpotensi menghasilkan representasi fitur yang kurang
optimal, sedangkan penentuan kombinasi backbone dan cut block secara manual
memerlukan proses yang kompleks serta biaya komputasi yang tinggi. Oleh karena itu,
penelitian ini bertujuan menemukan kombinasi backbone dan cut block yang paling sesuai
untuk setiap modalitas secara otomatis guna meningkatkan kinerja deteksi.
Penelitian ini menggunakan dataset benchmark CASIA-SURF. Tahap akuisisi dan
pra-pemrosesan data meliputi penyesuaian resolusi citra, augmentasi rotasi dan warna
khusus pada modalitas RGB, serta konversi citra menjadi format tensor. Optimasi arsitektur
dilakukan menggunakan Bayesian Optimization dengan algoritma Tree-structured Parzen
Estimator (TPE). Selama proses pencarian, algoritma mengevaluasi kandidat arsitektur
selama lima epoch untuk memilih backbone terbaik, yaitu ResNet-18, ResNet-34, atau
MobileNetV3-Large, sekaligus menentukan cut block secara independen pada setiap
modalitas berdasarkan nilai validation loss. Representasi fitur yang dihasilkan kemudian
digabungkan menggunakan metode Simple Additive Fusion, sedangkan proses pelatihan
model akhir dilakukan dengan optimizer AdamW.
Hasil penelitian menunjukkan bahwa algoritma TPE berhasil memperoleh
konfigurasi arsitektur heterogen yang paling optimal, yaitu MobileNetV3-Large dengan cut
block 9 pada modalitas RGB, ResNet-34 dengan cut block 3 pada modalitas depth, serta
ResNet-18 dengan cut block 3 pada modalitas IR. Pada tahap pengujian, model hasil optimasi
mencapai nilai Average Classification Error Rate (ACER) sebesar 0,2542% dan Area Under
the Curve (AUC) sebesar 99,9923%. Kinerja tersebut lebih baik dibandingkan seluruh model
baseline yang menggunakan arsitektur homogen. Hasil ini menunjukkan bahwa penggunaan
backbone dan cut block yang disesuaikan dengan karakteristik masing-masing modalitas
mampu meningkatkan performa sistem face anti-spoofing multimodal. Kontribusi utama
penelitian ini adalah pengembangan kerangka optimasi arsitektur secara otomatis yang
efektif untuk menentukan konfigurasi jaringan pada sistem face anti-spoofing multimodal.
Kata Kunci: Face Anti-Spoofing, Multimodal, Bayesian Optimization, Arsitektur Backbone,
Tree-structured Parzen Estimator

Item Type:	Tugas Akhir (Skripsi)
Uncontrolled Keywords:	Face Anti-Spoofing, Multimodal, Bayesian Optimization, Arsitektur Backbone, Tree-structured Parzen Estimator
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	05 Nov 2026 01:29
Last Modified:	05 Nov 2026 01:29
URI:	http://eprints.upnyk.ac.id/id/eprint/50087

Actions (login required)

View Item