Deteksi Foto Profil Palsu di LinkedIn dengan Menggunakan Metode Baru
LinkedIn telah bekerja sama dengan UC Berkeley untuk mempelajari metode deteksi terbaru dalam mengidentifikasi foto profil palsu di platform tersebut. Dalam era perkembangan media sintetis dan AI yang semakin pesat, kecanggihan profil palsu juga semakin meningkat. Oleh karena itu, LinkedIn ingin memastikan bahwa penggunaannya tetap aman dan terpercaya.
Metode deteksi terbaru yang dikembangkan oleh LinkedIn dan UC Berkeley ini memiliki tingkat keakuratan yang tinggi. Dalam penelitian yang dilakukan, metode tersebut berhasil mengidentifikasi foto profil palsu yang dihasilkan secara artifisial sebanyak 99,6% dari keseluruhan, sementara hanya 1% foto profil asli yang keliru diidentifikasi sebagai palsu.
Dalam mengatasi masalah ini, ada dua jenis metode forensik yang dapat digunakan. Pertama, metode berbasis hipotesis yang dapat menemukan keanehan pada wajah yang dibuat secara sintetis. Metode ini mengandalkan kemampuan mesin untuk belajar pola yang tidak wajar. Namun, mesin sintesis yang dapat belajar sudah memiliki fitur-fitur ini.
Kedua, metode berbasis data yang menggunakan pembelajaran mesin untuk membedakan wajah alami dengan wajah hasil CGI (Computer-Generated Imagery). Metode ini dapat mengalami kesulitan dalam mengklasifikasikan gambar di luar wilayah keahliannya.
LinkedIn dan UC Berkeley mengadopsi pendekatan hibrida dalam metode deteksi mereka. Pertama, mereka mengidentifikasi atribut geometris unik pada wajah yang dihasilkan oleh komputer. Kemudian, mereka menggunakan metode berbasis data untuk mengukur dan mendeteksi atribut tersebut. Metode ini menggunakan klasifikasi yang mudah dan cepat untuk dilatih dan hanya memerlukan pelatihan pada sejumlah kecil wajah sintetis. Mereka menggunakan lima mesin sintesis yang berbeda untuk membuat 41.500 wajah sintetis dan menggunakan 100.000 foto profil LinkedIn asli sebagai data tambahan.
Salah satu temuan menarik dalam penelitian ini adalah perbedaan antara foto profil LinkedIn yang asli dengan wajah sintetis yang dihasilkan oleh StyleGAN2. Foto profil asli biasanya merupakan potret kepala yang generik, sedangkan wajah sintetis memiliki fitur yang jelas dan mata yang tajam. Hal ini dikarenakan lokasi dan jarak antara mata pada wajah sintetis sudah distandardisasi. Selain itu, foto profil asli biasanya memfokuskan pada bagian atas tubuh dan bahu, sedangkan wajah sintetis umumnya hanya dari leher ke atas. Perbedaan-perbedaan ini digunakan dalam metode deteksi yang dikembangkan.
Metode deteksi yang dikembangkan oleh LinkedIn dan UC Berkeley juga dibandingkan dengan model jaringan saraf tiruan (CNN) terkini yang digunakan untuk klasifikasi gambar forensik. Hasilnya menunjukkan bahwa metode yang dikembangkan oleh mereka memiliki performa yang lebih baik.
Namun, metode deteksi ini juga memiliki kelemahan utama yaitu rentan terhadap serangan pemotongan gambar (cropping attack). Gambar yang dihasilkan oleh StyleGAN sudah memiliki batasan yang dekat dengan wajah, sehingga serangan ini dapat menghasilkan foto profil yang tidak lazim. Untuk mengatasi hal ini, LinkedIn dan UC Berkeley berencana menggunakan teknik-teknik canggih dan mungkin dapat belajar tentang representasi invariant skala dan translasi.
Dalam penelitian ini juga dievaluasi kemampuan generalisasi model menggunakan gambar yang dihasilkan oleh Generated.photos dan Stable Diffusion. Wajah yang dihasilkan oleh Generated.photos, yang menggunakan Generative Adversarial Network (GAN), relatif lebih mudah digeneralisasi menggunakan metode deteksi yang dikembangkan, sedangkan wajah yang dihasilkan oleh Stable Diffusion sulit untuk dideteksi.
Secara keseluruhan, metode deteksi yang dikembangkan oleh LinkedIn dan UC Berkeley ini memiliki tingkat keakuratan yang tinggi dalam mengidentifikasi foto profil palsu. Ini merupakan langkah penting dalam menjaga keamanan dan kepercayaan pengguna LinkedIn.
Disarikan dari: Source