Wajah itu nyaman.
Tidak perlu mengingat password.
Tidak perlu mengetik PIN panjang.
Buka aplikasi bank.
Lihat kamera.
Selesai.
Biometrik terasa seperti solusi authentication yang paling natural karena identitasnya adalah tubuh kita sendiri.
Masalahnya, AI membuat tubuh digital semakin mudah ditiru.
Wajah bisa dibuat synthetic.
Suara bisa dikloning.
Video bisa dihasilkan.
Dokumen identitas bisa dimanipulasi.
Itulah paradoks biometrik 2026.
Bank semakin membutuhkan biometrik untuk melawan pencurian identity.
Pada saat yang sama, biometrik menjadi target yang semakin menarik untuk dipalsukan.
OJK dalam Tata Kelola Kecerdasan Artifisial Perbankan Indonesia bahkan membahas risiko deepfake untuk institusi finansial. Salah satu skenario yang disebut adalah fraudster memanfaatkan sampel suara dan personally identifiable information untuk mengeksploitasi voice authentication, termasuk dalam transaksi atau penarikan dana jika kontrol tambahannya lemah.
Pesannya jelas: biometrik tidak boleh berdiri sendiri.
Face recognition bukan magic.
Voice recognition bukan magic.
Semuanya probabilistic.
Sistem membandingkan input dengan reference.
Kemudian menghasilkan confidence.
Ada threshold.
Kalau lebih tinggi, dianggap match.
Masalahnya, attacker juga tahu itu.
Mereka tidak perlu membuat wajah manusia sempurna.
Mereka perlu membuat input yang cukup dekat untuk melewati threshold atau mengeksploitasi kelemahan implementasi.
Karena itu liveness detection menjadi penting.
Sistem tidak hanya bertanya, “apakah wajah ini mirip?”
Tapi “apakah ada manusia nyata di depan kamera sekarang?”
Metode liveness bisa aktif atau pasif.
Aktif meminta user melakukan sesuatu.
Gerakkan kepala.
Kedip.
Baca angka.
Pasif menganalisis depth, texture, light, movement, atau signal lain tanpa instruction.
Semakin sophisticated deepfake, liveness juga harus berkembang.
Tapi liveness tidak sempurna.
Attacker bisa menguji.
Model bisa salah.
Lighting jelek.
Kamera murah.
User lanjut usia.
Wajah berubah.
Sistem harus menyeimbangkan security dan accessibility.
Kalau terlalu ketat, user legit gagal login.
Kalau terlalu longgar, spoofing lolos.
Ini challenge yang sama seperti fraud detection.
False positive versus false negative.
Biometrik punya satu karakter yang berbeda dari password.
Kalau password bocor, ganti.
Kalau wajah bocor?
Lo tidak bisa mengganti muka minggu depan.
Kalau voiceprint dicuri, tidak mungkin ganti suara seperti ganti PIN.
Makanya biometric data perlu diperlakukan sebagai high-value data.
Storage.
Encryption.
Template protection.
Access.
Retention.
Semua harus ketat.
Idealnya sistem tidak menyimpan gambar raw kalau tidak perlu.
Biometric template harus diproteksi.
Dan purpose-nya jelas.
Jangan karena bank punya selfie untuk KYC lalu gambar tersebut bebas dipakai untuk semua experiment AI.
Consent dan governance matters.
Ada juga risk replay.
Scammer bisa punya video user dari media sosial.
Kalau authentication cuma membandingkan wajah statis, spoof menjadi mudah.
Liveness membantu.
Tapi media sosial memberi banyak bahan.
Creator yang punya ratusan video publik punya dataset suara dan wajah besar.
Executive juga.
Public figure.
Bukan berarti mereka harus berhenti tampil.
Artinya banking authentication tidak boleh menganggap biometrik publik sebagai secret.
Wajah adalah identifier.
Bukan password.
Ini distinction penting.
Biometric paling kuat ketika menjadi satu faktor dalam multi-factor system.
Something you are.
Plus something you have.
Device trusted.
Plus maybe something you know.
PIN.
Atau behavioral signal.
Satu faktor gagal, yang lain masih ada.
Untuk transaksi bernilai tinggi, bank bisa menambah step-up authentication.
Login normal cukup face.
Transfer besar butuh PIN atau confirmation lain.
Perubahan data sensitif butuh additional verification.
Risk-based authentication lebih masuk akal daripada satu biometrik untuk semua.
Ada juga behavioral biometrics.
Bukan wajah atau suara.
Cara mengetik.
Cara memegang device.
Swipe.
Movement.
Session behavior.
Sinyal ini bisa membantu mendeteksi account takeover.
Tapi privacy question naik.
User mungkin tidak sadar behavior-nya dianalisis.
Disclosure perlu jelas.
Data harus dipakai proporsional untuk security.
Jangan menjadi surveillance tanpa batas.
AI membuat biometric security lebih powerful, tapi AI juga memperkuat attack.
Deepfake KYC adalah contoh paling jelas.
Penipu mencoba membuka akun memakai identitas palsu atau stolen identity dengan selfie sintetis.
Kalau berhasil, rekening bisa dipakai sebagai mule.
Fraud network mendapat infrastructure.
Karena itu onboarding bank harus layered.
Document authenticity.
Face match.
Liveness.
Device.
Data consistency.
Sanctions or watchlist checks sesuai konteks.
Risk scoring.
Human review untuk kasus tertentu.
Tidak ada satu signal yang cukup.
Ini juga relevan untuk fintech dan e-wallet.
Semakin account bisa memindahkan uang cepat, semakin attractive synthetic identity.
Mastercard pada 2026 menempatkan synthetic identity fraud sebagai salah satu ancaman dengan pertumbuhan paling cepat menurut payment leaders yang disurvei.
AI membantu attacker mencampur data stolen dengan detail fabricated.
Sistem identity verification harus bisa melihat consistency.
Misalnya satu KTP tampak valid, wajah match, tapi device, phone number, email, dan network behavior tidak masuk akal.
Context matters.
Bagaimana dengan voice authentication?
Suara sangat convenient untuk call center.
“Ucapkan kalimat ini.”
Masalahnya voice cloning sudah jauh lebih accessible.
Kalau call center hanya mengandalkan suara, risk tinggi.
OJK sendiri menyoroti scenario voice authentication tanpa requirement tambahan sebagai target fraudster.
Solusinya layered verification.
Knowledge check.
Device confirmation.
Transaction history.
Callback.
Risk score.
Jangan membuat satu sample audio bisa membuka rekening.
Biometric attack juga bisa datang dari social engineering.
Scammer tidak selalu menipu sistem.
Mereka menipu manusia supaya melakukan biometric approval.
“Buka aplikasi dan scan wajah untuk membatalkan transaksi.”
Korban melakukan face authentication sendiri.
Dari perspektif bank, biometrik valid.
Tapi intent salah.
Ini lesson penting: authentication proves presence, bukan necessarily intent.
Wajah lo bisa benar.
Transaksinya tetap scam.
Karena itu UI harus menjelaskan apa yang sedang disetujui.
Bukan cuma “verify face”.
Tapi:
“Konfirmasi transfer Rp8.500.000 ke rekening X.”
User perlu context sebelum biometrik.
Kalau approval dipisahkan dari information, scammer mudah membingkai ulang.
“Cuma scan wajah kok.”
Padahal scan mengotorisasi transaksi.
Design matters.
Untuk nasabah, rule sederhana:
Jangan lakukan verifikasi biometrik karena diarahkan orang di telepon.
Buka aplikasi sendiri.
Baca action.
Kalau ada request yang tidak lo mulai, cancel.
Jangan share video selfie ke customer service random.
Jangan kirim foto KTP plus selfie lewat chat kalau bukan kanal resmi.
Data biometric punya nilai jangka panjang.
Untuk bank, biometrik perlu fallback.
User bisa cedera.
Wajah berubah.
Kamera rusak.
Disability.
Model gagal.
Harus ada recovery yang aman.
Fallback jangan lebih lemah dari sistem utama.
Kalau face recognition kuat tapi reset account cukup lewat tiga data publik, attacker akan memilih jalur reset.
Security chain sekuat link paling lemah.
Ada juga issue bias dan performance.
Face recognition historically bisa punya performance berbeda antar demographic group tergantung data dan model.
Institusi finansial perlu testing representatif.
Jangan hanya benchmark average accuracy.
Lihat error rate per group.
Accessibility.
Lighting.
Device class.
Fairness di authentication berarti user legit punya peluang yang wajar untuk berhasil.
Kalau kelompok tertentu lebih sering gagal, itu consumer problem.
AI governance perbankan OJK menempatkan fairness dan resilience sebagai prinsip penting.
Relevan banget.
Biometrik bukan cuma security tool.
Dia interface akses uang.
Kalau gagal, orang bisa kehilangan akses sementara ke finansial mereka.
Makanya deployment perlu serius.
Di 2026, kita tidak perlu memilih antara biometrik atau password seolah salah satu menang.
Masa depan kemungkinan layered.
Biometrik untuk convenience.
Device identity untuk context.
PIN untuk step-up.
AI fraud model untuk risk.
Human review untuk exception.
No single point of trust.
Paradoksnya akan tetap ada.
Semakin AI membuat wajah digital mudah dipalsukan, semakin bank perlu memastikan “wajah asli” bukan satu-satunya bukti.
Biometrik masih penting.
Justru karena penting, dia tidak boleh diperlakukan seperti password yang tidak bisa dicuri.
Wajah adalah bagian dari identitas.
Keamanan datang dari sistem di sekitarnya.
Teknologi provenance untuk kamera dan device mungkin akan membantu ke depan, tetapi bank tidak boleh menunggu satu standar universal. Threat model harus mengasumsikan image, audio, dan video bisa dimanipulasi. Dari asumsi itu, sistem dibangun layered.
Untuk user, jangan terlalu terobsesi apakah selfie terlihat sempurna. Fokus pada kanal resmi dan tindakan yang sedang diotorisasi. Banyak scam lolos bukan karena deepfake mengalahkan model, tapi karena manusia sendiri melakukan autentikasi atas instruksi penipu.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Semakin kuat biometrik, semakin penting recovery dan fallback tidak menjadi pintu belakang yang lemah.
Bacaan terkait
Artikel ini berada dalam Fintech & Digital Payments dan mengikuti metodologi editorial Undercover.id. Format terkait tersedia di Explainer teknologi dan kebijakan digital.