Memahami Deepfake: Jenis, Deteksi, dan Pertahanan (ID)

Deepfake adalah media sintetis atau yang dimanipulasi yang dibuat dengan teknik pembelajaran mesin untuk membuat seseorang tampak mengatakan, melakukan, atau menampilkan sesuatu yang tidak terjadi. Deepfake dapat mengubah atau menghasilkan gambar, video, dan audio; dalam serangan identitas, deepfake dapat meniru orang sungguhan, membuat persona sintetis, memodifikasi bukti identitas, atau memasukkan media palsu ke dalam alur verifikasi jarak jauh.

Pertahanan deepfake bukanlah satu detektor. Keputusan yang andal menggabungkan asal media, analisis forensik, pengambilan tepercaya, deteksi serangan presentasi, keterkaitan identitas, sinyal perangkat dan jaringan, konteks transaksi, dan proses eskalasi untuk kasus yang tidak pasti.

Poin-poin penting

• Deepfake adalah kategori media, bukan satu serangan. Pertukaran wajah, pementasan ulang, sinkronisasi bibir, kloning suara, orang yang sepenuhnya dihasilkan, dan dokumen yang diubah menciptakan bukti dan risiko yang berbeda.
• Serangan presentasi dan injeksi berbeda. Serangan presentasi menunjukkan artefak ke sensor sungguhan; serangan injeksi menyisipkan media palsu setelah atau sebagai pengganti sensor.
• Inspeksi visual manusia bukanlah kontrol yang cukup. Kompresi dan generator baru menghapus artefak yang dikenal, sementara media asli juga bisa terlihat tidak biasa.
• Skor deteksi bersifat kondisional. Hasil bergantung pada generator, serangan, jalur pengambilan, kompresi, populasi, ambang batas, dan lingkungan operasi yang digunakan dalam pengujian.
• Verifikasi lebih kuat daripada penampilan semata. Permintaan berisiko tinggi harus terkait dengan identitas, perangkat, saluran terautentikasi, dan proses persetujuan independen.

Apa itu deepfake?

Istilah ini menggabungkan “pembelajaran mendalam” (deep learning) dan “palsu” (fake). Awalnya istilah ini menggambarkan video pertukaran wajah, tetapi penggunaan umum sekarang mencakup gambar, video, dan ucapan yang dihasilkan AI atau dimanipulasi AI yang realistis. Masalah utamanya bukanlah apakah setiap piksel dihasilkan. Ini adalah apakah manipulasi komputasi menciptakan bukti identitas, ucapan, perilaku, atau asal yang menyesatkan.

Deepfake termasuk dalam kategori media sintetis yang lebih luas. Media sintetis juga memiliki kegunaan yang sah dalam film, aksesibilitas, pendidikan, lokalisasi, privasi, dan karya kreatif. Risiko keamanan muncul ketika media digunakan untuk membuat klaim palsu—terutama klaim tentang siapa yang hadir, siapa yang mengizinkan suatu tindakan, atau dari mana media itu berasal.

Deepfake, cheapfake, dan identitas sintetis

• Deepfake: media yang dihasilkan atau dimanipulasi dengan metode pembelajaran mesin untuk meniru atau merekayasa orang, objek, atau peristiwa.
• Cheapfake: media menyesatkan yang diproduksi dengan pengeditan sederhana, pelabelan ulang, perubahan kecepatan, pemotongan selektif, atau penggunaan kembali di luar konteks aslinya.
• Identitas sintetis: identitas yang disusun dari atribut yang direkayasa dan asli. Ini mungkin menggunakan media deepfake, tetapi catatan identitas—bukan hanya media—adalah serangannya.
• Transformasi wajah (Face morph): satu potret yang memadukan dua orang atau lebih, sering kali untuk membuat hasilnya menyerupai banyak identitas.
• Pemutaran ulang (Replay): media asli atau yang dimanipulasi diputar ulang ke sistem pengambilan. Konten mungkin nyata sementara klaim kehadiran langsung adalah palsu.

Kategori-kategori ini dapat tumpang tindih. Seorang penipu dapat menggabungkan dokumen curian, potret yang diubah, pertukaran wajah waktu nyata, proksi residensial, dan akun yang disusupi dalam satu percobaan.

Jenis deepfake apa saja yang ada?

Jenis	Perubahan yang terjadi	Risiko identitas umum	Lapisan kontrol yang berguna
Pertukaran wajah	Satu wajah dipetakan ke orang lain	Peniruan identitas dalam orientasi, panggilan, atau pemulihan akun	Pengambilan tepercaya, keaktifan, perbandingan wajah, pemeriksaan injeksi
Pementasan ulang wajah	Ekspresi, pose, atau pandangan didorong oleh sumber lain	Meneruskan perintah atau meniru perilaku langsung	Petunjuk tak terduga, analisis temporal, integritas sensor
Sinkronisasi bibir	Gerakan mulut diubah agar sesuai dengan audio baru	Pernyataan rekayasa atau peniruan panggilan	Konsistensi audio-video, asal, konfirmasi independen
Kloning suara	Ucapan disintesis dalam suara target	Pembayaran atau rekayasa sosial pengaturan ulang kredensial	Panggilan balik, autentikasi kuat, persetujuan ganda, analisis audio
Orang yang sepenuhnya dihasilkan	Gambar atau video menggambarkan orang yang tidak ada	Akun sintetis, profil palsu, perekrutan mule	Bukti identitas, pemeriksaan basis data, analisis perangkat dan jaringan
Manipulasi dokumen	Potret, teks, tata letak, atau fitur keamanan diubah	Bukti identitas palsu	Validasi dokumen, pengambilan dokumen langsung, pemeriksaan NFC atau penerbit
Transformasi wajah	Beberapa wajah digabungkan menjadi satu potret	Satu dokumen mungkin cocok dengan lebih dari satu orang	Deteksi transformasi, referensi kualitas penerbit, tinjauan manusia

Tidak ada baris yang memiliki satu kontrol tunggal yang sempurna. Detektor wajah tidak dapat memastikan keaslian dokumen. Asal konten tidak dapat membuktikan identitas dunia nyata penandatangan. Keaktifan pada sensor tidak secara otomatis mendeteksi media yang disuntikkan di hilir.

Bagaimana deepfake dibuat?

Deepfake modern dapat diproduksi dengan beberapa keluarga model. Detail teknisnya berbeda, tetapi alur kerja praktis biasanya mencakup pengumpulan sumber, pembelajaran representasi, generasi, komposit, dan pascapemrosesan.

1. Materi sumber dikumpulkan

Penyerang mengumpulkan gambar, video, atau rekaman suara target. Wawancara publik, profil sosial, rapat video, dokumen yang bocor, dan pengambilan verifikasi sebelumnya semuanya dapat menjadi materi sumber. Untuk identitas yang sepenuhnya dihasilkan, model menciptakan subjek baru daripada menyalin satu orang.

2. Model mempelajari atau mempertahankan fitur identitas

Sistem pertukaran wajah mengkodekan struktur dan penampilan wajah, lalu menampilkan identitas target di atas pemain sumber. Sistem pementasan ulang mentransfer pose atau ekspresi. Sistem suara mempelajari karakteristik pembicara dan menghasilkan ucapan dari teks atau suara lain.

3. Konten sintetis dihasilkan

Jaringan generatif adversarial, autoencoder, model difusi, dan sistem rendering saraf semuanya dapat berkontribusi. Keluarga model saja tidak memberi tahu pembela artefak mana yang akan tetap ada; data pelatihan dan pascapemrosesan yang berbeda menghasilkan jejak yang berbeda.

4. Hasilnya dikomposit dan dikoreksi

Pencampuran, koreksi warna, pencahayaan ulang, pembersihan audio, interpolasi bingkai, dan sinkronisasi bibir membuat output lebih koheren. Penipu dapat dengan sengaja menambahkan blur atau kompresi untuk menyembunyikan jejak generator.

5. Media dikirimkan

Pengiriman menentukan permukaan serangan. File dapat diunggah, ditampilkan di layar, dicetak, diputar selama panggilan video, dirutekan melalui kamera virtual, atau disuntikkan antara komponen pengambilan dan server.

Langkah terakhir itulah mengapa definisi yang murni forensik tidak cukup untuk sistem identitas. Wajah yang sama yang dihasilkan menciptakan ancaman yang berbeda ketika diposting secara publik, ditampilkan ke kamera, atau disuntikkan ke SDK verifikasi.

Bagaimana deepfake digunakan dalam serangan identitas?

Serangan presentasi

Penyerang menyajikan foto, layar, topeng cetak, pemutaran ulang, atau artefak lain ke kamera atau sensor biometrik yang sah. ISO/IEC 30107 menyebut kontrol pada batas pengambilan ini Deteksi Serangan Presentasi (PAD). Deteksi keaktifan adalah salah satu subkumpulan PAD.

Serangan injeksi

Penyerang melewati atau mengganggu pengambilan yang diharapkan dan memasukkan media palsu ke jalur pemrosesan. Contohnya termasuk kamera virtual, emulator, hook, SDK yang dimodifikasi, permintaan jaringan yang dimanipulasi, atau substitusi file sisi server.

NIST SP 800-63A-4 memperlakukan pencegahan injeksi dan deteksi media palsu sebagai persyaratan yang berbeda. Ini mencatat bahwa perbandingan biometrik saja tidak mencegah media yang disuntikkan dan merekomendasikan kontrol yang meningkatkan kepercayaan pada sensor pengambilan dan saluran yang dilindungi.

Peniruan identitas dan rekayasa sosial

Klon suara atau video dapat membuat permintaan mendesak tampak berasal dari eksekutif, karyawan, pelanggan, vendor, atau anggota keluarga. Tujuannya mungkin pembayaran, pengaturan ulang kredensial, pengungkapan, atau pengecualian kebijakan. Di sini pertahanan terbaik mungkin adalah kepatuhan proses—seperti jalur panggilan balik yang dikenal atau persetujuan ganda—daripada mencoba menilai piksel secara real time.

Panduan respons deepfake OWASP menekankan proses keamanan yang tahan lama, kontrol keuangan, prosedur verifikasi, kesadaran, dan respons insiden daripada fokus sempit pada identifikasi cacat visual.

Pembuatan akun sintetis

Potret yang dihasilkan, atribut yang direkayasa, bukti yang diubah, titik kontak sekali pakai, dan koneksi jaringan yang disamarkan dapat digabungkan untuk membuat akun yang tidak sesuai dengan satu orang asli. Media hanyalah salah satu sinyal dalam grafik identitas dan perilaku yang lebih luas.

Pemulihan akun dan pengikatan ulang

Jika alur pemulihan bergantung pada selfie atau panggilan video, media sintetis dapat digunakan untuk mengambil alih akun yang sudah ada atau mengikat autentikator baru. Pemulihan sering kali membutuhkan jaminan yang lebih kuat daripada login rutin karena dapat menggantikan kontrol yang biasanya melindungi akun.

Bagaimana cara kerja deteksi deepfake?

Deteksi deepfake bertanya apakah media dihasilkan atau dimanipulasi. Verifikasi identitas bertanya apakah seseorang adalah orang yang mereka klaim. Pertanyaan-pertanyaan itu tumpang tindih, tetapi tidak ada yang sepenuhnya mengandung yang lain.

Asal dan kredensial konten

Asal mencatat informasi tentang bagaimana media dibuat dan diubah. Spesifikasi Kredensial Konten C2PA mendefinisikan struktur tahan perusakan yang dapat mengikat asal dan pernyataan pengeditan ke aset.

Asal yang valid dapat meningkatkan kepercayaan pada riwayat media dan penandatangan. Asal yang hilang bukanlah bukti manipulasi, dan asal yang valid tidak menjamin bahwa klaim yang digambarkan adalah benar. Asal adalah sinyal positif, bukan detektor universal.

Analisis forensik spasial

Model gambar dapat memeriksa tekstur, batas pencampuran, pencahayaan, pantulan, pola frekuensi, noise, geometri, dan artefak generator. Fitur-fitur ini mungkin berfungsi dengan baik pada keluarga serangan yang diketahui dan menurun ketika model, kamera, atau kompresi berubah.

Analisis temporal dan audiovisual

Analisis video dapat memeriksa konsistensi di seluruh bingkai, gerakan, pose, aliran optik, penanda wajah, waktu bicara, dan penyelarasan audio-video. Analisis suara dapat memeriksa jejak spektral, prosodik, dan generasi. Penggunaan waktu nyata menambah batasan latensi dan kualitas yang ketat.

Deteksi serangan presentasi dan keaktifan

PAD mencari upaya untuk mengelabui sensor pengambilan. Keaktifan pasif dapat menganalisis pengambilan tanpa meminta pengguna untuk melakukan tindakan eksplisit. Keaktifan aktif meminta respons terhadap perintah atau tantangan.

PAD dicakup pada batas pengambilan. ISO/IEC 30107-3 secara eksplisit memperlakukan serangan di luar perangkat pengambilan biometrik sebagai di luar cakupan. Vendor yang mengklaim cakupan PAD harus menjelaskan secara terpisah injeksi, kamera virtual, emulator, dan kontrol saluran.

Integritas pengambilan dan atestasi perangkat

Kontrol pengambilan mencoba untuk menetapkan bahwa media berasal dari sensor, aplikasi, status perangkat, dan saluran terlindungi yang diharapkan. Sinyal dapat mencakup integritas SDK, atestasi perangkat, deteksi emulator atau kamera virtual, peristiwa pengambilan yang ditandatangani, tindakan anti-perusakan, dan perlindungan pemutaran ulang sisi server.

Tidak ada sinyal perangkat yang tidak dapat salah. Tujuannya adalah untuk membuat pengiriman palsu lebih sulit, dapat dideteksi, dan mahal sambil mempertahankan jalur pemulihan untuk pengguna asli pada perangkat yang tidak biasa.

Keterkaitan identitas dan bukti

Perbandingan wajah dapat menghubungkan pengambilan langsung ke potret tepercaya; validasi dokumen dapat menguji bukti itu sendiri; validasi basis data dapat menguatkan atribut. Kontrol ini tidak mengklasifikasikan semua media sintetis, tetapi mengurangi nilai wajah yang meyakinkan yang tidak memiliki jangkar identitas yang dapat dipertahankan.

Risiko kontekstual dan perilaku

Penggunaan ulang perangkat, ketidakkonsistenan IP dan lokasi, perjalanan yang tidak mungkin, percobaan berulang, kecepatan, riwayat akun, konteks transaksi, dan grafik hubungan dapat mengungkap pola yang tidak terdeteksi oleh analisis media. Skor deepfake harus berkontribusi pada keputusan risiko daripada menghapus bukti lain.

Tinjauan manusia dan verifikasi independen

Peninjau membutuhkan media asli, output detektor, kode alasan, detail pengambilan, riwayat pelanggan, dan panduan yang jelas. Untuk tindakan berdampak tinggi, saluran tepercaya independen—seperti panggilan balik ke nomor yang dikenal atau persetujuan dalam sistem terautentikasi—dapat lebih dapat diandalkan daripada penilaian visual.

Apa yang bisa salah pada detektor deepfake?

Positif palsu

Detektor mengklasifikasikan media yang dimanipulasi sebagai asli. Ini adalah kegagalan keamanan yang memungkinkan serangan masuk.

Negatif palsu

Detektor mengklasifikasikan media asli sebagai dimanipulasi. Ini dapat memblokir pelanggan asli, memicu tinjauan yang tidak perlu, atau secara tidak proporsional memengaruhi perangkat dan populasi tertentu.

Pergeseran domain

Lingkungan produksi berbeda dari set pengujian: generator baru, pipeline kamera, codec, pencahayaan, bahasa, demografi, atau perilaku serangan. Program evaluasi deepfake GenAI NIST berfokus pada pengujian adversarial dan relevan secara operasional justru karena kinerja benchmark akademis mungkin tidak langsung berpindah ke penerapan.

Ketidaksesuaian ambang batas

Setiap skor menjadi keputusan hanya setelah menerapkan ambang batas. Ambang batas yang disesuaikan untuk triase forensik mungkin salah untuk pembukaan akun instan. Keamanan, friksi pengguna, kapasitas tinjauan manual, dan kerugian hilir semuanya memengaruhi titik operasi.

Kebingungan cakupan

Detektor yang dievaluasi pada gambar wajah yang diunggah mungkin tidak mengatakan apa-apa tentang klon audio, kamera virtual waktu nyata, transformasi dokumen, atau pemutaran ulang. Label produk harus diganti dengan matriks cakupan serangan demi serangan.

Bagaimana tim harus mengevaluasi pertahanan deepfake?

Definisikan model ancaman terlebih dahulu

Daftarkan tindakan yang dilindungi, kemampuan penyerang, jenis media, jalur pengiriman, perangkat yang diharapkan, jangkar identitas yang tersedia, dan konsekuensi kesalahan. “Mendeteksi deepfake” bukanlah persyaratan yang dapat diuji.

Minta matriks cakupan serangan

Tanyakan apakah pengujian mencakup pertukaran wajah, pementasan ulang, sinkronisasi bibir, wajah yang sepenuhnya dihasilkan, klon suara, transformasi, pemutaran ulang yang dicetak dan di layar, kamera virtual, emulator, perusakan SDK, dan injeksi API. Catat kontrol mana yang memiliki setiap serangan.

Periksa data pengujian

Cari generator yang tidak terlihat, beberapa alat serangan, pengguna asli, cakupan demografi, kamera yang berbeda, kompresi, degradasi jaringan, dan pengambilan seperti produksi. Pisahkan set pengembangan, validasi, dan pengujian. Tanyakan seberapa sering evaluasi diperbarui.

Tinjau kedua tingkat kesalahan

Dapatkan perilaku positif palsu dan negatif palsu pada ambang operasi, tidak hanya berita utama akurasi. Minta interval kepercayaan, jumlah sampel, hasil per serangan, analisis subkelompok, dan tingkat non-respons.

Uji seluruh perjalanan

Evaluasi SDK pengambilan, transportasi, backend, mesin keputusan, webhook, perilaku coba lagi, tinjauan manual, dan status akun. Pengklasifikasi media yang kuat masih dapat berada di balik permintaan yang dapat diputar ulang atau alur pemulihan yang tidak aman.

Jalankan penerapan bayangan

Sebelum memblokir pelanggan, nilai lalu lintas seperti produksi dalam mode bayangan. Bandingkan hasil detektor dengan temuan peninjau, penipuan yang dikonfirmasi, percobaan ulang pengguna, kasus dukungan, dan kerugian hilir. Kemudian atur tindakan bertahap seperti izinkan, tingkatkan, tinjau, batasi laju, atau tolak.

Rencanakan untuk pergeseran

Definisikan kepemilikan untuk penyerapan serangan baru, latihan tim merah, pembaruan model, tinjauan ambang batas, respons insiden, dan pemulihan. Uji vendor satu kali tidak dapat mencakup ekosistem generator yang berubah.

Kesalahan umum dalam pertahanan deepfake

Melatih pengguna untuk mencari gangguan visual

Kedipan, tangan, gigi, sinkronisasi bibir, dan artefak tepi dapat menjadi petunjuk, tetapi tidak perlu dan tidak cukup. Video normal bisa terlihat aneh setelah kompresi, dan generator baru dapat menghilangkan petunjuk kemarin.

Membeli satu “skor deepfake”

Satu skor jarang mencakup setiap media dan jalur pengiriman. Perlu bukti tentang cakupan model, cakupan serangan, kondisi pengujian, ambang batas, dan pertukaran kesalahan.

Mengasumsikan keaktifan menghentikan injeksi

Keaktifan dapat membantu pada batas sensor. Serangan injeksi menargetkan jalur di sekitar atau setelah batas itu, sehingga mereka juga memerlukan kontrol integritas pengambilan dan saluran.

Memperlakukan asal yang hilang sebagai bukti penipuan

Banyak aset asli tidak memiliki kredensial konten. Ketidakhadiran berarti sinyal asal tidak tersedia, bukan berarti media itu palsu.

Menolak secara otomatis setiap hasil yang tidak pasti

Kasus ambigu memerlukan peningkatan atau tinjauan berbasis risiko. Ketidakpastian detektor tidak boleh menjadi penolakan permanen yang tidak dapat dijelaskan.

Mengabaikan kontrol non-media

Persetujuan pembayaran, pemulihan akun, perubahan kredensial, dan pengungkapan data harus memiliki kontrol yang bertahan dari peniruan yang sempurna. Otentikasi yang kuat, pemisahan tugas, panggilan balik tepercaya, batasan, dan penundaan dapat mengurangi dampak bahkan ketika deteksi gagal.

Model pertahanan berlapis

Lapisan	Pertanyaan	Contoh hasil
Asal	Apakah ada riwayat yang valid dan tepercaya untuk aset ini?	Kredensial terverifikasi, kredensial hilang, pengikatan tidak valid
Forensik media	Apakah media menunjukkan bukti manipulasi atau generasi?	Skor risiko dengan bukti keluarga serangan
Integritas pengambilan	Apakah media berasal dari sensor dan aplikasi yang diharapkan?	Pengambilan yang diakui, kamera virtual, pemutaran ulang, tidak diketahui
PAD dan keaktifan	Apakah ada orang yang bonafide hadir di sensor?	Bonafide, serangan presentasi, coba lagi
Keterkaitan identitas	Apakah orang tersebut cocok dengan bukti identitas tepercaya?	Cocok, tidak cocok, kualitas tidak memadai
Konteks	Apakah perangkat, jaringan, akun, dan perilaku setuju?	Normal, tidak konsisten, kecepatan tinggi, penyalahgunaan terkait
Proses	Apakah tindakan yang diminta diotorisasi secara independen?	Izinkan, tingkatkan, persetujuan ganda, tahan

Lapisan-lapisan tersebut harus menghasilkan bukti yang dapat dijelaskan dan tindakan yang terbatas. Hasil berisiko tinggi dapat memicu pengambilan yang lebih kuat, faktor yang berbeda, tinjauan manual, atau konfirmasi independen daripada hasil yang tidak dapat diubah secara langsung.

Di mana Didit berperan

Didit menawarkan Keaktifan Pasif seharga $0,10 dan Keaktifan Aktif seharga $0,15, dan sertifikasinya meliputi iBeta Level 1 PAD. Kontrol presentasi ini dapat dipasangkan dengan Verifikasi ID, Deteksi Keaktifan, Pencocokan Wajah, dan Analisis Perangkat & IP dalam alur kerja berbasis risiko.

Setiap kontrol memiliki batasan. Tim harus memetakan hasil PAD ke serangan presentasi, mengevaluasi perlindungan pengambilan dan injeksi secara terpisah, dan mempertahankan logika keputusan dan tinjauan mereka sendiri. Tarif modul yang dipublikasikan tersedia di halaman harga.

Pertanyaan yang sering diajukan

Apakah semua gambar yang dihasilkan AI adalah deepfake?

Belum tentu. “Deepfake” biasanya menyiratkan media sintetis atau yang dimanipulasi yang merekayasa identitas, ucapan, perilaku, atau suatu peristiwa. Ilustrasi yang dihasilkan dan diberi label dengan jelas adalah media sintetis tanpa harus menipu.

Bisakah orang secara andal mengenali deepfake dengan mata?

Tidak. Petunjuk visual dapat mendukung triase, tetapi keandalan berubah dengan generator, kualitas media, kompresi, dan penampil. Keputusan berdampak tinggi memerlukan verifikasi teknis dan prosedural.

Apa perbedaan antara serangan presentasi dan serangan injeksi?

Serangan presentasi menempatkan artefak di depan sensor yang diharapkan. Serangan injeksi menyisipkan media palsu ke jalur pemrosesan, melewati atau mengganggu pengambilan yang diharapkan.

Apakah deteksi keaktifan menghentikan setiap deepfake?

Tidak. Keaktifan adalah kontrol yang berfokus pada pengambilan. Cakupannya bergantung pada metode dan pengujian, dan tidak secara otomatis mencakup audio, dokumen, asal konten, atau injeksi hilir.

Apakah kredensial konten adalah bukti bahwa media itu benar?

Kredensial tersebut dapat memberikan asal yang tahan perusakan tentang asal dan pengeditan ketika penandatangan dan pengikatan dipercaya. Kredensial tersebut tidak membuat penilaian nilai tentang apakah klaim yang digambarkan itu benar.

Metrik apa yang penting untuk detektor deepfake?

Perilaku negatif palsu dan positif palsu pada ambang batas penerapan, dipecah berdasarkan jenis serangan, generator, kondisi pengambilan, perangkat, dan populasi yang relevan. Tim juga harus mengukur tingkat non-respons, latensi, beban tinjauan, dan penipuan hilir.

Apa yang harus terjadi ketika detektor tidak yakin?

Gunakan respons bertahap: minta pengambilan tepercaya baru, minta autentikator lain, verifikasi melalui saluran independen, tahan tindakan, atau rutekan kasus ke tinjauan terlatih.

Referensi utama

• NIST SP 800-63A-4: Pembuktian dan Pendaftaran Identitas
• NIST GenAI: Program evaluasi Deepfakes 2026
• ISO/IEC 30107-3:2023 Pengujian dan pelaporan PAD
• Penjelasan Kredensial Konten C2PA
• Panduan OWASP untuk mempersiapkan dan menanggapi peristiwa deepfake
• Serangan dan penanggulangan pembuktian identitas jarak jauh ENISA

Ketahanan deepfake berasal dari menanyakan beberapa pertanyaan yang lebih sempit daripada mempercayai satu skor yang luas. Verifikasi riwayat media, jalur pengambilan, orang yang hidup, bukti identitas, konteks sekitarnya, dan proses otorisasi—lalu putuskan sesuai risiko.