Penggunaan wajah dalam sistem memiliki kerentanan terhadap serangan spoofing, karena teknik yang digunakan untuk melakukan serangan cukup sederhana dan biaya yang diperlukan sedikit. Pada penelitian ini, diusulkan sistem pendeteksi serangan spoofing pada wajah manusia yang dapat membedakan masukan citra spoof maupun non-spoof dengan metode Local Derivative Pattern sebagai ekstraksi cirinya. Sedangkan, untuk klasifikasinya menggunakan metode k-Nearest Neighbors dan Support Vector Machine. Parameter optimal untuk ekstraksi ciri menggunakan LDP, adalah sebagai berikut: LDP orde ke-2 dengan radius bernilai 5 yang bersifat overlapping non-uniform. Sedangkan, metode klasifikasi yang paling tepat adalah Support Vector Machine dengan kernel Radial Basis Function. Penelitian ini menggunakan NUAA Imposter and Photograph Database sebagai datasetnya. Pada saat pengujian, parameter optimal LDP dan metode klasifikasi terbaik diimplementasikan pada seluruh dataset, kemudiam menghasilkan F1-Score sebesar 99.8% yang menggambarkan performansinya sistem menangani serangan spoofing pada citra wajah. Hasil analisis terhadap pola uniform pada Local Derivative Pattern menunjukkan bahwa pola ini mempercepat waktu komputasi dengan rata-rata 2.09 detik, sedangkan waktu komputasi pola non-uniform yaitu 5.49 detik.