IMPLEMENTASI DENSENET-201 DAN RESNET-50 UNTUK IDENTIFIKASI GAMBAR ASLI DAN BUATAN AI

Wardana, I Nyoman Karma Dharma Nalendra (2025) IMPLEMENTASI DENSENET-201 DAN RESNET-50 UNTUK IDENTIFIKASI GAMBAR ASLI DAN BUATAN AI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (256kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (883kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (323kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (629kB)
	Text (BAB V) BAB V.pdf Download (87kB)
	Text (DAFTAR PUSTAKA- LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (471kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4110.zip Restricted to Repository staff only Download (11MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Kemajuan teknologi Kecerdasan Buatan (Artificial Intelligence/AI) telah memungkinkan terciptanya gambar sintetis yang sangat realistis, atau dikenal sebagai deepfake. Teknologi ini memiliki manfaat di bidang hiburan dan seni digital, namun juga menimbulkan risiko serius jika disalahgunakan untuk penipuan dan penyebaran informasi palsu. Oleh karena itu, diperlukan metode yang andal untuk membedakan gambar asli dan buatan AI. Penelitian ini menggunakan DenseNet-201, sebuah arsitektur deep learning yang dikenal unggul dalam klasifikasi gambar, serta ResNet-50 sebagai pembanding, guna meningkatkan akurasi deteksi deepfake. Metode yang diterapkan mencakup preprocessing data, seperti resizing, histogram equalization, dan augmentasi, untuk meningkatkan kualitas input model. Selain itu, penyeimbangan data dilakukan guna menghindari bias dalam pelatihan, serta diterapkan teknik early stopping agar model tetap stabil selama proses training. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score untuk memastikan efektivitasnya dalam membedakan gambar asli dan sintetis. Hasil penelitian menunjukkan bahwa model yang dikembangkan mampu mencapai akurasi tinggi dalam deteksi gambar deepfake. Dengan perbandingan antara DenseNet-201 dan ResNet-50, penelitian ini memberikan wawasan mengenai performa kedua model dalam klasifikasi gambar buatan ai. Kontribusi penelitian ini diharapkan dapat mendukung pengembangan teknologi AI yang bertanggung jawab dan diterapkan di berbagai sektor, seperti media, hukum, dan keamanan digital. Di masa depan, eksplorasi lebih lanjut pada arsitektur model yang lebih kompleks dapat dilakukan untuk meningkatkan akurasi dan interpretabilitas deteksi deepfake.

Actions (login required)

View Item