Haratmoko, Hafidz (2025) KLASIFIKASI CITRA GENERATIVE ARTIFICIAL INTELLIGENCE MENGGUNAKAN ALGORITMA EFFICIENT NETWORK. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/text.png) |
Text (COVER-ABSTRAK)
COVER.pdf Download (642kB) |
|
Text (BAB I)
BAB I.pdf Download (298kB) |
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (802kB) |
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (192kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (1MB) |
|
Text (BAB V)
BAB V.pdf Download (94kB) |
|
Text (DAFTAR PUSTAKA-LAMPIRAN)
Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (810kB) |
![[img]](https://eprints.amikom.ac.id//style/images/fileicons/archive.png) |
Archive (SOURCE CODE)
Sourcecode - 21.11.4130.zip Restricted to Repository staff only Download (3MB) |
|
Text (PUBLIKASI)
Publikasi.pdf Restricted to Repository staff only Download (534kB) |
Abstract
Kemajuan teknologi kecerdasan buatan (Artificial Intelligence/AI), khususnya di bidang generative models, telah menghasilkan citra-citra sintetis yang menyerupai gambar asli secara visual. Fenomena ini menghadirkan tantangan serius dalam membedakan antara citra buatan (fake) dan citra asli (real), terutama di era digital yang rawan penyebaran informasi palsu. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi citra berbasis algoritma EfficientNet dalam mengidentifikasi citra hasil generative AI. Model dibangun menggunakan transfer learning dari EfficientNet yang telah dilatih pada dataset ImageNet dan dikustomisasi dengan beberapa lapisan tambahan seperti GlobalAveragePooling, Dropout, dan Dense untuk meningkatkan performa klasifikasi biner. Dataset dibagi menjadi tiga bagian yaitu train, validation, dan test, yang kemudian diproses menggunakan ImageDataGenerator. Model dilatih selama 10 epoch dengan teknik early stopping untuk menghindari overfitting. Hasil pelatihan menunjukkan bahwa model mampu mencapai akurasi di atas 90% pada data pengujian. Evaluasi lebih lanjut menggunakan classification report dan confusion matrix menunjukkan performa yang memuaskan dalam membedakan citra asli dan palsu. Penelitian ini menunjukkan bahwa algoritma EfficientNet memiliki potensi besar dalam mendeteksi citra generatif dengan akurasi tinggi dan efisiensi komputasi yang baik. Implementasi model ini dapat menjadi fondasi dalam pengembangan sistem pendeteksi citra palsu yang dapat digunakan dalam berbagai bidang seperti keamanan siber, media digital, dan forensik visual.
| Item Type: | Thesis (S1 - Sarjana) | ||
|---|---|---|---|
| Contributor: |
|
||
| Uncontrolled Keywords: | Klasifikasi Citra, Generative AI, EfficientNet, Transfer Learning, Deep Learning, Deteksi Citra Palsu | ||
| Subjects: | 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 006 Metode komputer khusus | ||
| Divisions: | Fakultas Ilmu Komputer > Informatika | ||
| Depositing User: | RC Universitas AMIKOM Yogyakarta | ||
| Date Deposited: | 16 Jul 2025 06:58 | ||
| Last Modified: | 16 Jul 2025 06:58 | ||
| URI: | http://eprints.amikom.ac.id/id/eprint/30157 |
Actions (login required)
 |
View Item |