{
      "documents": [
          {
            "pos": 2,
            "eprintid": 31800,
            "mime_type": "application\/pdf",
            "main": "22.55.2326 - Muh. Fadly.pdf",
            "format": "text",
            "rev_number": 2,
            "content": "published",
            "formatdesc": "THESIS",
            "security": "public",
            "uri": "http:\/\/eprints.amikom.ac.id\/id\/document\/319583",
            "language": "id",
            "files": [
                {
                  "mime_type": "application\/pdf",
                  "mtime": "2026-06-29 06:59:05",
                  "hash": "95d5cba875b3991679e24dbacedb53ca",
                  "datasetid": "document",
                  "filename": "22.55.2326 - Muh. Fadly.pdf",
                  "hash_type": "MD5",
                  "fileid": 1131559,
                  "uri": "http:\/\/eprints.amikom.ac.id\/id\/file\/1131559",
                  "objectid": 319583,
                  "filesize": 7701045
                }
            ],
            "placement": 2,
            "docid": 319583
          }
      ],
      "full_text_status": "public",
      "dir": "disk0\/00\/03\/18\/00",
      "divisions": [
        "PJJ"
      ],
      "corp_creators": [
        "Universitas AMIKOM Yogyakarta"
      ],
      "contributors": [
        {
          "name": {
            "honourific": null,
            "family": "Utami",
            "lineage": null,
            "given": "Ema"
          }
        }
      ],
      "subjects": [
        "000.000.000A"
      ],
      "thesis_name": "tesis",
      "datestamp": "2026-06-29 07:02:10",
      "eprintid": 31800,
      "institution": "Universitas AMIKOM Yogyakarta",
      "status_changed": "2026-06-29 07:02:10",
      "department": "Pascasarjana Magister Informatika",
      "metadata_visibility": "show",
      "keywords": "Deepfake, DeepFaceLab, DeepFaceLive, iterasi, dataset",
      "date_type": "published",
      "uri": "http:\/\/eprints.amikom.ac.id\/id\/eprint\/31800",
      "date": "2026-02-02",
      "creators": [
        {
          "name": {
            "given": "Muh.",
            "lineage": null,
            "family": "Fadly",
            "honourific": null
          },
          "nim": "22.55.2326"
        }
      ],
      "userid": 12,
      "type": "thesis",
      "thesis_type": "masters",
      "ispublished": "pub",
      "abstract": "Penelitian ini berjudul “Evaluasi Kinerja DeepFaceLab dan DeepFaceLive\r\ndalam Pembuatan Video Musik Deepfake Berdasarkan Jumlah Iterasi dan\r\nKompleksitas Dataset”. Penelitian ini bertujuan untuk menganalisis pengaruh\r\njumlah iterasi pelatihan terhadap kualitas model deepfake yang dihasilkan oleh\r\nDeepFaceLab serta mengevaluasi performa model tersebut saat diimplementasikan\r\npada DeepFaceLive dalam kondisi real-time. Variabel yang dikaji meliputi jumlah\r\niterasi pelatihan dan kompleksitas dataset sebagai variabel bebas, serta kualitas\r\nvisual video deepfake sebagai variabel terikat. Metode penelitian yang digunakan\r\nadalah eksperimen dengan tahapan ekstraksi wajah, pelatihan model menggunakan\r\nDeepFaceLab, implementasi model DFM pada DeepFaceLive, serta evaluasi\r\nkualitas visual menggunakan parameter PSNR, SSIM, dan VMAF.\r\nHasil penelitian menunjukkan bahwa peningkatan jumlah iterasi pelatihan\r\nberpengaruh signifikan terhadap peningkatan kualitas visual video deepfake hingga\r\nmencapai titik optimal tertentu. Model dengan iterasi tinggi menghasilkan wajah\r\nyang lebih halus, detail, dan minim artefak visual, terutama ketika didukung dataset\r\ndengan kompleksitas tinggi yang mencakup variasi sudut wajah, pencahayaan, dan\r\nekspresi. Namun, peningkatan iterasi yang berlebihan tanpa keseimbangan dataset\r\ndapat meningkatkan waktu komputasi dan berpotensi menimbulkan overfitting.\r\nBerdasarkan hasil penelitian dapat disimpulkan bahwa kombinasi jumlah\r\niterasi pelatihan yang optimal dan kompleksitas dataset yang memadai sangat\r\nmenentukan kualitas dan performa video deepfake. DeepFaceLab efektif\r\nmenghasilkan model berkualitas tinggi, sedangkan DeepFaceLive mampu\r\nmengimplementasikan model tersebut secara real-time dengan performa yang baik\r\npada video musik.",
      "lastmod": "2026-06-29 07:02:10",
      "eprint_status": "archive",
      "rev_number": 9,
      "title": "EVALUASI KINERJA DEEPFACELAB DAN DEEPFACELIVE\r\nDALAM PEMBUATAN VIDEO MUSIK DEEPFAKE\r\nBERDASARKAN JUMLAH ITERASI DAN KOMPLEKSITAS\r\nDATASET"
    }