EVALUASI KINERJA DEEPFACELAB DAN DEEPFACELIVE DALAM PEMBUATAN VIDEO MUSIK DEEPFAKE BERDASARKAN JUMLAH ITERASI DAN KOMPLEKSITAS DATASETMuh.FadlyauthorPenelitian ini berjudul “Evaluasi Kinerja DeepFaceLab dan DeepFaceLive dalam Pembuatan Video Musik Deepfake Berdasarkan Jumlah Iterasi dan Kompleksitas Dataset”. Penelitian ini bertujuan untuk menganalisis pengaruh jumlah iterasi pelatihan terhadap kualitas model deepfake yang dihasilkan oleh DeepFaceLab serta mengevaluasi performa model tersebut saat diimplementasikan pada DeepFaceLive dalam kondisi real-time. Variabel yang dikaji meliputi jumlah iterasi pelatihan dan kompleksitas dataset sebagai variabel bebas, serta kualitas visual video deepfake sebagai variabel terikat. Metode penelitian yang digunakan adalah eksperimen dengan tahapan ekstraksi wajah, pelatihan model menggunakan DeepFaceLab, implementasi model DFM pada DeepFaceLive, serta evaluasi kualitas visual menggunakan parameter PSNR, SSIM, dan VMAF. Hasil penelitian menunjukkan bahwa peningkatan jumlah iterasi pelatihan berpengaruh signifikan terhadap peningkatan kualitas visual video deepfake hingga mencapai titik optimal tertentu. Model dengan iterasi tinggi menghasilkan wajah yang lebih halus, detail, dan minim artefak visual, terutama ketika didukung dataset dengan kompleksitas tinggi yang mencakup variasi sudut wajah, pencahayaan, dan ekspresi. Namun, peningkatan iterasi yang berlebihan tanpa keseimbangan dataset dapat meningkatkan waktu komputasi dan berpotensi menimbulkan overfitting. Berdasarkan hasil penelitian dapat disimpulkan bahwa kombinasi jumlah iterasi pelatihan yang optimal dan kompleksitas dataset yang memadai sangat menentukan kualitas dan performa video deepfake. DeepFaceLab efektif menghasilkan model berkualitas tinggi, sedangkan DeepFaceLive mampu mengimplementasikan model tersebut secara real-time dengan performa yang baik pada video musik.000 Ilmu komputer, informasi dan pekerjaan umum2026-02-02Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis