DETEKSI DEEPFAKE PADA FRAME VIDEO MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN PERBANDINGAN ARSITEKTUR XCEPTIONNET DAN EFFICIENTNET-B0

Mantur, Nikolaus Gilberto Putra (2026) DETEKSI DEEPFAKE PADA FRAME VIDEO MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK DENGAN PERBANDINGAN ARSITEKTUR XCEPTIONNET DAN EFFICIENTNET-B0. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (974kB)
	Text (BAB I) BAB I.pdf - Published Version Download (284kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (749kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (464kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (203kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (149kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.5085.zip - Published Version Restricted to Repository staff only Download (110kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (778kB)

Abstract

Perkembangan Teknologi Artificial Intelligence(AI) khususnya deepfake menimbulkan berbagai permasalahan seperti penyebaran informasi palsu, manipulasi media digital, penipuan identitas, dan penyalahgunaan konten visual. Deepfake mampu memanipulasi wajah manusia pada gambar maupun video sehingga sulit dibedakan dari konten asli. Kondisi ini dapat menurunkan tingkat kepercayaan masyarakat terhadap media digital da berpotensi menimbulkan dampak negatif pada keamanan informasi. Oleh karena itu, diperlukan sistem deteksi otomatis yang mampu mengidentifikasi konten deepfake secara akurat. Penelitian ini bertujuan untuk membangun sistem deteksi deepfake berbasis Convolutional Neural Network(CNN) menggunakan arsitektur XceptionNet dan EfficientNet-B0 dengan pendekatan Transfer Learning. Dataset yang digunakan berasal dari kaggle berupa video Real dan Fake yang kemudian di ekstraksi menjadi frame gambar wajah. Tahapan penelitian meliputi Preprocessing Data, Resize Image, Normalisasi, Data Augmentation dan Data Tanpa Augmentation, Training Model, Fine Tuning, Evaluasi Model, Hingga Implementasi ke aplikasi Web berbasis Gradio. Evaluasi dilakukan menggunakan metrik accuracy, precision, recall, F1-Score, Confusion Matrix, dan Inference Time. Hasil Penelitian Menunjukan bahwa penggunaan data augmentation dan fine tuning mampu meningkatkan performa model dalam mendeteksi deepfake. Model terbaik diperoleh pada XceptionNet dengan augmentation yang menghasilkan accuracy sebesar 80%, Lebih baik dibandingkan EfficientNet-B0 dengan accuracy sebesar 77% Penelitian ini berhasil mengimplementasikan klasifikasi sistem deteksi deepfake berbasis web yang mampu melakukan klasifikasi gambar dan video secara otomatis. Hasil penelitian ini dapat dimanfaatkan sebagai referensi pengembangan sistem keamanan digital, vierifikasi media, dan penelitian deteksi deepfake berbasi Deep Learning.

Actions (login required)

View Item