Perkembangan teknologi kecerdasan buatan (Artificial Intelligence/AI) telah membawa dampak signifikan dalam berbagai bidang, terutama dalam pemrosesan citra dan video. Salah satu fenomena yang muncul akibat kemajuan ini adalah Deepfake, yaitu teknologi berbasis AI yang memungkinkan manipulasi wajah dan suara secara realistis. Meskipun memiliki potensi positif dalam industri kreatif dan pendidikan, Deepfake juga menimbulkan permasalahan serius, seperti penyebaran informasi palsu, ancaman terhadap privasi, dan penyalahgunaan untuk tujuan kriminal. Penelitian ini bertujuan untuk meninjau secara sistematis metode deteksi Deepfake menggunakan pendekatan Deep Learning. Kajian ini menganalisis 15 artikel ilmiah dari jurnal terakreditasi dan internasional yang diterbitkan antara tahun 2019 hingga 2024. Metode yang dikaji meliputi penggunaan Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Generative Adversarial Networks (GAN) dalam mendeteksi konten manipulatif. Metode penelitian yang digunakan dalam tinjauan literatur ini mencakup pencarian dan seleksi artikel berdasarkan kriteria tertentu, analisis terhadap teknik deteksi Deepfake, serta evaluasi dataset yang digunakan dalam penelitian sebelumnya. Hasil tinjauan menunjukkan bahwa CNN dan LSTM banyak diterapkan dalam analisis pola visual dan temporal pada video Deepfake, sementara GAN sering digunakan untuk mengembangkan model deteksi yang lebih adaptif. Meskipun berbagai metode deteksi telah dikembangkan, tantangan masih tetap ada, terutama dalam menghadapi peningkatan kualitas Deepfake yang semakin sulit dibedakan dari video asli. Oleh karena itu, penelitian lebih lanjut diperlukan untuk meningkatkan keandalan sistem deteksi Deepfake. Kajian ini diharapkan dapat memberikan wawasan bagi peneliti dan praktisi dalam mengembangkan solusi yang lebih efektif dalam menangani ancaman Deepfake di masa depan.