Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : CESS (Journal of Computer Engineering, System and Science)

Komparasi Performa VGG19, ResNet50, DenseNet121 dan MobileNetV2 Dalam Mendeteksi Gambar Deepfake Angeline, Angeline; Kusniyati, Harni
CESS (Journal of Computer Engineering, System and Science) Vol 9, No 2 (2024): July 2024
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v9i2.58671

Abstract

Deepfake secara pesat menjadi potensi ancaman keamanan siber yang dapat memanipulasi gambar, video, bahkan audio dengan sangat realistis sehingga manusia mengalami kesulitan dalam membedakan apakah sebuah media adalah asli atau merupakan hasil manipulasi kecerdasan buatan. CNN menjadi salah satu metode yang dikembangkan sebagai solusi. Banyaknya varian model CNN membuka potensi untuk pengembangan lebih lanjut. Penulis mengumpulkan dari berbagai sumber 1,000 citra wajah asli dan 1,000 citra wajah deepfake yang kemudian diperluas dengan teknik augmentasi data untuk melatih, memvalidasi, dan menguji empat varian model CNN yaitu VGG19, ResNet50, DenseNet121, dan MobileNetV2, dengan tujuan untuk menentukan varian yang paling efektif sebagai basis model yang dapat dikembangkan menjadi detektor deepfake. Evaluasi dan perbandingan performa dengan teknik confusion matrix menunjukkan bahwa di antara keempat model, ResNet50 memiliki performa terbaik dengan akurasi 91,5%, presisi 90%, dan recall 91,3%.
Komparasi Performa VGG19, ResNet50, DenseNet121 dan MobileNetV2 Dalam Mendeteksi Gambar Deepfake Angeline, Angeline; Kusniyati, Harni
CESS (Journal of Computer Engineering, System and Science) Vol. 9 No. 2 (2024): July 2024
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/cess.v9i2.58671

Abstract

Deepfake secara pesat menjadi potensi ancaman keamanan siber yang dapat memanipulasi gambar, video, bahkan audio dengan sangat realistis sehingga manusia mengalami kesulitan dalam membedakan apakah sebuah media adalah asli atau merupakan hasil manipulasi kecerdasan buatan. CNN menjadi salah satu metode yang dikembangkan sebagai solusi. Banyaknya varian model CNN membuka potensi untuk pengembangan lebih lanjut. Penulis mengumpulkan dari berbagai sumber 1,000 citra wajah asli dan 1,000 citra wajah deepfake yang kemudian diperluas dengan teknik augmentasi data untuk melatih, memvalidasi, dan menguji empat varian model CNN yaitu VGG19, ResNet50, DenseNet121, dan MobileNetV2, dengan tujuan untuk menentukan varian yang paling efektif sebagai basis model yang dapat dikembangkan menjadi detektor deepfake. Evaluasi dan perbandingan performa dengan teknik confusion matrix menunjukkan bahwa di antara keempat model, ResNet50 memiliki performa terbaik dengan akurasi 91,5%, presisi 90%, dan recall 91,3%.