Kelvin Samuel
Unknown Affiliation

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

PENGGUNAAN AUTOENCODER DAN GENERATIVE ADVERSARIAL NETWORKS DALAM MENDETEKSI DEEPFAKE Kelvin Samuel; Chairisni Lubis; Agus Budi Dharmawan
Jurnal Ilmu Komputer dan Sistem Informasi Vol. 12 No. 1 (2024): JURNAL ILMU KOMPUTER DAN SISTEM INFORMASI
Publisher : Fakultas Teknologi Informasi Universitas Tarumanagara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24912/jiksi.v12i1.28212

Abstract

Artikel ini dimaksudkan untuk membandingkan hasil deteksi Deepfake antara 2 metode neural network dan menemukan tingkat akurasi terbaik. Pada artikel ini arsitektur neural network yang akan digunakan adalah Encoder, Decoder, Generator dan Diskriminator yang masing – masing merupakan arsitektur dari masing – masing metode untuk melakukan deteksi.. Hasil perbandingan 2 metode neural network yang masing – masing berisi label real dan deepfake menunjukkan bahwa metode Autoencoder memiliki akurasi training tertinggi yaitu 99.74% dan akurasi validation tertinggi yaitu 73%, sedangkan untuk dan Generative Adversarial Network memiliki akurasi training tertinggi yaitu 96.82% dan akurasi validation tertinggi yaitu 84% dengan spesifikasi pelatihan menggunakan 50 epoch, 128 batch size, dengan 32.000 data. Berisi 16.000 data real dan 16.000 data deepfake namun dibagi lagi menjadi 5.120 untuk data validation dan 6.400 untuk data testing, namun dalam proses pengujiannya hanya menggunakan 10 data gambar acak yang menghasilkan proses yang dapat diprediksi oleh metode Autoencoder hingga 8 gambar diprediksi dengan benar sedangkan Generative Adversarial Network hanya dapat memprediksi hingga 7 gambar dengan benar.