Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal ILKOMNIKA: Journal of Computer Science and Applied Informatics
Taufiqurrahman, Rahmadany Fahreza
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management

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

Found 1 Documents
Search

 1 
Penerapan Arsitektur CNN-Dilated untuk Deteksi Manipulasi Citra Deepfake Taufiqurrahman, Rahmadany Fahreza; Anggraeny, Fetty Tri; Sihananto, Andreas Nugroho
ILKOMNIKA Vol 7 No 3 (2025): Volume 7, Number 3, December 2025
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28926/ilkomnika.v7i3.821

Abstract

Perkembangan teknologi kecerdasan buatan telah menghasilkan berbagai inovasi multimedia, salah satunya adalah deepfake. Teknologi ini memanfaatkan algoritma deep learning untuk memanipulasi citra dan video secara realistis, sehingga sulit dibedakan dengan konten asli. Meskipun memiliki manfaat di bidang hiburan, deepfake juga menimbulkan ancaman serius terhadap keamanan digital. Penelitian ini bertujuan mendeteksi citra deepfake menggunakan arsitektur Convolutional Neural Network (CNN) dengan integrasi Dilated convolution. Integrasi ini memperluas receptive field tanpa meningkatkan jumlah parameter, sehingga model dapat menangkap informasi global dan detail lokal secara bersamaan. Dataset yang digunakan adalah Kaggle Deepfake Dataset berisi 8.000 citra (4.000 asli dan 4.000 palsu). Model diuji dengan lima rasio pembagian data (50:50 hingga 90:10) dan dibandingkan dengan CNN konvensional. Evaluasi menggunakan Confusion matrix dengan metrik akurasi, presisi, recall, dan F1-score. Hasil terbaik diperoleh pada rasio 80:20 dengan akurasi 85,69%, presisi 85,82%, dan recall 85,90%. Model CNN-Dilated secara konsisten mengungguli CNN standar dengan peningkatan akurasi 1–3% pada berbagai skenario. Hasil ini membuktikan efektivitas Dilated convolution dalam meningkatkan performa deteksi citra deepfake, yang berpotensi diterapkan dalam bidang keamanan digital dan forensik media.
Co-Authors Andreas Nugroho Sihananto Fetty Tri Anggraeny