Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JURNAL INSTEK (Informatika Sains dan Teknologi)
Marcelia Anggiriani
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

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

Found 1 Documents
Search

 1 
DETEKSI ANOMALI TEKSTURAL PADA GAMBAR GENERATIF AI MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN ARSITEKTUR EFFICIENTNETB2 Farhan Muhammad; Marcelia Anggiriani; Ahmad Yusuf Roky; Tri Tia Fahada; Andre Pratama
Jurnal INSTEK (Informatika Sains dan Teknologi) Vol 11 No 1 (2026): APRIL
Publisher : Department of Informatics Engineering, Faculty of Science and Technology, Universitas Islam Negeri Alauddin, Makassar, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24252/instek.v11i1.64122

Abstract

Perkembangan teknologi image generation berbasis Artificial Intelligence (AI) membuat batas antara gambar buatan AI dan gambar Non-AI semakin sulit dibedakan. Kondisi ini mendorong kebutuhan akan sistem deteksi otomatis yang akurat. Penelitian ini bertujuan mengembangkan model klasifikasi citra untuk membedakan gambar AI dan Non-AI menggunakan arsitektur EfficientNet-B2. Evaluasi model dilakukan menggunakan dataset CIFAKE yang terdiri dari citra REAL dan FAKE sebagai representasi gambar non-AI dan AI. Model dibangun dengan memanfaatkan bobot pretrained sebagai feature extractor dan menambahkan lapisan klasifikasi dua kelas. Pelatihan dilakukan dalam dua tahap menggunakan Adam optimizer untuk meningkatkan stabilitas dan kemampuan generalisasi. Hasil penelitian menunjukkan bahwa EfficientNet-B2 mampu mengekstraksi fitur visual secara efektif. Pada pelatihan tahap awal, model memperoleh akurasi validasi 85,37%, kemudian meningkat menjadi 86,11% setelah optimisasi, dan mencapai performa terbaik pada tahap fine-tuning dengan akurasi 86,67%. Evaluasi pada data pengujian menghasilkan akurasi 87,12% dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Secara keseluruhan, model yang dibangun menunjukkan performa yang stabil dan akurat dalam mendeteksi gambar AI. Studi ini membuktikan bahwa pendekatan transfer learning dan fine-tuning dengan EfficientNet-B2 merupakan metode yang efektif untuk tugas klasifikasi gambar dua kelas.
Co-Authors Ahmad Yusuf Roky Andre Pratama Farhan Muhammad Tri Tia Fahada